基于深度学习算法的船用高频电路工作状态检测研究

为了提升船用高频开关电源的运行可靠性,提出基于深度学习算法的船用高频电路工作状态检测方法。采集船用高频电路工作状态信号,作为深度受限波尔兹曼机的输入,深度受限波尔兹曼机利用2层受限玻尔兹曼机,通过2次非线性映射,提取船用高频电路工作状态特征。设置所提取的高频电路工作状态特征,作为支持向量数据描述方法的输入,将输入样本映射至高维内积空间,判定样本是否存在于高维内积空间的最优超球体内,检测船用高频电路工作状态为正常或异常状态。实验结果表明,该方法可以精准检测船用高频电路工作状态,满足船舶高频开关电源的运行可靠性需求。     

基于改进深度学习算法的船舶柴油机故障诊断技术

随着数据挖掘技术的发展,深度置信网络(DBN)这类深度学习算法被越来越多运用到工程领域。在故障诊断领域,结合DBN强大的自适应特征提取和非线性映射能力,可以摆脱以往对专家经验的依赖。基于此,本文为有效地监测柴油机气缸运行状态,提出一种基于改进深度学习算法的船舶柴油机故障诊断技术。先将原始信号的频域形式输入DBN当中,采用蚱蜢优化算法(GOA)搜索DBN的最优参数组合,并建立起最佳的柴油机气缸故障诊断模型。经测试验证,本文提出的诊断模型能够准确识别柴油机气缸运行状态并进行故障诊断,诊断率可以达到99.5%以上,具有较好的工程实用价值。     

基于改进深度学习算法的船舶柴油机故障诊断技术

随着数据挖掘技术的发展,深度置信网络(DBN)这类深度学习算法被越来越多运用到工程领域。在故障诊断领域,结合DBN强大的自适应特征提取和非线性映射能力,可以摆脱以往对专家经验的依赖。基于此,本文为有效地监测柴油机气缸运行状态,提出一种基于改进深度学习算法的船舶柴油机故障诊断技术。先将原始信号的频域形式输入DBN当中,采用蚱蜢优化算法(GOA)搜索DBN的最优参数组合,并建立起最佳的柴油机气缸故障诊断模型。经测试验证,本文提出的诊断模型能够准确识别柴油机气缸运行状态并进行故障诊断,诊断率可以达到99.5%以上,具有较好的工程实用价值。     

基于MATLAB与CATIA船用螺旋桨建模研究

通过分析螺旋桨的几何特征,依据MATLAB编程语言实现桨叶不同半径处三维型值点计算。同时,为提高不同半径处桨叶曲面连接光顺性,对相邻半径处曲面变化较大处增加半径条数,通过样条插值方法插值增加半径处的三维型值点数据,并将三维型值点以CATIA平台识别的特定格式文件输出,快速完成螺旋桨三维模型的绘制。结果表明：该方法减少了繁琐的计算与数据整理工作,提高了螺旋桨曲面光顺性与三维建模效率。     

多矢量推进水下航行器深度分组控制数学建模分析

传统水下航行器控制模型分析算法缺少对矢量动力参数的模型分析计算逻辑,因此造成控制模型分组参量关系分析不足,导致水下航行器控制动力输出量出现偏差的问题。因此,提出多矢量推进水下航行器深度分组控制数学建模分析。通过引入非线性适量运动算法,对水下航行器矢量推进下的运动进行数学模型建立分析;得到运动参数后,引入动力分组控制算法,根据计算得到的运动参数,对水下航行器进行深度分组控制模型的建立计算,从而得到准确的控制参量。最后,通过设计的仿真实验对上述分析结果进行准确性验证,证明提出方法的可行性。     

基于UG二次开发的船用螺旋桨参数化建模方法与实现

船用螺旋桨的建模方法是将二维初始型值点导入通用CAD软件,通过多步操作得出三维空间数据,完成整个造型过程.这种方法不但操作繁琐,而且效率低.在研究了船用螺旋桨参数化建模方法的基础上,采用对UG进行二次开发的方法,编制出船用螺旋桨参数化建模的功能模块.通过给定船用螺旋桨的主要几何参数,计算出初始型值点,进行坐标变换,将其从平面坐标系还原到空间真实位置.另外给出桨叶叶梢缺失部分数据的NURBS拟合补充方法,并在进行光顺处理后,最终生成船用螺旋桨的三维模型.     

基于MATLAB/SIMULINK的船用辅锅炉系统建模与仿真

运用Matlab／Simulink软件包对船用辅锅炉系统进行动态仿真,以锅炉炉膛为例建立了数学模型,给出了该系统的动态模型,并详细介绍了如何利用SIMULINK对锅炉系统进行仿真。仿真结果表明,SIMULINK也是对锅炉系统进行建模的一种有效方法。     

基于Modelica/Mworks的船用射汽抽气器图形化建模与仿真

基于面向对象的多领域统一建模开源规范Modelica/Mworks平台,通过研究船用射汽抽气器性能仿真数学模型,开发了针对船用汽轮机组射汽抽气器的图形化仿真模型,并开展了数据可视化仿真。开发仿真结果表明:仿真模型具有良好的模块化特征和可重用性,能够正确地反映射汽抽气器的稳态运行特性,充分验证了模型的有效性,为船用汽轮机射汽抽气器和整机仿真研究奠定了基础。     

基于深度学习算法的舰船通信网络流量估计研究

传统舰船通信网络流量估计算法输出结果与实际流量数值之间的误差较大,导致后期数据流量分析结果可信度降低。为了提升通信网络流量估计准确度,提出基于深度学习算法的舰船通信网络流量估计研究。首先,对通信网络空间中的数据流进行数据流模型建立,获得通信流量基础特征数据;然后,对其流量波动值域范围进行特征计算,以此获得深度学习样本。最后,通过深度学习算法,对样本数据进行学习,通过学习完成对流量估计系数的更新,进而提升估计精准度。通过对仿真数据的对比测试,证明提出的估计算法能够有效减小估计值与实际值之间的误差,满足适应估计场景的应用要求。     

干扰力作用下船舶航行动力学特性数学建模研究

船舶航行过程中受到的干扰载荷主要包括风载荷、波浪力、抛锚外载荷等。为了提高船舶航行安全性,本文对船舶在外界干扰载荷作用下的动力学特性进行深入研究,基于拉格朗日动力学理论建立船舶在干扰载荷作用下的航行动力学模型。基于Matlab软件与船舶航行动力学模型,计算得出船舶航行动力学响应。结果表明:本文建立的动力学模型能够有效预测船舶动力学响应,可为工程设计提供参考。     

船舶智能化网络资源中数据封包传送数学建模分析

传统的数据封包传送数学模型在传送船舶智能化网络数据资源时,传播速率很慢,平均延迟高,吞吐性能差。为解决上述问题,设计一种新的数据封包传送数学模型,利用BM匹配算法匹配船舶网络数据资源格式,根据船舶智能化网络的IP地址、网络端口号、网络资源传输协议、网络通信数据以及其他网络资源信息数据建立封包传送数学模型。为验证模型效果,与传统模型进行实验对比,结果表明,设计的数学模型能够有效提高传播速率,降低平均延迟,加强吞吐性能。     

基于深度学习方法的海上舰船目标检测

为了提高海上无人艇的舰船目标检测精度和速率,本文基于深度学习方法,利用卷积神经网络、区域建议网络及Fast R-CNN检测框架构建了舰船检测系统。该系统通过共享的卷积神经网络提取特征;通过区域建议网络生成候选区域;通过Fast R-CNN框架实现目标检测识别,从而实现端到端的舰船目标检测。实验结果表明,相比于传统机器学习目标检测算法,该舰船检测系统在检测精度及检测速率上均有大幅提高,达到83.79%的准确率及0.05 s/帧的检测速率。本文的舰船检测系统在检测精度及速率上均表现优异,满足了水面无人艇的工作要求。     

深度学习算法在船舶电子海图识别中的应用

在海上勘探及航运领域,图像识别的应用范围及场景越来越多,如何提高识别的精确及效率一直是图像识别技术的关键。同时,电子海图的结构及网络深度更高,传统图像识别算法已经越来越不能满足电子海图识别系统的性能要求。本文在研究海上电子海图识别结构及存在问题基础上,提出一种基于深度学习的图像识别模型,建立电子海图识别的多层次网络结构,最后对算法进行仿真。结果表明算法有效提高了图像识别的精度及效率。     

基于PRO/E软件的船用螺旋桨建模

结合螺旋桨结构特点及Pro/E功能特点,作出基于此软件的螺旋桨建模的方法。在建模后对原始设计坐标点及各几何参数、特性参数进行检查,及时修正数据,并光顺。对于无图谱的螺旋桨或者桨叶更复杂的螺旋桨,能比经验公式得到更精确的物理几何参数。     

基于深度强化学习的无人艇控制研究

论文以水面无人艇为切入点,利用深度强化学习技术,结合无人艇的数学模型,分析并设计环境的状态空间、动作空间和奖励。通过智能控制器与环境交互生成训练样本,训练网络以实现无人艇的运动控制。通过试验仿真验证,训练后的网络能够很好地对无人艇进行控制,相对于传统的PID控制算法在稳定性以及抗干扰能力上具有一定的优势。     

基于深度置信神经网络的半潜式平台浮体运动模型和响应预测研究

半潜式平台承受着风、浪、流等复杂环境荷载的耦合作用,在工作海况下平台的浮体运动多为波频小幅运动.在极端海况下平台产生大幅运动对结构的安全带来威胁.本文基于深度学习理论,开展了半潜式平台运动响应预测及分布规律的研究.首先,按照10 min为时间间隔对环境监测信息进行划分,对风速、波浪压力等环境监测信息的分布规律进行研究并选取合适的分布拟合参数,结合分形学理论及统计分析的方法,提出了实测风速、波浪压力等数据的特征参数,并结合浪高、周期、流速、流向等实测数据,建立了具有降维特征的环境信息输入参数;其次,基于实测响应数据,以横摇为例,以10 min为时间间隔对其监测信息进行划分并对其分布规律进行研究,并选取合适的响应分布拟合参数作为响应的特征参数;接着,利用北斗远程传输系统传输的监测数据,基于深度置信神经网络(Deep Belief Network,DBN)建立极端海况下实测环境荷载与实测响应的关系模型,并与基于BP、Elman神经网络的关系模型预测结果进行对比,可以看出,基于DBN神经网络的关系模型预测误差仅为5.07％,结果较为准确;最后,基于DBN神经网络建立了荷载特征参数与响应分布拟合特征参数的关系模型,并与基于DNN、BP神经网络的关系模型预测结果进行对比.研究发现,基于DBN神经网络的预测模型结果更为准确,更接近于真实响应的分布规律,可以对工作海况下平台安全作业提供一定的指导.     

基于故障树的船用核动力装置维修性建模研究

结合船用核动力装置的特点,阐述了建立基于故障树维修性模型的方法和流程.以建立故障树为基础,建立了关于船用堆余热排出系统基于故障树的维修性模型,对其进行定量分析得到系统修复性维修时间.该方法直接利用可靠性分析中的故障树建立模型,节省了建模强度,计算结果由可靠性数据支持,克服了以往定量分析中维修性数据不足的缺点.     

基于大数据分析的船用通信网络优化调度算法

为了提高船用通信网络优化调度效果,设计了基于大数据分析的船用通信网络优化调度算法。首先分析了船用通信网络优化调度原理,指出了影响船用通信网络优化调度结果的因素,然后收集船用通信网络优化调度的数据,采用大数据分析方法中的相关向量机和时间分析算法对船用通信网络优化调度问题进行建模,最后进行了船用通信网络优化调度算法性能的测试实验。结果表明,大数据分析算法解决了当前船用通信网络优化调度中存在的一些难题,提高了船用通信网络优化调度精度,船用通信网络优化调度时间得以减少,提升了船用通信网络优化调度效率,具有一定的实际应用价值。