共查询到20条相似文献,搜索用时 31 毫秒
1.
针对船舶电站故障诊断中常用的BP神经网络算法存在的收敛速度慢和诊断准确率不高等问题,提出一种基于随机森林算法的船舶电站诊断模型。在Simulink软件中搭建船舶电站故障模型,通过在Simulink中仿真得到船舶电站故障数据,分析基于随机森林算法的船舶电站故障诊断原理。在MATLAB软件中分别建立基于随机森林算法和BP神经网络算法的船舶电站故障诊断模型,并对二者的故障诊断结果进行对比分析。结果表明,基于随机森林算法的诊断模型相比基于BP神经网络的诊断模型,能显著提高船舶电站故障诊断的效率和准确率。 相似文献
2.
利用深度学习方法预测船舶未来航行趋势,对海上交通安全以及船舶管理具有重要意义。在船舶自动识别系统(AIS)中已知的经度、纬度、航速数据基础上,提出一种基于门控循环单元结合双卷积层长短期记忆神经网络(GRU-Dconv LSTM)预测模型。根据原始数据的变化趋势,采用标准差法对数据中的异常值进行处理,得到最终试验数据。该模型一方面通过门控循环单元(GRU)学习船舶历史数据上的运动规律;并采用双卷积层与长短期记忆神经网络(LSTM)结合的形式充分提取数据深层信息,提高模型对时序数据深层次特征的挖掘能力。将该模型与卷积长短期记忆神经网络(CNN-LSTM)、卷积门控循环神经网络(CNN-GRU)以及卷积层长短期记忆(Conv-LSTM)神经网络等3个模型进行对比,将均方根误差、平均绝对误差、平均绝对百分比误差作为评价标准,结果表明,GRU-Dconv LSTM模型在经度和纬度预测上误差较小,精确度较高。 相似文献
3.
在船舶电站的设备管理作业中,由于其复杂程度变得越来越高,采用常规的控制技术已经不能够满足设备的控制管理要求,因此可以采用智能算法,对电站运行中产生的各种数据进行综合分析对比,找出潜在的故障发生机制,提高船舶电站的安全性。本文结合了数据挖掘技术,利用大数据统计原理,针对不同的船舶电站故障模型,提取出各个状态下的船舶电站运行机制,从而有效改善了船舶电站的故障预测和处理能力。 相似文献
4.
由于船舶交通流具有非线性和复杂性的特征,传统交通流量预测方法的预测结果精度普遍不高,且需大量历史数据进行训练。在考虑船舶交通流数据时间特性的基础上增加了对数据空间特性的考虑,提出一种基于卷积神经网络(Convolutional Neural Networks, CNN)和长短时记忆网络(Long Short-Term Memory, LSTM)的短时船舶交通流量预测模型,并引入动态时间规整(Dynamic Time Warping, DTW)算法构造损失函数,提升模型的预测精度。结果表明:通过与灰色模型(Grey Model, GM)、差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model, ARIMA)、小波神经网络(Wavelet Neural Network, WNN)、反向传播神经网络(Back Propagation Neural Network, BPNN)和CNN-LSTM等模型对比,所提出的CNN-LSTM-DTW预测模型的预测结果相对误差最小,可信度高,预测精度优于对比模型。 相似文献
5.
6.
7.
8.
为了有效解决当前船舶姿态预测准确性问题,结合当前船舶姿态数据特征,改进传统神经网络并以此为基础建立新型船舶姿态预报技术。重构神经网络格式特征区,添加脉冲输出和神经网络数据放大和衰减参数量,构建耦合神经网络作为主要计算网络,结合达尔文进化算法和传统遗传算法特征,构建交叉概率算法,顶替传统经验算法获取放大衰减真实值,通过PC端数据传输和样本导入,实现船舶姿态准确预测。仿真实验数据表明,改进后的神经网络船舶姿态预报技术对于船舶横纵斜度的预测均提高30%以上,达到了提高船舶姿态预测准确度的目标。 相似文献
9.
10.
预测船舶升沉运动有助于增强波浪补偿系统的补偿效果,解决补偿系统滞后问题。为提高预测模型的预测精度,提出一种基于误差反向传播(BP)神经网络和长短时记忆(LSTM)神经网络组合优化的船舶升沉运动预测方法。以采用计算流体动力学(CFD)方法获取的船舶在规则波浪作用下的升沉运动和在突发性干扰下的升沉运动为对象,基于PYTORCH框架和LINGO软件,建立以加权方式组合优化BP神经网络和LSTM神经网络的预测模型。研究结果表明,无论是船舶在规则波浪作用下的升沉运动,还是船舶在突发性干扰下的升沉运动,BP-LSTM组合模型的预测精度均高于BP神经网络和LSTM神经网络,有助于提高补偿精度。 相似文献
11.
《舰船科学技术》2021,(2)
传统船舶交通异常识别方法在大雾天气环境下,存在挖掘算法对船舶轨迹异常状态辨识度降低的问题。通过分析发现,原因在于传统方法中没有引入大雾天气对船舶轨迹检测信号的扰动变量,导致轨迹检测数据与挖掘算法之间出现数据断链,降低了数据挖掘的识别效果。因此,提出大雾天气海上船舶交通异常挖掘识别方法分析。首先通过LSTM算法,将大雾天气扰动特征代入挖掘神经网络,获得带有大雾扰动特征神经网络;接着,根据大雾扰动特征建立混合高斯船舶轨迹模型,为交通异常识别提供基础数据;然后,通过Spark分布式挖掘算法,完成对船舶交通异常数据的挖掘识别。通过仿真实验,对传统挖掘识别方法与提出方法效果进行多组数据对比,证明提出挖掘识别方法的有效性。 相似文献
12.
13.
为克服传统专家经验在故障诊断方面的不足,实现船舶凝给水系统的智能诊断,在标准BP神经网络基础上提出一种优化后的CAWOA-BP故障诊断模型。采用混沌映射以及自适应权重调整策略优化WOA鲸鱼算法,利用优化后的WOA鲸鱼算法改进BP神经网络的权值及阈值矩阵。由于船舶凝给水系统的状态监测数据是复杂多维度数据,利用UMAP降维算法对原始数据进行降维。最后,利用降维处理后的数据训练CAWOA-BP神经网络模型,实现故障诊断。通过对正常及故障数据的学习,发现优化后的CAWOA-BP模型相比于标准BP,WOA-BP,PSO-BP故障诊断模型具有更高的准确率、精确率、召回率及预测误差。研究表明,基于优化后的CAWOA-BP神经网络故障诊断方法能够更加精确实现船舶凝给水系统的故障诊断。 相似文献
14.
针对船舶齿轮箱故障诊断正确率低的难题,提出蚁群优化神经网络的船舶齿轮箱故障诊断方法。首先采集船舶齿轮箱故障诊断的数据,并采用小波分析提取船舶齿轮箱故障诊断特征,然后采用神经网络建立船舶齿轮箱故障诊断模型,并采用蚁群算法克服神经网络存在的缺陷,最后构建了船舶齿轮箱失效预测方法,实验表明,本文方法提高了船舶齿轮箱故障诊断效果,并获得了高精度的船舶齿轮箱失效预测结果。 相似文献
15.
16.
17.
18.
《舰船科学技术》2021,43(18)
船舶故障趋势预测的研究具有重要实际应用,船舶故障趋势复杂多变,当前船舶故障趋势预测方法无法高精度描述其故障变化特点,使得船舶故障预测趋势结果靠性低。为了提高船舶故障趋势预测效果,设计了基于大数据的船舶故障趋势预测方法。首先分析当前船舶故障趋势预测研究进展,找到各种方法的船舶故障趋势预测的局限性,然后采用船舶故障趋势数据,并利用大数据分析技术拟合船舶故障变化趋势,构建船舶故障趋势预测模型。最后在相同平台下,与其他船舶故障趋势预测方法进行了对比测试。结果表明,大数据的船舶故障趋势预测精度超过95%,不仅完全达到了船舶故障控制的实际应用要求,而且船舶故障趋势预测效果要优于对比方法,具有更加广泛的实际应用范围。 相似文献
19.
由于浮式起重船在海上进行风电设备安装和运维作业期间,离岸距离远且作业时间长,波浪变化多样且不确定,极易产生新频率的船舶运动,使得无法进行精确预测,从而导致海上作业无法安全进行甚至造成设备损坏,因此文章提出基于联邦学习的多变量多步长短期记忆网络(LSTM)预测方法。针对无线数据采集时间间隔不一致,将其和船舶升沉运动数据共同作为双层LSTM预测模型的输入变量并进行多步预测。同时针对突遇新频率船舶运动的情况,采用联邦学习方法联合多家海上风电安装运维企业的船舶升沉运动数据,共同训练适用于复杂海况下的船舶升沉运动LSTM预测模型。使用Stewart六自由度波浪补偿平台模拟浮式起重船的升沉运动,试验结果表明,在遇到新频率船舶运动时,该方法能有效提高船舶升沉运动的预测效果,模型预测精度(RMSE值)至少可达到0.095。 相似文献
20.
为了提高船舶在风浪中航行的安全性,需要精确地预测船舶在风浪中的横摇运动,以提高船舶横摇控制效果,本文通过应用一种带外源输入的非线性自回归(NARX)神经网络预测方法预测船舶横摇运动。该方法考虑了实船操纵性试验数据受风、浪、流等外界因素的的影响,将实测的风向、风速、流速、流向、浪向以及浪高的数据作为外源输入,能够有效提高船舶横摇运动的预测精度。基于“育鲲”轮,利用该方法对实际船舶海上横摇运动进行了实时预测实验,并将其实验结果与SAPSO-BP神经网络模型的预测结果进行对比。从对比结果可以看出,本文所提方法对复杂海浪环境具有良好的适应性,NARX模型的预测精度优于普通反向传播(BP)神经网络和自适应粒子群算法优化的普通反向传播(SAPSO-BP)神经网络. 相似文献