基于RKGM-AR模型的船舶主机排气温度预测

为了对船舶主动力装置系统中非平稳变化的热力性能参数进行趋势预测,以实现对主动力装置故障状态预报,提出了一种新型RKGM-AR时间序列预测模型。该模型首次将四阶龙格-库塔法改进的灰预测模型与时间序列预测模型相结合,将热力参数分解成具有确定性的趋势项和具有不确定性的随机项,然后分别运用RKGM模型和AR模型对趋势项和随机项进行预测。通过某船舶主机排气温度预测实际应用案例对提出的模型进行了验证。实验结果表明,RKGM-AR模型预测结果的平均相对误差为0.276%,模型比较可靠、准确。     

基于改进PSO-BP神经网络的船舶交通流预测分析

为了进一步提高船舶交通流的预报精确度,文章建立了一种自适应变异的粒子群优化算法SAPSO,将BP神经网络模型与SAPSO算法相结合,进行船舶海上交通流分析预测。此外,文章采用灰色关联分析法GCA确定交通流预测模型的输入维数。SAPSO-BP预测模型运用自适应变异的PSO算法优化传统BP神经网络的模型参数,克服了传统BP神经网络的对模型的初始权值阈值敏感和易陷入局部最优的缺点,进而提高模型的预报精度。选用天津港口区域的船舶AIS实验数据,验证了预测模型的有效性。     

基于BP神经网络的船舶主机能效状态评估

[目的]在船舶航行期间,需要通过分析船舶和主机的运行参数来客观判断主机当前的工作情况,从而准确评估主机的能效状态。[方法]以状态良好的船舶运行记录为样本,结合主成分分析法和BP神经网络算法,构建船舶的航行状态识别模型和主机油耗模型,并在船舶航行期间对船舶实时运行参数进行分析,得出船舶主机在当前工况下的油耗量正常值。以某30万吨级远洋散货船为例开展模型计算验证,将正常油耗值与实际油耗值进行对比,以二者的残差值为依据,进而评估当前的主机能效状态。[结果]计算结果显示,航行状态识别模型的正确率为98.05%,油耗模型的平均误差为3.47%,2种模型的可靠性均较高。[结论]研究成果可为智能船舶的能效管理提供一定的参考。     

神经网络算法在船舶柴油主机氮氧化物排放预测中的应用

当前,船舶动力系统中柴油主机的氮氧化物排放对大气环境的污染日益严重。为了实时测量氮氧化物排放,本文首先分析了柴油燃料过程中氮氧化物的成分和生成过程,并分析了使用碳平衡法和碳氧平衡法测量氮氧化物的方法。最后针对柴油主机设计了神经网络模型,将氮氧化物排放量的预测误差降低至5%以内。     

船舶主机冷却水出口温度控制系统

船舶主机冷却水出口温度控制系统是确保船舶动力的重要辅助部分,在船舶的运行过程中起着保障船舶稳定运行的重要作用。然而,由于船舶主柴油机缸套冷却水系统惯性较大,对主机冷却水出口温度控制仍存在不足,系统耗时过多、程序复杂,易造成能量浪费等问题,不利于船舶航行的安全和稳定。因此,结合传热学理论对船舶主机冷却水出口温度控制系统进行设计和分析,在传统PID控制系统的基础上进行创新和优化,结合船舶主柴油机输出功率作为冷却水出口温度负荷的信号的前馈控制,以简化船舶主机冷却水出口温度控制系统的工作流程,有效控制系统资源消耗情况。为检验该方法的有效性,进行仿真实验,验证结果证明,该系统可有效减少资源消耗情况,缩短温度控制时间,优化系统控制效果,有效实现了准确、节能简洁的设计目的。     

基于传感器数据的船舶主机油耗预测分析

以某远洋油船主机为研究对象,基于斯皮尔曼相关性分析和随机森林特征重要性评估的特征选择方法,设计特征参数由多到少的L、M、S等3个建模特征数据集,利用岭(Ridge)回归方法、人工神经网络(ANN)和梯度提升回归树(GBRT)方法构建船舶主机油耗预测研究。研究结果表明:以特征最少的数据集构建的GBRT预测模型具有不逊色于其他2个特征集的性能表现。所提出的特征选择方法能够在有效平衡模型复杂度与预测准确性的基础上,筛选出对目标影响最大的主机排烟出口压力、涡轮增压器转速和主机扫气压力等少数特征参数,从而有效降低船端与岸端的数据传输成本,为数字孪生技术在船舶上的应用提供支撑。     

基于Attenton-LSTM神经网络的船舶航行预测

航行预测是无人艇关键技术之一。航行问题复杂度较高,传统的预测算法无法满足当前需求。为此,提出一种基于注意力机制-长短期记忆(Attention-Long Short Term Memory,Attention-LSTM)的多维船舶航行预测算法,结合船舶自动识别系统(Automatic Identification Systerm,AIS),采用注意力机制突出对船舶航行起关键作用的输入特征,实现对船舶未来时刻经度、纬度、航向、航速的预测。以成山角海域真实数据为例,进行仿真对比实验,结果表明所提方法具有更好的精确性和鲁棒性。     

基于神经网络的船舶物流配送成本预测

高精度的船舶物流配送成本预测可以节省成本,提高船舶物流配送企业的利润,因此具有重要的研究意义。为了获得更高精度的船舶物流配送成本预测结果,提出神经网络的船舶物流配送成本预测方法。首先采集船舶物流配送成本历史数据,通过变换技术建立船舶物流配送成本预测的学习样本,然后引入BP神经网络对船舶物流配送成本学习样本进行训练,拟合船舶物流配送成本的变化特点,从而实现船舶物流配送成本预测,最后与当前经典船舶物流配送成本预测方法进行优越性测试。结果表明,BP神经网络的船舶物流配送成本不仅预测精度平均高于对比方法 5%以上,而且船舶物流配送成本预测稳定性更优,预测结果可以为船舶物流配送企业提供有用的信息。     

船舶主机温度控制中的神经网络算法研究

船舶主机温度控制是机舱自动化控制的重要组成部分,可以显著提高船舶的管理水平,提高船舶主机的安全性、可靠性和稳定性。目前,大型船舶主机的温度主要通过冷却水循环系统来调节,该系统具有时变性和非线性等特点。本文以主机温度自动化控制系统为研究对象,结合神经网络控制算法,设计一种新型的船舶主机温度自动化控制系统,并对该系统的结构和原理进行介绍。     

基于神经网络的船舶主机零件磨损监测方法的研究

针对船舶主机零件磨损监测问题,将油液的光谱数据建立成为时间序列的函数,然后依据BP神经网络的分析手段,对主机内润滑油中的铁元素含量进行了预测,进行了预测模型的建立,最后,运用遗传算法改进了BP神经网络,提高了预测值的精度和稳定性。实验结果表明:遗传神经网络的预测精度显著高于BP网络,该方法可以用于船舶主机的磨损监测。     

基于神经网络算法的船舶间距快速预测

保证船舶航行的畅通性是船舶海上交通智能化发展的关键。本文利用BP神经网络自适应能力强、自组织学习等优点进行船舶间距快速预测,通过船舶间距预测可以提高海上交通信号控制的效率,保证船舶航行的稳定性和安全性,最后的实验结果表明本文算法误差小,可靠性高。     

基于BP神经网络的船舶交通流量预测研究

在分析船舶交通流量特性的基础上,以船舶交通流量控制为最终目标,建立基于BP神经网络的船舶交通流量预测模型,以长江口深水航道的交通流量数据作为训练样本,进行模拟分析。预测结果与实测加权数据进行对比表明,该模型对船舶交通量的预测是有效的。     

船舶主机性能指标测试系统的改进

针对船舶主机转速传感器性能指标测试存在的缺陷,在主机中引入分布式智能监控系统,对系统进行分级管理、分散控制。介绍了系统的硬件特性和软件功能。     

基于编解码卷积神经网络的船舶航速预测

为提升船舶航速预测精度,为量化分析船舶碳排放提供精确的基础数据,构建一种基于编解码卷积网络的船舶航速预测方法。利用历史的船舶自动识别系统(Automatic Identification System, AIS)数据训练编解码卷积网络,在不同编码器之间通过蒸馏操作抑制船舶航速数据信息冗余;在此基础上,以向量的形式将编码后的航速数据输入解码器中,获得最终的航速预测数据。试验结果表明,提出的船舶航速预测方法能准确地预测船舶航速变化,对推动航运碳排放分析和船舶节能航行研究等具有一定的指导意义。     

基于改进卷积神经网络的船舶目标检测

为提高无人船研究中的船舶辨识速度和精度,弥补海上船舶目标检测中船载自动识别系统(Automatic Identification System,AIS)和雷达图像的不足,提出一种基于改进卷积神经网络的船舶目标检测模型。设计多策略的卷积神经网络模型,利用船舶图像数据进行训练和测试,并将测试结果与基于区域提名和基于回归方法的卷积神经网络模型结果相对比。试验结果表明,改进的卷积神经网络模型的船舶检测准确率高于另外2种模型。