基于HMM-SVR的船舶动力设备故障模式识别与状态预测研究

船舶动力设备因故障监测信号样本少、变化缓慢且数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。鉴于此,文章研究了基于隐马尔科夫模型的故障模式识别方法,利用该模型将微弱变化的信号特征转换为变化较大的对数似然概率对故障模式实现有效识别。在此基础上进一步提出基于HMM-SVR的设备状态预测模型,将遗传算法用于支持向量回归模型参数寻优,并结合隐马尔科夫模型,实现对设备状态的预测。对船用柴油机进行仿真,结果表明上述模型具有较高的识别率,能准确预测船舶动力设备的当前状态。     

基于AIGA-WLSSVM的埋地管道腐蚀速率预测方法

为了降低埋地管道腐蚀影响因素之间的复杂相关性,提高腐蚀预测精度,文中提出一种基于自适应免疫遗传算法-加权最小二乘支持向量机(AIGA-WLSSVM)的埋地管道腐蚀速率预测建模方法,并采用AIGA优化模型参数,进一步提高模型的学习能力和稳定性。最后通过实例分析验证了AIGA-WLSSVM建模方法在埋地管道腐蚀速率预测中的可行性和有效性,为埋地管道的检修与更换提供参考。     

BIM技术在深圳机场三跑道填海工程设计中的应用

针对BIM技术在填海工程设计中的应用,深圳机场三跑道填海工程设计中采用AUTODESK平台,以基于云端的协同平台进行协同设计,将各专业更加紧密地联系在一起,解决了传统设计的沟通、协调难题,且根据勘察资料创建三维地质模型,并采用Civil 3D软件进行基槽和海堤施工图设计,提高设计效率及精度,为BIM技术在水运行业的推广及应用提供借鉴。     

基于LSTM的舰船运动姿态短期预测

舰船的六自由度运动状态形成复杂的非线性过程,运动姿态会受到耦合作用、不定周期、噪声信号以及混沌特性等因素的干扰,因此很难得到精确的预测结果.为了提升舰船运动姿态的预测精度,利用舰船时间序列的特点,建立了基于长短期记忆单元(LSTM)模型,对其进行了舰船姿态预测仿真,将结果与时间序列分析法的结果进行对比.实例分析表明:基于LSTM模型的预测方法具有精确度高、易实现的特点.这为舰船运动短期预测提供了一个新的思路和方法.     

内河船舶波浪载荷研究

利用内河波浪散布图和修订波浪谱对内河系列船舶进行了波浪载荷的计算预报,首次分析了内河船舶波浪载荷的规律和特点,并与俄罗斯内河登记局(RRR)和法国-德国船级社(B-G)的内河规范载荷对应的等效模数要求进行了比较分析。结合实船测试结果表明：波浪载荷变化规律与国外同类规范一致,预报波浪载荷水平与测试结果及国外同类规范要求相当。内河船舶波浪载荷预报应考虑航速和水深的影响,载荷预报结果可以作为制定内河波浪载荷公式的基础。     

大深度浮力驱动式水下运载器的浮潜运动研究

基于模型试验,对大深度浮力驱动式水下运载器的上浮运动进行研究与分析,基于数值仿真,提出大深度浮力驱动式水下运载器浮潜运动的快速预报方法,并将预报结果与模型试验结果进行对比,证明快速预报方法的准确性。使用快速预报方法,针对水下运载器比重变化、流体密度变化、水下运载器初速度以及水流扰动4种因素对浮潜运动的影响进行研究.此外,对水下运载器作六自由度运动时所受的水动力进行计算,为后续的六自由度运动预报和研究提供基础。     

钛合金疲劳小裂纹扩展行为预报方法研究

针对小裂纹扩展阶段裂纹尖端塑性区域尺寸相对于小裂纹长度是不可忽略的问题,在考虑小裂纹效应裂纹扩展速率修正模型基础上,对该模型中裂纹尺寸进行修正,即裂纹长度等于真实裂纹长度加上平面应变状态下裂纹尖端塑性区域一半;并利用修正后的模型对钛合金材料不同情况下疲劳小裂纹扩展速率和寿命进行预报,同时将预报结果与试验值比较.结果表明:修正后的预报模型对小裂纹扩展速率和寿命均有很好的预报效果.     

城市交叉口交通流特征与短时预测模型

时间尺度大于15 min的城市交通流预测模型已无法满足交通信号实时控制和交通信息实时发布的需求,通过对广州市中心区交叉路口交通流长期观察和数据采集,分析了各种时间尺度的交通流特性,提出以路口信号周期作为时间尺度,绿灯流率作为变量的ARIMA(p,d,q)短时交通预测模型。以1个和3个信号周期的时间尺度为例,对城市交叉路口不同时间段交通流进行建模和预测。结果表明ARIMA(p,d,q)预测模型结构稳定,算法简单,时间尺度为3个信号周期的预测模型可以很好地保持交通流特征,均方根误差为0.015 9,预测精度较高。     

道路网短期交通流预测方法比较

介绍了用于短期交通流预测的两大类模型:统计预测算法和人工神经网络模型.对其中各种模型的特征进行了比较,将历史平均模型、求和自回归滑动平均模型(ARIMA)、非参数回归模型、径向基函数(RBF)神经网络模型与贝叶斯组合神经网络模型,应用于一个真实路网的短期流量预测,比较了各模型的预测结果.结果表明,组合神经网络模型预测误差最小,可靠性最高,是一种对短期交通流预测的有效方法.     

动态管理模式下路侧停车泊位占有率预测方法

城市停车已逐步实现信息化和动态化管理,本文对动态管理模式下大范围路侧泊位占有率预测方法进行研究.在收集美国旧金山492万条停车交易数据的基础上,利用可同时提取数据空间关联和时序趋势特征的卷积长短时记忆神经网络(Convolutional LSTM Network,ConvLSTM),分别构建考虑停车费率和时限动态变化的有政策模型,和没有动态管理信息输入的无政策模型.结果显示,有政策模型的训练效率和预测精度会显著提升.在政策平稳阶段,两种模型均能够有效预测泊位占有率;在政策发生变化时段,无政策模型的预测误差出现激增,但有政策模型的预测误差依然保持平稳,表明本文提出的方法能够很好地应对动态管理模式下停车需求的变化.