内河船舶载重状态识别研究

结合内河载货船舶的特点,研究了船舶载重与船舶燃油消耗、主机功率以及航速之间的关系,分析了内河船舶载重量与船舶航行摩擦阻力之间内在联系。通过对船舶燃油消耗、船舶航速、发动机转速、行驶里程等实时数据进行处理,建立了基于神经网络的内河船舶载重状态识别系统,试验结果表明,该方法可以有效识别行驶中的内河船舶载重状态。     

数字化船舶EEDI验证方法

为提高我国内河船舶能效设计指数（EEDI）预报精度和速度,促进内河船舶能效评估的推进及能效水平的提升,研发了内河船舶EEDI数字化验证评估系统。收集典型内河船舶船模水池试验数据样本并将其分为两部分,利用其中一部分对艾尔法阻力评估计算方法进行分析和改进,在此基础上提出了适用于方形系数大的宽扁型内河双机双桨船舶阻力曲线估算和有效功率计算的改进艾尔法,利用另一部分样本对改进的艾尔法进行验证,结果表明修正版艾尔法比原方法的预报误差从9.4%降至3.4%。基于所提方法对收集的32艘实船航速数据进行测试验证,结果表明该方法预报精度高,平均误差仅2.678%,远低于船东可接受的5%的误差。最后开发了船舶EEDI数字化验证软件,以满足内河船舶EEDI经济、快速验证的需要,促进内河船舶绿色高效发展。     

考虑控制电信号中间量的机床运动控制误差数据驱动建模方法

现有数据驱动的机床运动控制误差建模方法通常使用端到端的模型,即通过机器学习算法直接构建参考轨迹信息(速度、加速度等)与伺服误差之间的模型,以降低建模复杂度。然而,该方法忽视了控制电信号对运动控制系统非线性扰动的反映,而导致建立的模型精度受限。为解决此问题,提出了一种使用控制电信号作为中间量的数据驱动运动控制误差建模方法。该方法采集参考轨迹信息(速度、加速度、急动度等)、控制电信号、跟踪误差以及构造的换向特征,构建并训练基于参考轨迹信息的控制电信号预测网络,以及基于电信号和参考轨迹信息的运动控制误差预测网络,利用控制电信号这一中间量有效反应系统所受非线性扰动的特点,实现了高精度的运动控制误差数据驱动建模。在实际验证测试时,将参考轨迹信息输入电信号预测网络,而后将得到的预测控制电信号和参考轨迹信息输入跟踪误差预测网络,即可实现运动控制误差的预测。通过实验对所提出的建模方法进行了验证,所提出方法相对于传统的端到端建模方法,运动控制误差的预测精度在X轴和Y轴分别提升16.33%和20.42%,误差补偿后运动控制轮廓精度相较于未补偿提升85.59%,验证了所提出方法的可行性。     

无人艇的目标跟踪策略研究

无人艇对水面航行目标的跟踪,考虑实际出现的各种情况,根据无人艇在跟踪过程中与目标的相对位置关系和航速等,对应不同的无人艇控制策略。在进行船舶的控制过程中要考虑到航速和航向角不能突变,控制航速航向渐进变化。采用模糊控制进行航速控制,利用几何关系计算出航向,同时增大数据更新频率,增加算法使用次数,保证算法实现的效果最优。将航速航向的输出结果添加风、浪、流的干扰,添加干扰后计算得到无人艇的位置,最终经过仿真验证跟踪的效果。     

船舶纵向运动水动力参数模型的建立及分析

针对船舶在海上运动的全天候情况,在分析442T水面舰艇水动力参数的基础上,提出了一种建立船舶纵向运动水动力参数模型的方法.基于船模水池实验,依据切片理论得到典型海况下的水动力参数,采用最小二乘法和插值法建立船舶纵向运动全天候水动力参数模型并进行仿真研究.结果表明该模型合理并且实用;该模型可实时在线的计算出船舶在任何航向、航速及海情下的且与频率无关的水动力参数,从而构造出船舶纵向运动控制模型.     

基于支持向量机和深度信念网络的短期光伏发电预测方法CSCD

为了提高光伏发电预测的精度,提出基于支持向量机和深度信念网络的光伏发电预测方法。利用改进的相似日算法选择相似日训练样本,分别构建以线性核函数、多项式核函数、高斯径向基核函数为核函数的支持向量机预测模型作为组合预测模型中的单项模型,再将三种单项模型的预测结果作为深度信念网络的输入,利用深度信念网络对三种单项模型的预测结果进行组合优化输出,根据实际输出与期望输出的误差动态调整组合权值,从而获得更高的预测精度。最后以澳大利亚沙漠太阳能研究中心的实测数据进行仿真验证,仿真结果表明,所提方法相较于其他方法具有较高的预测精度。     

船舶纵向运动建模及广义预测控制

研究船舶纵向运动从而实现有效控制是非常必要的.以442T水面舰艇为仿真研究对象,依据切片理论,利用在不同航速、航向和不同频率的规则波扰动下水池实验测量的数据算得水动力参数,从而得到船舶纵向运动数学模型;利用Kalman滤波对船舶纵向运动进行状态估计;将广义预测控制应用于船舶减纵摇.仿真结果表明该方法可行并有效,减摇效果达到52%～75%.     

船载导航仪器信息融合的研究

应用信息融合技术对船上多种导航传感器信息综合处理是解决信息过载，提高导航数据精度有效的技术途径。采用改进的模糊径向基高斯函数神经网络算法，进行了AIS／GPS和雷达信息融合的研究。经融合处理后的数据精度提高了两个数量级。这说明多传感器数据信息融合将是提高船舶导航信息的精度、可靠性的有效措施。     

基于ATmega1280单片机的船舶气象仪

文中介绍了一种采用ATMEGA1280单片机为核心的船舶气象仪,它能自动接收船上GPS发送的航速、航向数据,实时测量并存储船舶所在位置的风速、风向、温度、相对湿度、气压等气象数据。该气象仪经实践证明具有功耗低,运行稳定、可靠等优点,对船舶的航行安全起到明显的促进作用。     

基于综合BP网络的铸坯粗轧过程温度预测模型的研究

为了进一步提高铸坯粗轧过程温度预测精度，采用BP网络和数学模型相结合的综合BP网络，建立了铸坯粗轧过程温度预测模型，并利用现场实测数据对所建立的模型进行了验证。结果表明，模型的计算精度满足实际生产的需要。     

船闸水域船舶列队协同停船预测控制器

为提高船舶在闸室水域的航行效率和安全性,开展了船闸水域船舶列队协同停船控制方法的研究。建立了闸室水域船舶列队直航运动模型,基于模型预测控制原理分别提出了速度-时间法和速度-位移法两种船舶停船控制方法。针对船舶列队协同停船控制需求,结合停船经济性和平顺性设计了船舶列队停船控制目标函数,以船舶纵向间距保持、输入为约束,提出了基于集中式模型预测控制的船舶列队协同停船控制器。仿真结果表明,所设计的单船停船控制器和船舶列队停船控制器均具有较好的控制效果。相对而言,速度-时间法在平顺性上具有明显优势,速度-位移法则在经济性上表现更好,且有更高的控制精准度和稳定性。     

软质肘关节外骨骼的肌力矩估计与神经网络补偿协调控制

为辅助偏瘫患者进行多模式肘关节康复训练,研制了一种软质肘关节康复外骨骼机器人,并提出了一种基于人体肌力矩估计与自适应神经网络补偿的协调控制策略。利用表面肌电信号来识别人体的运动意图并调整康复训练轨迹,采用Lyapunov方法证明了控制算法的闭环控制稳定性。搭建了实时控制实验平台,并开展了基于运动意图的轨迹跟踪实验与自由主动训练实验。实验结果表明,所提控制策略能保证被动训练过程的轨迹跟踪精度,并且可以根据患者的运动意图调整主动训练过程的运动轨迹,实现不同强度的主动康复训练。     

基于 CNN-GRU 的遥操作机器人操作者识别与自适应速度控制方法

传统空间遥操作系统中从端机械臂的运动速度完全取决于操作者的操作速度。为了提高空间遥操作系统的安全性,提出了一种基于操作者操作速度识别的自适应速度控制方法。结合深度学习的理论,提出了一种基于卷积神经网络(CNN)和门控循环单元(GRU)神经网络的融合模型来对操作者的速度进行识别分类。选取了九位受试者构建操作者速度样本库,将操作者的操作速度分为3类,最终识别准确率达到92.71%;并且在此基础上使用串级PID实现从端机械臂的自适应速度控制。实验表明:该模型对新操作者也可以准确识别,同时该模型准确性优于卷积神经网络和循环神经网络(RNN)的融合模型,实时性优于卷积神经网络和长短期记忆(LSTM)神经网络的融合模型;基于该模型的自适应速度控制可以在保证从端机械臂运动轨迹不变的前提下,降低机械臂的末端线速度,有助于提高空间遥操作系统的安全性。     

基于组合神经网络的风机轮毂处短期风速预测

综合考虑风电机组轮毂处历史风速规律和近期数值气象预报风速变化,对时间尺度为6 h以内的风电机组轮毂处风速进行预测。为提高风速骤变情况下短期风速预测精度,提出一种新的组合神经网络。针对信号分解后的不同频率子序列特点,采用深度卷积神经网络和门控循环递归单元对趋势项子序列进行预测,用建立的Elman循环递归神经网络对细节项子序列进行预测。利用降尺度后的数值气象预报风速来判断风速骤变拐点,采用广义自回归条件异方差模型对非拐点风速预测值进行修正。最后,利用新疆某风电场实际风速数据进行实验,以平均绝对误差、均方误差及平均绝对百分比误差计算确定性预测精度,以覆盖率和区间宽度计算不确定性预测精度,结果验证了所提算法的有效性。     

基于PointCPP-LSF方法的航天筒段薄壁件滚弯成形质量分析

为解决传统圆柱拟合方法对参数初值具有较高依赖性而导致无法满足航天筒段薄壁件滚弯成形质量检测精度及速度要求的问题,提出一种PointCPP-LSF方法,以实现航天筒段薄壁件滚弯成形质量分析。基于点云深度学习建立面向圆柱参数预测的点云网络（PointCPP）模型以获得可靠的圆柱参数初值,然后基于改进的最小二乘拟合（LSF）方法对圆柱参数进行迭代优化,并结合粗差点剔除机制,最终获取稳健的曲率半径计算结果。实验结果表明,所提方法能有效提高航天筒段薄壁件滚弯成形质量检测的准确度和速度。     

全局注意力关系网络的小样本船舶识别

实际场景中采集的船舶目标类别样本数量不均衡,模型训练易导致过拟合。 传统迁移学习的数据集划分存在类别交 叉,造成未标注新类别识别精度低。 为解决上述问题,提出了一种跨目标通用全局注意力机制与关系度量网络融合的小样本船 舶识别算法。 该方法通过在关系网络中引入全局注意力机制,利用关系网络提取到的原始特征,经过全局注意力机制平滑不均 衡类别间的目标特征,并与关系网络提取的原始特征融合后进行特征距离度量。 该方法增强了全局特征之间的一致性,有利于 学习不变的目标特征,提升少样本少标签的船舶目标识别性能,解决了训练过程中类别不均衡导致的过拟合问题。 利用自己采 集制作的船舶数据集对本文方法进行测试实验,识别精度提高了 5. 6% (5-shot)、3. 2% (1-shot),减小了不均衡类别对模型目标 识别造成的影响,增强了模型的鲁棒性。     

基于盲数理论的萤火虫神经网络失效征候结构可靠度预测

在任意可行性工况下,针对大型臂架失效征候结构的载荷效应与抗力的多种不确定因素导致结构可靠度难以确定的问题,通过构建盲数失效征候结构可靠度模型（BNFSSRM）、串行式萤火虫神经网络预测模型--缺陷结构远场应力预测子模型（STFNN-DSSSPSM）与缺陷结构可靠度预测子模型（STFNN-DSRPSM）串联,提出了基于盲数理论的萤火虫神经网络失效征候结构可靠度预测方法。以应力-强度干涉模型为基础,萤火虫神经网络为预测方法,根据裂纹失稳扩展准则,将不确定性问题盲数化的思想引入裂纹强度因子与断裂韧性的干涉模型,通过试验仿真与STFNN-DSSSPSM,得到典型工况下裂纹缺陷结构的可靠度;再以此为扩展样本的目标输出、裂纹扩展尺寸为扩展样本的输入,通过BNFSSRM、STFNN-DSRPSM,实时预测不同工况下缺陷结构的可靠度,评估抵抗失效的能力以及不同工况退出可行性工况域的先后顺序。以QY130流动式起重机再制造臂架结构为例,验证了该方法的有效性,为结构再制造准入期实时判断以及再制造方案的选择提供了理论指导。     

融合一维卷积神经网络和双向门控循环单元的APM车辆轮胎径向载荷识别方法

针对轮胎载荷直接测量昂贵复杂及传统载荷识别方法精度低、鲁棒性差的现实,提出了一种融合一维卷积神经网络(1D CNN)和双向门控循环单元(BiGRU)的胶轮车辆轮胎径向载荷识别方法。充分考虑轮胎径向载荷数据的先验信息,以车辆振动响应、车体位姿、运行状态等多源信息构建特征集并经特征选择保留有效的特征子集,构造多时间步输入-单时间步输出的样本用以网络训练。运用1D CNN提取信号的多维度空间特征并输入BiGRU中双向捕获时序特征,得到载荷预测的结果,结合预测精度、泛化性能、鲁棒性能修正理论模型。以APM300型车辆为例进行载荷识别,与传统算法相比,所提方法有效降低了载荷识别的误差,适用于不同运行工况,且能克服不同程度的测量噪声,在工程领域有现实应用价值。