本发明属于变压器运维检修无人船评估领域,具体的说是一种基于深度学习算法的无人船适航性评估方法。
背景技术:
近年来,随着人工智能技术地不断应用,无人船相关技术发展迅速,但国内无人船的发展目前尚处于起步阶段,特别是适航性方面的研究尤其薄弱。无人船的适航性是指在某一海况下是否能够保证有效航行或工作状态,具体的包括无人船的稳定性、操纵性、耐波性、穿浪特性和载荷性。由于海洋环境复杂,且存在许多干扰因素,以至于对无人船的适航性评估分析难度很大。
当前的适航性评估算法大多是针对无人机展开研究的,还没有一种专门适用于无人船的适航性评估算法,无人机和无人船的航行环境不同,算法不能直接套用。对各类水动力性能预报的首要目标是保证预报的准确度,能够为无人艇适航性的评估提供可靠的预报数据。对比各类预报方法,研究可靠的计算方法和实用的评价标准是这项关键技术的重点研究内容。
但是由于数据运算相当复杂,相关的计算方法的研究有待深入。所以暂无一种计算速度快,误差小,稳定性强,评价真实度高的评估方法。
技术实现要素:
本发明要解决的技术问题在于,克服现有技术的不足,提供一种基于深度学习算法的无人船适航性评估方法,其可以快速评价无人船的适航性,并且误差小,稳定性强,评价真实度高。
本发明所涉及的基于深度学习算法的无人船适航性评估方法,包括以下步骤:
构建无人船试航性的评估体系;
构建标准无人船试航环境,并搜集标准无人船的航行数据;
根据标准无人船的航行数据对评估体系进行计算,得到评估数据;
对评估数据加入深度学习算法进行计算,得到评估特征;
将所述评估特征代入逻辑回归算法,得到无人船适航性对比库;
将无人船在不同条件下的航行数据与无人船适航性对比库进行对比,用于评价无人船适航性。
进一步地,所述评估体系包括三个评价指标:操纵性、耐波性和载荷性能。
更进一步地,所述构建标准无人船试航环境,包括:在4-5级海况条件下,确定标准无人船的最高航速不低于40kn;
所述搜集标准无人船的航行数据,包括:在标准无人船上安装各类传感器,并创建网络;设定各类传感器的传输参数的初始值及数据包的收集时间;搜集标准无人船的初稳性高度、航向、航速、波倾、波高和波长。
再进一步地,所述根据无人船航行时相关数据对评估体系进行计算,包括:基于船舶操纵性理论,通过cfd方法计算绕船体横剖面的扰动流,得到操纵性数据;计算无人船的横摇参数、纵倾参数和垂荡参数,所述横摇参数、纵倾参数和垂荡参数为无人船的耐波性数据;计算无人船载荷性能,生成载荷约束条件;所述评估数据包括操纵性数据、耐波性数据和载荷约束条件。
还进一步地,所述对评估数据加入深度学习算法进行计算,包括:逐层构建单层神经元;将标准无人船的航行数据和评估数据分别放置于各层神经元中;每层所述神经元训练完成后产生一个特征,将前一层的特征作为输入信号传导下一层进行训练,得到各层神经元的特征;所述各层神经元的特征构成评估特征。
又进一步地,所述将所述评估特征代入逻辑回归算法,包括:将各层神经元的特征代入逻辑回归算法,通过对各层神经元的特征分类边界的拟合来实现分类。
在上述技术方案中,所述绕船体横剖面的扰动流
公式(1)~(4)中,v为来流速度,n为无人船体横剖面上物面单位法向矢量;
因为位于点(yi,zi)处的强度为σj的源点在场点(y,z)处的扰动速度势为:
进而推出:
公式(6)中,h水深为,假设h为常数;
然后根据伯努利方程可得到相应的压力,再通过压力数值积分即可计算得到作用在无人船体横剖面上的水动力,即得到无人船操纵性数据。
在上述技术方案中,所述横摇参数通过如下公式计算:
公式(7)~(10)中,φ为横摇角,可由船上的电罗经测得;am为有效波倾,d为造波区水深,t为周期,h为波高,λ为波长,u为流场初始速度;
所述纵倾参数通过如下公式计算:
公式(11)中:l为标准无人船的船长,cp为纵倾周期系数;
所述垂荡参数与纵倾参数近似相等。
在上述技术方案中,使用sigmoid函数作为激活函数计算各层神经元的特征:
公式(12)中,xi为输入,wi为权值,t为阀值,o为神经网络隐含层输出。
在上述技术方案中,所述分类的训练过程通过如下公式迭代多次实现:
公式(13)中,θ为输入,oj为第j神经网络隐含层输出。
本发明所述的基于深度学习算法的无人船适航性评估方法,通过构造标准无人船,搜集相关数据,将深度学习算法和cfd方法结合应用于无人船的评估。本发明用cfd计算方法对船身的操纵性和耐波性进行研究,然后使用深度学习的数据处理能力,将船身数据与载荷能力进行深度挖掘,得到无人船适航性对比库。当无人船面临不同航行条件时,搜集无人船的相关数据与无人船适航性对比库进行比较,就可以有效的预报无人船的动态性能,进而来评估无人船的适航性。本发明在计算的过程中速度快、误差小、稳定性强,并且评价真实度高。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明的流程图;
图2是本发明实施例的流程图;
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
如图1和图2所示,本发明所述的基于深度学习算法的无人船适航性评估方法,其特征在于,包括以下步骤:
101、构建无人船试航性的评估体系,所述评估体系包括三个评价指标:操纵性、耐波性和载荷性能。
102、构建标准无人船试航环境,并搜集标准无人船的航行数据。
在4-5级海况条件下,确定标准无人船的最高航速不低于40kn;在标准无人船上安装各类传感器,并创建网络;设定各类传感器的传输参数的初始值及数据包的收集时间;搜集标准无人船的初稳性高度、航向、航速、波倾、波高和波长。各类传感器与工控机相连,所有数据由工控机计算处理。
103、根据标准无人船的航行数据对评估体系进行计算,得到评估数据。
基于船舶操纵性理论,通过cfd方法计算绕船体横剖面的扰动流,得到操纵性数据;所述绕船体横剖面的扰动流
公式(1)~(4)中,v为来流速度,n为无人船体横剖面上物面单位法向矢量;
因为位于点(yi,zi)处的强度为σj的源点在场点(y,z)处的扰动速度势为:
进而推出:
公式(6)中,h水深为,假设h为常数;
然后根据伯努利方程可得到相应的压力,再通过压力数值积分即可计算得到作用在无人船体横剖面上的水动力,即得到无人船操纵性数据。
计算无人船的横摇参数、纵倾参数和垂荡参数,所述横摇参数、纵倾参数和垂荡参数为无人船的耐波性数据;所述横摇参数通过如下公式计算:
公式(7)~(10)中,φ为横摇角,可由船上的电罗经测得;am为有效波倾,d为造波区水深,t为周期,h为波高,λ为波长,u为流场初始速度;
所述纵倾参数通过如下公式计算:
公式(11)中:l为标准无人船的船长,cp为纵倾周期系数;
所述垂荡参数与纵倾参数近似相等。
计算无人船载荷性能,生成载荷约束条件;所述评估数据包括操纵性数据、耐波性数据和载荷约束条件。
104、对评估数据加入深度学习算法进行计算,得到评估特征。
逐层构建单层神经元;
将标准无人船的航行数据和评估数据分别放置于各层神经元中;
每层所述神经元训练完成后产生一个特征,将前一层的特征作为输入信号传导下一层进行训练,得到各层神经元的特征;
所述各层神经元的特征构成评估特征。
使用sigmoid函数作为激活函数计算各层神经元的特征:
公式(12)中,xi为输入,wi为权值,t为阀值,o为神经网络隐含层输出。
105、将所述评估特征代入逻辑回归算法,得到无人船适航性对比库。
将各层神经元的特征代入逻辑回归算法,通过对各层神经元的特征分类边界的拟合来实现分类。所述分类的训练过程通过如下公式迭代多次实现:
公式(13)中,θ为输入,oj为第j神经网络隐含层输出。
106、将无人船在不同条件下的航行数据与无人船适航性对比库进行对比,用于评价无人船适航性。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。