共查询到18条相似文献，搜索用时 156 毫秒
1.
基于二元LSTM神经网络的船舶运动预测算法研究 总被引：1，自引：1，他引：0
在海况环境下,进行船舶运动预测时。由于惯性传感器采集系统本身的电学特性,会产生误差偏移,影响预测的准确性。针对这一问题,在常规长短期记忆网络（LSTM）的基础上,设计改良了一种二元的LSTM网络架构。在船舶运动仿真平台上进行模拟船舶升沉运动实验,并通过惯性传感系统测量仿真平台实时积分位移进行计算验证。验证统计该网络预测结果峰差值均方差0.64%,均值均方差0.42%,峰值均方差0.57%,证实该网络较常规LSTM在船舶运动预测领域具有更好的针对性和适应性,更准确的对船舶运动进行预测。 相似文献
2.
半潜平台在复杂海洋环境作用下,会发生不规则的六自由度运动响应。这种平台运动的不规则性和随机性对平台作业、栈桥控制以及直升机起落等造成极大的不确定和未知风险。因此,在极短期内准确快速预报平台运动响应对深海浮式平台作业和设备安全具有重要的实际意义。然而目前针对浮式平台运动响应的计算主要是基于势流理论,对确定波浪激励下的平台一阶运动和二阶慢漂运动进行求解,计算的时效性不能满足实际需求。此外,还需要对入射波浪时历进行准确预报,导致平台运动响应准确计算更加困难。针对上述难题,提出了基于EMD-LSTM模型进行平台运动极短期预报的方法。该方法以半潜平台模型试验数据为研究对象,首先对平台运动响应的时间序列进行预处理,接着采用经验模态分解算法(EMD)将时间序列分解成相对平稳的分量,再利用长短期记忆(LSTM)神经网络可以处理复杂非线性长时间序列的优点,对时间序列进行训练预测,最后进行仿真,同时与传统LSTM模型与EMD-BP模型进行对比,仿真结果表明基于EMD-LSTM模型的平台极短期预报方法精度较高,该方法是可行的,具有工程应用的实际意义。 相似文献
3.
基于Newton法优化ARMA模型参数的船舶升沉运动预测研究 总被引：1，自引：1，他引：0
为解决波浪补偿系统中时延现象导致的控制性能下降问题,通过建立Newton-ARMA模型提前预测船舶升沉运动来消除时延现象。首先设计卡尔曼滤波器对船舶升沉运动加速度信号进行降噪滤波处理;然后使用加速度二次积分模块将加速度信号转换为位移信号;最后建立自回归滑动平均(ARMA)模型,并使用牛顿(Newton)法对模型参数进行优化,得到船舶升沉运动的Newton-ARMA预测模型。仿真结果表明,Newton-ARMA模型对船舶升沉运动的预测时间可达10 s,预测误差随着预测时间的增加而增大; Newton-ARMA模型对二级海况、三级海况和四级海况下的船舶升沉运动平均预测精度分别达到89.43%、88.53%以及87.78%,远高于ARMA模型对船舶升沉运动预测的精度,说明采用Newton法优化ARMA模型参数可以显著提高船舶升沉运动的预测精度,也即Newton-ARMA模型对控制波浪补偿系统时延具有较好的补偿效果。 相似文献
4.
新型双船起重拆除平台试验研究 总被引：1，自引：1，他引：0
拆除大型海上结构物是一项非常复杂且充满挑战的工程。现提出一种新型海上平台拆除方案,该方案利用三条半潜船来代替具有重型起重装置的单一船舶,通过两艘相同的半潜船将平台上层建筑托起,随后运至第三艘半潜船上完成平台拆除。在风浪流作用下,半潜船和平台的所处方位和运动姿态一直处于动态变化中,这对船舶调节压载的稳定性以及双船运动的同步性提出了要求。为了确保该方案的高效性和安全性,设计了一套完整的模型试验装置,包括船舶模型、平台拆卸辅助设备、六自由度运动采集与分析系统、控制系统、无线通讯系统以及测量系统。开展了相应的水池试验,试验结果验证了双船起重拆除平台方案中双船协同运输这一关键环节的可行性和安全性。 相似文献
5.
6.
海底观测网电力系统供电海缆易发生绝缘故障,由于其在海底极端环境下运行,实现高精度的电缆故障定位,对于降低其维修成本至关重要。基于海底观测网电能监控系统实时采集的电气测量参数,本文提出了基于主成分分析(Principal Components Analysis, PCA)和长短期记忆(Long Short-Term Memory, LSTM)网络的供电海缆高阻故障定位方法,先使用PCA进行数据降维,再将处理后的数据输入LSTM网络进行训练,捕获多源数据的时间特征,挖掘电力系统故障特征与电气参数之间的对应关系,实现海缆故障精确定位。通过在海底观测网原型系统上的实验证明,该方法经K折交叉验证方法(K-fold Cross Validation, K-CV)验证,准确率可达91%左右,故障定位误差约为0.4 km。 相似文献
7.
针对应用于中国南海的新型深水Spar钻井生产储卸油平台进行了涡激运动特性与影响的研究。对该平台进行涡激运动拖曳试验,根据规范和动力学分析得出平台的拖曳力系数和升力系数,通过比较南海流速分布情况与平台涡激运动与流速关系发现:该平台在一般海况下即可发生幅值为10 m左右的涡激运动;对平台进行水池模型试验,进一步验证涡激运动拖曳试验结果并分析平台运动性能,对平台受到的脉冲拖曳力和升力载荷进行了初步校验。通过模型试验对平台涡激运动特性有了初步认识,发现在百年一遇条件下,平台脉动拖曳力载荷与升力载荷比为1∶3;一年一遇条件下,平台脉动拖曳力载荷与升力载荷比为1∶1。根据试验结果对数值模型进行了修正并与试验值进行比较,比较结果表明经过修正后的计算结果与试验结果取得了良好的一致性。比较了全尺度下涡激运动对于平台系泊系统和平台水平位移的影响,结果表明:涡激运动的存在使得Inline方向系泊张力增加5%,并使得系泊缆受力分布产生变化,位移增加27%;Between line方向张力增加15%,位移增加2.5%。涡激运动对于平台极限张力以及极限漂移出现方向还有待进一步研究。涡激运动对于平台系泊系统疲劳寿命的影响还需进一步研究。 相似文献
8.
水下拖曳航行器是被广泛应用的水下监测平台。为掌握水下拖曳航行器的水动力及其拖揽姿态，文章通过CFD仿真分析计算其零攻角下的阻力系数，并通过多刚体-球铰模型建立其运动数学模型，分析不同航速下拖曳系统的总拉力、拖缆长度和航行器位置等的参数变化。研究结果表明：随着船舶航速的变化，拖曳系统各项参数变化的差别很大；在200 m深度时，6 kn航速相比4 kn航速的总拉力增加73%，而所需的拖缆长度仅增加1%。该数学模型可对不同航速下的水下拖曳系统的总拉力和拖缆姿态等做出预测，为拖曳系统设计提供技术支撑。 相似文献
9.
船舶动力定位系统的预测模糊控制 总被引：1，自引：0，他引：1
在船舶动力定位中采用预测模糊控制策略,即通过自校正滤波与Ｋａｌｍ ａｎ 滤波得到系统低频运动位置偏差与相应速度的预测值作为模糊控制器的输入,以实现对其在水平面内的运动控制。因为基于系统模型的滤波器输出最终是经模糊化后输入至模糊控制器的,于是可大大降低对系统建模的精度要求,控制器本身具有强的鲁棒性。仿真结果说明了该策略的可行性及良好的控制性能。 相似文献
10.
快速的地面沉降是一种地质灾害,它关系到社会的可持续发展,甚至威胁人类的生命财产安全。InSAR技术可以获取地表长时间、大范围的形变数据,可用于分析潜在的地面沉降问题,为预防地质灾害提供了一种可靠手段。如何基于InSAR数据对地面沉降进行预测,一直是研究人员关注的重点方向和难题。为此,本文在前人对地面沉降预测研究的基础上,提出了一种将差分移动平均自回归(ARIMA)模型与深度学习中的长短期记忆单元(LSTM)模型相结合的地面沉降预测方法,即利用InSAR得到的形变量数据与ARIMA模型预测结果作差,然后利用LSTM对该差值进行训练与预测。以杭州湾2017—2019年InSAR监测数据为例验证了该方法,结果表明,与传统的单一预测算法相比,本文方法的均方根误差至少减小了2.23 mm,平均绝对误差至少减小了0.98 mm,平均预测精度至少提升了15.19%,验证结果证实了本文方法的可行性,为地面沉降预警工作提供了新的思路和方法。 相似文献
11.
To explore new operational forecasting methods of waves, a forecasting model for wave heights at three stations in the Bohai Sea has been developed. This model is based on long short-term memory(LSTM) neural network with sea surface wind and wave heights as training samples. The prediction performance of the model is evaluated,and the error analysis shows that when using the same set of numerically predicted sea surface wind as input, the prediction error produced by the proposed LSTM model at Sta. N01 is 20%, 18% and 23% lower than the conventional numerical wave models in terms of the total root mean square error(RMSE), scatter index(SI) and mean absolute error(MAE), respectively. Particularly, for significant wave height in the range of 3–5 m, the prediction accuracy of the LSTM model is improved the most remarkably, with RMSE, SI and MAE all decreasing by 24%. It is also evident that the numbers of hidden neurons, the numbers of buoys used and the time length of training samples all have impact on the prediction accuracy. However, the prediction does not necessary improve with the increase of number of hidden neurons or number of buoys used. The experiment trained by data with the longest time length is found to perform the best overall compared to other experiments with a shorter time length for training. Overall, long short-term memory neural network was proved to be a very promising method for future development and applications in wave forecasting. 相似文献
12.
海平面变化包含多种不同时间尺度信息，传统的预测方法仅对海平面变化趋势项、周期项进行拟合，难以利用海平面变化的不同时间尺度信号，使得预测精度不高。本文基于深度学习的预测模型，提出一种融合小波变换（wavelet transform，WT）与LSTM （long short-term memory，LSTM）神经网络的海平面异常组合预测模型。首先利用小波分解得到反映海平面变化总体趋势的低频分量和刻画主要细节信息的高频分量；然后通过LSTM神经网络对代表不同时间尺度的各个分量预测和重构，实现海平面变化的非线性预测。基于该模型的海平面变化预测的均方根误差、平均绝对误差和相关系数分别为12.76 mm、9.94 mm和0.937，预测精度均优于LSTM和EEMD-LSTM预测模型，WT-LSTM组合模型对区域海平面变化预测具有较好的应用价值。 相似文献
13.
利用1921–2020年的海平面气压、海平面高度、热含量数据以及海冰密集度作为太平洋年代际振荡（Pacific Decadal Oscillation, PDO）指数的预报要素,建立了关于PDO指数时间序列预测的多变量长短期记忆（Long Short Term Memory, LSTM）神经网络模型,对比分析了2011–2020年不同时间序列预测模型的PDO指数预测结果,最后利用多变量LSTM神经网络模型实现了2021–2030年的PDO指数预测。结果显示,多变量LSTM神经网络模型的预测值与观测值经过交叉验证后的平均相关系数和均方根误差分别为0.70和0.62;PDO未来10年将一直处于冷位相,PDO神经网络指数出现两次波动,于2025年出现最小值。相比于其他时间序列预测模型,本文采用的多变量LSTM神经网络模型预测结果误差小、拟合效果好,可以作为一种新型的预测PDO指数的手段。 相似文献
14.
河口潮汐过程受上游径流、外海潮波等综合因素影响,动力机制复杂,潮位预报难度大。本文提出了一种基于非稳态调和分析（NS_TIDE）和长短时记忆（LSTM）神经网络的混合模型,对河口潮位进行12~48 h短期预报。该模型首先对河口实测潮汐数据进行非稳态调和分析,通过与实测资料对比得到分析误差的时序序列;以此作为LSTM神经网络的输入数据,通过网络学习并预测未来12~48 h潮位预报误差,据此对NS_TIDE的预测结果进行实时校正。利用该模型对2020年长江口潮位过程进行了预报检验,结果表明混合模型12 h、24 h、36 h和48 h短期水位预报的均方根误差（RMSE）相比NS_TIDE模型至多分别降低了0.16 m、0.15 m、0.14 m和0.12 m;针对2020年南京站最高水位预测,NS_TIDE模型预报误差为0.64 m,而混合模型预报误差仅为0.10 m。 相似文献
15.
A procedure is presented for designing Kalman filters to measure linear and angular ship motion parameters using realistic models of the ship motion dynamics. The design is based on the state space modeling of ship motion dynamics. The designed filters exhibited significant accuracy improvement (order of magnitude) over filters which do not model ship dynamics. The sensitivity of the filter mechanization to mismodeling of dynamics is investigated. Bounding filter design techniques are used to minimize the effects of mismodeling. The particular measurement system investigated consisted of linear and angular accelerometers in a strapdown mode. The design techniques are also applicable to inertial instruments in a stable inertial platform mode. 相似文献
16.
17.
基于观测和再分析数据的LSTM深度神经网络沿海风速预报应用研究 总被引：3，自引：1，他引：2
基于海洋气象历史观测资料和再分析数据等，利用LSTM深度神经网络方法，开展在有监督学习情况下的海面风场短时预报应用研究。以中国近海5个代表站为研究区域，通过气象台站观测数据和ERA-Interim 6 h再分析数据构建数据集。选取21个变量作为预报因子，分别构建两个LSTM深度神经网络框架(OBS_LSTM和ALL_LSTM)。经与2017年WRF模式6 h预报结果对比分析，得出如下结论:构建的两个LSTM风速预报模型可以大幅降低风速预报误差，RMSE分别降低了41.3%和38.8%，MAE平均降低了43.0%和40.0%；风速误差统计和极端大风分析发现，LSTM模型能够抓住地形、短时大风和台风等敏感信息，对于大风过程预报结果明显优于WRF模式；两种LSTM模型对比发现，ALL_LSTM模型风速预报误差最小，具有很好的稳定性和鲁棒性，OBS_LSTM模型应用范围更广泛。 相似文献
18.
为实现对海面风速精确的短期预测,提出了一种基于长短期记忆(LSTM,long short-term memory)神经网络的短期风速预测模型,选取OceanSITES数据库中单个浮标站点采集的风速历史数据作为模型输入,经过训练设置最佳参数等步骤,实现了以LSTM方法,对该站点所在海区海面风速在各季节性代表月份海面风速的24h短期预测。同时通过不同预测时长的实验以及与BP(back propagation)神经网络神经网络和径向基函数神经网络(radial basis function neural network,RBF)的预测效果对比实验,证明了LSTM预测方法相比上述两种神经网络预测方法,在海表面风速预测应用中的优越性。最后通过多个海域对应的站点风速数据预测实验,证明了LSTM神经网络模型的普遍适用性,由相关系数和预测误差的分析可知该方法具备应对急剧变化数据的预测稳定性,可以作为海洋表面风速短期预测的一种可靠方法。 相似文献