CN110737267A - 一种无人船多目标优化方法及无人船智能综合管控*** - Google Patents
一种无人船多目标优化方法及无人船智能综合管控*** Download PDFInfo
- Publication number
- CN110737267A CN110737267A CN201910944783.1A CN201910944783A CN110737267A CN 110737267 A CN110737267 A CN 110737267A CN 201910944783 A CN201910944783 A CN 201910944783A CN 110737267 A CN110737267 A CN 110737267A
- Authority
- CN
- China
- Prior art keywords
- navigation
- ship
- data
- unmanned ship
- unmanned
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000010295 mobile communication Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 13
- 230000019771 cognition Effects 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供无人船多目标优化方法，包括：S1、获取原始数据；S2：对原始数据进行分析处理，获得原始数据中的无人船管控数据；S3、将无人船管控数据输入航行情景解析模型中，输出各航行条件对船舶航行的影响值；航行情景解析模型为预先训练的长短期记忆网络LSTM模型；S4、依据各航行条件对船舶航行的影响值，输入到多目标优化模型中，获取至少一个优化方案，依据至少一个优化方案中的一个方案使无人船控制优化。代替人进行航行情景的认知，获取使各个智能设备间协同规划、协同管理、协同控制的无人船智能设备控制方案。还提供无人船智能综合管控***，实现无人船各智能设备的综合管控、综合指挥以及各智能设备间相互协同工作。
Description
技术领域
本发明涉及无人船智能***技术领域，尤其涉及一种无人船多目标 优化方法及无人船智能综合管控***。
背景技术
随着现代科学技术的飞速发展，无人船的实现有了技术支撑，无人船 自主航行的实现也有了可能性。船舶海上事故75％～96％源于人为因素， 而且船舶海上作业的人事成本高，高级船员需求缺口大，船员生活工作空 间占船舶空间比例大，降低了海上运输效率。无人船有效的解决了上述存 在的问题，是我国海上智能交通战略的重要组成部分，其自主航行技术是 无人船的关键技术之一。
中国专利申请CN107563576A于2018年1月9日公开的船舶智能能 效管理***，通过实时采集的数据进行实时评估，在实际数据的基础上对 提高能效进行调整船舶运行情况，从而使船舶能效管理更加科学有效。中 国专利申请CN109634289A于2019年4月16日公开的一种无人船自主 航行***及其工作方法，考虑了无人船的特征参数和操作性能对路径规 划的影响，实现无人船整个过程的自主航行。上述专利申请均只是针对单 个智能船舶***的优化，而无人船海上航行是船上各智能***综合作用 的结果。
为考虑无人船各智能***间的协同工作，亟需一种无人船各智能设 备的协同多目标优化方法及***。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题，本发明提供了一种无人船多目标优 化方法，代替人进行航行情景的认知，获取使各个智能设备间协同规划、 协同管理、协同控制的无人船智能设备控制方案，提升无人船智能化。还 提供一种无人船智能综合管控***，实现无人船各智能设备的综合管控、 综合指挥以及各智能设备间相互协同工作。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
一种无人船多目标优化方法，包括以下步骤：
S1、无人船获取行驶中无人船预设时间段内原始数据；原始数据为无 人船上各智能监测模块监测的数据，包括船舶相关参数、船舶外部环境数 据、船舶自身状态数据和岸基中心遥控数据。
S2：无人船对原始数据进行分析处理，获得原始数据中的无人船管控 数据。
S3、无人船将无人船管控数据输入航行情景解析模型中，输出各航行 条件对船舶航行的影响值；航行条件包括航行区域、气象条件、自身周边 航行船舶密度和船舶自身状态，航行情景解析模型为预先训练的长短期 记忆网络LSTM模型。
S4、无人船依据各航行条件对船舶航行的影响值，输入到多目标优化 模型中，获取至少一个优化方案，依据至少一个优化方案中的一个方案使 无人船控制优化。
作为本发明方法的一种改进，预先训练的LSTM模型的更新方程包 括：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(ct)
其中，ft表示第t时刻的遗忘门，Wf为遗忘门的权重矩阵，ht-1为第t- 1时刻的隐藏层，xt表示所述原始数据，bf为遗忘门的偏置项；σ表示将值 映射至(0，1)间的sigmoid层，1表示完全保留，0表示完全忘记；it表 示第t时刻的输入门，Wi为输入门的权重矩阵，bi为输入门的偏置项；ot表 示第t时刻的输出门，Wo为输出门的权重矩阵，bo为输出门的偏置项；表示第t时刻当前节点的输入，Wc为输入的权重矩阵，bc为输入的偏置项； ct表示第t时刻输出记忆信息；ht表示第t时刻的隐藏状态。
作为本发明方法的一种改进，在步骤S1之前，还包括：
A1、构建初始LSTM模型。
A2、获取训练航行条件样本和测试航行条件样本。
A3、将训练航行条件样本输入初始LSTM模型。
A4、判断初始LSTM模型的输出航行条件和测试航行条件样本是否 一致，若一致，则确定初始LSTM模型为预先训练的LSTM模型，若不 一致，则优化初始LSTM模型的参数，重复步骤A3、A4。
作为本发明方法的一种改进，将训练航行条件样本输入初始LSTM 模型，包括：采用Nadam算法对初始LSTM模型的超参数进行优化。
作为本发明方法的一种改进，多目标优化模型的目标函数包括：
其中，F1表示航行最安全，F2表示航行最稳定，F3表示航行最经济， F4表示航行最环保。
多目标优化模型的约束条件包括：
其中，约束条件1表示各航行条件对船舶航行的影响程度及其排序， 约束条件2表示船上智能设备的控制不能超过该智能设备的阈值。
作为本发明方法的一种改进，对多目标优化模型进行求解的方法是 使用带精英策略的非支配排序遗传算法NSGA-II进行求解。
一种无人船智能综合管控***，包括：
信息采集模块，用于获取行驶中无人船预设时间段内原始数据，原始 数据为无人船上各智能设备上监测模块监测的数据，包括船舶相关参数、 船舶外部环境数据、船舶自身状态数据和岸基中心遥控数据。数据分析模 块，用于对原始数据进行分析处理，获得原始数据中的无人船管控数据。 航行情景解析模块，用于将无人船管控数据输入预先训练的LSTM模型， 输出各航行条件对船舶航行的影响值；航行条件包括航行区域、气象条件、 自身周边航行船舶密度和船舶自身状态。决策指挥模块，用于依据各航行 条件对船舶航行的影响值，输入到多目标优化模型中，获取至少一个优化 方案，依据至少一个优化方案中的一个方案使无人船控制优化。信息采集 模块还用于将优化方案和原始数据发送给各智能设备。
优选地，信息采集模块通过局域网采集船舶相关参数、船舶外部环境 数据和船舶自身状态数据，信息采集模块通过通信***采集岸基中心遥 控数据；通信***包括移动通信模块、卫星通信模块和数据加密模块；移 动通信模块用于当无人船与岸基距离小于预定值时，信息采集模块采集 所述岸基中心遥控数据；卫星通信模块用于当无人船与岸基距离大于预 定值时，信息采集模块采集岸基中心遥控数据；数据加密模块用于在信息 采集模块采集岸基中心遥控数据过程中，进行安全加密操作。
(三)有益效果
本发明的有益效果是：
1、本发明提供的无人船各智能设备的协同多目标优化方法，能够从 无人船整体层面对自主航行进行考虑。首先从宏观角度，代替人进行航行 情景的认知，然后从微观角度对船上各智能设备进行综合指挥，从而对每 个智能设备下达更加准确有效的执行指令，使各个智能设备间协同规划、 协同管理、协同控制，形成更加全面、可靠的无人船自主航行整体决策方 案。
2、本发明方法将LSTM模型与NSGA-II算法有机结合，通过LSTM 模型得到的无人船航行情景更加符合人工驾船对船舶航行状态的理解， 通过NSGA-II算法得到的无人船智能设备控制方案，使船舶航行及决策 的更加合理。
3、本发明提供的无人船各智能设备的协同多目标优化***，将无人 船各智能设备有机地结合为一个整体，通过该***能够实现无人船各智 能设备的综合管控、综合指挥以及各智能设备间相互调用、协同工作，将 无人船的智能化提升到了一个新的高度，进一步保证了无人船自主航行 的安全性、经济性、环保性。
4、针对无人船不同的智能设备及航行场景采用不同的通信方式，使 无人船各智能设备之间、无人船与岸基之间始终以最稳定、经济的方式进 行通信，增加了无人船通信的经济性与可靠性。
附图说明
本发明借助于以下附图进行描述：
图1为本发明具体实施方式中无人船的多目标优化方法的流程图；
图2为本发明具体实施方式中预设时间段内其他船舶航速数据的预 处理示意图；
图3为本发明具体实施方式中NSGA-II算法流程图；
图4为本发明具体实施方式中无人船智能综合管控***的结构图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施 方式，对本发明作详细描述。
本发明提供一种无人船多目标优化方法，如图1所示，包括以下步 骤：
步骤S1、无人船获取行驶中无人船预设时间段内原始数据；原始数 据为无人船上各智能监测模块监测的数据，包括船舶相关参数、船舶外部 环境数据、船舶自身状态数据和岸基中心遥控数据。
具体地，船舶相关参数包括船长、吃水等参数，实时船舶外部环境数 据为探测外部环境的雷达、测深仪等智能设备采集的信息，实时船舶自身 状态数据为探测船舶状态的温度传感器、油温油压传感器等智能设备采 集的信息。
步骤S2、无人船对原始数据进行分析处理，获得原始数据中的无人 船管控数据。
具体地，对原始数据进行分析处理包括预处理操作和数据整合。预处 理操作包括对复杂数据进行抽取、脏数据进行清洗、丢失数据进行补齐、 冗余数据进行剔除等操作，得到预处理后的数据。数据整合操作具体为基 于数据挖掘等技术对预处理后的数据进行加工、分类、归并、计算、排序、 转换等操作；从杂乱无章、难以理解的数据中提取隐藏在数据中的信息， 得到对无人船智能设备协同控制起到直接作用的数据。
在本发明一具体实施例中，无人船获取行驶中无人船上AIS设备监 测的预设时间段内的数据，AIS设备监测的数据包括其他船舶航速数据。 由于航速数据中可能存在航速突变的噪音数据，对无人船的整体航行判 断产生干扰，因此在数据正式应用之前需要对该噪音数据进行处理。在本 发明的一具体实施例中，依据AIS设备采集到的预设时间段内的数据， 采用分箱方法进行预处理，获得预处理的预设时间段内其他船舶航速数 据。如图2所示。
在本发明一具体实施例中，对预处理的AIS设备监测的预设时间段 内的数据进行加工、分类、归并、计算、排序、转换等操作，获得本船与 其它船舶间的相对方位、相对航速、相对航向、相对艏向等相对运动信息 及相对运动变化规律信息(无人船管控数据)。
步骤S3、无人船将无人船管控数据输入航行情景解析模型中，输出 各航行条件对船舶航行的影响值；航行条件包括航行区域、气象条件、自 身周边航行船舶密度和船舶自身状态，航行情景解析模型为预先训练的 长短期记忆网络LSTM模型。
情景意识是一种主观能动性反应，传统船舶工作人员通过对海上航 行情景的认知、理解，进行船舶驾驶决策。本发明通过预先训练的LSTM 模型，代替人进行航行情景的认知，主要通过航行区域(AREA)、气象条件 (WEATHER)、自身周边航行船舶密度(DENSITY)及船舶自身状态(STATE) 对航行情景进行解析，判断出各航行条件对船舶航行的影响程度。
具体地，预先训练的LSTM模型的更新方程包括：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(ct)
其中，ft表示第t时刻的遗忘门，Wf为遗忘门的权重矩阵，ht-1为第t- 1时刻的隐藏层，xt表示所述原始数据，bf为遗忘门的偏置项；σ表示将值 映射至(0，1)间的sigmoid层，1表示完全保留，0表示完全忘记；it表 示第t时刻的输入门，Wi为输入门的权重矩阵，bi为输入门的偏置项；ot表 示第t时刻的输出门，Wo为输出门的权重矩阵，bo为输出门的偏置项；
表示第t时刻当前节点的输入，Wc为输入的权重矩阵，bc为输入的偏置项； ct表示第t时刻输出记忆信息；ht表示第t时刻的隐藏状态。
在本发明提供的一具体实施例中，步骤S1之前还包括上述LSTM模 型的训练，包括以下步骤：
A1、构建初始LSTM模型。
A2、获取训练航行条件样本和测试航行条件样本。
A3、将训练航行条件样本输入初始LSTM模型。
A4、判断初始LSTM模型的输出航行条件和测试航行条件样本是否 一致，若一致，则确定初始LSTM模型为预先训练的LSTM模型，若不 一致，则优化初始LSTM模型的参数，重复步骤A3、A4。
步骤A2中，训练航行条件样本为多个相同时间步长的无人船管控数 据，测试航行条件样本为每一个时间步长的无人船管控数据所对应的航 行区域、气象条件、自身周边航行船舶密度和船舶自身状态。
优选地，步骤A3中，将训练航行条件样本输入初始LSTM模型，包 括采用Nadam算法对初始LSTM模型的层数、各层神经元个数、学习率 等超参数进行优化。
步骤S4、无人船依据各航行条件对船舶航行的影响值，输入到多目 标优化模型中，获取至少一个优化方案，依据至少一个优化方案中的一个 方案使无人船控制优化。
具体地，构建多目标优化模型的目标函数包括：
其中，F1表示航行最安全，F2表示航行最稳定，F3表示航行最经济， F4表示航行最环保。
具体地，构建多目标优化模型的约束条件包括：
其中，约束条件1表示各航行条件对船舶航行的影响程度及其排序， 约束条件2表示船上智能设备的控制不能超过该智能设备的阈值。
具体地，对多目标优化模型进行求解的方法是使用带精英策略的非 支配排序遗传算法NSGA-II进行求解，如图3所示，包括以下步骤：
B1、输入预先定义的迭代次数、种群规模、交叉概率、计数器以及变 异概率。
B2、对无人船智能设备控制方案(n)进行编码，生成初始种群；并 对父种群进行非支配排序；根据步骤S4中多目标函数以及约束条件，赋 予个体以秩和拥挤距离值。
B3、对种群进行二元锦标赛选择操作，并进行交叉和变异操作，获得 子种群(n)。在本发明的一个实施例中，交叉操作采用SBX方法(模拟 二进制交叉)，变异操作采用多项式变异操作。
B4、判断是否达到规定的迭代次数，若达到，则输出最优pareto解 集，否则计数器加1，继续执行步骤B5。
B5、合并父种群和子种群，获得组合种群(2n)。
B6、对组合种群进行非支配排序，并通过拥挤度计算和精英策略选 出新的父种群。跳转至步骤B3循环。
具体地，拥挤度计算公式为：
其中，n为无人船智能设备控制方案的规模，
表示i+1点的第j个 函数值，
表示i-1点的第j个函数值。
综上，本发明提供的无人船各智能设备的协同多目标优化方法，能够 从无人船整体层面对自主航行进行考虑。首先从宏观角度，代替人进行航 行情景的认知，然后从微观角度对船上各智能设备进行综合指挥，从而对 每个智能设备下达更加准确有效的执行指令，使各个智能设备间协同规 划、协同管理、协同控制，形成更加全面、可靠的无人船自主航行整体决 策方案。本发明方法将LSTM模型与NSGA-II算法有机结合，通过LSTM 模型得到的无人船航行情景更加符合人工驾船对船舶航行状态的理解， 通过NSGA-II算法得到的无人船智能设备控制方案，使船舶航行及决策 的更加合理。
本发明还提供一种无人船智能综合管控***，如图4所示，包括：信 息采集模块，用于获取行驶中无人船预设时间段内原始数据，原始数据为 无人船上各智能设备上监测模块监测的数据，包括船舶相关参数、船舶外 部环境数据、船舶自身状态数据和岸基中心遥控数据。数据分析模块，用 于对原始数据进行分析处理，获得原始数据中的无人船管控数据。航行情 景解析模块，用于将无人船管控数据输入预先训练的LSTM模型，输出 各航行条件对船舶航行的影响值；航行条件包括航行区域、气象条件、自 身周边航行船舶密度和船舶自身状态。决策指挥模块，用于依据各航行条 件对船舶航行的影响值，输入到多目标优化模型中，获取至少一个优化方 案，依据至少一个优化方案中的一个方案使无人船控制优化。信息采集模 块还用于将优化方案和原始数据发送给各智能设备。
需要说明的是，本发明所称各智能设备包括智能航行设备、智能能效 管理设备、智能机舱设备、智能货物管理设备、智能船体设备等。
该***能够对无人船的各智能设备进行综合考虑，与以往无人船单 智能设备及单模块研究相比，本发明将无人船各智能设备有机地结合为 一个整体，通过该***能够实现无人船各智能设备的综合管控、综合指挥 以及各智能设备间相互调用、协同工作，将无人船的智能化提升到了一个 新的高度，进一步保证了无人船自主航行的安全性、经济性、环保性。
该***能够对无人船进行数据集成及应用集成，与以往只进行数据 集成相比，该***将无人船的智能设备集成提高到了高级阶段，为无人船 提供了一个更加全面的***决策方案。优选地，信息采集模块通过局域网 采集船舶相关参数、船舶外部环境数据和船舶自身状态数据，信息采集模 块通过通信***采集岸基中心遥控数据。通信***包括移动通信模块、卫 星通信模块和数据加密模块；移动通信模块用于当无人船与岸基距离小 于预定值时，信息采集模块采集岸基中心遥控数据；卫星通信模块用于当 无人船与岸基距离大于预定值时，信息采集模块采集岸基中心遥控数据； 数据加密模块用于在信息采集模块采集所述岸基中心遥控数据过程中， 进行安全加密操作。针对无人船不同的智能设备及航行场景采用不同的 通信方式，使无人船各智能设备之间、无人船与岸基之间始终以最稳定、 经济的方式进行通信，增加了无人船通信的经济性与可靠性。
进一步地，对于信息采集模块采集的原始数据，不同的数据采用不同 的存储方式。其中，船舶相关参数存储于静态数据库，该数据库大小固定； 实时船舶外部环境数据、实时船舶自身状态数据和岸基中心遥控数据存 储于内存及物理动态数据库，无人船航行历史数据、冗余实时数据、冗余 历史数据存储于物理动态数据库，该数据库大小可随数据量动态变化。静 态数据库及动态数据库均建立于服务器，该服务器硬盘容量足够，能够保存至少一个检验周期的数据，同一数据需在同一服务器不同硬盘以及不 同服务器备份保存，保证数据的准确性、完整性及可用性。
需要理解的是，以上对本发明的具体实施例进行的描述只是为了说 明本发明的技术路线和特点，其目的在于让本领域内的技术人员能够了 解本发明的内容并据以实施，但本发明并不限于上述特定实施方式。凡是 在本发明权利要求的范围内做出的各种变化或修饰，都应涵盖在本发明 的保护范围内。
Claims (8)
1.一种无人船多目标优化方法，其特征在于，包括以下步骤：
步骤S1、无人船获取行驶中无人船预设时间段内原始数据；所述原始数据为无人船上各智能监测模块监测的数据，包括船舶相关参数、船舶外部环境数据、船舶自身状态数据和岸基中心遥控数据；
步骤S2：无人船对所述原始数据进行分析处理，获得所述原始数据中的无人船管控数据；
步骤S3、无人船将所述无人船管控数据输入航行情景解析模型中，输出各航行条件对船舶航行的影响值；所述航行条件包括航行区域、气象条件、自身周边航行船舶密度和船舶自身状态，所述航行情景解析模型为预先训练的长短期记忆网络LSTM模型；
步骤S4、无人船依据所述各航行条件对船舶航行的影响值，输入到多目标优化模型中，获取至少一个优化方案，依据至少一个优化方案中的一个方案使无人船控制优化。
2.根据权利要求1所述的方法，其特征在于，所述预先训练的LSTM模型的更新方程包括：
ft＝σ(Wf·[ht-1，xt]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
ot＝σ(Wo·[ht-1，xt]+bo)
ht＝ot*tanh(ct)
其中，ft表示第t时刻的遗忘门，Wf为遗忘门的权重矩阵，ht-1为第t-1时刻的隐藏层，xt表示所述原始数据，bf为遗忘门的偏置项；σ表示将值映射至(0，1)间的sigmoid层，1表示完全保留，0表示完全忘记；it表示第t时刻的输入门，Wi为输入门的权重矩阵，bi为输入门的偏置项；ot表示第t时刻的输出门，Wo为输出门的权重矩阵，bo为输出门的偏置项；
表示第t时刻当前节点的输入，Wc为输入的权重矩阵，bc为输入的偏置项；ct表示第t时刻输出记忆信息；ht表示第t时刻的隐藏状态。
3.根据权利要求2所述的方法，其特征在于，在步骤S1之前，还包括：
步骤A1、构建初始LSTM模型；
步骤A2、获取训练航行条件样本和测试航行条件样本；
步骤A3、将所述训练航行条件样本输入所述初始LSTM模型；
步骤A4、判断所述初始LSTM模型的输出航行条件和所述测试航行条件样本是否一致，若一致，则确定所述初始LSTM模型为预先训练的LSTM模型，若不一致，则优化所述初始LSTM模型的参数，重复步骤A3、A4。
4.根据权利要求3所述的方法，其特征在于，所述将所述训练航行条件样本输入所述初始LSTM模型，包括：
采用Nadam算法对所述初始LSTM模型的超参数进行优化。
5.根据权利要求1所述的方法，其特征在于，所述多目标优化模型的目标函数包括：
其中，F1表示航行最安全，F2表示航行最稳定，F3表示航行最经济，F4表示航行最环保；
所述多目标优化模型的约束条件包括：
其中，约束条件1表示各航行条件对船舶航行的影响程度及其排序，约束条件2表示船上智能设备的控制不能超过该智能设备的阈值。
6.根据权利要求5所述的方法，其特征在于，对所述多目标优化模型进行求解的方法是使用带精英策略的非支配排序遗传算法NSGA-II进行求解。
7.一种无人船智能综合管控***，其特征在于，包括：
信息采集模块，用于获取行驶中无人船预设时间段内原始数据，所述原始数据为无人船上各智能设备上监测模块监测的数据，包括船舶相关参数、船舶外部环境数据、船舶自身状态数据和岸基中心遥控数据；
数据分析模块，用于对所述原始数据进行分析处理，获得原始数据中的无人船管控数据；
航行情景解析模块，用于将所述无人船管控数据输入预先训练的LSTM模型，输出各航行条件对船舶航行的影响值；所述航行条件包括航行区域、气象条件、自身周边航行船舶密度和船舶自身状态；
决策指挥模块，用于依据所述各航行条件对船舶航行的影响值，输入到多目标优化模型中，获取至少一个优化方案，依据至少一个优化方案中的一个方案使无人船控制优化；
所述信息采集模块还用于将所述优化方案和所述原始数据发送给各智能设备。
8.根据权利要求7所述的***，其特征在于，所述信息采集模块通过局域网采集所述船舶相关参数、所述船舶外部环境数据和所述船舶自身状态数据，所述信息采集模块通过通信***采集所述岸基中心遥控数据；
所述通信***包括移动通信模块、卫星通信模块和数据加密模块；所述移动通信模块用于当无人船与岸基距离小于预定值时，所述信息采集模块采集所述岸基中心遥控数据；所述卫星通信模块用于当无人船与岸基距离大于预定值时，所述信息采集模块采集所述岸基中心遥控数据；所述数据加密模块用于在所述信息采集模块采集所述岸基中心遥控数据过程中，进行安全加密操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910944783.1A CN110737267A (zh) | 2019-09-30 | 2019-09-30 | 一种无人船多目标优化方法及无人船智能综合管控*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910944783.1A CN110737267A (zh) | 2019-09-30 | 2019-09-30 | 一种无人船多目标优化方法及无人船智能综合管控*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110737267A true CN110737267A (zh) | 2020-01-31 |
Family
ID=69268486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910944783.1A Pending CN110737267A (zh) | 2019-09-30 | 2019-09-30 | 一种无人船多目标优化方法及无人船智能综合管控*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110737267A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112052984A (zh) * | 2020-08-07 | 2020-12-08 | 智慧航海（青岛）科技有限公司 | 一种智能船舶避碰方法及*** |
| CN113325896A (zh) * | 2021-05-31 | 2021-08-31 | 浙江工业大学 | 一种智能零售机的多目标温度优化控制方法 |
| CN114185328A (zh) * | 2021-12-07 | 2022-03-15 | 天翼物联科技有限公司 | 基于海况自适应的无人船控制方法、装置、设备及介质 |
| CN114462444A (zh) * | 2021-12-21 | 2022-05-10 | 上海中船船舶设计技术国家工程研究中心有限公司 | 一种极地考察船的航行状态识别方法及*** |
| CN116395105A (zh) * | 2023-06-06 | 2023-07-07 | 海云联科技(苏州)有限公司 | 一种无人船的自动升降补偿方法及*** |
| CN116911560A (zh) * | 2023-07-27 | 2023-10-20 | 中国舰船研究设计中心 | 一种基于多目标优化的船舶任务***决策规划方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102708406A (zh) * | 2012-05-10 | 2012-10-03 | 湖北省电力公司 | 一种基于多目标遗传算法的调度图优化方法 |
| CN102831479A (zh) * | 2012-07-29 | 2012-12-19 | 江苏大学 | Nsga-ii多目标优化搜索方法 |
| CN107563576A (zh) * | 2017-10-14 | 2018-01-09 | 连云港杰瑞深软科技有限公司 | 一种船舶智能能效管理*** |
| CN108319293A (zh) * | 2018-01-17 | 2018-07-24 | 哈尔滨工程大学 | 一种基于lstm网络的uuv实时避碰规划方法 |
| CN109034359A (zh) * | 2018-07-03 | 2018-12-18 | 上海电机学院 | 带精英策略的非支配排序的遗传算法改方法 |
| CN109634289A (zh) * | 2019-01-24 | 2019-04-16 | 大连海事大学 | 一种无人船自主航行***及其工作方法 |
| CN109931678A (zh) * | 2019-03-13 | 2019-06-25 | 中国计量大学 | 基于深度学习lstm的空调故障诊断方法 |
-
2019
- 2019-09-30 CN CN201910944783.1A patent/CN110737267A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102708406A (zh) * | 2012-05-10 | 2012-10-03 | 湖北省电力公司 | 一种基于多目标遗传算法的调度图优化方法 |
| CN102831479A (zh) * | 2012-07-29 | 2012-12-19 | 江苏大学 | Nsga-ii多目标优化搜索方法 |
| CN107563576A (zh) * | 2017-10-14 | 2018-01-09 | 连云港杰瑞深软科技有限公司 | 一种船舶智能能效管理*** |
| CN108319293A (zh) * | 2018-01-17 | 2018-07-24 | 哈尔滨工程大学 | 一种基于lstm网络的uuv实时避碰规划方法 |
| CN109034359A (zh) * | 2018-07-03 | 2018-12-18 | 上海电机学院 | 带精英策略的非支配排序的遗传算法改方法 |
| CN109634289A (zh) * | 2019-01-24 | 2019-04-16 | 大连海事大学 | 一种无人船自主航行***及其工作方法 |
| CN109931678A (zh) * | 2019-03-13 | 2019-06-25 | 中国计量大学 | 基于深度学习lstm的空调故障诊断方法 |
Non-Patent Citations (6)
| Title |
|---|
| 冯士刚等: "带精英策略的快速非支配排序遗传算法在多目标无功优化中的应用", 《电工技术学报》 * |
| 崔杨等: "出力受限风电场群有功分配多目标优化策略", 《可再生能源》 * |
| 张洪龙等: "基于立体视觉的水下三维测量***研究", 《集成技术》 * |
| 张福民等: "基于改进NSGA-Ⅱ算法的微网交互式多目标优化", 《电力***保护与控制》 * |
| 张雪莲: "基于扰动观测的无人水下航行器复合航迹跟踪控制研究", 《中国优秀硕士论文电子期刊网 工程科技Ⅱ辑 信息科技》 * |
| 王鲁等: "基于遗传算法的多目标优化技术", 《科技广场》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112052984A (zh) * | 2020-08-07 | 2020-12-08 | 智慧航海（青岛）科技有限公司 | 一种智能船舶避碰方法及*** |
| CN113325896A (zh) * | 2021-05-31 | 2021-08-31 | 浙江工业大学 | 一种智能零售机的多目标温度优化控制方法 |
| CN113325896B (zh) * | 2021-05-31 | 2022-03-01 | 浙江工业大学 | 一种智能零售机的多目标温度优化控制方法 |
| CN114185328A (zh) * | 2021-12-07 | 2022-03-15 | 天翼物联科技有限公司 | 基于海况自适应的无人船控制方法、装置、设备及介质 |
| CN114462444A (zh) * | 2021-12-21 | 2022-05-10 | 上海中船船舶设计技术国家工程研究中心有限公司 | 一种极地考察船的航行状态识别方法及*** |
| CN116395105A (zh) * | 2023-06-06 | 2023-07-07 | 海云联科技(苏州)有限公司 | 一种无人船的自动升降补偿方法及*** |
| CN116395105B (zh) * | 2023-06-06 | 2023-10-20 | 海云联科技(苏州)有限公司 | 一种无人船的自动升降补偿方法及*** |
| CN116911560A (zh) * | 2023-07-27 | 2023-10-20 | 中国舰船研究设计中心 | 一种基于多目标优化的船舶任务***决策规划方法 |
| CN116911560B (zh) * | 2023-07-27 | 2024-03-12 | 中国舰船研究设计中心 | 一种基于多目标优化的船舶任务***决策规划方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110737267A (zh) | 一种无人船多目标优化方法及无人船智能综合管控*** | |
| CN109214107B (zh) | 一种船舶航行行为在线预测方法 | |
| Baruque et al. | A forecasting solution to the oil spill problem based on a hybrid intelligent system | |
| CN113221449B (zh) | 一种基于最优策略学习的船舶航迹实时预测方法及*** | |
| CN111339229B (zh) | 一种船舶自主航行辅助决策*** | |
| CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及*** | |
| CN108960421A (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
| Sreelakshmi et al. | Neural networks for short term wind speed prediction | |
| CN111538349B (zh) | 面向多任务的长航程auv自主决策方法 | |
| CN117391244A (zh) | 一种融合多源信息的船舶轨迹预测方法 | |
| Xiao et al. | Bidirectional data-driven trajectory prediction for intelligent maritime traffic | |
| Kaklis et al. | A big data approach for Fuel Oil Consumption estimation in the maritime industry | |
| Newaz et al. | Long-term autonomy for AUVs operating under uncertainties in dynamic marine environments | |
| Hadi et al. | Ship navigation and fuel profiling based on noon report using neural network generative modeling | |
| Kim et al. | Massive scale deep learning for detecting extreme climate events | |
| Chen et al. | An application of convolutional neural network to derive vessel movement patterns | |
| Kramer et al. | Wind power ramp event prediction with support vector machines | |
| Anne et al. | Prediction of ship track anomaly based on AIS data using long short-term memory (LSTM) and DBScan | |
| Zhang et al. | Prediction of dynamic navigation information of unmanned surface vehicles based on Bayesian optimization LSTM | |
| Jie | Modeling Seafarers’ Navigational Decision-Making for Autonomous Ships’ Safety | |
| Zhang et al. | Time-delay wavelet network predictor based on sensitivity analysis with application to predictive ship course control | |
| CN115855069B (zh) | 基于sce的geo航天器机动检测与位置预测方法 | |
| CN118152933B (zh) | 一种多机器人海上巡逻调度方法、装置、设备及存储介质 | |
| Chen et al. | TEMPO-RI: A Multi-Task Spatio-Temporal Model for Tropical Cyclone Rapid Intensification Forecasting | |
| Fan et al. | Optimized Unbiased Grey Markov Ship Traffic Flow Prediction Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200131 |