CN111409808A - 基于神经网络算法的电推平底货船减阻节能控制*** - Google Patents
基于神经网络算法的电推平底货船减阻节能控制*** Download PDFInfo
- Publication number
- CN111409808A CN111409808A CN202010260937.8A CN202010260937A CN111409808A CN 111409808 A CN111409808 A CN 111409808A CN 202010260937 A CN202010260937 A CN 202010260937A CN 111409808 A CN111409808 A CN 111409808A
- Authority
- CN
- China
- Prior art keywords
- ship
- model
- neural network
- value
- inclination angle
- 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.)
- Granted
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63H—MARINE PROPULSION OR STEERING
- B63H21/00—Use of propulsion power plant or units on vessels
- B63H21/21—Control means for engine or transmission, specially adapted for use on marine vessels
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B1/00—Hydrodynamic or hydrostatic features of hulls or of hydrofoils
- B63B1/32—Other means for varying the inherent hydrodynamic characteristics of hulls
- B63B1/34—Other means for varying the inherent hydrodynamic characteristics of hulls by reducing surface friction
- B63B1/38—Other means for varying the inherent hydrodynamic characteristics of hulls by reducing surface friction using air bubbles or air layers gas filled volumes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63H—MARINE PROPULSION OR STEERING
- B63H21/00—Use of propulsion power plant or units on vessels
- B63H21/12—Use of propulsion power plant or units on vessels the vessels being motor-driven
- B63H21/17—Use of propulsion power plant or units on vessels the vessels being motor-driven by electric motor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B1/00—Hydrodynamic or hydrostatic features of hulls or of hydrofoils
- B63B1/32—Other means for varying the inherent hydrodynamic characteristics of hulls
- B63B1/34—Other means for varying the inherent hydrodynamic characteristics of hulls by reducing surface friction
- B63B1/38—Other means for varying the inherent hydrodynamic characteristics of hulls by reducing surface friction using air bubbles or air layers gas filled volumes
- B63B2001/387—Other means for varying the inherent hydrodynamic characteristics of hulls by reducing surface friction using air bubbles or air layers gas filled volumes using means for producing a film of air or air bubbles over at least a significant portion of the hull surface
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63H—MARINE PROPULSION OR STEERING
- B63H21/00—Use of propulsion power plant or units on vessels
- B63H21/21—Control means for engine or transmission, specially adapted for use on marine vessels
- B63H2021/216—Control means for engine or transmission, specially adapted for use on marine vessels using electric control means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T70/00—Maritime or waterways transport
- Y02T70/10—Measures concerning design or construction of watercraft hulls
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于神经网络算法的电推平底货船减阻节能控制***,包括:航速控制模块,用于当电推船开始启动时,设置初始航速,控制电机驱动器使电推船按照设置速度稳定航行;控制参数优化模型,用于使用BP神经网络模型通过建立的数据库预测出最佳控制参数:气泡量、船的倾角;执行模块,用于根据控制参数优化模型的输出结果调整气泡量,使其达到预期气泡量,让船的倾角达到理想值并稳定;功率判断模块,用于检测当前船的消耗功率减小值是否收敛,若收敛,判断船的消耗功率为最小值。本发明有效控制微气泡在实际行驶过程中损耗过多的问题,降低能量损耗,达到节能减排的目的。
Description
技术领域
本发明涉及节能技术,尤其涉及一种基于神经网络算法的电推平底货船减阻节能控制***。
背景技术
船舶运输作为国际贸易中采用的最主要运输方式,占据60%的国际贸易总运量。在中国,有90%的进出口货运量的都有赖于海洋运输。根据世界环境监管相关组织统计,国际贸易所用商船一般以柴油作为主要燃料,而一吨柴油燃烧后产生的二氧化碳、一氧化碳、碳氢化合物,已十分惊人,据统计,船舶运输每年共约排放800万吨二氧化碳。这一趋势,将随着各国经济的持续发展和国际贸易的快速增长进一步上升,给全球环境治理带来巨大挑战。我国船舶90%以上采用柴油机动力***,舒适性有待提高,航行和进港过程产生大量的油污水和有害气体及颗粒物,且噪音污染严重,对水域生态环境造成严重影响。基于此,具有能耗低、零排放、低噪音、无污染的电力推进船舶是实现节能减排和转型升级的重要路径。
微气泡减阻技术的相关研究已经有很多,但现有技术无法应用到实船上,主要有以下几个原因:
1、目前市场上的气泡技术均为定量喷射,无法根据波浪状态、船舶行驶状态智能调节气泡喷射,从而导致气泡在实践中无法达到预期的减阻效果。常规试验模型采用约束模型,测力传感器和船模固定,实验时先测同一水速下船的阻力,然后通过鼓风机,人工调节好气体流量,向船底喷入微气泡,再次测量其船模阻力。
2、欧勇鹏等运用混合多相流模型对平板微气泡减阻效果进行了数值模拟,研究分析了平板微气泡的喷气速度与主流速度之比、微气泡大小、壁面微气泡的孔隙率分布等因素与平板微气泡减阻效率的影响规律。模拟结果表明:当气泡直径较大超过100微米时,相邻的气泡很容易聚集形成气团。因气团受到的浮力作用较大,会迅速逃离边界层使得微气泡减阻效果降低。
3、HermannLienhart等通过非光滑管路试验和数值模拟的方法研究了非光滑凹坑平板表面的传热和减阻性能。试验研究结果表明:非光滑凹坑表面沿流向压力降的减阻效果并不显著。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种基于神经网络算法的电推平底货船减阻节能控制***。
本发明解决其技术问题所采用的技术方案是:一种基于神经网络算法的电推平底货船减阻节能控制***,包括:
航速控制模块,用于当电推船开始启动时,设置初始航速,控制电机驱动器使电推船按照设置速度稳定航行;
控制参数优化模型,用于使用BP神经网络模型通过建立的数据库预测出最佳控制参数:气泡量、船的倾角;所述数据库数据为船速、纵倾角和船的总重在某个范围内分别对应的最佳喷气量;
执行模块,用于根据控制参数优化模型的输出结果控制气泡发生装置,调整气泡量,使其达到预期气泡量,控制滑台移动使货架到达指定位置,让船的倾角达到理想值并稳定;
功率判断模块,用于检测当前船的消耗功率减小值是否收敛,若收敛,判断船的消耗功率为最小值;否则,将传感器模块的检测的船的实时倾角和逆流情况反馈到控制参数优化模型继续调整气泡量与船的倾角,直至使功率达到最小值,以实现节能的目的。
按上述方案,所述控制参数优化模型中参数预测过程具体如下:具体如下:
1)输入数据采集;将船的总重、船速、船的实时倾角和逆流情况为整个模型的输入;所述逆流情况为水流的方向和速率;
2)采用0均值标准化对数据进行预处理;
3)将经过预处理的数据输入到模型中,
4)训练过程中,初始化网络中神经元的权值,然后根据输入样本前向计算BP网络每层神经元的输入信号和输出信号;
5)根据期望输出计算反向误差,对权值进行修正,如果误差小于给定值或迭代次数超过设定值结束学习;
6)对于数据库中的m个样本,采用了梯度下降法来调整模型的参数,当梯度下降收敛时,根据训练的模型预测出船舶行驶的气泡输出量和船的倾角。
本发明还提供一种基于神经网络算法的电推平底货船减阻节能控制方法,包括以下步骤:
1)当电推船开始启动时,设置初始航速,控制电机驱动器使电推船按照设置速度稳定航行;电推船上设置实时传感器,采集船的实时倾角和逆流情况;所述逆流情况为水流的方向和速率;
2)使用神经网络模型通过建立的数据库预测出最佳控制参数:气泡量、船的倾角;所述数据库数据为船速、纵倾角和船的总重在某个范围内分别对应的最佳喷气量;
所述神经网络为BP神经网络;
具体如下:
2.1)输入数据采集;将船的总重、船速、船的实时倾角和逆流情况为整个模型的输入;
2.2)采用0均值标准化对数据进行预处理;
2.3)将经过预处理的数据输入到模型中,
2.4)训练过程中,初始化网络中神经元的权值,然后根据输入样本前向计算BP网络每层神经元的输入信号和输出信号;
2.5)根据期望输出计算反向误差,对权值进行修正,如果误差小于给定值或迭代次数超过设定值结束学习;
2.6)对于数据库中的m个样本,采用了梯度下降法来调整模型的参数,当梯度下降收敛时,根据训练的模型预测出船舶行驶的气泡输出量和船的倾角;
3)控制气泡发生装置,调整气泡量,使其达到预期值,控制滑台移动使货架到达指定位置,让船的倾角达到理想值并稳定;
4)通过电流采样模块的测量值计算出当前船的消耗功率减小值是否收敛,若收敛,判断船的消耗功率为最小值;否则,将传感器模块的检测的船的实时倾角和逆流情况反馈到神经网络算法,转入步骤2),直至使功率达到最小值,以实现节能的目的。
本发明产生的有益效果是:
1、本发明提出了一种以神经网络算法为基础的能效控制***,智能控制船体底部微气泡喷射控制,达到不同速度、不同船倾角状态下,微气泡的自适应可控喷射。弥补传统研究过程中气泡逃逸率高的问题。该项技术同时也弥补了现有电推力船舶市场上,由于能量二次转换能量损耗过多的缺陷。
2、本发明根据船舶行驶状态,根据船体倾斜角度的变化,智能调配船体重物的位置,从而使船舶始终处于一个相对平衡的位置。该***结合微气泡减阻***,将有效控制以前研究中微气泡在实际行驶过程中损耗过多的问题,从而进一步降低能量损耗,达到节能减排的目的。
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是本发明实施例的结构示意图;
图2是本发明实施例的方法流程图;
图3是本发明实施例的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,一种基于神经网络的电推平底货船减阻节能控制***,包括:
航速控制模块,用于当电推船开始启动时,设置初始航速,控制电机驱动器使电推船按照设置速度稳定航行;
控制参数优化模型,用于使用BP神经网络模型通过建立的数据库预测出最佳控制参数:气泡量、船的倾角;所述数据库数据为船速、纵倾角和船的总重在某个范围内分别对应的最佳喷气量;
控制参数优化模型中参数预测过程具体如下:具体如下:
1)输入数据采集;将船的总重、船速、船的实时倾角和逆流情况为整个模型的输入;所述逆流情况为水流的方向和速率;
2)采用0均值标准化对数据进行预处理;
3)将经过预处理的数据输入到模型中,
4)训练过程中,初始化网络中神经元的权值,然后根据输入样本前向计算BP网络每层神经元的输入信号和输出信号;
5)根据期望输出计算反向误差,对权值进行修正,如果误差小于给定值或迭代次数超过设定值结束学习;
6)对于数据库中的m个样本,采用了梯度下降法来调整模型的参数,当梯度下降收敛时,根据训练的模型预测出船舶行驶的气泡输出量和船的倾角。
执行模块,用于根据控制参数优化模型的输出结果控制气泡发生装置,调整气泡量,使其达到预期气泡量,控制滑台移动使货架到达指定位置,让船的倾角达到理想值并稳定;
功率判断模块,用于检测当前船的消耗功率减小值是否收敛,若收敛,判断船的消耗功率为最小值;否则,将传感器模块的检测的船的实时倾角和逆流情况反馈到控制参数优化模型继续调整气泡量与船的倾角,直至使功率达到最小值,以实现节能的目的。
如图2和图3,一种基于神经网络的电推平底货船减阻节能控制方法,涉及的装置包括电推平底货船、主控制器、通信模块、气泡发生装置、移动配载控制平台;
电推平底货船指一套完整的电推船***,包括电推船船体、动力电机及其驱动、工控机、传感器;其中传感器包括姿态传感器、电流采样模块、GPS等;
主控制器是控制***的核心,主控制器收集各个传感器反馈的数据,然后通过通信模块与神经网络模型进行通信,将船舶状态信息传输到神经网络模型;同时,主控制器接收到神经网络模型发出的控制信号对船的各个模块进行控制,包括对气泡发生装置、动力***、移动配载平台的控制;
该方法包括以下步骤:
1)当电推船开始启动时,设置初始航速,控制电机驱动器使电推船按照设置速度稳定航行;电推船上设置实时传感器,采集船的实时倾角和逆流情况;所述逆流情况为水流的方向和速率;
2)使用BP神经网络模型通过建立的数据库预测出最佳控制参数:气泡量、船的倾角;所述数据库数据为船速、纵倾角和船的总重在某个范围内分别对应的最佳喷气量;
具体如下:
2.1)输入数据采集;将船的总重、船速、船的实时倾角和逆流情况为整个模型的输入;
2.2)采用0均值标准化对数据进行预处理;
船的总重、船速、倾角和逆流情况为整个模型的输入,采用0均值标准化对数据进行预处理,这种方法将原始数据的均值(mean)和标准差(standard deviation)进行数据标准化,其计算公式如下:
经过处理的数据符合标准正态分布,即均值为0,标准差为1。其中,μ为所有样本数据的均值,δ为所有样本数据的标差。通过这种方式,我们可以将有量纲的表达式为无量纲的表达式;
2.3)将经过预处理的数据输入到模型中;
2.4)训练过程中,初始化网络中神经元的权值,然后根据输入样本前向计算BP网络每层神经元的输入信号和输出信号;
2.5)根据期望输出计算反向误差,对权值进行修正,如果误差小于给定值或迭代次数超过设定值结束学习;
2.6)对于数据库中的m个样本,采用了梯度下降法来调整模型的参数,当梯度下降收敛时,根据训练的模型预测出船舶行驶的气泡输出量和船的倾角;
3)控制气泡发生装置,调整气泡量,使其达到预期值,控制滑台移动使货架到达指定位置,让船的倾角达到理想值并稳定;
其中,气泡发生装置为自适应可调气泡发生装置安装在船内首部位置,包括可调式喷气导管、储气设备、高压气泵、电磁阀、电磁流量计;
电磁流量阀和高压气泵相连,主控制器根据神经网络模型输出的气泡量的值改变控制信号的大小以调节电磁流量阀的输出值,进而控制高压气泵的输出功率,改变气体进量。气泵压缩船体上方空气到气瓶内,通过万向器调节喷气角度,主控制器通过神经网络模型输出的气泡量控制可调式喷气导管的气泡喷出量,电磁阀控制喷气的开关;
配载移动控制平台由滑台货柜、电机、丝杆、导轨等组成,丝杆电机驱动与主控制器相连,主控制器输出控制信号给电机驱动器进而控制电机,使步进电机带动转动带转动以使滑台带动货物平移,通过传感器将数据给主控制器来控制电机旋转方向实时改变船的配载而改变船的重心,从而改变船的倾角,达到减小阻力的目的;
4)检测当前船的消耗功率减小值是否收敛,若收敛,判断船的消耗功率为最小值;否则,将传感器模块的检测的船的实时倾角和逆流情况反馈到神经网络算法,转入步骤2),直至使功率达到最小值,以实现节能的目的。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (3)
1.一种基于神经网络算法的电推平底货船减阻节能控制***,其特征在于,包括:
航速控制模块,用于当电推船开始启动时,设置初始航速,控制电机驱动器使电推船按照设置速度稳定航行;
控制参数优化模型,用于使用BP神经网络模型通过建立的数据库预测出最佳控制参数:气泡量、船的倾角;所述数据库数据为船速、纵倾角和船的总重在某个范围内分别对应的最佳喷气量;
执行模块,用于根据控制参数优化模型的输出结果控制气泡发生装置,调整气泡量,使其达到预期气泡量,控制滑台移动使货架到达指定位置,让船的倾角达到理想值并稳定;
功率判断模块,用于检测当前船的消耗功率减小值是否收敛,若收敛,判断船的消耗功率为最小值;否则,将传感器模块的检测的船的实时倾角和逆流情况反馈到控制参数优化模型继续调整气泡量与船的倾角,直至使功率达到最小值,以实现节能的目的。
2.根据权利要求1所述的一种基于神经网络算法的电推平底货船减阻节能控制***,其特征在于,所述控制参数优化模型中参数预测过程具体如下:具体如下:
1)输入数据采集;将船的总重、船速、船的实时倾角和逆流情况为整个模型的输入;所述逆流情况为水流的方向和速率;
2)采用0均值标准化对数据进行预处理;
3)将经过预处理的数据输入到模型中,
4)训练过程中,初始化网络中神经元的权值,然后根据输入样本前向计算BP网络每层神经元的输入信号和输出信号;
5)根据期望输出计算反向误差,对权值进行修正,如果误差小于给定值或迭代次数超过设定值结束学习;
6)对于数据库中的m个样本,采用了梯度下降法来调整模型的参数,当梯度下降收敛时,根据训练的模型预测出船舶行驶的气泡输出量和船的倾角。
3.一种基于神经网络算法的电推平底货船减阻节能控制方法,其特征在于,包括以下步骤:
1)当电推船开始启动时,设置初始航速,控制电机驱动器使电推船按照设置速度稳定航行;电推船上设置实时传感器,采集船的实时倾角和逆流情况;所述逆流情况为水流的方向和速率;
2)使用神经网络模型通过建立的数据库预测出最佳控制参数:气泡量、船的倾角;所述数据库数据为船速、纵倾角和船的总重在某个范围内分别对应的最佳喷气量;
所述神经网络为BP神经网络;
具体如下:
2.1)输入数据采集;将船的总重、船速、船的实时倾角和逆流情况为整个模型的输入;
2.2)采用0均值标准化对数据进行预处理;
2.3)将经过预处理的数据输入到模型中,
2.4)训练过程中,初始化网络中神经元的权值,然后根据输入样本前向计算BP网络每层神经元的输入信号和输出信号;
2.5)根据期望输出计算反向误差,对权值进行修正,如果误差小于给定值或迭代次数超过设定值结束学习;
2.6)对于数据库中的m个样本,采用了梯度下降法来调整模型的参数,当梯度下降收敛时,根据训练的模型预测出船舶行驶的气泡输出量和船的倾角;
3)控制气泡发生装置,调整气泡量,使其达到预期值,控制滑台移动使货架到达指定位置,让船的倾角达到理想值并稳定;
4)通过电流采样模块的测量值计算出当前船的消耗功率减小值是否收敛,若收敛,判断船的消耗功率为最小值;否则,将传感器模块的检测的船的实时倾角和逆流情况反馈到神经网络算法,转入步骤2),直至使功率达到最小值,以实现节能的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010260937.8A CN111409808B (zh) | 2020-04-03 | 2020-04-03 | 基于神经网络算法的电推平底货船减阻节能控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010260937.8A CN111409808B (zh) | 2020-04-03 | 2020-04-03 | 基于神经网络算法的电推平底货船减阻节能控制*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111409808A true CN111409808A (zh) | 2020-07-14 |
CN111409808B CN111409808B (zh) | 2021-07-06 |
Family
ID=71488155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010260937.8A Active CN111409808B (zh) | 2020-04-03 | 2020-04-03 | 基于神经网络算法的电推平底货船减阻节能控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111409808B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112009636A (zh) * | 2020-08-21 | 2020-12-01 | 武汉理工大学 | 用于船舶航行的智能配载减阻***及方法 |
CN112544204A (zh) * | 2020-12-03 | 2021-03-26 | 武汉理工大学 | 基于risc-v嵌入式处理器的除草机器人及控制方法 |
CN113968315A (zh) * | 2021-12-14 | 2022-01-25 | 中国地质大学(武汉) | 一种基于机器学习的集装箱船纵倾优化方法 |
CN114475953A (zh) * | 2022-01-04 | 2022-05-13 | 江苏科技大学 | 船舶调载***、方法及存储介质 |
CN115649381A (zh) * | 2022-11-10 | 2023-01-31 | 武汉理工大学 | 适用于微气泡减阻技术的试验样机 |
CN117669259A (zh) * | 2023-12-26 | 2024-03-08 | 华中科技大学 | 一种基于浮态的龙舟减阻方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6568971B1 (en) * | 2000-08-10 | 2003-05-27 | John Abbenhouse | Kayak paddle |
GB2485861A (en) * | 2010-11-26 | 2012-05-30 | Stephen John Beadsmoore | Wave piercing offshore supply, maintenance or patrol vessel |
JP2013226905A (ja) * | 2012-04-25 | 2013-11-07 | Universal Tokki Kk | 航路保持制御装置及び船舶 |
CN106114750A (zh) * | 2016-08-25 | 2016-11-16 | 武汉理工大学 | 基于气泡减阻与m船型复合的智能控制***及控制方法 |
CN107244379A (zh) * | 2017-06-30 | 2017-10-13 | 哈尔滨工业大学 | 一种抑制水下航行体及水翼表面空化现象的流动控制方法 |
CN107554684A (zh) * | 2017-07-24 | 2018-01-09 | 哈尔滨工程大学 | 新型超空泡水面高速艇 |
US9880308B2 (en) * | 2015-04-20 | 2018-01-30 | Pgs Geophysical As | Paravane system |
CN108545145A (zh) * | 2018-06-14 | 2018-09-18 | 哈尔滨工业大学 | 一种抑制水下航行体结构物表面空化现象的流动控制方法 |
CN109808849A (zh) * | 2019-03-17 | 2019-05-28 | 南安智能蓝工业设计有限公司 | 一种具有微气泡功能的水面垃圾清理机器人 |
CN110160412A (zh) * | 2019-06-21 | 2019-08-23 | 北京机械设备研究所 | 基于气膜减阻技术的水下航行器姿态控制方法 |
-
2020
- 2020-04-03 CN CN202010260937.8A patent/CN111409808B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6568971B1 (en) * | 2000-08-10 | 2003-05-27 | John Abbenhouse | Kayak paddle |
GB2485861A (en) * | 2010-11-26 | 2012-05-30 | Stephen John Beadsmoore | Wave piercing offshore supply, maintenance or patrol vessel |
JP2013226905A (ja) * | 2012-04-25 | 2013-11-07 | Universal Tokki Kk | 航路保持制御装置及び船舶 |
US9880308B2 (en) * | 2015-04-20 | 2018-01-30 | Pgs Geophysical As | Paravane system |
CN106114750A (zh) * | 2016-08-25 | 2016-11-16 | 武汉理工大学 | 基于气泡减阻与m船型复合的智能控制***及控制方法 |
CN107244379A (zh) * | 2017-06-30 | 2017-10-13 | 哈尔滨工业大学 | 一种抑制水下航行体及水翼表面空化现象的流动控制方法 |
CN107554684A (zh) * | 2017-07-24 | 2018-01-09 | 哈尔滨工程大学 | 新型超空泡水面高速艇 |
CN108545145A (zh) * | 2018-06-14 | 2018-09-18 | 哈尔滨工业大学 | 一种抑制水下航行体结构物表面空化现象的流动控制方法 |
CN109808849A (zh) * | 2019-03-17 | 2019-05-28 | 南安智能蓝工业设计有限公司 | 一种具有微气泡功能的水面垃圾清理机器人 |
CN110160412A (zh) * | 2019-06-21 | 2019-08-23 | 北京机械设备研究所 | 基于气膜减阻技术的水下航行器姿态控制方法 |
Non-Patent Citations (2)
Title |
---|
杨帆等: "船型阻力寻优时的数值模拟技术研究", 《中国造船》 * |
陈克强等: "控制气泡逸出技术的计算研究", 《航海工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112009636A (zh) * | 2020-08-21 | 2020-12-01 | 武汉理工大学 | 用于船舶航行的智能配载减阻***及方法 |
CN112544204A (zh) * | 2020-12-03 | 2021-03-26 | 武汉理工大学 | 基于risc-v嵌入式处理器的除草机器人及控制方法 |
CN113968315A (zh) * | 2021-12-14 | 2022-01-25 | 中国地质大学(武汉) | 一种基于机器学习的集装箱船纵倾优化方法 |
CN114475953A (zh) * | 2022-01-04 | 2022-05-13 | 江苏科技大学 | 船舶调载***、方法及存储介质 |
CN115649381A (zh) * | 2022-11-10 | 2023-01-31 | 武汉理工大学 | 适用于微气泡减阻技术的试验样机 |
CN115649381B (zh) * | 2022-11-10 | 2024-04-30 | 武汉理工大学 | 适用于微气泡减阻技术的试验样机 |
CN117669259A (zh) * | 2023-12-26 | 2024-03-08 | 华中科技大学 | 一种基于浮态的龙舟减阻方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111409808B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111409808B (zh) | 基于神经网络算法的电推平底货船减阻节能控制*** | |
CN110967022A (zh) | 船舶航速优化辅助决策*** | |
Avci et al. | An experimental investigation of interceptors for a high speed hull | |
WO2016090737A1 (zh) | 船舶节能航行的控制方法及装置 | |
CN111874182B (zh) | 一种混合动力船舶的能效预测控制***及方法 | |
CN102768524A (zh) | 一种船舶运行能效的***优化方法及其装置 | |
CN102486633B (zh) | 一种水下滑翔机能耗最优的运动参数优化方法 | |
CN115795663B (zh) | 一种实际海况下的船舶最佳纵倾航行确定方法 | |
CN105129022A (zh) | 船舶降速节能减排实时分析方法 | |
CN114115221A (zh) | 一种基于无人船的水生态要素原位监测装置及方法 | |
CN110617945A (zh) | 一种实海域大尺度船模阻力试验*** | |
CN112009636A (zh) | 用于船舶航行的智能配载减阻***及方法 | |
Ding et al. | Tunnel flow of a planing trimaran and effects on resistance | |
Zhang et al. | Wind tunnel experiment of multi-mode arc sail device | |
Wang et al. | Experimental and numerical investigation on the resistance characteristics of a high-speed planing catamaran in calm water | |
CN107953968A (zh) | 一种船舶的垂流喷气减阻方法 | |
Jiang et al. | Effect of hull displacement on hydro-& aerodynamics of a planing trimaran | |
Fujiwara et al. | Steady sailing performance of a hybrid-sail assisted bulk carrier | |
Rosén | Loads and responses for planing craft in waves | |
CN218559119U (zh) | 一种利用海上风电场的制氢制氨平台 | |
CN116520834A (zh) | 一种低能耗的无人船巡航方法 | |
CN113888088B (zh) | 基于数字孪生的船舶能效管理***功能验证平台 | |
DU et al. | Numerical analysis of influence of stern flaps on motion and stability of high-speed amphibious platform | |
Li et al. | A new type of collapsible wing sail and its aerodynamic performance | |
Gan et al. | Prediction of drag reduction parameters of microbubbles based on multi-hidden layer BP neural network algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |