CN111709089A - 轴功率模型的训练方法、装置及电子设备 - Google Patents
轴功率模型的训练方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111709089A CN111709089A CN202010557610.7A CN202010557610A CN111709089A CN 111709089 A CN111709089 A CN 111709089A CN 202010557610 A CN202010557610 A CN 202010557610A CN 111709089 A CN111709089 A CN 111709089A
- Authority
- CN
- China
- Prior art keywords
- data set
- sample data
- power model
- test sample
- axle power
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B71/00—Designing vessels; Predicting their performance
- B63B71/10—Designing vessels; Predicting their performance using computer simulation, e.g. finite element method [FEM] or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Fluid Mechanics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Analysis (AREA)
- Combustion & Propulsion (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Ocean & Marine Engineering (AREA)
Abstract
本发明提供了一种轴功率模型的训练方法、装置及电子设备,涉及船舶技术领域,包括获取试验样本数据集;试验样本数据集包括轴功率和第一影响因子;基于试验样本数据集对轴功率模型进行初始训练,得到初始训练好的轴功率模型的模型参数;通过实测数据对试验样本数据集进行递增处理,得到实测样本数据集;实测样本数据集包括第二影响因子;基于实测样本数据集和模型参数,对初始训练好的轴功率模型进行更新训练,确定更新后的轴功率模型。本发明有效的提升了轴功率模型的实用性和准确性。
Description
技术领域
本发明涉及船舶技术领域,尤其是涉及一种轴功率模型的训练方法、装置及电子设备。
背景技术
在船舶设计时和运营时,需考虑快速性问题,即船舶航行速度与螺旋桨轴功率之间的关系,以及排水量、水深、气象等外部条件对上述关系的影响。,现有的方式均为通过传感器实时采集各类数据(包括轴功率、航速、排水量、水深和各类气象参数),并在采集到足够多的数据后,探求轴功率与航速、排水量、水深和各气象参数之间的关系(也即轴功率模型),进一步利用轴功率模型预测航行能耗、分析船舶性能等。然而这种方式依赖于大量的实测数据,因此在积累数据时需要耗费大量的时间,导致轴功率模型的实用性和准确性不足,用户体验差。
发明内容
本发明的目的在于提供一种轴功率模型的训练方法、装置及电子设备,提升了轴功率模型的准确性,进一步提升了用户使用体验。
第一方面,本发明实施例提供一种轴功率模型训练方法,包括:获取试验样本数据集;试验样本数据集包括轴功率和第一影响因子;基于试验样本数据集对轴功率模型进行初始训练,得到初始训练好的轴功率模型的模型参数;通过实测数据对试验样本数据集进行递增处理,得到实测样本数据集;实测样本数据集包括第二影响因子;基于实测样本数据集和模型参数,对初始训练好的轴功率模型进行更新训练,确定更新后的轴功率模型。
在可选的实施方式中,获取试验样本数据集的步骤,包括:通过模型试验和/或数值试验获取轴功率及第一影响因子;数值试验包括计算流体力学数值试验;第一影响因子包括以下至少一种参数:气象参数、对地航速、空气密度、海水密度、海水粘度、排水量、水深;基于轴功率和第一影响因子确定试验样本数据集。
在可选的实施方式中,基于试验样本数据集对轴功率模型进行初始训练,得到初始训练好的轴功率模型的模型参数的步骤,包括:通过预设的自适应机器学习方法,基于试验样本数据集对轴功率模型进行初始训练,得到初始训练好的轴功率模型的模型参数。
在可选的实施方式中,预设的自适应机器学习方法包括贝叶斯线性回归;通过预设的自适应机器学习方法,基于试验样本数据集对轴功率模型进行初始训练,得到初始训练好的轴功率模型的每个第一影响因子对应的模型参数的步骤,包括:对试验样本数据集进行第一特征推广处理;通过贝叶斯线性回归,基于第一特征推广结果对轴功率模型进行初始训练,确定初始训练好的轴功率模型的模型参数。
在可选的实施方式中,第一影响因子与第二影响因子相同或不相同;通过实测数据对试验样本数据集进行递增处理,得到实测样本数据集的步骤,包括:保持试验样本数据集不变,通过实测数据对试验样本数据集进行递增处理,得到实测样本数据集。
在可选的实施方式中,基于实测样本数据集和模型参数,对初始训练好的轴功率模型进行更新训练,确定更新后的轴功率模型的步骤,包括:对实测样本数据集进行第二特征推广处理;基于第二特征推广结果和模型参数,对轴功率模型进行更新训练,确定更新后的轴功率模型;更新后的轴功率模型为将模型参数更新后的轴功率模型。
第二方面,本发明实施例提供一种轴功率模型训练装置,装置包括:样本获取模块,用于获取试验样本数据集;试验样本数据集包括轴功率和第一影响因子;初始训练模块,用于基于试验样本数据集对轴功率模型进行初始训练,得到初始训练好的轴功率模型;样本递增模块,用于通过实测数据对试验样本数据集进行递增处理,得到实测样本数据集;实测样本数据集包括第二影响因子;更新训练模块,用于基于实测样本数据集对初始训练好的轴功率模型进行更新训练,确定更新后的轴功率模型。
在可选的实施方式中,样本获取模块,进一步用于通过模型试验和/或数值试验获取轴功率及第一影响因子;数值试验包括计算流体力学数值试验;第一影响因子包括以下至少一种参数:气象参数、对地航速、空气密度、海水密度、海水粘度、排水量、水深;基于轴功率和第一影响因子确定试验样本数据集。
第三方面,本发明实施例提供一种电子设备,处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被处理器运行时执行如前述实施方式任一项的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述前述实施方式任一项的方法的步骤。
本发明提供的轴功率模型的训练方法、装置及电子设备,该训练方法首先获取试验样本数据集,试验样本数据集包括轴功率和第一影响因子,然后基于试验样本数据集对轴功率模型进行初始训练,得到初始训练好的轴功率模型的模型参数,进而通过实测数据对试验样本数据集进行递增处理,得到实测样本数据集,实测样本数据集包括第二影响因子,最后基于实测样本数据集和模型参数,对初始训练好的轴功率模型进行更新训练,确定更新后的轴功率模型。上述方式通过基于获取的试验样本集对轴功率模型进行初始训练,可以使初始训练后的轴功率模型直接应用于实际的船舶运营,提升了轴功率模型的实用性;然后通过实测数据对上述试验样本数据集进行递增处理,以便对样本数据集进行扩充,从而根据试验样本数据集及初始训练后的模型参数对初始训练好的轴功率模型进行不断修正,得到更为准确的轴功率模型,从而有效的提升了轴功率模型的实用性和准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种轴功率模型的训练方法的流程示意图;
图2为本发明实施例提供的一种轴功率与第一影响因子的关系示意图;
图3为本发明实施例提供的一种轴功率模型的训练装置的结构示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
考虑到在船舶设计和运营阶段,需要考虑一定航速条件下的主机输出功率和螺旋桨转速,或者在规定主机输出功率的条件下,船舶能达到的航速及对应的螺旋桨转速,即快速性预报问题。在船舶运营时,通常通过传感器实时采集各类数据(包括轴功率、航速、排水量、水深和各类气象参数),并在采集到足够多的数据后,应用机器学习或深度学习方法探求轴功率与航速、排水量、水深和各气象参数之间的关系(也即轴功率模型)。然而这种方式依赖于大量的实测数据,因此在积累数据时需要耗费大量的时间,导致船舶运营3个月甚至更长时间之后,轴功率模型才能逐渐发挥作用,且轴功率模型准确性不足。基于上述问题,本发明实施例提供了一种轴功率模型的训练方法、装置及电子设备,可以无需实现积累大量的实测数据便可以达到较为准确结果,有效提升了用户使用体验,通过不断递增的实测数据对轴功率模型进行更新训练,进一步提升轴功率模型的准确性、实用性和用户体验。
为便于理解,首先对本实施例提供的一种轴功率模型的训练方法进行详细介绍,具体可参见图1所示的一种轴功率模型的训练方法的流程示意图,该方法主要包括如下步骤S102至步骤S108:
步骤S102,获取试验样本数据集。
试验样本数据集包括轴功率和第一影响因子;第一影响因子包括以下至少一种参数:气象参数、对地航速、空气密度、海水密度、海水粘度、排水量、水深。在船舶设计阶段,试验样本数据及可以通过模型实验(缩小比例的水池实验)和/或数值试验(诸如CFD仿真计算)获得轴功率—第一影响因子的关系,诸如,当影响因子为船速时,则可通过模型试验或数值试验确定“轴功率—航速”的关系曲线。待船造好之后,可以通过试航实验(实船测试)来验证试验的结果(也即上述关系曲线)。
步骤S104,基于试验样本数据集对轴功率模型进行初始训练,得到初始训练好的轴功率模型的模型参数。
初始训练好的轴功率模型的模型参数也即试验样本数据集中第一影响因子的影响权重,可以理解的是,该影响权重也即第一影响因子对轴功率模型的影响大小。考虑到工程经验常可以提出对轴功率影响较大的若干影响因子,本实施例通过试验样本数据集对轴功率模型进行初始训练,可以选取上述关系曲线中较大的影响因子作为第一影响因子,从而可以通过较少的训练数据初始训练出较为准确的轴功率模型,以便可以将该初始训练好的轴功率模型应用于实际船舶运营中。
步骤S106,通过实测数据对试验样本数据集进行递增处理,得到实测样本数据集。
该实测数据也即在船舶实际运营时采集的数据,该数据为影响轴功率的数据。实测样本数据集包括第二影响因子;第一影响因子与第二影响因子相同或不相同。为了提升船舶初始训练的效率,第一影响因子仅选用对轴功率影响较大的数据,而在实际测量时,则将对轴功率具有影响的数据全部进行采集,从而对数据集进行全面的扩展,得到较为丰富的实测样本数据集。
步骤S108,基于实测样本数据集和模型参数,对初始训练好的轴功率模型进行更新训练,确定更新后的轴功率模型。
在一种实施方式中,可以采用增量学习的方式进行更新训练,增量学习可以采用贝叶斯线性回归、增量支持向量机、在线随机森林、Learn++、自组织增量学习神经网络(self-organizing incremental neural network,SOINN)、情景记忆马尔可夫决策过程(Episodic Memory-Markov Decision Process,EM-MDP)等。通过增量学习的方式对初始训练好的轴功率模型进行更新训练,可以根据增量数据学习新知识,学习过程中不需要用到旧数据,并且学习新知识的同时,保留大部分旧知识,每次学习只用到新增的数据样本,在本实施例中,通过增量学习的方式进行更新训练,可以无需大幅提升计算量的同时,有效的提升轴功率模型的实用性及准确性。
本发明实施例提供的轴功率模型的训练方法,通过基于获取的试验样本集对轴功率模型进行初始训练,可以使初始训练后的轴功率模型直接应用于实际的船舶运营,提升了轴功率模型的实用性;然后通过实测数据对上述试验样本数据集进行递增处理,以便对样本数据集进行扩充,从而根据试验样本数据集及初始训练后的模型参数对初始训练好的轴功率模型进行更新训练,得到更为准确的轴功率模型,从而进一步提升了轴功率模型的实用性和准确性。
上述轴功率模型也可以理解为螺旋桨轴功率与船舶航速、排水量、水深和气象参数等影响因子之间的关系。通过预设的自适应机器学习方法分析工程问题时,也将目标变量(轴功率)称为函数或标签,标记为y,将影响因子称为特征,将多个影响因子的集合称为特征向量,标记为x={x1,x2,...xn}。通过理论推导或经验积累,工程界往往能够提出y与x之间的近似关系,比如定性层面的正变关系,定量层面的经验公式等,诸如下述公式(1):
y≈f0(x) (1)
应用机器学习方法分析工程问题时,也会考虑吸纳这类已有知识,并称之为领域知识。诸如,可以将上述公式(1)融合到模型训练之中,或者根据(1)对模型和人工智能决策进行评估等。为便于理解,以下对本实施例中轴功率模型的训练方式进行详细说明。
在一种实施方式中,上述获取试验样本数据集(也可称为设计样本数据集)可以通过模型试验和/或数值试验获取轴功率及第一影响因子,可以理解的是,在获取轴功率及第一影响因子时,可以采用模型试验的方法进行获取,也可以采用数值试验的方法进行获取,其中,数值试验可以包括计算流体力学数值试验(也即CFD数值试验),还可以采用模型试验与数值试验结合的方式进行获取。
为便于理解,轴功率和各个第一影响因子可以参见如下表1目标函数(轴功率)与第一影响因子(表1中第一影响因子仅作示例,不作具体限定):
表1:目标函数(轴功率)与第一影响因子
进而根据上述方式获取的轴功率和第一影响因子确定试验样本数据集。为了提升第一影响因子的获取效率,且考虑到设计成本和设计时间的限制,可以选取对轴功率影响较大的影响因子(航速和排水量等关键参数)进行模型试验或数值试验分析对轴功率的影响,诸如可以不考虑海水密度、海水粘度(运动学粘性系数)、空气密度、水深等参数的变化,不考虑风、浪、流等气象参数的影响。为便于理解,以第一影响因子为对水航速和排水量为例,确定轴功率与对水航速的关系,具体可参见图2所示的一种轴功率与第一影响因子的关系示意图。
为了能够获得较为准确的轴功率模型,可以采用预设的自适应机器学习方法对轴功率模型进行训练,可以理解的是,通过采用自适应机器学习方法,可以适用于本实施例中更新训练的方式,从而可以在试验样本数据集的基础上通过实测数据进行递增处理得到实测样本数据集,保证在更新训练时,初始训练时所用的数据不会被替换掉。通过预设的自适应机器学习方法基于试验样本数据集对轴功率模型进行初始训练,得到初始训练好的轴功率模型的每个第一影响因子对应的模型参数,该模型参数也可以理解为每个第一影响因子与轴功率的关系。
在一种具体的实施方式中,上述预设的自适应机器学习方法包括贝叶斯线性回归,上述步骤S104可以进一步包括通过贝叶斯线性回归,基于试验样本数据集对轴功率模型进行初始训练,得到初始训练好的轴功率模型的模型参数。在具体操作时,可以对试验样本数据集进行第一特征推广处理,例如可以将试验样本数据集通过为三次多项式特征数据集:参见公式(2):
x=[x0,x1,x2,...,xn-1,xn]=[1,V,θ,...,Δ3,h3] (2)
为了提升计算的效率,上述通过模型试验和数值试验得到的第一影响因子可以暂时不考虑海水密度、海水粘度、空气密度,水深和气象参数的变化,也即实验样本数据集中海水密度、海水粘度、空气密度,水深不发生变化,气象参数为0,具体参见如下表2:
表2:模型试验和数值试验获得的试验样本数据集
则经过第一推广处理后的试验样本数据集参见如下表3:
表3:对试验样本数据集进行第一特征推广
经过了上述推广处理,可以通过贝叶斯线性回归,基于第一特征推广结果(也即上述表3中的特征)对轴功率模型进行初始训练,确定初始训练好的轴功率模型的模型参数。作为示例,诸如,通过贝叶斯线性回归确定轴功率模型的参数可以对表3中的特征按照公式(3)获取模型参数w的贝叶斯推断(可以标记为):
其中,σ和Σ的初始值可以随机给定。对数据[X,Y]进行学习之后,w的后验概率分布(也即模型参数)可由下述贝叶斯公式(4)得到:
该贝叶斯推断为基于模型试验和数值试验数据的最佳参数估计。
在一种实施方式中,可以将上述经过初始训练后的轴功率模型应用于实际的船舶运营中,考虑到实际运营时船舶实际数据对轴功率的影响更能反映真实的轴功率模型,因此通过实测数据对试验样本数据集进行递增处理,得到实测样本数据集,基于实测样本数据集和模型参数,对初始训练好的轴功率模型进行更新训练,确定更新后的轴功率模型。在进行数据集递增处理时,可以通过保持试验样本数据集不变,不断将船舶在实际运营时的实测数据加入至试验样本数据集,从而得到递增处理后的可以反映船舶真实运营情况的实测样本数据集。
可以理解的是,经过递增处理后得到的实测样本数据集的处理方式与初始训练时的试验样本数据集类似,首先将实测样本数据集进行第二特征推广处理,第二特征推广处理也采用公式x=[x0,x1,x2,...,xn-1,xn]=[1,V,θ,...,Δ3,h3]进行,经过第二特征推广处理后将实测样本数据集变换为递增的数据集{D1,D2,...Dn,...},然后基于第二特征推广结果和模型参数,对轴功率模型进行更新训练也即通过模型参数为先验分布,通过贝叶斯公式逐次学习数据{D1,D2,...Dn,...},以便根据上述贝叶斯公式(4)更新模型参数,确定更新后的轴功率模型,从而得到综合考虑历史知识(也即试验样本数据集)以及新增数据(也即实测样本数据集)之后,对参数的最佳估计。在一种实施方式中,贝叶斯公式可以采用下述公式:p(w|Dk)∝p(Yk|Xk,w)p(w|Dk-1),k=2,3,...,n。
对于上述轴功率模型的训练方法,本发明实施例提供了一种轴功率模型的训练装置,参见图3所示的一种轴功率模型的训练装置的结构示意图,该装置主要包括以下部分:
样本获取模块302,用于获取试验样本数据集;试验样本数据集包括轴功率和第一影响因子;
初始训练模块304,用于基于试验样本数据集对轴功率模型进行初始训练,得到初始训练好的轴功率模型;
样本递增模块306,用于通过实测数据对试验样本数据集进行递增处理,得到实测样本数据集;实测样本数据集包括第二影响因子;
更新训练模块308,用于基于实测样本数据集对初始训练好的轴功率模型进行更新训练,确定更新后的轴功率模型。
本发明实施例提供的轴功率模型的训练装置,通过基于获取的试验样本集对轴功率模型进行初始训练,可以使初始训练后的轴功率模型直接应用于实际的船舶运营,提升了轴功率模型的实用性和用户体验;然后通过实测数据对上述试验样本数据集进行递增处理,以便对样本数据集进行扩充,从而根据试验样本数据集及初始训练后的模型参数对初始训练好的轴功率模型进行更新训练,得到更为准确的轴功率模型,从而进一步提升了轴功率模型的实用性和准确性。
在一种实施方式中,上述样本获取模块302,进一步用于通过模型试验和/或数值试验获取轴功率及第一影响因子;数值试验包括计算流体力学数值试验;第一影响因子包括以下至少一种参数:气象参数、对地航速、空气密度、海水密度、海水粘度、排水量、水深;基于轴功率和第一影响因子确定试验样本数据集。
在一种实施方式中,上述初始训练模块304,进一步用于通过预设的自适应机器学习方法,基于试验样本数据集对轴功率模型进行初始训练,得到初始训练好的轴功率模型的模型参数。
在一种实施方式中,预设的自适应机器学习方法包括贝叶斯线性回归;上述初始训练模块304,进一步用于对试验样本数据集进行第一特征推广处理;通过贝叶斯线性回归,基于第一特征推广结果对轴功率模型进行初始训练,确定初始训练好的轴功率模型的模型参数。
在一种实施方式中,第一影响因子与第二影响因子相同或不相同;上述样本递增模块306,进一步用于保持试验样本数据集不变,通过实测数据对试验样本数据集进行递增处理,得到实测样本数据集。
在一种实施方式中,上述更新训练模块308,进一步用于对实测样本数据集进行第二特征推广处理;基于第二特征推广结果和模型参数,对轴功率模型进行更新训练,确定更新后的轴功率模型;更新后的轴功率模型为将模型参数更新后的轴功率模型。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被处理器运行时执行如上实施方式的任一项的方法。
图4为本发明实施例提供的一种电子设备的结构示意图,该电子设备100包括:处理器40,存储器41,总线42和通信接口43,处理器40、通信接口43和存储器41通过总线42连接;处理器40用于执行存储器41中存储的可执行模块,例如计算机程序。
其中,存储器41可能包含高速随机存取存储器(RAM,RandomAccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器41用于存储程序,处理器40在接收到执行指令后,执行程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中,或者由处理器40实现。
处理器40可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41,处理器40读取存储器41中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的轴功率模型的训练方法、装置及电子设备的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***具体工作过程,可以参考前述实施例中的对应过程,在此不再赘述。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种轴功率模型训练方法,其特征在于,包括:
获取试验样本数据集;所述试验样本数据集包括轴功率和第一影响因子;
基于所述试验样本数据集对轴功率模型进行初始训练,得到初始训练好的轴功率模型的模型参数;
通过实测数据对所述试验样本数据集进行递增处理,得到实测样本数据集;所述实测样本数据集包括第二影响因子;
基于所述实测样本数据集和所述模型参数,对所述初始训练好的轴功率模型进行更新训练,确定更新后的轴功率模型。
2.根据权利要求1所述的方法,其特征在于,所述获取试验样本数据集的步骤,包括:
通过模型试验和/或数值试验获取所述轴功率及所述第一影响因子;所述数值试验包括计算流体力学数值试验;所述第一影响因子包括以下至少一种参数:气象参数、对地航速、空气密度、海水密度、海水粘度、排水量、水深;
基于所述轴功率和所述第一影响因子确定所述试验样本数据集。
3.根据权利要求1所述的方法,其特征在于,基于所述试验样本数据集对轴功率模型进行初始训练,得到初始训练好的轴功率模型的模型参数的步骤,包括:
通过预设的自适应机器学习方法,基于所述试验样本数据集对所述轴功率模型进行初始训练,得到所述初始训练好的轴功率模型的所述模型参数。
4.根据权利要求3所述的方法,其特征在于,所述预设的自适应机器学习方法包括贝叶斯线性回归;
所述通过预设的自适应机器学习方法,基于所述试验样本数据集对轴功率模型进行初始训练,得到所述初始训练好的轴功率模型的所述模型参数的步骤,包括:
对所述试验样本数据集进行第一特征推广处理;
通过贝叶斯线性回归,基于第一特征推广结果对所述轴功率模型进行初始训练,确定所述初始训练好的轴功率模型的所述模型参数。
5.根据权利要求1所述的方法,其特征在于,所述第一影响因子与所述第二影响因子相同或不相同;
所述通过实测数据对所述试验样本数据集进行递增处理,得到实测样本数据集的步骤,包括:
保持所述试验样本数据集不变,通过所述实测数据对所述试验样本数据集进行递增处理,得到所述实测样本数据集。
6.根据权利要求1所述的方法,其特征在于,所述基于所述实测样本数据集和所述模型参数,对所述初始训练好的轴功率模型进行更新训练,确定更新后的轴功率模型的步骤,包括:
对所述实测样本数据集进行第二特征推广处理;
基于第二特征推广结果和所述模型参数,对所述轴功率模型进行更新训练,确定所述更新后的轴功率模型;所述更新后的轴功率模型为将所述模型参数更新后的轴功率模型。
7.一种轴功率模型训练装置,其特征在于,所述装置包括:
样本获取模块,用于获取试验样本数据集;所述试验样本数据集包括轴功率和第一影响因子;
初始训练模块,用于基于所述试验样本数据集对轴功率模型进行初始训练,得到初始训练好的轴功率模型;
样本递增模块,用于通过实测数据对所述试验样本数据集进行递增处理,得到实测样本数据集;所述实测样本数据集包括第二影响因子;
更新训练模块,用于基于所述实测样本数据集对所述初始训练好的轴功率模型进行更新训练,确定更新后的轴功率模型。
8.根据权利要求1所述的方法,其特征在于,所述样本获取模块,进一步用于通过模型试验和/或数值试验获取所述轴功率及所述第一影响因子;所述数值试验包括计算流体力学数值试验;所述第一影响因子包括以下至少一种参数:气象参数、对地航速、空气密度、海水密度、海水粘度、排水量、水深;基于所述轴功率和所述第一影响因子确定所述试验样本数据集。
9.一种电子设备,其特征在于,处理器和存储装置;
所述存储装置上存储有计算机程序,所述计算机程序在被所述处理器运行时执行如权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1至6任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010557610.7A CN111709089B (zh) | 2020-06-17 | 2020-06-17 | 轴功率模型的训练方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010557610.7A CN111709089B (zh) | 2020-06-17 | 2020-06-17 | 轴功率模型的训练方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709089A true CN111709089A (zh) | 2020-09-25 |
CN111709089B CN111709089B (zh) | 2023-04-07 |
Family
ID=72541100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010557610.7A Active CN111709089B (zh) | 2020-06-17 | 2020-06-17 | 轴功率模型的训练方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709089B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190311261A1 (en) * | 2018-04-10 | 2019-10-10 | Assured Information Security, Inc. | Behavioral biometric feature extraction and verification |
US20190318202A1 (en) * | 2016-10-31 | 2019-10-17 | Tencent Technology (Shenzhen) Company Limited | Machine learning model training method and apparatus, server, and storage medium |
CN110414140A (zh) * | 2019-07-30 | 2019-11-05 | 同济大学 | 木材损伤的模型训练和测试方法、装置、设备和存储介质 |
CN110705717A (zh) * | 2019-09-30 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 计算机执行的机器学习模型的训练方法、装置及设备 |
-
2020
- 2020-06-17 CN CN202010557610.7A patent/CN111709089B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190318202A1 (en) * | 2016-10-31 | 2019-10-17 | Tencent Technology (Shenzhen) Company Limited | Machine learning model training method and apparatus, server, and storage medium |
US20190311261A1 (en) * | 2018-04-10 | 2019-10-10 | Assured Information Security, Inc. | Behavioral biometric feature extraction and verification |
CN110414140A (zh) * | 2019-07-30 | 2019-11-05 | 同济大学 | 木材损伤的模型训练和测试方法、装置、设备和存储介质 |
CN110705717A (zh) * | 2019-09-30 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 计算机执行的机器学习模型的训练方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
张晶;张永;魏琦;: "多视角特征融合的鲁棒的目标跟踪方法" * |
王胜正;申心泉;赵建森;冀宝仙;杨平安;: "基于ASAE深度学习预测海洋气象对船舶航速的影响" * |
Also Published As
Publication number | Publication date |
---|---|
CN111709089B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111458142B (zh) | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 | |
CN108920863B (zh) | 一种机器人伺服***能耗估计模型的建立方法 | |
CN108418822B (zh) | 航空气象的taf报文自动编译方法、***及终端 | |
CN113657668A (zh) | 基于lstm网络的电力负荷预测方法及*** | |
CN111368887B (zh) | 雷雨天气预测模型的训练方法及雷雨天气预测方法 | |
CN111709090B (zh) | 模型构建方法、装置、电子设备及计算机可读存储介质 | |
CN112611584A (zh) | 风力发电机组的疲劳失效检测方法、装置、设备及介质 | |
CN113935512A (zh) | 风电功率预测方法、装置、计算机设备和存储介质 | |
CN111177135B (zh) | 一种基于界标的数据填补方法及装置 | |
CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
CN117290732B (zh) | 故障分类模型的构建方法、风电设备故障分类方法及装置 | |
CN111340307A (zh) | 预测风机风力发电功率的方法以及相关装置 | |
CN113268929B (zh) | 短期负荷区间预测方法及装置 | |
CN111709089B (zh) | 轴功率模型的训练方法、装置及电子设备 | |
CN115310648A (zh) | 一种基于多气象变量模型识别的中长期风电功率组合预测方法 | |
CN113240156A (zh) | 一种架空输电线路舞动状态在线预测方法及*** | |
CN116885711A (zh) | 一种风电功率预测方法、装置、设备和可读存储介质 | |
CN111401569A (zh) | 超参数优化方法、装置和电子设备 | |
CN110929506A (zh) | 一种垃圾信息检测方法、装置、设备及可读存储介质 | |
CN115081530A (zh) | 一种风机叶片结冰检测方法、***、介质及设备 | |
CN114912353A (zh) | 基于风向相关性的风电场风向数值计算方法及*** | |
CN114065430A (zh) | 一种行星级齿轮箱的状态数据处理方法及*** | |
CN114067243A (zh) | 自动驾驶场景识别方法、***、设备及存储介质 | |
CN110175639A (zh) | 一种基于特征选取的短期风电功率预测方法 | |
CN117117858B (zh) | 一种风电机组功率预测方法、装置及存储介质 |
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 |