CN116588282B - 一种auv智能运维***及方法 - Google Patents
一种auv智能运维***及方法 Download PDFInfo
- Publication number
- CN116588282B CN116588282B CN202310868940.1A CN202310868940A CN116588282B CN 116588282 B CN116588282 B CN 116588282B CN 202310868940 A CN202310868940 A CN 202310868940A CN 116588282 B CN116588282 B CN 116588282B
- Authority
- CN
- China
- Prior art keywords
- auv
- maintenance
- information
- data
- function
- 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.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 230000007797 corrosion Effects 0.000 claims abstract description 27
- 238000005260 corrosion Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 88
- 238000004891 communication Methods 0.000 claims description 53
- 238000007726 management method Methods 0.000 claims description 21
- 230000003993 interaction Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 230000036541 health Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000012800 visualization Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000013144 data compression Methods 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000013439 planning Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 150000003839 salts Chemical class 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- 238000002592 echocardiography Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 8
- 230000004913 activation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000007792 addition Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 206010027175 memory impairment Diseases 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000005355 Hall effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B79/00—Monitoring properties or operating parameters of vessels in operation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B79/00—Monitoring properties or operating parameters of vessels in operation
- B63B79/10—Monitoring properties or operating parameters of vessels in operation using sensors, e.g. pressure sensors, strain gauges or accelerometers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B79/00—Monitoring properties or operating parameters of vessels in operation
- B63B79/10—Monitoring properties or operating parameters of vessels in operation using sensors, e.g. pressure sensors, strain gauges or accelerometers
- B63B79/15—Monitoring properties or operating parameters of vessels in operation using sensors, e.g. pressure sensors, strain gauges or accelerometers for monitoring environmental variables, e.g. wave height or weather data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63C—LAUNCHING, HAULING-OUT, OR DRY-DOCKING OF VESSELS; LIFE-SAVING IN WATER; EQUIPMENT FOR DWELLING OR WORKING UNDER WATER; MEANS FOR SALVAGING OR SEARCHING FOR UNDERWATER OBJECTS
- B63C11/00—Equipment for dwelling or working underwater; Means for searching for underwater objects
- B63C11/52—Tools specially adapted for working underwater, not otherwise provided for
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种AUV智能运维***及方法,属于智能运维技术领域,该***包括硬件***,硬件***包括推进信息监测子***、环境信息监测子***、腐蚀信息监测子***、能源监测子***、任务模块子***、浮标、船载智能运维子***、基站、岸端智能运维子***;该方法为:实时数据采集、采集数据处理分析、状态识别、开展运维工作、结果反馈和更新各模块的技术数据。采用本发明的***和方法对AUV传感器数据展开分析,预测并计算AUV的剩余寿命,最大限度保障了AUV在水下的正常作业和降低经济损失。
Description
技术领域
本发明属于智能运维技术领域,具体涉及一种AUV智能运维***及方法。
背景技术
海洋具有十分复杂的环境,海水的温度、盐度及压力都将影响AUV外壳等裸露部分的腐蚀,另一方面,长时间的工作会使AUV内部结构产生故障,例如电动机的轴承疲劳损伤、蓄电池的容量下降、线路电流电压不稳等等。一旦AUV作业时出现故障,轻则花费大量人力物力打捞,重则导致AUV遗失,造成巨大损失。因此,对AUV进行智能运维管理对于其安全运行,执行任务等具有重要意义。
目前,关于AUV的智能运维主要依靠事后维修和定期维护,AUV出现故障后由于各类故障的特性以及严重性不同,若采用事后维修方法,则容易导致AUV在海中遗失,造成损失;若采用定期维护方法,则需要经常对AUV进行检修,浪费人力和物资。而基于当前状态的视情维修能够弥补以上的不足,根据当前状态和对未来状态的预测,给出合理的建议,该方法逐渐成为经济有效的主要运维手段。此外,相关学者专家已经提出许多有效的诊断预测方法,但缺乏在AUV运维全过程上形成***的应用。鉴于以上情况,本发明提出一种AUV智能运维***及方法。
发明内容
针对现有技术中存在的上述技术问题,本发明提供一种AUV智能运维***及方法,设计合理,解决了现有技术的不足,具有良好的效果。
为了实现发明目的,采用以下技术方案:
一种AUV智能运维***,包括硬件***,所述硬件***包括推进信息监测子***、环境信息监测子***、腐蚀信息监测子***、能源监测子***、任务模块子***、浮标、船载智能运维子***、基站、岸端智能运维子***;
推进信息监测子***,包括霍尔转速传感器、电动机与轴承振动加速度传感器、舵和多普勒测速仪,用于监测螺旋桨转速状态、电动机轴承振动信息、舵的转动信息以及AUV的航行速度;
环境信息监测子***,包括温盐深仪和深度传感器,用于测量AUV周围水体的温度变化、AUV周围水体的盐度、AUV周围水体深度,对腐蚀情况提供辅助判断;
腐蚀信息监测子***,包括腐蚀传感器,用于监测各结构之间的连接点处,通过监测外壳表面上的阳极和阴极之间的电位差,实时监测AUV外壳结构的腐蚀状况;
能源信息监测子***,包括蓄电池和电池传感器,用于监测电池的电压、电流、温度、容量、电池电量百分比、电池健康状态、充放电速率、循环次数;
任务模块子***,包括天线、导航、浮力调节装置、总控制器、侧扫声呐、摄像机和通信声呐;
浮标,负责向AUV发送任务信息、导航信息以及定位信息等或接收AUV传输的各传感器采集的信息,并通过卫星与海上母船保持通信;
船载智能运维子***,包括船载智能运维主机、船载交换机、船载通信设备、船载服务器以及可视化设备;
岸端智能运维子***,包括岸端数据中心、岸端服务器、岸端后勤保障基地以及可视化设备。
进一步地,在所述任务模块子***中,天线主要负责接收母船或浮标的传输的信息,包括导航信息、定位信息和作业任务信息;导航为AUV的导航***,负责根据其他传感器收集到的环境信息、定位信息等对航行位置进行估计、路径规划、导航决策和控制操作,实现自主导航定位;浮力调节装置通过接收传感器的反馈信息,如AUV的深度、姿态等,然后根据预定的控制策略,控制执行器来调整浮力调节装置的体积或密度,从而实现对AUV的浮力和浮潜深度的调节;
总控制器是AUV***中的核心控制单元,负责对AUV的全面管理和控制;
侧扫声呐通过发送声波信号并接收其回波,来获取水下目标的信息和图像,是AUV的功能任务模块;
摄像机负责采集AUV工作过程中的视觉信息,用于AUV的导航和水中信息采集任务;
通信声呐是依据水声通信原理,实时将各传感器采集到的信息按照通信协议传输给最近的接收器。
进一步地,在所述船载智能运维子***中,船载智能运维主机内置LSTM预测算法,负责对AUV上传数据的进行预测,并判断潜在故障等级;
船载交换机实现在船上局域网内不同设备之间的通信;
船载通信设备负责与岸端基站、水面浮标和水下AUV建立通信联系,负责接收AUV传输信息、接收浮标传输的AUV运行状态信息,同时负责向AUV发送水下作业任务信息或通过浮标间接向AUV发送任务信息,以及向岸端基站发送AUV运行状态信息、运维需求信息和人员之间建立联系的需求;
船载服务器负责船上数据的存储、管理和安全服务以及船上网络服务;
可视化设备为船上智慧大屏,实时显示AUV工作状态、风险等级、运维需求和决策建议内容。
进一步地,在所述岸端智能运维子***中,岸端数据中心接收陆上基站发送的AUV状态信息和运维需求信息,并在岸上开展大数据云计算,提升预测和剩余寿命计算的准确性,同时将运维需求信息发送至岸端服务器,通过互联网向岸端后勤保障基地发送需求,包括管理部门、技术部门、仓库部门、运输部门、设计部门、制造部门,并显示在可视化设备,管理部门根据显示的信息做出人员和物资等的调配管理,技术部门根据预测结果和运维结果对模型、参数等做出调整,仓库部门根据调配任务选取出适用的零件和工具,运输部门根据调配任务做出运输工具的计划安排,设计部门根据故障出现的信息,对AUV设计做出适当调整,制造部门根据潜在故障情况,对AUV的材料、设备的选择做出调整。
进一步地,还包括软件***,软件***功能包括数据管理、通信管理和人机交互功能;
数据管理功能包括数据存储、数据备份、数据共享、数据保护、数据压缩和数据处理功能;
数据存储功能,要求软件***能够持久保存传感器采集到的数据,即使***关闭数据也不会丢失;
数据备份功能,要求软件***能够备份和恢复数据,确保数据丢失或***故障时可以还原数据;
数据共享功能,要求软件***能够允许多个用户或程序同时访问数据,即各运维部门可通过软件***实现信息共享和协作;
数据保护功能,要求软件***能够给予各运维部门不同的权限和免于外界攻击的能力,给予数据足够的机密性;
数据压缩功能,要求软件***能够减小数据对于存储空间的占用,提高***的存储能力;
数据处理功能要求软件***能够按照小波包去噪处理方法、小波包能量提取特征方法和LSTM预测方法将传感器采集到的数据进行处理,完成智能运维的需求;
通信管理功能包括AUV、母船、浮标、运维部门四端进行通信的功能,包括发出指令和接收信息,具体表现为AUV与母船之间通信、AUV与浮标之间通信、母船与浮标之间通信和母船与运维部门之间通信;
人机交互功能包括状态显示、状态查询、状态预警、决策建议和工作反馈功能;
状态显示功能,要求软件***能够在人机交互界面上实时显示AUV当前各区域的运行状态,包括健康、潜在故障和故障;
状态查询功能,要求软件***能够在人机交互界面上随时支持查询历史数据;
状态预警功能,要求软件***能够在设备出现潜在故障情况时及时向用户提供提示,通知潜在故障所在的AUV部位,以及给出该部位的剩余寿命;
决策建议功能,要求软件***能够在人机交互界面向用户提供解决潜在故障的方法和步骤,提供尽可能的文字、图片和视频等多媒体支持,帮助人员解决故障;
工作反馈功能,要求软件***能够在人机交互界面给用户提供填写反馈信息的界面,包括用户对预测结果的确认和用户对建议方法合理性的确认。
一种AUV智能运维方法,采用如上所述的一种AUV智能运维***,包括以下步骤:
S1、AUV上搭载的传感器实时采集各区域的运行状态数据;
S2、对S1采集的运行状态数据进行处理分析,包括对数据的去噪处理和特征提取;
S3、基于LSTM长短期记忆递归神经网络建立状态识别模型,对当前状态进行评估和预测分析,并根据预测结果计算剩余寿命;
S4、安排运维人员的作业任务计划,调遣仓库中与需要维护区域相关的零件和工具,筛选出当前需要维护区域的故障维修知识;
S5、参与维修的人员填写维修日记,包括预测结果的准确性、维修知识库指导内容的正确性以及现场处置中出现的意外情况。
进一步地,在S2中,所述去噪处理采用小波包去噪,包括以下子步骤:
S21、利用小波包分解,将信号分解成低频和高频部分:
;
其中,表示原信号;/>表示分解后的子信号;/>表示小波变换操作符;
S22、选用db4小波基函数进行小波变换操作:
;
其中,是db4小波基函数在时间域上的函数表示,/>表示时间变量;
S23、对每个子信号进行软阈值处理:
;
其中,表示阈值处理后的系数;/>表示分解后的子信号;/>是/>的符号函数;/>代表阈值;
S24、小波包重构:将经过阈值处理的子信号进行逆变换,将其合成为去噪后的信号,表示为:
;
其中,表示去噪并重构后的信号;/>表示小波包逆变换操作符;
运用小波包能量法对特征进行提取,表示为:
;
其中,表示小波包的能量,/>表示小波包系数,/>表示小波包的尺度或频率,表示小波包的平移或时间。
本发明带来的有益技术效果:
采用本发明的AUV智能运维方法及***,通过对AUV传感器采集数据的预测分析,预知到AUV的潜在故障,为AUV执行科考任务、勘探任务以及军事任务提供了保障,同时,配套的运维流程提高了AUV的检修效率,最大化节省不必要的时间和物资浪费,降低了各种额外的经济费用。
附图说明
图1 为本发明中一种AUV智能运维***结构示意图。
图2为本发明中各传感器数据的处理流程图。
图3为本发明中任务模块子***、船载智能运维子***和岸端智能运维子***之间的数据处理流程图。
图4为本发明中软件***功能示意图。
图5为本发明中一种AUV智能运维方法流程图。
具体实施方式
下面结合具体实施例对本发明的具体实施方式做进一步说明:
一种AUV智能运维***,包括硬件***,如图1所示,硬件***包括推进信息监测子***、环境信息监测子***、腐蚀信息监测子***、能源监测子***、任务模块子***、浮标、船载智能运维子***、基站、岸端智能运维子***;
推进信息监测子***,包括霍尔转速传感器、电动机与轴承振动加速度传感器、舵和多普勒测速仪,用于监测螺旋桨转速状态、电动机轴承振动信息、舵的转动信息以及AUV的航行速度;
环境信息监测子***,包括温盐深仪和深度传感器,用于测量AUV周围水体的温度变化、AUV周围水体的盐度、AUV周围水体深度,对腐蚀情况提供辅助判断;
腐蚀信息监测子***,包括腐蚀传感器,用于监测各结构之间的连接点处,通过监测外壳表面上的阳极和阴极之间的电位差,实时监测AUV外壳结构的腐蚀状况;
能源信息监测子***,包括蓄电池和电池传感器,用于监测电池的电压、电流、温度、容量、电池电量百分比、电池健康状态、充放电速率、循环次数;
任务模块子***,包括天线、导航、浮力调节装置、总控制器、侧扫声呐、摄像机和通信声呐;天线主要负责接收母船或浮标的传输的信息,包括导航信息、定位信息和作业任务信息;导航为AUV的导航***,负责根据其他传感器收集到的环境信息、定位信息等对航行位置进行估计、路径规划、导航决策和控制操作,实现自主导航定位;浮力调节装置通过接收传感器的反馈信息,如AUV的深度、姿态等,然后根据预定的控制策略,控制执行器来调整浮力调节装置的体积或密度,从而实现对AUV的浮力和浮潜深度的调节;总控制器是AUV***中的核心控制单元,负责对AUV的全面管理和控制;侧扫声呐通过发送声波信号并接收其回波,来获取水下目标的信息和图像,是AUV的功能任务模块;摄像机负责采集AUV工作过程中的视觉信息,用于AUV的导航和水中信息采集任务;通信声呐是依据水声通信原理,实时将各传感器采集到的信息按照通信协议传输给最近的接收器。
浮标,负责向AUV发送任务信息、导航信息以及定位信息等或接收AUV传输的各传感器采集的信息,并通过卫星与海上母船保持通信;
船载智能运维子***,包括船载智能运维主机、船载交换机、船载通信设备、船载服务器以及可视化设备;船载智能运维主机内置LSTM预测算法,负责对AUV上传数据的进行预测,并判断潜在故障等级;船载交换机实现在船上局域网内不同设备之间的通信;船载通信设备负责与岸端基站、水面浮标和水下AUV建立通信联系,负责接收AUV传输信息、接收浮标传输的AUV运行状态信息,同时负责向AUV发送水下作业任务信息或通过浮标间接向AUV发送任务信息,以及向岸端基站发送AUV运行状态信息、运维需求信息和人员之间建立联系的需求;船载服务器负责船上数据的存储、管理和安全服务以及船上网络服务;可视化设备为船上智慧大屏,实时显示AUV工作状态、风险等级、运维需求和决策建议内容;
岸端智能运维子***,包括岸端数据中心、岸端服务器、岸端后勤保障基地以及可视化设备。岸端数据中心接收陆上基站发送的AUV状态信息和运维需求信息,并在岸上开展大数据云计算,提升预测和剩余寿命计算的准确性,同时将运维需求信息发送至岸端服务器,通过互联网向岸端后勤保障基地发送需求,包括管理部门、技术部门、仓库部门、运输部门、设计部门、制造部门,并显示在可视化设备,管理部门根据显示的信息做出人员和物资等的调配管理,技术部门根据预测结果和运维结果对模型、参数等做出调整,仓库部门根据调配任务选取出适用的零件和工具,运输部门根据调配任务做出运输工具的计划安排,设计部门根据故障出现的信息,对AUV设计做出适当调整,制造部门根据潜在故障情况,对AUV的材料、设备的选择做出调整。
如图2所示,上述传感器中,腐蚀传感器和加速度传感器分别通过A/D转换器将模拟信号转换为数字信号输入到机械退化信息收集装置,电池传感器通过A/D转换器将模拟信号转换为数字信号输入到蓄电池信息收集装置,电动机电流电压传感器与霍尔效应传感器、多普勒测速仪分别通过A/D传感器将模拟信号转换为数字信号输入到航速信息收集装置,温盐深仪和深度传感器分别通过A/D传感器将模拟信号转换为数字信号输入到辅助信息收集装置。机械退化信息收集装置、蓄电池信息收集装置、航速信息收集装置和辅助信息收集装置通过CAN总线将收集到的各种信息传输至船载通信设备中,智能运维通信模块根据自带的水声通信装置向最近的浮标或母船发送信息。
如图3所示,母船或浮标搭载的通信模块接收到AUV发送的实时信号后,将信息传输到船载智能运维主机,船载智能运维主机根据已有的故障等级划分判断潜在故障所处的类别,并按照小故障处理和大故障处理分别做出决策,船载智能运维主机通过船载交换机将信息传输至船载服务器,并通过船上内部以太网或WiFi将当前AUV状态显示在船载智慧大屏上。若潜在故障为小故障处理类别,则直接调遣船上人员和船上备用物资,按照处理潜在故障的计划时间,在母船上完成处置;若潜在故障为大故障处理类别,则将数据发送至船载通信设备,并通过3G、4G、5G或卫星等媒介将信息发送至海上基站、陆上基站,基站再将AUV实时采集信息一方面发送至岸端数据中心,岸端数据中心通过云计算大数据处理中心的LSTM预测算法,快速给出预测结果同时校对船载智能运维主机的准确性;另一方面基站将接收到的AUV实时采集信息传输至岸端服务器,并通过互联网方式将信息和岸端数据中心 预测信息一并显示在管理部门、技术部门、仓库部门、运输部门、设计部门、制造部门的智慧大屏上 ,管理部门根据显示的信息做出人员和物资等的调配管理,技术部门根据预测结果和运维结果对模型、参数等做出调整,仓库部门根据调配任务选取出适用的零件和工具,运输部门根据调配任务做出运输工具的计划安排,设计部门根据故障出现的信息,对AUV设计做出适当调整,制造部门根据潜在故障情况,对AUV的材料、内置设备的选择做出合理调整。
如图4所示,该***还包括软件***,软件***功能包括数据管理、通信管理和人机交互功能;
数据管理功能包括数据存储、数据备份、数据共享、数据保护、数据压缩和数据处理功能;
数据存储功能,要求软件***能够持久保存传感器采集到的数据,即使***关闭数据也不会丢失;
数据备份功能,要求软件***能够备份和恢复数据,确保数据丢失或***故障时可以还原数据;
数据共享功能,要求软件***能够允许多个用户或程序同时访问数据,即各运维部门可通过软件***实现信息共享和协作;
数据保护功能,要求软件***能够给予各运维部门不同的权限和免于外界攻击的能力,给予数据足够的机密性;
数据压缩功能,要求软件***能够减小数据对于存储空间的占用,提高***的存储能力;
数据处理功能要求软件***能够按照小波包去噪处理方法、小波包能量提取特征方法和LSTM预测方法将传感器采集到的数据进行处理,完成智能运维的需求;
通信管理功能包括AUV、母船、浮标、运维部门四端进行通信的功能,包括发出指令和接收信息,具体表现为AUV与母船之间通信、AUV与浮标之间通信、母船与浮标之间通信和母船与运维部门之间通信;
人机交互功能包括状态显示、状态查询、状态预警、决策建议和工作反馈功能;
状态显示功能,要求软件***能够在人机交互界面上实时显示AUV当前各区域的运行状态,包括健康、潜在故障和故障;
状态查询功能,要求软件***能够在人机交互界面上随时支持查询历史数据;
状态预警功能,要求软件***能够在设备出现潜在故障情况时及时向用户提供提示,通知潜在故障所在的AUV部位,以及给出该部位的剩余寿命;
决策建议功能,要求软件***能够在人机交互界面向用户提供解决潜在故障的方法和步骤,提供尽可能的文字、图片和视频等多媒体支持,帮助人员解决故障;
工作反馈功能,要求软件***能够在人机交互界面给用户提供填写反馈信息的界面,包括用户对预测结果的确认和用户对建议方法合理性的确认。
一种AUV智能运维方法,采用如上所述的一种AUV智能运维***,如图5所示,包括以下步骤:
S1、AUV上搭载的传感器实时采集各区域的运行状态数据;
S2、对S1采集的运行状态数据进行处理分析,包括对数据的去噪处理和特征提取;
在S2中,去噪处理采用小波包去噪,包括以下子步骤:
S21、小波包分解:鉴于小波包变换是一种多尺度、多频带的信号分析方法,可以将信号分解成低频和高频部分,同时保留原始信号的时间和频率信息。可以将AUV传感器传输的信号通过小波包变换进行分解,得到不同尺度和频带的子信号。
小波包分解表示为:
;
其中,表示原信号;/>表示分解后的子信号;/>表示小波变换操作符;
S22、选用db4小波基函数进行小波变换操作:
;
其中,是db4小波基函数在时间域上的函数表示,/>表示时间变量;
S23、对每个子信号进行软阈值处理,将小于某个阈值的系数减小;
阈值处理可表示为:
;
其中,表示阈值处理后的系数;/>表示分解后的子信号;/>表示阈值处理函数;/>代表阈值。
软阈值方法:
;
其中,表示阈值处理后的系数;/>表示分解后的子信号;/>是/>的符号函数;/>代表阈值;
软阈值方法规定当小波系数的绝对值小于给定阈值时,令其为零;大于阈值时,令其都减去阈值。
S24、小波包重构:将经过阈值处理的子信号进行逆变换,将其合成为去噪后的信号,逆变换过程将子信号合成为原始信号,恢复信号的时间和频率特性;表示为:
;
其中,表示去噪并重构后的信号;/>表示小波包逆变换操作符;
运用小波包能量法对特征进行提取,可以将信号分解成更精细的频率成分,从而提供更高的频率精度。计算过程中,小波包能量将小波包系数的平方相加。其中小波包系数表示信号在小波包基函数上的投影,其平方表示信号在不同尺度(或频率)和平移(或时间)上的能量分布。由于不同类型信号的能量分布呈现出不同的特点,由此可以满足提取信号特征的需求,小波包能量表示为:
;
其中,表示小波包的能量,/>表示小波包系数,/>表示小波包的尺度或频率,表示小波包在该尺度下不同子频带的编号。
S3、利用离线数据,基于LSTM长短期记忆递归神经网络建立状态识别模型,对当前状态进行评估和预测分析,并根据预测结果计算剩余寿命;
离线数据,主要分为AUV历史运行数据、历次运维数据、专家经验数据和AUV水池试验数据。AUV历史运行数据包括AUV每次执行水下作业任务时,传感器采集并传输的各区域健康状态,涵盖正常运行、潜在故障运行和故障运行几种状态;历次运维数据包括AUV历次进行回收维护时,解决故障的方法和操作步骤,涵盖人员现场操作的图片、视频以及反馈时的文字说明;专家经验数据包括AUV故障领域中各类具有普遍性、可靠性的数据,具有参考意义的数据;AUV水池试验数据包括AUV在水池下水试验时,通过外界手段促使产生故障数据时传感器所采集到的具有参考价值的数据。
LSTM是一种常用于序列数据处理的循环神经网络的变体,主要用于解决传统循环神经网络中的长时依赖问题。LSTM通过各种门控制信息的流动,对信息进行有效的选择,使得网络能够更好地捕捉长期依赖关系,具有良好的预测能力。
LSTM的关键思想是引入三个门控:输入门、遗忘门和输出门。这些门控通过学习到的权重来控制信息的流动,从而在处理序列数据时可以选择性地存储、遗忘和输出信息,从而有效地获得长期预测关系。
输入门用于控制新输入的信息是否要加入到LSTM单元中;
遗忘门用于控制前一时刻的记忆状态中哪些信息要被遗忘;
输出门用于控制当前时刻的输出。
LSTM可表示为:
(1)输入门:
;
其中,是输入门的输出,表示在当前时间步/>的输入;
是sigmoid激活函数;
是输入到输入门的权重矩阵;
是当前时间步的输入;
是隐藏状态到输入门的权重矩阵;
是上一个时间步的隐藏状态;
是输入门的偏置。
(2)遗忘门:
;
其中,是遗忘门的输出,表示在当前时间步/>的遗忘程度;
是sigmoid激活函数;
是输入到遗忘门的权重矩阵;
是当前时间步的输入;
是隐藏状态到遗忘门的权重矩阵;
是上一个时间步的隐藏状态;
是遗忘门的偏置。
(3)更新单元状态:
;
其中,是单元状态的输出,表示在当前时间步/>的单元状态;
是遗忘门的输出,表示在当前时间步/>的遗忘程度;
⊙表示逐元素乘法;
tanh是双曲正切激活函数;
是输入到单元状态的权重矩阵;
是当前时间步的输入;
是隐藏状态到单元状态的权重矩阵;
是上一个时间步的隐藏状态;
是单元状态的偏置。
(4)输出门:
;
其中,是遗忘门的输出,表示在当前时间步/>的输出程度;
是sigmoid激活函数;
是输入到输出门的权重矩阵;
是当前时间步的输入;
是隐藏状态到输出门的权重矩阵;
是上一个时间步的隐藏状态;
bo是输出门的偏置。
(5)隐藏状态:
;
其中,是隐藏状态的输出,表示在当前时间步/>的记忆信息;
⊙表示逐元素乘法;
tanh 是双曲正切激活函数;
是遗忘门的输出,表示在当前时间步/>的输出程度;
是单元状态的输出,表示在当前时间步/>的单元状态;
根据上述预测方法,判断AUV当前运行状态是否存在潜在故障,并根据AUV历史工作经验、专家顾问指导和分险等级评估指标计算出潜在故障的剩余时间即为该AUV部件的剩余寿命计算,并按照剩余寿命计划出检修临界时间,最大化AUV作业时间的同时保证了AUV的安全。
S4、安排运维人员的作业任务计划,调遣仓库中与需要维护区域相关的零件和工具,筛选出当前需要维护区域的故障维修知识;
智能运维中心根据计划出的检修临界时间,分三部分完成对AUV的智能运维,首先,安排出相关运维人员的作业任务计划,调遣与需要维护区域相关的人员工种以及数量;其次,安排出相关运维资源的运输计划,调遣仓库中与需要维护区域相关的零件和工具等,包括给出准确的零件型号和数量;最后,智能运维中心根据故障维修知识库中的各类故障处置方法,筛选出当前需要维护区域的故障维修知识,以指导运维现场。
S5、参与维修的人员填写维修日记,包括预测结果的准确性、维修知识库指导内容的正确性以及现场处置中出现的意外情况;
完成现场处置后,参与维修的人员需及时在运维***上做出反馈,填写维修日志,包括预测结果的准确性、维修知识库指导内容的正确性以及现场处置中出现的意外情况。智能运维知识库收录维修日志中的关键因素,算法技术人员和专家顾问根据关键性因素更新各模块的技术数据,达到更新模型提升***精准度的目的。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (6)
1.一种AUV智能运维***,其特征在于,包括硬件***,所述硬件***包括推进信息监测子***、环境信息监测子***、腐蚀信息监测子***、能源监测子***、任务模块子***、浮标、船载智能运维子***、基站、岸端智能运维子***;
推进信息监测子***,包括霍尔转速传感器、电动机与轴承振动加速度传感器、舵和多普勒测速仪、电动机电流电压传感器,用于监测螺旋桨转速状态、电动机轴承振动信息、舵的转动信息以及AUV的航行速度;
环境信息监测子***,包括温盐深仪和深度传感器,用于测量AUV周围水体的温度变化、AUV周围水体的盐度、AUV周围水体深度,对腐蚀情况提供辅助判断;
腐蚀信息监测子***,包括腐蚀传感器,用于监测各结构之间的连接点处,通过监测外壳表面上的阳极和阴极之间的电位差,实时监测AUV外壳结构的腐蚀状况;
能源信息监测子***,包括蓄电池和电池传感器,用于监测电池的电压、电流、温度、容量、电池电量百分比、电池健康状态、充放电速率、循环次数;
任务模块子***,包括天线、导航、浮力调节装置、总控制器、侧扫声呐、摄像机和通信声呐;
浮标,负责向AUV发送任务信息、导航信息以及定位信息等或接收AUV传输的各传感器采集的信息,并通过卫星与海上母船保持通信;
船载智能运维子***,包括船载智能运维主机、船载交换机、船载通信设备、船载服务器以及可视化设备;
船载智能运维主机内置LSTM预测算法,负责对AUV上传数据的进行预测,并判断潜在故障等级;
船载交换机实现在船上局域网内不同设备之间的通信;
船载通信设备负责与岸端基站、水面浮标和水下AUV建立通信联系,负责接收AUV传输信息、接收浮标传输的AUV运行状态信息,同时负责向AUV发送水下作业任务信息或通过浮标间接向AUV发送任务信息,以及向岸端基站发送AUV运行状态信息、运维需求信息和人员之间建立联系的需求;
船载服务器负责船上数据的存储、管理和安全服务以及船上网络服务;
可视化设备为船上智慧大屏,实时显示AUV工作状态、风险等级、运维需求和决策建议内容;
岸端智能运维子***,包括岸端数据中心、岸端服务器、岸端后勤保障基地以及可视化设备。
2.根据权利要求1所述的一种AUV智能运维***,其特征在于,在所述任务模块子***中,天线主要负责接收母船或浮标的传输的信息,包括导航信息、定位信息和作业任务信息;
导航为AUV的导航***,负责根据其他传感器收集到的环境信息、定位信息等对航行位置进行估计、路径规划、导航决策和控制操作,实现自主导航定位;
浮力调节装置通过接收传感器的反馈信息,如AUV的深度、姿态等,然后根据预定的控制策略,控制执行器来调整浮力调节装置的体积或密度,从而实现对AUV的浮力和浮潜深度的调节;
总控制器是AUV***中的核心控制单元,负责对AUV的全面管理和控制;
侧扫声呐通过发送声波信号并接收其回波,来获取水下目标的信息和图像,是AUV的功能任务模块;
摄像机负责采集AUV工作过程中的视觉信息,用于AUV的导航和水中信息采集任务;
通信声呐是依据水声通信原理,实时将各传感器采集到的信息按照通信协议传输给最近的接收器。
3.根据权利要求1所述的一种AUV智能运维***,其特征在于,在所述岸端智能运维子***中,岸端数据中心接收陆上基站发送的AUV状态信息和运维需求信息,并在岸上开展大数据云计算,提升预测和剩余寿命计算的准确性,同时将运维需求信息发送至岸端服务器,通过互联网向岸端后勤保障基地发送需求,包括管理部门、技术部门、仓库部门、运输部门、设计部门、制造部门,并显示在可视化设备,管理部门根据显示的信息做出人员和物资等的调配管理,技术部门根据预测结果和运维结果对模型、参数等做出调整,仓库部门根据调配任务选取出适用的零件和工具,运输部门根据调配任务做出运输工具的计划安排,设计部门根据故障出现的信息,对AUV设计做出适当调整,制造部门根据潜在故障情况,对AUV的材料、设备的选择做出调整。
4.根据权利要求1所述的一种AUV智能运维***,其特征在于,还包括软件***,软件***功能包括数据管理、通信管理和人机交互功能;
数据管理功能包括数据存储、数据备份、数据共享、数据保护、数据压缩和数据处理功能;
数据存储功能,要求软件***能够持久保存传感器采集到的数据,即使***关闭数据也不会丢失;
数据备份功能,要求软件***能够备份和恢复数据,确保数据丢失或***故障时可以还原数据;
数据共享功能,要求软件***能够允许多个用户或程序同时访问数据,即各运维部门可通过软件***实现信息共享和协作;
数据保护功能,要求软件***能够给予各运维部门不同的权限和免于外界攻击的能力,给予数据足够的机密性;
数据压缩功能,要求软件***能够减小数据对于存储空间的占用,提高***的存储能力;
数据处理功能要求软件***能够按照小波包去噪处理方法、小波包能量提取特征方法和LSTM预测方法将传感器采集到的数据进行处理,完成智能运维的需求。
通信管理功能包括AUV、母船、浮标、运维部门四端进行通信的功能,包括发出指令和接收信息,具体表现为AUV与母船之间通信、AUV与浮标之间通信、母船与浮标之间通信和母船与运维部门之间通信;
人机交互功能包括状态显示、状态查询、状态预警、决策建议和工作反馈功能;
状态显示功能,要求软件***能够在人机交互界面上实时显示AUV当前各区域的运行状态,包括健康、潜在故障和故障;
状态查询功能,要求软件***能够在人机交互界面上随时支持查询历史数据;
状态预警功能,要求软件***能够在设备出现潜在故障情况时及时向用户提供提示,通知潜在故障所在的AUV部位,以及给出该部位的剩余寿命;
决策建议功能,要求软件***能够在人机交互界面向用户提供解决潜在故障的方法和步骤,提供尽可能的文字、图片和视频等多媒体支持,帮助人员解决故障;
工作反馈功能,要求软件***能够在人机交互界面给用户提供填写反馈信息的界面,包括用户对预测结果的确认和用户对建议方法合理性的确认。
5.一种AUV智能运维方法,其特征在于,采用如权利要求1-4任一项所述的一种AUV智能运维***,包括以下步骤:
S1、AUV上搭载的传感器实时采集各区域的运行状态数据;
S2、对S1采集的运行状态数据进行处理分析,包括对数据的去噪处理和特征提取;
S3、基于LSTM长短期记忆递归神经网络建立状态识别模型,对当前状态进行评估和预测分析,并根据预测结果计算剩余寿命;
S4、安排运维人员的作业任务计划,调遣仓库中与需要维护区域相关的零件和工具,筛选出当前需要维护区域的故障维修知识;
S5、参与维修的人员填写维修日记,包括预测结果的准确性、维修知识库指导内容的正确性以及现场处置中出现的意外情况。
6.根据权利要求5所述的一种AUV智能运维方法,其特征在于,在S2中,所述去噪处理采用小波包去噪,包括以下子步骤:
S21、利用小波包分解,将信号分解成低频和高频部分:
W(n)=WP(x(n));
其中,x(n)表示原信号;W(n)表示分解后的子信号;WP表示小波变换操作符;
S22、选用db4小波基函数进行小波变换操作:
其中,ψ(t)是db4小波基函数在时间域上的函数表示,t表示时间变量;
S23、对每个子信号进行软阈值处理:
其中,W_thresh(n)表示阈值处理后的系数;W(n)表示分解后的子信号;sgn(x)是x的符号函数;T代表阈值;
S24、小波包重构:将经过阈值处理的子信号进行逆变换,将其合成为去噪后的信号,表示为:
x_thresh(n)=W-1(w_thresh(n));
其中,x_thresh(n)表示去噪并重构后的信号;W-1表示小波包逆变换操作符;
运用小波包能量法对特征进行提取,表示为:
E=∑|C(n,k)|2;
其中,E表示小波包的能量,C(n,k)表示小波包系数,n表示小波包的尺度或频率,k表示小波包的平移或时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868940.1A CN116588282B (zh) | 2023-07-17 | 2023-07-17 | 一种auv智能运维***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868940.1A CN116588282B (zh) | 2023-07-17 | 2023-07-17 | 一种auv智能运维***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116588282A CN116588282A (zh) | 2023-08-15 |
CN116588282B true CN116588282B (zh) | 2023-10-13 |
Family
ID=87601251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310868940.1A Active CN116588282B (zh) | 2023-07-17 | 2023-07-17 | 一种auv智能运维***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116588282B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670068B (zh) * | 2024-02-02 | 2024-04-12 | 青岛哈尔滨工程大学创新发展中心 | 一种auv实时风险评估***及方法 |
CN117710759B (zh) * | 2024-02-06 | 2024-04-26 | 青岛哈尔滨工程大学创新发展中心 | 一种载人潜器故障和寿命预测***及方法 |
CN117725513B (zh) * | 2024-02-07 | 2024-05-14 | 青岛哈尔滨工程大学创新发展中心 | 一种auv推进器实时可靠性评估***及方法 |
CN117748747B (zh) * | 2024-02-21 | 2024-05-17 | 青岛哈尔滨工程大学创新发展中心 | 一种auv集群能源在线监测及管理***以及方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7047114B1 (en) * | 2003-10-23 | 2006-05-16 | Charles David Rogers | System and apparatus for automatic and continuous monitoring, proactive warning and control of one or more independently operated vessels |
CN102928517A (zh) * | 2012-11-15 | 2013-02-13 | 河北省电力公司电力科学研究院 | 一种基于小波分解阈值去噪的瓷绝缘子振动声学检测数据降噪的方法 |
CN106081022A (zh) * | 2016-07-17 | 2016-11-09 | 杨越 | 无人船海底带压开孔***提升下降装置的工作方法 |
CN106314731A (zh) * | 2016-09-18 | 2017-01-11 | 河海大学常州校区 | 水下探测打捞机器人及工作方法、控制*** |
KR101701278B1 (ko) * | 2015-09-11 | 2017-02-13 | 대우조선해양 주식회사 | 선박/해양플랜트의 원격 검사 및 유지보수 시스템 |
JP6130540B1 (ja) * | 2016-03-30 | 2017-05-17 | シーエス カンパニー リミテッド | IoT基盤のスマート海女安全システム |
CN109552553A (zh) * | 2018-11-06 | 2019-04-02 | 南通中远海运川崎船舶工程有限公司 | 两万箱级绿色环保集装箱船及其智能管理方法 |
CN110717472A (zh) * | 2019-10-17 | 2020-01-21 | 齐鲁工业大学 | 基于改进的小波阈值去噪的故障诊断方法及*** |
CN111754082A (zh) * | 2020-06-01 | 2020-10-09 | 湖南大学 | 智能运载*** |
CN112153118A (zh) * | 2020-09-07 | 2020-12-29 | 中国人民解放军海军工程大学 | 一种基于web服务的船舶远程诊断*** |
CN112549045A (zh) * | 2020-12-05 | 2021-03-26 | 武汉千音科技有限公司 | 一种海洋工程用海底电缆故障检测机器人 |
CN112614019A (zh) * | 2020-12-30 | 2021-04-06 | 深圳瑞莱保核能技术发展有限公司 | 一种海上风电运维智能管理平台及方法 |
RU2021108989A (zh) * | 2021-04-01 | 2022-02-11 | ||
CN114253512A (zh) * | 2020-09-22 | 2022-03-29 | 中国科学院沈阳自动化研究所 | 一种基于功能自治模型的auv控制软件体系结构 |
CN114379748A (zh) * | 2021-12-22 | 2022-04-22 | 青岛五叠纪智能科技有限公司 | 用于海上风电场水下桩基腐蚀情况监测的仿生机器鱼 |
CN114707555A (zh) * | 2022-04-13 | 2022-07-05 | 中国科学院重庆绿色智能技术研究院 | 崩岸前兆次声波信号降噪处理方法、特征识别方法及装置 |
CN116228186A (zh) * | 2022-12-12 | 2023-06-06 | 武汉理工大学 | 基于人因工程的船舶机舱智能运维*** |
CN116306318A (zh) * | 2023-05-12 | 2023-06-23 | 青岛哈尔滨工程大学创新发展中心 | 基于深度学习的三维海洋温盐场预报方法、***及设备 |
-
2023
- 2023-07-17 CN CN202310868940.1A patent/CN116588282B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7047114B1 (en) * | 2003-10-23 | 2006-05-16 | Charles David Rogers | System and apparatus for automatic and continuous monitoring, proactive warning and control of one or more independently operated vessels |
CN102928517A (zh) * | 2012-11-15 | 2013-02-13 | 河北省电力公司电力科学研究院 | 一种基于小波分解阈值去噪的瓷绝缘子振动声学检测数据降噪的方法 |
KR101701278B1 (ko) * | 2015-09-11 | 2017-02-13 | 대우조선해양 주식회사 | 선박/해양플랜트의 원격 검사 및 유지보수 시스템 |
JP6130540B1 (ja) * | 2016-03-30 | 2017-05-17 | シーエス カンパニー リミテッド | IoT基盤のスマート海女安全システム |
CN106081022A (zh) * | 2016-07-17 | 2016-11-09 | 杨越 | 无人船海底带压开孔***提升下降装置的工作方法 |
CN106314731A (zh) * | 2016-09-18 | 2017-01-11 | 河海大学常州校区 | 水下探测打捞机器人及工作方法、控制*** |
CN109552553A (zh) * | 2018-11-06 | 2019-04-02 | 南通中远海运川崎船舶工程有限公司 | 两万箱级绿色环保集装箱船及其智能管理方法 |
CN110717472A (zh) * | 2019-10-17 | 2020-01-21 | 齐鲁工业大学 | 基于改进的小波阈值去噪的故障诊断方法及*** |
CN111754082A (zh) * | 2020-06-01 | 2020-10-09 | 湖南大学 | 智能运载*** |
CN112153118A (zh) * | 2020-09-07 | 2020-12-29 | 中国人民解放军海军工程大学 | 一种基于web服务的船舶远程诊断*** |
CN114253512A (zh) * | 2020-09-22 | 2022-03-29 | 中国科学院沈阳自动化研究所 | 一种基于功能自治模型的auv控制软件体系结构 |
CN112549045A (zh) * | 2020-12-05 | 2021-03-26 | 武汉千音科技有限公司 | 一种海洋工程用海底电缆故障检测机器人 |
CN112614019A (zh) * | 2020-12-30 | 2021-04-06 | 深圳瑞莱保核能技术发展有限公司 | 一种海上风电运维智能管理平台及方法 |
RU2021108989A (zh) * | 2021-04-01 | 2022-02-11 | ||
CN114379748A (zh) * | 2021-12-22 | 2022-04-22 | 青岛五叠纪智能科技有限公司 | 用于海上风电场水下桩基腐蚀情况监测的仿生机器鱼 |
CN114707555A (zh) * | 2022-04-13 | 2022-07-05 | 中国科学院重庆绿色智能技术研究院 | 崩岸前兆次声波信号降噪处理方法、特征识别方法及装置 |
CN116228186A (zh) * | 2022-12-12 | 2023-06-06 | 武汉理工大学 | 基于人因工程的船舶机舱智能运维*** |
CN116306318A (zh) * | 2023-05-12 | 2023-06-23 | 青岛哈尔滨工程大学创新发展中心 | 基于深度学习的三维海洋温盐场预报方法、***及设备 |
Non-Patent Citations (1)
Title |
---|
回志澎 ; 陈新刚 ; 冀欣 ; .大型无人艇平台健康管理***需求论证分析.中国造船.2020,(S1),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116588282A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116588282B (zh) | 一种auv智能运维***及方法 | |
CN110516972B (zh) | 一种船舶出航与海上作业综合预报评估*** | |
WO2019126755A1 (en) | Generating and classifying training data for machine learning functions | |
CN111914462B (zh) | 一种海上搜救目标漂移预测方法及装置 | |
CN111336996A (zh) | 一种海洋环境与船舶运动监测预报***及监测预报方法 | |
Li et al. | A comparative study of fatigue assessments of container ship structures using various direct calculation approaches | |
CN116643517B (zh) | 一种水下载人潜器预防事故设备 | |
Wang et al. | Sea-water-level prediction via combined wavelet decomposition, neuro-fuzzy and neural networks using SLA and wind information | |
CN117104452A (zh) | 基于人工神经网络的随船摇荡运动反演波浪方法及*** | |
CN115017684A (zh) | 一种船舶智能能效管理*** | |
Yang et al. | An approach to ship behavior prediction based on AIS and RNN optimization model | |
CN111538349A (zh) | 面向多任务的长航程auv自主决策方法 | |
Riola et al. | The prediction of calm opportunities for landing on a ship: Aspects of the problem | |
KR20190102476A (ko) | 선박의 운항 정보를 이용하여 자동 생성되는 전자로그북 생성 장치 | |
Li et al. | A probabilistic model of ship performance in ice based on full-scale data | |
Kaklis et al. | Enabling digital twins in the maritime sector through the lens of AI and industry 4.0 | |
Gaidai et al. | Gaidai multivariate risk assessment method for cargo ship dynamics | |
Schirmann et al. | A comparison of physics-informed data-driven modeling architectures for ship motion predictions | |
Cademartori et al. | A review on ship motions and quiescent periods prediction models | |
KR20210150776A (ko) | 해상이미지의 기계학습을 통한 파랑정보 추정시스템 | |
Petersen | Mining of ship operation data for energy conservation | |
Wang et al. | Physics-informed data-driven approach for ship docking prediction | |
de Jong et al. | North Sea Sound Maps 2019-2020 | |
Hazra et al. | Prognostics and Health Management of Unmanned Surface Vessels: Past, Present, and Future | |
Han et al. | A framework for condition monitoring and risk-based decision support involving a vessel state observer |
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 |