CN117705242A - 液位修正器获取方法及装置、测量方法、存储介质和终端 - Google Patents
液位修正器获取方法及装置、测量方法、存储介质和终端 Download PDFInfo
- Publication number
- CN117705242A CN117705242A CN202410018711.5A CN202410018711A CN117705242A CN 117705242 A CN117705242 A CN 117705242A CN 202410018711 A CN202410018711 A CN 202410018711A CN 117705242 A CN117705242 A CN 117705242A
- Authority
- CN
- China
- Prior art keywords
- liquid level
- data
- tank
- liquid
- corrector
- 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
- 239000007788 liquid Substances 0.000 title claims abstract description 302
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000000691 measurement method Methods 0.000 title claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000033001 locomotion Effects 0.000 claims description 38
- 230000001133 acceleration Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims 1
- 239000010687 lubricating oil Substances 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 239000000295 fuel oil Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F25/00—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume
- G01F25/20—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume of apparatus for measuring liquid level
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Fluid Mechanics (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
Abstract
本发明提供一种液位修正器获取方法及装置、测量方法、存储介质和终端,其中液位修正器获取方法包括获取液位待修正液舱在不同干扰因素下的液位测量数据和液位实际数据;将干扰因素数值化以获取干扰特征,将干扰特征以及所对应的液位测量数据和液位实际数据构成液位样本误差数据,将所有液位样本误差数据集合为液位样本误差数据集;基于液位样本误差数据集对预设人工智能模型进行训练,以获取液位待修正液舱的船舶液舱液位修正器;其中,液位样本误差数据中的干扰特征和液位测量数据为输入特征,液位实际数据为目标输出。本发明可以对船舶在非平稳状态下的液位测量数据进行修正,从而得到准确的液舱液位和储量。
Description
技术领域
本发明属船舶技术领域,涉及一种液位修正器获取方法,特别是涉及一种液位修正器获取方法及装置、测量方法、存储介质和终端。
背景技术
海运是全球贸易中普遍采用的运输方式,船舶在航行过程中的安全性受多个因素影响,包括天气、船舶倾斜度、船舶吃水深度和续航能力等。其中,船舶压载水舱液位和燃油舱液位是衡量船舶吃水深度和燃油供应的重要参数,准确测量船舶液舱液位对于确保船舶正常运行至关重要。
目前的船舶油舱液位的测量主要包括人工检尺法和使用雷达液位计进行检测。人工检尺法需要船员手动测量液舱内介质之后再根据测量数据推算实际液位数据,雷达液位计是基于时间行程原理通过探测自身发出的微波被液面反射后的信息来计算液位高度。
然而,这些方法存在一些明显缺陷,例如人工检尺法工作量大且效率低下,雷达液位计造价昂贵,且容易受天线影响等。更关键的是,这两种方法只适用于船舶平稳状态,当船舶处于转弯、加速、减速或遇到较大风浪等干扰因素时,液舱介质液面会产生波动,此时测量的液面高度并不能反映真实的液位,因此无法准确测量液舱液位,严重影响了船舶的正常航行。
发明内容
本发明的目的在于提供一种液位修正器获取方法及装置、测量方法、存储介质和终端,用于解决现有技术中当船舶处于非平稳状态时测量的液舱液位存在较大误差的技术问题。
第一方面,本发明提供一种液位修正器获取方法,包括:
获取液位待修正液舱在不同干扰因素下的液位测量数据和液位实际数据;
将所述干扰因素数值化以获取干扰特征,将干扰特征以及所对应的液位测量数据和液位实际数据构成液位样本误差数据,将所有所述液位样本误差数据集合为液位样本误差数据集;
基于所述液位样本误差数据集对预设人工智能模型进行训练,以获取所述液位待修正液舱的船舶液舱液位修正器;
其中,所述液位样本误差数据中的所述干扰特征和液位测量数据为输入特征,所述液位实际数据为目标输出。
于本发明的一实施例中,所述干扰因素包括液体介质类型和船舶运行工况,所述船舶运行工况包括第一预设风力区间下的加速运动、减速运动、匀速运动、转弯运动以及第二预设风力区间下的运动,所述第一预设风力区间小于所述第二预设风力区间。
于本发明的一实施例中,获取液位待修正液舱在不同干扰因素下的液位测量数据和液位实际数据步骤包括:
将每种所述液体介质类型分别与不同所述船舶运行工况进行组合,以获取多种干扰状态;
在每种干扰状态下,通过等梯度调节液舱中介质体积的方式获取每种干扰状态下多个介质体积的液位测量数据和液位实际数据。
于本发明的一实施例中,将所述干扰因素数值化方法包括标签编码或独热编码。
于本发明的一实施例中,所述液位测量数据的获取工具包括雷达液位计、液位传感器或人工检尺。
于本发明的一实施例中,所述预设人工智能模型包括机器学习回归模型或神经网络模型。
第二方面,本发明还提供一种液位修正器获取装置,包括数据获取模块、数据处理模块和修正器构建模块:
所述数据获取模块,用于获取液位待修正液舱在不同干扰因素下的液位测量数据和液位实际数据;
所述数据处理模块,用于将所述干扰因素数值化以获取干扰特征,将干扰特征以及所对应的液位测量数据和液位实际数据构成液位样本误差数据,将所有所述液位样本误差数据集合为液位样本误差数据集;
所述修正器构建模块,基于所述液位样本误差数据集对预设人工智能模型进行训练,以获取所述液位待修正液舱的船舶液舱液位修正器;
其中,所述液位样本误差数据中的所述干扰特征和液位测量数据为输入特征,所述液位实际数据为目标输出。
第三方面,本发明还提供一种测量方法,包括:
获取船舶液舱的干扰因素数值以及液位测量数据;
将所述干扰因素数值和液位测量数据输入至船舶液舱液位修正器,以使其输出修正后的液舱液位;
将所述修正后的液舱液位在船舶液舱的液舱舱容表中进行检索匹配,以获取与所述修正后的液舱液位相对应的液舱储量;
其中,所述船舶液舱液位修正器是基于如上所述的船舶液舱液位修正器获取方法所获取的所述船舶液舱的液位修正器;所述液舱舱容表包括多组数据,每组数据均包括特定液位以及与所述特定液位相对应的液舱储量。
第四方面,本发明还提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的液位修正器获取方法或测量方法。
第五方面,本发明还提供一种终端,包括处理器以及存储器,所述存储器与所述处理器之间通信连接;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如上所述的液位修正器获取方法或测量方法。
如上所述,本发明所述的液位修正器获取方法及装置、测量方法、存储介质和终端,通过获取不同干扰因素下的液位测量数据和液位实际数据,构建了液位样本误差数据集并输入人工智能模型进行训练学***稳状态下的液位测量数据进行修正,从而得到准确的液舱液位,为船舶的远洋航行提供了保障。
附图说明
图1示出了本发明实施例所述的液位修正器获取方法的流程示意图;
图2示出了本发明实施例所述的液位修正器获取装置的结构示意图;
图3示出了本发明实施例所述的测量方法的流程示意图;
图4示出了本发明实施例所述的终端的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
以下将详细阐述本实施例的液位修正器获取方法及装置、测量方法、存储介质和终端的原理及实施方式,使本领域技术人员不需要创造性劳动即可理解本实施例的液位修正器获取方法及装置、测量方法、存储介质和终端。
为了解决现有技术中存在的上述技术问题,本发明实施例提供了一种液位修正器获取方法。
图1示出了本发明实施例的液位修正器获取方法的流程示意图,参考图1所示,本发明实施例液位修正器获取方法主要包括步骤S100~S300。
步骤S100:获取液位待修正液舱在不同干扰因素下的液位测量数据和液位实际数据。
船舶液舱里通常有加热器,因此可以认定液舱液舱介质温度是恒定的,认定船舶液舱中的介质粘度和介质密度在测量前后均不发生变化。船舶液舱可储藏的介质种类可以为水介质、燃油介质和滑油介质中的至少一种,且并不局限于以上三种,可以根据实际情况不同增加其他种类的介质。
本实施例中可认定船舶在加速状态时船舶是均匀加速的,进一步可将加速度预估为0.2m/s2,且认定船舶在减速状态时船舶是均匀减速的,进一步可将加速度预估为0.05m/s2,在实际测量过程中还可基于实际情况将加速状态和减速状态下的加速度设置为其他合理数值。船舶运行工况包括第一预设风力区间下的加速运动、减速运动、匀速运动、转弯运动以及第二预设风力区间下的运动,第一预设风力区间小于第二预设风力区间。第一风力区间建模了平稳状态下的船舶加速、减速、匀速和转弯运动,第二风力区间建模了在风浪下的船舶颠簸运动。优选地,第一风力区间为1-3级风,第二风力区间为5-10级风。上述船舶加速运动、减速运动、匀速运动、转弯运动工况可以从船舶动力***很方便地获取数据,而风力数据则可通过测风仪获取得到。
可选地,获取液位待修正液舱在不同干扰因素下的液位测量数据和液位实际数据步骤包括将每种所述液体介质类型分别与不同所述船舶运行工况进行组合,以获取多种干扰状态,在每种干扰状态下,通过等梯度调节液舱中介质体积的方式获取每种干扰状态下多个介质体积的液位测量数据和液位实际数据。之所以等梯度获取液位与介质体积的原因,是因为船舶液舱几何尺寸较为规则,通常会有液位及相应容积对应关系的舱容表。例如,其中长度为10m,宽度为4m,高度为7m,油舱的舱容表如表1所示:
表1船舶某液舱舱容表
高度(m) | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
容量(m3) | 40 | 80 | 120 | 160 | 200 | 240 | 280 |
可选地,液位测量数据的获取工具包括雷达液位计、液位传感器或人工检尺。
步骤S200:将干扰因素数值化以获取干扰特征,将干扰特征以及所对应的液位测量数据和液位实际数据构成液位样本误差数据,将所有液位样本误差数据集合为液位样本误差数据集。
可选地,将干扰因素数值化方法包括标签编码或独热编码。具体地,采用标签编码进行数值化时,认定水介质为1,认定燃油介质为2,认定滑油介质为3,认定船舶在第一风力区间下的加速运动工况为1,船舶减速运动工况为2,船舶匀速运动工况为3,船舶转弯运动工况为4,在第二风力区间下则工况为5。例如,液舱介质为燃油,船舶处于加速运动工况,液舱液位传感器测量的数据为6.1m,实际液位6.0m,采用标签编码方式,此时液位样本误差数据为(2;1;6.1;6.0)。采用独热编码时,认定水介质为001,认定燃油介质为010,认定滑油介质为100,认定船舶在第一风力区间下的加速运动工况为00001,船舶减速运动工况为00010,船舶匀速运动工况为00100,船舶转弯运动工况为01000,在第二风力区间下则工况为10000。例如,液舱介质为滑油,船舶处于转弯运动工况,液舱液位传感器测量的数据为6.3m,实际液位6.1m,采用标签编码方式,此时液位样本误差数据为(100;01000;6.3;6.1)。
步骤S300:基于液位样本误差数据集对预设人工智能模型进行训练,以获取液位待修正液舱的船舶液舱液位修正器;
其中,液位样本误差数据中的干扰特征和液位测量数据为输入特征,液位实际数据为目标输出。可选地,预设人工智能模型包括机器学习回归模型或神经网络模型。基于液位样本误差数据集对人工智能模型进行训练,实则以数值化的干扰特征和液位测量数据作为模型特征去拟合液位实际数据,学习在特定干扰下液位测量数据与液位实际数据的规律。由于这个过程属于机器学习的回归问题,因此可以用回归模型来训练,如逻辑回归、Ridge回归、Lasso回归等。同时,使用神经网络模型也适用,例如可在单个网络中构建一个前馈神经网络结构,该神经网络第一层是输入,中间是隐藏层,最后一层是输出,定义损失函数并训练网络模型,将数据在前向传播中的损失计算出来,并进行反向传播,反复迭代直至损失收敛,神经网络训练结束。因此,本发明获取得到的船舶液舱液位修正器可以应用在实际船舶液位测量场景下,修正测量液位,得到准确的真实液位。
本实施例提供的液位修正器获取方法,通过获取不同干扰因素下的液位测量数据和液位实际数据,构建了液位样本误差数据集并输入人工智能模型进行训练学***稳状态下的液位测量数据进行修正,从而得到准确的液舱液位,为船舶的远洋航行提供了保障。
为了解决现有技术中存在的上述技术问题,本发明实施例提供了一种液位修正器获取装置。
图2示出了本发明实施例的液位修正器获取装置的结构示意图,参考图2所示,液位修正器获取装置包括数据获取模块、数据处理模块和修正器构建模块:
数据获取模块,用于获取液位待修正液舱在不同干扰因素下的液位测量数据和液位实际数据;
数据处理模块,用于将干扰因素数值化以获取干扰特征,将干扰特征以及所对应的液位测量数据和液位实际数据构成液位样本误差数据,将所有液位样本误差数据集合为液位样本误差数据集;
修正器构建模块,基于液位样本误差数据集对预设人工智能模型进行训练,以获取液位待修正液舱的船舶液舱液位修正器;
其中,液位样本误差数据中的干扰特征和液位测量数据为输入特征,液位实际数据为目标输出。
本发明实施例提供的液位修正器获取装置,通过获取不同干扰因素下的液位测量数据和液位实际数据,构建了液位样本误差数据集并输入人工智能模型进行训练学***稳状态下的液位测量数据进行修正,从而得到准确的液舱液位,为船舶的远洋航行提供了保障。
为了解决现有技术中存在的上述技术问题,本发明实施例还提供了一种测量方法。
图3示出了本发明实施例的测量方法的流程示意图,参考图3所示,本发明实施例测量方法,包括步骤001-步骤003:
步骤001:获取船舶液舱的干扰因素数值以及液位测量数据。船舶液舱里通常有加热器,因此可以认定液舱液舱介质温度是恒定的,认定船舶液舱中的介质粘度和介质密度在测量前后均不发生变化。船舶液舱可储藏的介质种类可以为水介质、燃油介质和滑油介质中的至少一种,且并不局限于以上三种,可以根据实际情况不同增加其他种类的介质。本实施例中可认定船舶在加速状态时船舶是均匀加速的,进一步可将加速度预估为0.2m/s2,且认定船舶在减速状态时船舶是均匀减速的,进一步可将加速度预估为0.05m/s2,在实际测量过程中还可基于实际情况将加速状态和减速状态下的加速度设置为其他合理数值。船舶运行工况包括第一预设风力区间下的加速运动、减速运动、匀速运动、转弯运动以及第二预设风力区间下的运动,第一预设风力区间小于第二预设风力区间。第一风力区间建模了平稳状态下的船舶加速、减速、匀速和转弯运动,第二风力区间建模了在风浪下的船舶颠簸运动。优选地,第一风力区间为1-3级风,第二风力区间为5-10级风。上述船舶加速运动、减速运动、匀速运动、转弯运动工况可以从船舶动力***很方便地获取数据,而风力数据则可通过测风仪获取得到。
可选地,获取液位待修正液舱在不同干扰因素下的液位测量数据和液位实际数据步骤包括针对不同的液体介质类型与船舶运行工况的组合,在每种组合下,等梯度地调节液舱中的介质体积,获取对应的液位测量数据和液位实际数据。
步骤002:将干扰因素数值和液位测量数据输入至船舶液舱液位修正器,以使其输出修正后的液舱液位。其中,船舶液舱液位修正器是基于如上的船舶液舱液位修正器获取方法所获取的船舶液舱的船舶液舱液位修正器。因此经过修正之后,可以得到能反映真实容积的准确液位。
步骤003:将修正后的液舱液位在船舶液舱的液舱舱容表中进行检索匹配,以获取与修正后的液舱液位相对应的液舱储量。其中,液舱舱容表包括多组数据,每组数据均包括特定液位以及与特定液位相对应的液舱储量。
本实施例提供的测量方法,通过将液位测量数据及干扰因素数值输入液位修正器可以对船舶在非平稳状态下的液位测量数据进行修正,得到准确的液舱液位,再根据舱容表即可获取真实的液舱介质体积,为船舶的远洋航行提供了保障。
为了解决现有技术中存在的上述技术问题,本发明实施例还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的液位修正器获取方法或测量方法的所有步骤。
如上所述的液位修正器获取方法或测量方法的具体步骤以及应用本发明实施例提供的可读存储介质获取的有益效果均与实施例一相同,在此不在对其进行赘述。
本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成,所述的程序可以存储于计算机可读存储介质中,所述存储介质是非短暂性(non-transitory)介质,例如随机存取存储器,只读存储器,快闪存储器,硬盘,固态硬盘,磁带(magnetic tape),软盘(floppy disk),光盘(optical disc)及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
为了解决现有技术中存在的上述技术问题,本发明实施例还提供了一种终端。
图4示出了本发明实施例的终端的结构示意图,参考图4所示,本发明实施例终端包括处理器以及存储器,存储器与处理器之间通信连接;
存储器用于存储计算机程序,处理器用于执行存储器存储的计算机程序,以使终端执行如上所述的液位修正器获取方法或测量方法的所有步骤。
液位修正器获取方法或测量方法的具体步骤以及应用本发明实施例提供的终端获取的有益效果均与实施例一相同,在此不在对其进行赘述。
需要说明的是,存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。同理处理器也可以是通用处理器,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(DigitalSignalProcessing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(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。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种液位修正器获取方法,包括:
获取液位待修正液舱在不同干扰因素下的液位测量数据和液位实际数据;
将所述干扰因素数值化以获取干扰特征,将干扰特征以及所对应的液位测量数据和液位实际数据构成液位样本误差数据,将所有所述液位样本误差数据集合为液位样本误差数据集;
基于所述液位样本误差数据集对预设人工智能模型进行训练,以获取所述液位待修正液舱的船舶液舱液位修正器;
其中,所述液位样本误差数据中的所述干扰特征和液位测量数据为输入特征,所述液位实际数据为目标输出。
2.根据权利要求1所述的方法,其特征在于,所述干扰因素包括液体介质类型和船舶运行工况,所述船舶运行工况包括第一预设风力区间下的加速运动、减速运动、匀速运动、转弯运动以及第二预设风力区间下的运动,所述第一预设风力区间小于所述第二预设风力区间。
3.根据权利要求2所述的方法,其特征在于,获取液位待修正液舱在不同干扰因素下的液位测量数据和液位实际数据步骤包括:
将每种所述液体介质类型分别与不同所述船舶运行工况进行组合,以获取多种干扰状态;
在每种干扰状态下,通过等梯度调节液舱中介质体积的方式获取每种干扰状态下多个介质体积的液位测量数据和液位实际数据。
4.根据权利要求1所述的方法,其特征在于,将所述干扰因素数值化方法包括标签编码或独热编码。
5.根据权利要求1所述的方法,其特征在于,所述液位测量数据的获取工具包括雷达液位计、液位传感器或人工检尺。
6.根据权利要求1所述的方法,其特征在于,所述预设人工智能模型包括机器学习回归模型或神经网络模型。
7.一种液位修正器获取装置,其特征在于,包括数据获取模块、数据处理模块和修正器构建模块:
所述数据获取模块,用于获取液位待修正液舱在不同干扰因素下的液位测量数据和液位实际数据;
所述数据处理模块,用于将所述干扰因素数值化以获取干扰特征,将干扰特征以及所对应的液位测量数据和液位实际数据构成液位样本误差数据,将所有所述液位样本误差数据集合为液位样本误差数据集;
所述修正器构建模块,基于所述液位样本误差数据集对预设人工智能模型进行训练,以获取所述液位待修正液舱的船舶液舱液位修正器;
其中,所述液位样本误差数据中的所述干扰特征和液位测量数据为输入特征,所述液位实际数据为目标输出。
8.一种测量方法,其特征在于,包括:
获取船舶液舱的干扰因素数值以及液位测量数据;
将所述干扰因素数值和液位测量数据输入至船舶液舱液位修正器,以使其输出修正后的液舱液位;
将所述修正后的液舱液位在船舶液舱的液舱舱容表中进行检索匹配,以获取与所述修正后的液舱液位相对应的液舱储量;
其中,所述船舶液舱液位修正器是基于权利要求1-6中任一项所述的液位修正器获取方法所获取的所述船舶液舱的液位修正器;所述液舱舱容表包括多组数据,每组数据均包括特定液位以及与所述特定液位相对应的液舱储量。
9.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6任一项所述的液位修正器获取方法,或权利要求8所述的测量方法。
10.一种终端,其特征在于,包括处理器以及存储器,所述存储器与所述处理器之间通信连接;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至6任一项所述的液位修正器获取方法,或权利要求8所述的测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410018711.5A CN117705242A (zh) | 2024-01-05 | 2024-01-05 | 液位修正器获取方法及装置、测量方法、存储介质和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410018711.5A CN117705242A (zh) | 2024-01-05 | 2024-01-05 | 液位修正器获取方法及装置、测量方法、存储介质和终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117705242A true CN117705242A (zh) | 2024-03-15 |
Family
ID=90160888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410018711.5A Pending CN117705242A (zh) | 2024-01-05 | 2024-01-05 | 液位修正器获取方法及装置、测量方法、存储介质和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117705242A (zh) |
-
2024
- 2024-01-05 CN CN202410018711.5A patent/CN117705242A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116342657B (zh) | 一种基于编码-解码结构的tcn-gru船舶轨迹预测方法、***、设备及介质 | |
CN108960421B (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
CN111046491A (zh) | 预估大型船舶柴油主机油耗的方法和装置 | |
CN113743014B (zh) | 一种航速优化方法和装置 | |
CN114564629B (zh) | 异常数据处理方法、装置、计算机设备和存储介质 | |
CN115342814B (zh) | 一种基于多传感器数据融合的无人船定位方法 | |
CN112395382A (zh) | 基于变分自编码器的船舶异常航迹数据检测方法和装置 | |
CN116108995A (zh) | 感潮河段船舶油耗预测方法、装置及电子设备 | |
CN116306790A (zh) | 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、***、设备及介质 | |
CN114780644A (zh) | 一种船舶航行数据处理方法、装置、设备及存储介质 | |
CN115686002A (zh) | 一种复杂海域下的水面无人艇路径跟踪控制方法 | |
CN111824357B (zh) | 测试方法、装置、电子设备及计算机可读存储介质 | |
CN117705242A (zh) | 液位修正器获取方法及装置、测量方法、存储介质和终端 | |
CN117454324A (zh) | 风速风向仪故障预警方法、***、电子设备及存储介质 | |
CN117494057A (zh) | 一种基于分阶多尺度分解的船舶运动预报方法 | |
CN116089844B (zh) | 一种无人机位姿数据的非高斯特征验证方法 | |
CN112580797A (zh) | 一种多模态多标签预测模型的增量学习方法 | |
US20230314144A1 (en) | System and method for estimating drift path of marine floating body | |
CN117037450A (zh) | 一种智能化打桩船的环境预警方法、装置、设备及介质 | |
CN116628570A (zh) | 风机叶片覆冰失效检测方法、装置、存储介质和设备 | |
CN114047508B (zh) | 一种对海雷达探测范围统计评估方法及*** | |
CN111323081A (zh) | 一种船舶试航性能指标的修正方法、修正***、存储介质及电子终端 | |
CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及*** | |
CN116756691B (zh) | 一种海洋数据同化方法、***、电子设备及介质 | |
CN117633712B (zh) | 一种基于多源数据的海表高度数据融合方法、装置及设备 |
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 |