论文部分内容阅读
船舶气囊下水技术的应用范围越来越广,然而随之出现的安全性问题也越来越多。船舶下水过程中,如何准确地控制重心平稳是确保下水工程安全性的一大难题。此外,船舶下水后,因船舶的实际重心偏离设计重心位置而导致的意外事故时有发生。所以,在船舶制造时如何准确估算船舶重量和重心位置是造船业的又一难题。究其原因,船舶建造过程和船舶下水过程中如何准确估算船舶及其各部件重量是上述两个难题的关键所在。目前下水过程的实际船重常使用设计船重代替,建造中的船重常采用累加法计算。鉴于上述方法误差大、操作繁琐、计算粗糙等原因,本文提出一种基于深度学习的下水船舶重量估算模型与算法,可以准确的估算实际船舶重量和各部件重量。其主要工作分为四部分:(1)气囊状态数据的获取与预处理:利用课题组的实验设备搭建下水船舶气囊状态监控平台获得气囊的实时状态数据,通过数据预处理和数据可视化等实现数据的净化与相关性研究,为估算算法模型提供纯净的高维特征数据集。(2)高维数据的特征提取:利用估算模型的底层深度学习网络模型实现数据集的降维。本文设计深度堆栈稀疏自编码(DSSAE)网络,通过有监督和无监督学习相结合的方式训练网络,利用参数对照实验和网格搜索法确定网络结构并寻找最优参数,实现高水平特征的提取。(3)下水船舶重量的回归估算:通过估算模型的顶层支持向量回归机(SVR)模型实现下水船舶重量估算。本文通过大量实验研究SVR模型参数的优化算法,采用遗传算法(GA)和粒子算法(PSO)两种优化算法寻找SVR最优参数,通过数百次迭代实验,证明PSO有利于提高SVR模型的精度。(4)下水船舶重量估算实验平台的搭建与实现:该平台由本文搭建的气囊状态监控平台和DSSAE-PSO-SVR估算算法实现平台两部分组成。其中后者在设置好实验环境后,以融合模型DSSAE-PSO-SVR算法进行估算实验,并与DBN-PSO-SVR、BPNN两种深度学习算法和PSO-SVR回归算法进行对比实验。实验证明,DSSAE-PSO-SVR的5层网络鲁棒性好、该算法的平均相对误差为4.21%,其他三种算法的平均相对误差分别为:6.36%、10.36%、14.72%。最后,将该算法模型嵌入软件制作界面,实现软件系统中输入气囊状态等数据,输出下水船舶重量,测试期间系统运行平稳,估算结果达到预期精度。本文通过上述四部分工作,搭建并实现了下水船舶重量估算模型。该模型不仅可以用于船舶建造和船舶下水中对船体及各部件的重量估算,也可以将船舶估算重量作为出厂船重。另外,该模型同样适用于船舶以外大型物件的重量估算。