研究论文-船舶结构监测系统的应力预测研究.pdf

所需积分/C币:20 2019-08-07 16:52:22 1.29MB PDF

传统船舶航行决策对于决策的经验过分依赖,辅助决策可以帮助决策者在决策过程中更好地分析问题、评价和制定方案,其中对船舶结构监测系统的预测研究是船舶中辅助决策前提条件,故着重对该部分进行研究。首先,对船舶结构应力监测传感器的选用及布置方案进行讨论;然后,针对船舶结构应力序列非线性、非平稳信号特点,提出了一种互补集合经验模态分解(CEEMD)和通过改进网格搜索法进行参数寻优的支持向量机(SVM)相结合的结构应力预测模型;最后,利用多种测试样本验证预测模型的可靠性和准确性。通过实验验证,提出的结构应力预测模型在不同海况情况下都具有较高的准确性。
·10· 应用科技 第45卷 分量,然后对各IMF分量进行提取,作为训练样本。 emax imax 2)对SVM的核数、错误惩罚参数C和核 网数宽度G等参数进行选择。 其中常用的SVM的核函数如下: a)线性核函数 式中:Y和Y分别表示第i个预测值和实际值 m表示预测的点数。 max max b)多项式核函数( Polynomial) 3实验仿真 K(x,x)=|(x,x)+1 3.1结构应力信号特征提取 c)径向基核函数 (radial basis function,RBF) 对于获得的结构应力信号,利用时间窗进行截 取数据进行分析,对于滑窗中的数据进行 CEEMD K(x, x )=exp 20 分解,分解得到的IMF分量,选择其贡献率最大 d)双曲止切核函数( Sigmoid) 的分量,对该分量进行特征提取。 K(x,x)= tanh [a(x·x)+b 木文中选用边际谱比例、分量相对幅度、样 RBF核函数的特征空间维数为无限维,并且本熵、能量熵等4个特征对船舶结构应力数据 其搜索查找为全网络搜索,当输入样本个数有限进行特征提取。 时,其特征空间为线性可分,在没有先验信息时 这里取了20组数据,将采集的结构应力信号 比其他核函数的总体性更好。综上,SVM的核函各特征变量进行分类,结果如图3所示。 数选择RBF对样本数据进行非线性映射。 0.2 3)利用改进的基于K次交叉验证法的网格搜 246810 4161820 索法寻找最优的C和G。 组数 4)在确定核函数、C、G之后,进行预测模型 (a)边际谱比例 的训练 5)利用测试样本建立测试模型。只体预测模 ,↓↓↓ 101214161820 型的示意图如图2所示。 组数 (b)分量相对幅度 结构应力数拈 +++#十+十++ ↑++++者 0 ↑·↑·↑·↑·↑··,·· 246810 组数 CEEMD c)样本熵 获得贡率 最大的IMF 0:1:·1::: 2468101214161820 提取特征生成 提取特征生成 d)能量熵 测试样本 训练样本 图3不同特征变量分类结果 支持向量机 实验证明,利用上述特征进行特征提取,预测 C和G参数寻优 效果可达到最优效果。 预测模型 32 CEEMD和SVM预测实验 木文将某船模总长1248m、船宽1.568m、设 得出预测结果 计吃水0.404m、排水量4672t、航速6kn,在高、 低及混合海况下实验得到的10h数据作为实验数 图2预测模型的示意 据。采用滑窗对数据进行提取,采样频率为20Hz, 利用半均绝对百分比误差甲、最大误差Cmn、窗口长度为5min,即滑窗可容纳的数据量为6000 平均误差e等预测指标对预测模型进行分析 利用前5min的数据进行特征提取米训练预测模 ∑ Y-Y 型,预测不同海况下所对应的后15s即将发小的 结构应力数据。 笫6期 吴爽,等:船舶结构监测系统的应力预测研究 利用上述模型分别在高海况、低海况及混合测模型进行比较。混合海况下多种模型预测结果 海况中进行预测,结果如图4~6所示。 如图7所示。各模型预测误差结果分析如表2所示。 -实测值 。测试值 ← CEEMD-SVM预测值r 一预测值 40-+ EEMD-SVV预测值 30-+-EMD-SVM预测值 20+SVM预测值 三a 0 2-10 55 60 10 15 10 15 图4高海况下模型预测结果 图?混合海况下多种模型预测结果对比 表2各模型预测性能评价 实测值 5 六顶测值 模型名称 SVM 0.746 3.629 0.068 EMD+SVM 0.489 2.223 0.032 EEMD+SⅤM 0.210 0.913 0.026 CEEMD+SVM 0.175 0.828 0.023 从表2中可以看出,对比其他的预测方法,本 10 文提出的 CEEMD+SVM预测方法的平均绝对百 分比误差为17.5%,较其他的预测模型具有更好 图5低海况下模型预测结果 的预测精度。同时从图7可以看出,本文提出的 预测模型能够很好地预测出结构应力的变化趋 实测值 势,验证∫该方法的有效性。 ←预测值 4结论 本文进行如下工作 1)考虑船舶监测系统的实际应用需求,完成 对传感器类型及布置方法的讨论,综合考虑选用 管式和埋入式封装光纤光栅传感器,通过波分复 10 用和空分复用结合的混合复用的方法来满足监测 图6混合海况下模型预测结果 过程中精度、传输效率及传感器间干扰的问题。 2)构建 CEEMD和SVM预测模型,对SVM 不同海况下,该预测模型在不同海况中所对 常用的参数寻优方法——网格搜索法,进行改进。 应的误差分析如表1所示。 3)利用预测模型对高、低及混合海况情况下 表1不同海况的预测性能评价 的船舶结构应力进行预测。 海况情况 4)对于构建的预测模型,从以下两方面验让 Ir3X 低漪况 0.137 0.866 0.014 其准确性:一方面通过测试样本验证模型对高、 高海况 0.114 0.977 0.039 低及混合海况的适应性,实验结果表明,该模型 混合海况 0.175 0.828 0.02 可以对3种情况下的结构应力进行较好的预测 另一方面,通过对sM、EMD+SVM、EMD+SVM 3.3实验对比及误差分析 等模型的预测结果进行对比,结果表明, CEEMD 为了验证本文所采用模型的优越性,在混合SM预测模型对结构应力的预测效果及预测误 海况情况下,利用SVM、EMD+SVM、EEMD+SⅥM差要优于其他几种预测模型。 等模型进行预测研究,将其效果与本文提出的预 (下转第16页) 应用科技 第45卷 sclence,2014,145:4l-56. pipelines and from methane seeps, by their acoustic [5]刘芝波基于多波束水柱影像的沉船最浅点探测[D]青 emissions[]. Proceedings of the royal society A 岛:山东科技大学,2015:3545 mathematical, physical and engineering sciences, 2012, [6]刘胜旋,关永贤,宋永志.多波束水体影像的归位算法饼 468(2138):485510 究与实现叮海洋测绘,2016,36(1):4347 [10 GUJ. PYO J. JOE H. A method for automatic detection of [7]蒲定,张万远,郭骏,等.水中气体目标的多波束声呐成 underwater objects using forward-looking imaging 像与检算法[应用科技,2017,44(5):12-16. [8] URBAn P, KOSER K, GREiNERT J. Processing of sonar[C]Proceedings of OCEANS 2015. Washington, multibeam water column image data for automated bubble/ USA,2015 seep detection and repeated mapping]. Limnology and[李俊山,李旭辉数字图像处理M北京:清华大学出 oceanography: methods, 2017, 15(1): 1-21 版社,2007:214223 [9] LEIGHTON T G, WHITE P R. Quantification of undersea「121姜莹.多波束测深系统高分辨力底检测:算法研究与系 gas leaks from carbon capture and storage facilities, from 统实现]杭州:浙江大学,2011:4041. 本文引用格式 张忐刚郭俊,杨嘉斌,等利用多波東水体成像数据进行管道气体泄漏检测[J应用科技,2018,45(6):1216 ZIANG Zhigang, (0O Jun,YANG Jiabin, et al. Pipeline gas leaking detection with multi-beam water imaging data[J]. Applied science and technology, 2018, 45(6 12-16 (上接第11页) L6] YEH JR, SHIEH J, HUANG N Complementary cnscmblc 参考文献 empirical mode decomposition: a novel noise enhanced data analysis method[]. Advances in adaptive data 「杨帆舰船破舱稳性实酎计算方法研究[D]大连:大连理 analysis,2010,2(2):135-156. 工大学,2006:12 [7] GUO Guodong, LI S Z. Contents-based audio classification [2]沙丹丹.基丁HHT和SVM的伴击检测算法饼究[D]哈 and retrieval by support vector machines[]. IEEE transactions on neural network, 2003, 14(1): 209-215 尔滨:哈尔滨工程大学,2015:3 [8]工军栋,齐维贵.基于TDM-SVM的江水浊度预测方法 3 HUANG N E, SHEN Zheng, LONG S R, et al.The 研究门电子学报,2009(102130-2133 empirical mode decomposition and the llilbert spectrum for [9]张金涛.光纤光栅传感器复用关键技术的研究与应用 nonlinear and non-stationary time series analysisJ [D]合肥:合肥工业大学,2015 Proceedings of the royal society A: mathematical. physical [10]曲健,陈红岩,刘文贞,等,基于改进网格搜索法的支持 and engineering sciences, 1998, 454(1971): 903-995 向量机在气体定量分析中的应用[传感技术学报, [4] LEI Yaguo, LIN Jing, HE Zhongjia, ct al. A rcvicw on 2015,28(5):774778 empirical mode decomposition in fault diagnosis of rotating [11] QIAO Meiying, MA Xiaoping, LAN Jianyi, et al. Time machinery[J. Mechanical systems and signal processing, series gas prediction model using LS-SVR within a 2013,3(12):108-126 Bayesian framework[]. Mining science and technology, [5 WU Zhaohua, HUANG N. Ensemble empirical mode 2011,21(1):153-157 decomposition: a noise- assisted data analysis method [ J[12]吕震宇.基于ELMD和KNN分类器的船体砰击载荷检 Advances in adaptive data analysis, 2008, 1(1): 1-41 测算法研究[D]哈尔滨:哈尔滨工程大学,2016 本文引用格式 吴爽,焦淑红.船舶结构监测系统的应力预测硏究.应用科技,2018,45(6):8-11,16. wU Shuang, JIAO Shuhong. Prediction of strcss pattcrn in thc ship structurc monitoring systcm[J]. Applicd scicncc and tcchnology, 201845(6:8-11,16

...展开详情
img

关注 私信 TA的资源

上传资源赚积分,得勋章
最新资源