基于人工智能算法的舱室振动噪声快速预报

发布时间：2020-04-09 08:16

【摘要】：本文主要研究在舰船舱室振动噪声领域如何应用人工智能算法进行快速预报的问题。在船舶和海洋平台建造过程中,对舱室振动噪声的预报是一个必不可少的环节。由于国内外各类规范对各类舱室的振动噪声有着严格的限定,因而为避免在完工后因振动噪声超标而进行的补救工作,需要在初步设计阶段对各舱室的振动噪声进行预报,并依据结果采取必要的措施。另一方面,在实船试验阶段,由于试验时间及工况等原因,往往很难测得所有舱室在要求工况下的舱室振动噪声,因而如何根据部分实测数据预测其余数据就是一个有待解决的实际问题。智能算法在工程中已经有了较为广泛的应用,其可以较好地对参数较多、关系复杂的非线性映射问题进行处理。对于船舶和海洋平台等较为复杂的海上结构物,其舱室振动噪声受较多因素的共同影响,现有的预报方法受限于精度和耗时,本文通过使用BP神经网络和支持向量机两种算法在保证一定精度的同时提高了对舱室振动噪声的预报速度。首先对本文用到的两种智能预报模型进行了较为详细的介绍,对其中较为重要的算法进行了推导,编写了相应的MATLAB程序并对其正确性进行了验证。之后结合船舶与海洋平台的自身特点,选取相应结构参数作为智能预报模型的输入变量。建立了可用于智能预报模型的数据库,其中部分数据由海洋平台的实船试验测得,另一部分使用统计能量法由VA one软件计算得到。将数据输入智能预报模型之前,本文并采用消除多项式趋势项和归一化等方法对数据进行了预处理,解决了零点漂移以及由于影响舱室振动噪声的变量包含不同类型参数而导致的数据无法直接使用的情况。对于算法中需要提前设定的参数,如激活函数、代价函数和核函数等,本文研究了各算法在选取不同参数及函数时对舱室振动噪声预报准确率的影响。在智能模型训练完成后,通过对舱壁厚度、横舱壁数及围壁面积等参数与振动噪声相关性的分析,确定了各参数的重要性,为实船中实施有效减振降噪措施提供了方法。本文使用训练完成的智能预报模型分别对训练集所在船舶的其它舱室以及其他船舶和海洋平台进行了预报,获得了较高的精度。
【图文】：

流程图,神经网络,流程图,神经细胞

．２．１神经网络逡逑生物的yL经细胞是组成生物神经网络的基本单元，其主要结构可以分为三部分：（信号输入）、细胞体（信号处理）和轴突（信号输出）。神经细胞接收到的不同信号会体中进行“汇总”，当结果超过细胞的某一个阈值（ｔｈｒｅｓｈｏｌｄ）时，，神经细胞就会被激过轴突向外界发送一个相应的信号。逡逑神经元（ｎｅｕｒｏｎ／ｕｎｉｔ）作为神经网络的基本单元，其结构和功能与神经细胞类ｃＣｕｌｌｏｃｈ和Ｐｉｔｔｓ给出了邋Ｍ－Ｐ神经元模型［３８］，如图２．邋２所示。逡逑ｘ．＾逦／（0逦ｍ逡逑：各分），３邋Ｐ萨逡逑

流程图,神经元模型

■邋：．－Ｔｍｒ逡逑图２．邋１神经网络使用流程图逡逑２．２．１神经网络逡逑生物的yL经细胞是组成生物神经网络的基本单元，其主要结构可以分为三部分：树逡逑突（信号输入）、细胞体（信号处理）和轴突（信号输出）。神经细胞接收到的不同信号会在细逡逑胞体中进行“汇总”，当结果超过细胞的某一个阈值（ｔｈｒｅｓｈｏｌｄ）时，神经细胞就会被激活并逡逑通过轴突向外界发送一个相应的信号。逡逑神经元（ｎｅｕｒｏｎ／ｕｎｉｔ）作为神经网络的基本单元，其结构和功能与神经细胞类似，逡逑ＭｃＣｕｌｌｏｃｈ和Ｐｉｔｔｓ给出了邋Ｍ－Ｐ神经元模型［３８］，如图２．邋２所示。逡逑ｘ．＾逦／（0逦ｍ逡逑：各分），３邋Ｐ萨逡逑图２．邋２邋Ｍ－Ｐ神经元模型逦图２．邋３单个神经元模型逡逑其中，ｎ为输入值的个数，Ｘ；为第ｉ个输入值，０；为第ｉ个输入值对应的权值，ｈ为逡逑该神经元的阈值，／（？）为激活函数（ａｃｔｉｖｅｆｕｎｃｔｉｏｎ）。激活函数起到了非线性映射的作用，逡逑若没有该函数
【学位授予单位】：哈尔滨工程大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：U674.7

【参考文献】