船舶智能监测与预警平台关键技术研究及其实现
发布时间：2021-03-10 20:59
船舶是一个庞大的“人-船-海洋”多因素耦合的复杂系统,对于这样庞大、复杂的系统,其监测和预警显得尤为重要。每年大量的船舶海难事故的发生和第四代工业革命的兴起,促使人们迫切地需要设计和开发一种现代化的船舶智能监测与预警平台:通过在船舶关键部位布设传感器,利用通信技术和电子技术完成船载传感器的分布式组网和船舶状态数据的实时采集,应用人工智能技术对采集到的船舶状态数据进行深度学习和在线预警,使得船员在船舶发生异常前,能够提前发现、提前干预和控制,确保船舶的船体健康和航行安全,避免重大海难事故的发生。本文设计开发出一种基于人工智能的船舶智能监测与预警平台。首先,根据船舶监测与预警的数据需求,设计出一种用于统一管理、统一接入、统一组网的传感器节点控制器,完成船舶状态数据的采集;然后,针对采集到的传感器序列数据,提出统计规则、无监督学习和深度学习耦合的综合异常检模型（Comprehensive Outlier Detection Model,CODM）,建立了船舶状态异常检测、离线学习和在线预警三维一体的船舶监测预警平台;最后,基于设计的硬件平台和算法平台,设计开发出一套运行在工控机上的船舶监测与...
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
船舶智能监测与预警平台
兰州大学硕士研究生学位论文船舶智能监测与预警平台关键技术研究及其实现6的设计目标是通过传感器实时采集船舶运行数据，并应用深度学习算法，检测出船舶出现微小异常并提前预警，为船舶安全航行和船体健康运行提供安全保障。本文设计的船舶智能监测与预警平台是一个集硬件、算法、软件于一体的智能平台，主要研究内容与关键技术如图1-2所示。为了完成设计目标，首先，根据预警数据的需要，开发出一种用于统一管理、统一接入、统一组网的传感器节点控制器，用于对船舶状态数据的采集；然后，研究了基于统计规则和无监督学习耦合的综合异常判决模型和基于深度学习的船舶状态在线预警方法，建立了船舶状态异常检测、离线学习和在线预警的三维一体的预警体系。最后，基于设计的硬件平台和算法平台，设计开发了一套运行在工控机上的船舶监测与预警软件，实现了船舶状态数据采集、存储、监测、预警的全流程。图1-2本文研究内容及关键技术本文的关键技术包括以下四个方面：（1）船载分布式传感器的数据采集方法研究；（2）船载传感器协同组网及数据传输方法研究；（3）基于深度学习的船舶状态在线预警方法研究；（4）船舶智能监测与预警平台的软件设计与实现。下面分别阐述每个关键技术的研发难点和研究思路。1.3.1船载分布式传感器的数据采集方法研究在船舶数据采集方面，由于传感器分布在船体、机舱、甲板等各个位置，传感器类型众多、位置分散，而且传感器的输出信号格式、传输速率、信号电平不尽相同[34]，针对传感器接口的多样性和船舱部署的难点，需要研究设计一种能够将任意船载传感器统一接入、统一部署和统一管理的传感器节点控制器。本节的研究方法和思路如下：首先，调研船载传感器和感知设备的种类、工作原理、输出信号类型、通信
兰州大学硕士研究生学位论文船舶智能监测与预警平台关键技术研究及其实现9点控制器的方案，完成了控制器主板的PCB制作、焊接和调试。第四章算法设计及其实现。本章主要介绍基于统计规则、无监督学习和深度学习的船舶智能预警算法的原理和实现方法。首先，介绍了时间序列及其特征序列的提取方法，重点介绍了LSTM的残差序列提取；然后，介绍了六种异常检测方法和深度学习异常在线预警的原理；最后，利用综合异常判决方法和深度学习的方法，完成船舶状态数据的异常检测和在线预警实验，对方法的检测准确性进行了评价和分析。第五章软件设计及其实现。本章主要介绍了船舶智能监测与预警平台软件的实现方法。详细介绍了数据采集、数据存储、数据可视化、数据一级报警、数据二级预警的全流程，最后以船舶航行安全和船体健康两大监测与预警模块对平台的应用进行示范。第六章总结与展望。本章主要对本文的工作进行总结和展望。首先，对本文的工作进行了整体总结，详细总结了平台开发的流程，使用到的工具和技术；然后，对平台目前的完成情况进行了总结，并在实验室环境下测试出了系统的性能和实验参数；最后，根据平台目前的不足之处进行了分析和展望。论文章节结构与关系如图1-3所示。图1-3论文章节结构与关系1.5本章小结本章主要从船舶安全和智能船舶两个角度介绍了船舶智能监测与预警平台的研究背景和研究意义，然后介绍了国内外关于监测装置和预警方法的研究进展，最后详细介绍了本文的主要研究内容和关键技术。
【参考文献】：
期刊论文
[1]长洲水利枢纽建成“船舶吃水智能化检测与预警系统”[J]. 张建林. 珠江水运. 2019(24)
[2]一种基于Attention-GRU和iForest的周期性时间序列异常检测算法[J]. 王腾,焦学伟,高阳. 计算机工程与科学. 2019(12)
[3]基于深度学习的滑油监测方法研究[J]. 马敏,王涛,王力. 推进技术. 2020(05)
[4]防止船舶与桥梁碰撞预警和智能控制系统研究[J]. 邹德武,程雪松,周振华,王招福. 中国水运(下半月). 2019(10)
[5]基于LSTM神经网络的船舶异常行为检测方法[J]. 杨帆,何正伟,何帆. 武汉理工大学学报(交通科学与工程版). 2019(05)
[6]智能船舶集成平台的研究与设计[J]. 庞宇,赵凡琪,吴骏. 船舶. 2019(05)
[7]船舶柴油发动机智能监控报警软件设计[J]. 陈鑫源,彭军. 舰船科学技术. 2019(18)
[8]基于混合方法的多维时间序列驾驶异常点检测[J]. 衡红军,刘静. 计算机工程. 2020(03)
[9]一种基于ZigBee的高速无线压力信号采集系统设计[J]. 路通,张海鹏,刘宇. 自动化应用. 2019(06)
[10]基于舱底进水监测与火灾报警的船舶智能分布式损管监控系统[J]. 任赛林,谢坤. 船舶工程. 2019(02)
博士论文
[1]船舶人因事故预警管理研究[D]. 刘丙泉.哈尔滨工程大学 2009
硕士论文
[1]基于ARIMA模型的周期性时间序列变化点检测算法研究[D]. 刘阳.山东大学 2018
本文编号：3075274
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
船舶智能监测与预警平台
兰州大学硕士研究生学位论文船舶智能监测与预警平台关键技术研究及其实现6的设计目标是通过传感器实时采集船舶运行数据，并应用深度学习算法，检测出船舶出现微小异常并提前预警，为船舶安全航行和船体健康运行提供安全保障。本文设计的船舶智能监测与预警平台是一个集硬件、算法、软件于一体的智能平台，主要研究内容与关键技术如图1-2所示。为了完成设计目标，首先，根据预警数据的需要，开发出一种用于统一管理、统一接入、统一组网的传感器节点控制器，用于对船舶状态数据的采集；然后，研究了基于统计规则和无监督学习耦合的综合异常判决模型和基于深度学习的船舶状态在线预警方法，建立了船舶状态异常检测、离线学习和在线预警的三维一体的预警体系。最后，基于设计的硬件平台和算法平台，设计开发了一套运行在工控机上的船舶监测与预警软件，实现了船舶状态数据采集、存储、监测、预警的全流程。图1-2本文研究内容及关键技术本文的关键技术包括以下四个方面：（1）船载分布式传感器的数据采集方法研究；（2）船载传感器协同组网及数据传输方法研究；（3）基于深度学习的船舶状态在线预警方法研究；（4）船舶智能监测与预警平台的软件设计与实现。下面分别阐述每个关键技术的研发难点和研究思路。1.3.1船载分布式传感器的数据采集方法研究在船舶数据采集方面，由于传感器分布在船体、机舱、甲板等各个位置，传感器类型众多、位置分散，而且传感器的输出信号格式、传输速率、信号电平不尽相同[34]，针对传感器接口的多样性和船舱部署的难点，需要研究设计一种能够将任意船载传感器统一接入、统一部署和统一管理的传感器节点控制器。本节的研究方法和思路如下：首先，调研船载传感器和感知设备的种类、工作原理、输出信号类型、通信
兰州大学硕士研究生学位论文船舶智能监测与预警平台关键技术研究及其实现9点控制器的方案，完成了控制器主板的PCB制作、焊接和调试。第四章算法设计及其实现。本章主要介绍基于统计规则、无监督学习和深度学习的船舶智能预警算法的原理和实现方法。首先，介绍了时间序列及其特征序列的提取方法，重点介绍了LSTM的残差序列提取；然后，介绍了六种异常检测方法和深度学习异常在线预警的原理；最后，利用综合异常判决方法和深度学习的方法，完成船舶状态数据的异常检测和在线预警实验，对方法的检测准确性进行了评价和分析。第五章软件设计及其实现。本章主要介绍了船舶智能监测与预警平台软件的实现方法。详细介绍了数据采集、数据存储、数据可视化、数据一级报警、数据二级预警的全流程，最后以船舶航行安全和船体健康两大监测与预警模块对平台的应用进行示范。第六章总结与展望。本章主要对本文的工作进行总结和展望。首先，对本文的工作进行了整体总结，详细总结了平台开发的流程，使用到的工具和技术；然后，对平台目前的完成情况进行了总结，并在实验室环境下测试出了系统的性能和实验参数；最后，根据平台目前的不足之处进行了分析和展望。论文章节结构与关系如图1-3所示。图1-3论文章节结构与关系1.5本章小结本章主要从船舶安全和智能船舶两个角度介绍了船舶智能监测与预警平台的研究背景和研究意义，然后介绍了国内外关于监测装置和预警方法的研究进展，最后详细介绍了本文的主要研究内容和关键技术。
【参考文献】：
期刊论文
[1]长洲水利枢纽建成“船舶吃水智能化检测与预警系统”[J]. 张建林. 珠江水运. 2019(24)
[2]一种基于Attention-GRU和iForest的周期性时间序列异常检测算法[J]. 王腾,焦学伟,高阳. 计算机工程与科学. 2019(12)
[3]基于深度学习的滑油监测方法研究[J]. 马敏,王涛,王力. 推进技术. 2020(05)
[4]防止船舶与桥梁碰撞预警和智能控制系统研究[J]. 邹德武,程雪松,周振华,王招福. 中国水运(下半月). 2019(10)
[5]基于LSTM神经网络的船舶异常行为检测方法[J]. 杨帆,何正伟,何帆. 武汉理工大学学报(交通科学与工程版). 2019(05)
[6]智能船舶集成平台的研究与设计[J]. 庞宇,赵凡琪,吴骏. 船舶. 2019(05)
[7]船舶柴油发动机智能监控报警软件设计[J]. 陈鑫源,彭军. 舰船科学技术. 2019(18)
[8]基于混合方法的多维时间序列驾驶异常点检测[J]. 衡红军,刘静. 计算机工程. 2020(03)
[9]一种基于ZigBee的高速无线压力信号采集系统设计[J]. 路通,张海鹏,刘宇. 自动化应用. 2019(06)
[10]基于舱底进水监测与火灾报警的船舶智能分布式损管监控系统[J]. 任赛林,谢坤. 船舶工程. 2019(02)
博士论文
[1]船舶人因事故预警管理研究[D]. 刘丙泉.哈尔滨工程大学 2009
硕士论文
[1]基于ARIMA模型的周期性时间序列变化点检测算法研究[D]. 刘阳.山东大学 2018
本文编号：3075274
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3075274.html
