船舶应急抛锚贯入深度计算方法对比分析

船舶应急抛锚贯入深度对海底管线的埋深有着重要的参考价值,为深入研究当前船舶应急抛锚贯入深度计算方法在相同工况下的特点及适用性,对基于Young公式和基于有限元模拟的船舶应急抛锚贯入深度计算方法进行分析并作对比。结果表明,两种方法的计算结果总体一致,但基于有限元模拟的船舶应急抛锚贯入深度计算方法得到的贯入深度值较大,这可为相关的海底原油管线保护埋深设置时,船舶应急抛锚贯入深度计算提供参考。

天津港大沽沙航道交通组织优化

为保障天津港大沽沙航道通航安全畅通,对该航道通航环境和交通现状进行了研究,统计分析了大沽口港区和南疆南港区泊位及到港船舶情况,通过分析通航时间和通航密度,计算了航道实际通航能力,指出该航道交通组织优化的必要性.依据港口发展规划,对港区货物吞吐量及到港船舶数量进行了预测,在此基础上提出了大沽沙航道交通组织优化模式和安全保障措施及建议.

半载条件下矿砂船压载方案的设计

为防止半载情况下矿砂船在大风浪中因操纵性能差出现摇荡剧烈的现象,以一艘半载2×104t精铁矿的矿砂船压载方案设置为实例,从船舶总纵强度校核和油耗效能等方面对部分压载和平行压载进行了比较。计算结果表明,两种方案均满足船舶总纵强度的安全要求,但部分压载方案的排水量较小,能有效降低船舶油耗,具有现实的推广意义。

引航员的引航责任期间

为更清晰地界定引航员引航责任起止时间点,减少引航员的引航责任事故,分析与当前引航员责任相关的法律法规和最新研究成果,根据引航工作实践和法律法规要求,将引航作业工作分为3个不同阶段,深入研究各阶段的引航职责界限和引航员应完成的引航工作,重点分析若干特殊情况下的引航责任划分,提出在引航责任期间的安全建议。研究所得结论对引航员在实施引航作业期间降低引航责任风险和提高船舶航行安全具有重要意义。

基于分数阶自适应滑模的船舶非线性减摇控制

[目的]为了解决船舶非线性横摇的控制问题,提出一种分数阶自适应滑模控制(FOASMC)算法。[方法]运用长峰波随机海浪模型,计算随机海浪谱密度、波倾角谱密度和作用于船舶的海浪谱;基于Lyapunov稳定性理论证明系统横摇角跟踪误差;设计切换函数,使系统对不确定性和外部干扰具有较强的鲁棒性;分析分数阶、控制律增益、滑模面增益等参数的影响。[结果]结果表明:对于各种船速、遭遇浪向等,FOASMC得到的横摇角均值和标准差比基本滑模控制(SMC)方法的值更小。例如,当船速为10 m/s,遭遇浪向角为5°时,横摇角均值是基本SMC的25.89%,均方差是基本SMC的14.32%。[结论]所提FOASMC算法对不同船速、遭遇浪向等情况下的减摇控制效果良好,鲁棒性较强,控制输入连续,不存在过高增益。

基于自适应分数阶Kalman滤波的船舶视觉跟踪

为提高Kalman滤波算法的准确性和鲁棒性,提出一种基于自适应分数阶系统的Kalman滤波算法,设计状态噪声协方差选择的自适应机制,推导其数学过程。将该算法应用到船舶视觉跟踪中,选取不同河流的CCTV(Closed Circnit Television)船舶监控视频(包括不同情况下的内河船舶运动监控),针对不同船舶大小、复杂光照、不同明暗度、多船会遇和多船追越等情况进行船舶视觉跟踪。对不同分数阶下的跟踪误差和准确度进行分析,并将分数阶Kalman滤波器与整数阶滤波器相比,说明其具有更宽的参数选择范围和更高的跟踪精度。研究结果表明:与分数Kalman滤波和Kalman滤波相比,该自适应分数Kalman算法具有更小的中心位置误差和更好的跟踪精度,能很好地避免跟踪器的漂移效应,具有较强的鲁棒性和准确性。

面向海事监管的船载危险货物集装箱查验选箱

在对船舶载运危险货物集装箱系统风险分析的基础上,结合典型案例主要运用事故树分析法,分析系统风险因子,确定船载危险货物集装箱运输事故因子;在用信息化手段实施选箱方法基础上,将船舶载运集装箱危险货物的风险因子和港口EDI信息结合,系统地找出19个选箱因子。结合专业判断,建立选箱因子与运输风险因子间的关联,为选箱方法提供数据基础。在危险货物集装箱开箱检查目标选取方面为海事局、港口局提供了可行性和可操作性较强的通用方法,促进港口安全监管部门提高集装箱查验工作效能。

基于神经网络的陈嘉庚集美一号实习船老照片修复

为了动态调整微光图像的边缘保持和平滑度,提出了一种基于神经网络来优化Retinex。本文采用网络结构来处理老照片图像增强任务,能够很好地消除微光图像增强中常见的伪影、色失真噪声等问题。采用陈嘉庚集美一号实习船老照片,来验证神经网络的有效性。结果表明,该方法有良好的老照片修复能力。

“一带一路”背景下世界海运地理课程优化研究

“一带一路”倡议作为一项全球性倡议,在海运地理学中具有重要的教学价值。“一带一路”对提高航运地理教学质量,具有重要意义。文章分析了影响课程质量的因素,以及课程与“一带一路”结合的不足之处。然后提出了船舶地理课程的优化路径,进行新的教学设计,以观察学生的学习效果。

基于层次分析法的厦门渔港防台风风险等级评估研究

渔港是保障渔业船舶靠泊和生产的重要基础设施。为了对厦门渔港的防台风风险等级进行量化评估,本文运用脆弱度和防灾系数来表征厦门渔港的防台风风险。通过实地勘察、走访调研、分析资料获取渔港防台风风险指标,再由专家最终筛选指标,并通过问卷调查的方式获取专家对各项指标的评估。最后,运用层次分析法对脆弱度和防灾系数评估模型的各项指标进行计算,获得厦门渔港的脆弱度和防灾系数。研究结果表明,厦门渔港的防台风能力可以进行量化评估,为管理机构进行监督管理提供一定的理论依据和参考。

基于文化萤火虫算法的足球机器人动态路径规划

提出一种基于文化算法框架的萤火虫优化算法,结合动态避障和滑模控制求解足球机器人动态路径规划问题,并利用数学定理证明算法的收敛性.根据足球机器人在比赛中承担任务的分工不同,分别对进攻和防守两种角色进行分析讨论,进攻时结合动态避碰的方法平滑和修正规划的路径;防守时通过滑模控制跟踪足球或对手机器人的轨迹,利用CFA算法进行整定优化滑模控制的参数,计算出机器人的运行速度和角速度.以足球机器人比赛实例进行测试,实验结果证实所提出算法无论对无碰撞危险还是有多个障碍物机器人碰撞危险等不同情况,都具备有效性和高效性.考察路径采样点数、种群数量和进化迭代次数等参数变化对收敛性能的影响,并将所提出算法与PSO和ACO等进化计算算法进行性能比较,验证了算法更容易搜索到全局最优解,有更好的收敛性能.

具有输入时滞的二轮自平衡车自适应滑模控制

对具有输入时滞的二轮自平衡车系统,设计了一种自适应滑模控制算法;采用拉格朗日函数建立二轮自平衡车系统的动力学数学模型,并在系统模型中考虑实际中存在输入时滞,以及在处理输入时滞时所引入的未知扰动;对变换后的输入矩阵做奇异值分解,进一步设计了对扰动参数具有自适应估计能力的自适应滑模控制器;基于Lyapunov稳定性理论,保证了闭环系统鲁棒渐近稳定;试验采用陀螺仪MPU-6050以及加速度传感器构成小车姿态检测装置。分析结果表明:当控制参数较小时,系统的超调量较小,然而系统的调节时间较长;当控制参数较大时,系统产生了较明显的超调量,然而系统的调节时间缩短了;当外加扰动较小时,车体速度变化小于0.08 m·s-1,倾角角速度变化小于0.6°·s-1;当外加扰动较大时,车体速度变化小于0.10 m·s-1,倾角角速度变化小于0.8°·s-1;初始倾角为5°时,车体速度保持在0.005 m·s-1范围内,倾角角速度保持在0.022°·s-1范围内;初始倾角为10°时,车体速度保持在0.007 m·s-1范围内,倾角角速度保持在0.031°·s-1范围内。可见,自适应滑模控制算法能在引入适量干扰和不同初始车体倾角的情况下,使小车自主调整并迅速恢复稳定状态。

基于线性矩阵不等式的船舶动力定位滑模控制

为了解决具有非线性和环境干扰的船舶动力定位系统的控制问题,提出了一种基于线性矩阵不等式的滑模控制算法;将跟踪误差设计为滑模函数,设计线性矩阵不等式,求解状态反馈增益;基于二次型Lyapunov函数证明了闭环系统的稳定性;设计切换函数,使系统对不确定性和外加干扰具有较强的鲁棒性,避免出现抖振现象;对基于线性矩阵不等式的滑模控制器进行仿真,计算出动力定位船舶在无扰动的匀速运动和有外界环境扰动的变速运动2种不同情况下的前进速度、横荡速度、艏向角速度、前进加速度、横荡加速度、艏向角加速度、前进控制力、横荡控制力和艏向控制力矩等;分析了状态反馈增益线性矩阵、边界层、切换项增益等参数对控制性能的影响。研究结果表明:采用基本滑模控制使前进速度达到期望值所需的上升时间为29s,而新算法为15s,节约了48.28%;采用基本滑模控制使横荡速度达到期望值所需的上升时间为24s,而新算法为14s,节约了41.67%;采用基本滑模控制使艏向角速度达到期望值所需的上升时间为13s,而新算法为10s,节约了23.08%。可见,设计的控制器对有非线性和环境干扰的船舶动力定位系统都具有较强的鲁棒性,具有控制输入连续、控制抖振小、不存在过高增益等特点。

基于强化学习的倒立摆分数阶梯度下降RBF控制

为了提高强化学习的控制性能,提出一种基于分数梯度下降RBF神经网络的强化学习算法.通过评价神经网络和执行神经网络组成强化学习系统,利用神经网络记忆和联想,学会控制倒立摆,提高控制精度,使误差趋于零,直至学习成功,并证明闭环系统的稳定性.通过倒立摆的物理实验发现,当分数阶阶数较大,微分的作用更显著,对角速度和速度的控制效果更好,角速度和速度的均方误差和平均绝对误差较小;当分数阶阶数较小,积分的作用更显著,对倾斜角和位移的控制效果更好,因此倾斜角和位移的均方误差和平均绝对误差较小.仿真实验的结果表明,所提算法动态响应好,超调量小,调整时间短,精度高,泛化性能好.它优于基于RBF神经网络的强化学习算法和传统强化学习算法,能有效地加快梯度下降法的收敛速度,提高其控制性能.在引入适当的干扰后,所提算法能够快速地自我调节并恢复稳定状态,控制器的鲁棒性和动态性能满足实际要求.