基于虚拟现实的船舶轮机仿真训练系统

将虚拟现实技术应用于轮机系统仿真中 ,建立了“基于虚拟现实的轮机仿真训练系统”。虚拟现实技术是近年来发展起来的一种新的计算机技术 ,结合了计算机硬件 ,图形显示 ,生理学 ,心理学的最新研究成果。本系统实现了传统船舶轮机仿真系统所无法实现的一些特殊运行情况的模拟 ,并为训练者提供真实的临场感觉。本文介绍了系统的设计思想、总体结构及系统的组成和特点。

轮机模拟器中机舱资源管理培训及评估功能

通过认可的轮机模拟器对船员进行机舱资源管理培训及评估是满足《STCW公约马尼拉修正案》要求的有效且容易实施的重要手段。在研究了公约中关于机舱资源管理的主要原则、评估手段及评价标准的基础上,深入剖析了船舶机舱资源的基本类型及其特点,并结合轮机模拟器开发过程阐述了相应模块的功能和具体培训及评估实施方法。

公约、技术与航海模拟器的发展

航海模拟器的发展既受到各种技术进步的影响,也深受相关条约法规的制约。挪威船级社2007年10月对航海模拟器系统认证标准的修改充分印证了这一点。跨入新世纪以来,随着虚拟现实技术的进步,尤其是图形技术的快速发展为实时生成具有影视级真实感视景成为可能,图形生成系统从高档图形工作站到微机集群的转换,软件几何校正边缘融合技术在宽视场角环幕投影中的应用大幅度降低了视景系统在航海模拟器中的开发成本,为多本船航海模拟器系统创造了条件,包括多本船体系结构在内的综合化趋势将越来越明显。另一方面,六自由度船舶运动数学模型的研究也显得越来越迫切,需要投入更多的精力。

STCW公约马尼拉修正案下的航海模拟器发展战略

STCW公约是对航海模拟器的发展影响最深的公约之一。通过对STCW公约马尼拉修正案中与航海模拟器有关修改内容的介绍和分类,提出了航海模拟器的发展战略在STCW公约马尼拉修正案履约要求下应遵循的原则提出研发符合STCW公约要求的ECDIS操作模拟器、完善现有全任务航海模拟器的功能,以满足BRM等培训的需要。建议尽早开发特殊培训需要的模拟器,尽早开展在远程教学和电子教育中应用模拟器的相关研究。

基于纯虚拟的船舶轮机模拟训练系统

针对传统陆上轮机模拟器的不足,研制了基于纯虚拟模拟的船舶轮机模拟训练系统(ME-STS).系统以计算机局域网为平台,主要包括设备示教模块和设备虚拟训练模块两大部分,可实现设备结构组成、工作原理、维护保养的计算机示教功能和设备故障诊断、虚拟操纵的模拟训练功能,介绍了系统实现过程中的关键技术及实现方法.使用结果表明系统可有效提高船员熟悉和掌握设备的水平.

轮机训练仿真器中的船舶电站仿真

本文就自行设计研制的船舶轮机训练仿真器中的电站仿真技术予以论述.文中论及了仿真电站的原型,仿真简化设计方法,仿真电站的基本组成及计算机硬、软件系统构造,还就电站仿真中的几个特殊技术问题进行讨论.最后说明了仿真电站研制成功的意义.

船舶专业四体交互式实践教学体系构建研究

针对目前船舶类高职院校实践教学存在的突出问题,提出“理论-虚拟-实践-生产”四体交互式实践教学模式,以提高实践教学效率、增强实践教学效果。“理论-虚拟-实践-生产”四体交互式实践教学模式即以成果为导向的专业理论课程体系、搭建船舶虚拟装配与仿真实训平台、统筹单项技能实训教学项目、校企共同实施生产性实训。

电子调速器仿真训练系统的研究与开发

电子调速器是一种集微电子、计算机、控制理论于一体的高智能设备,要求使用者熟练地掌握对它的操作和维护。为此,研究开发了电子调速器仿真训练系统,该系统以目前在远洋船舶上大量采用的NABCO公司的MG-800电子调速器作为仿真对象,通过计算机软件进行全面仿真,同时该系统还可实现网络化教学,完全能够满足轮机管理专业学生学习电子调速器的操作和维护的需要。

机驾合一的船舶训练模拟器的设计与实现

基于船舶模拟器进行机驾合一的模拟训练,能够有效加强部门之间的协调合作能力,提高船舶的整体安全性和可靠性。研究设计了一种机驾合一的船舶训练模拟器,主要研究的是机电模拟器和航海模拟器之间的数据交互与响应、整体功能实现等关键点。通过该项研究,能够实现驾驶部门和机电部门的联合模拟训练,这对于增加船舶驾驶和机电部门的协作能力具有很好的作用。

船舶机舱协作式模拟训练智能评估

基于人-机-环境系统工程理论,研究了船舶机舱模拟训练评估问题,建立了船舶的角色-任务-资源系统协作训练模型,提出了基于专家系统和机器学习的智能评估方法,并用于改进三维机舱协作训练系统;建立了船舶机舱模拟训练情景知识库、任务知识库和评估指标体系,结合专家经验和评估规范提取评估规则,采用遗传算法优化后的权重对数据进行多重模糊综合评判;针对实际的评估问题构造合适的机器学习网络结构,利用BP神经网络和深度学习算法具备的自学习优势,以简化运算步骤;将评估指标数据进行归一化处理后作为评估模型的输入数据,将评估结果作为目标数据,采用稀疏自动编码器对大量数据样本进行特征变换,深入学习样本特征并用于分类评估,经反复训练后得到较好的评估模型;对基于专家系统和机器学习的智能评估方法进行了对比分析。分析结果表明:经遗传算法优化的评估结果误差明显较小,平均绝对误差为0.761分,平均相对误差为0.983%,均方误差为0.938分,最大误差为2.263分,最小误差为0.248分;对于较简单任务的评估,基于机器学习评估的最大绝对误差为3.521分,最小绝对误差为0.304分,较好的深度学习评估网络的所有指标的评估误差均可小于1分。