-
公开(公告)号：CN117111481A
公开(公告)日：2023-11-24
申请号：CN202311378733.4
申请日：2023-10-24
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
IPC: G05B13/04
Abstract: 本发明提供了一种多船舶协同跟踪控制系统及控制方法，涉及船舶协同控制技术领域，所述多船舶协同跟踪控制系统包括：引导单元，误差单元，固定时间非奇异快速终端滑模面单元，固定时间辅助动态单元，事件触发控制单元，固定时间扩张状态观测单元，饱和补偿单元。本发明实现了在固定时间内收敛，基于预设触发条件判定是否触发，是为了减少了执行机构的更新频率，降低了执行机构的磨损，不仅起到了节能的作用，而且还能实现控制系统的固定时间快速收敛，进而提高系统的控制精度及稳定性。
-
公开(公告)号：CN118586295B
公开(公告)日：2024-12-24
申请号：CN202411053875.8
申请日：2024-08-02
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
IPC: G06F30/27 , G06F30/25 , G06F30/28 , G06N3/0499 , G06F17/11 , G06F113/08 , G06F119/14
Abstract: 本发明涉及船舶冰荷载领域，特别涉及一种基于物理信息神经网络的船舶冰载荷预报方法，实现了船舶冰载荷的智能预报。首先利用CFD‑DEM耦合计算得到在破碎冰区航行的船舶的冰载荷力以及当前时刻冰粒子的数量和相对碰撞速度，依此作为网络的训练与验证数据，之后构建冰粒动量与船舶冰载荷之间的动量守恒方程作为物理约束加入到网络的损失函数中，最后建立全连接网络结构。本发明通过建立神经网络数据集，并利用浮冰和船舶冰载荷相关的物理方程约束神经网络，将神经网络结合物理方程，从而在实时破冰的途中计算并预测后续冰面所到来的阻力；让本发明与船体的显示单元结合时，能够根据实际破冰需要的船速完成调节。
-
公开(公告)号：CN118469043B
公开(公告)日：2024-11-12
申请号：CN202410930919.4
申请日：2024-07-12
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
IPC: G06N20/00 , G06F18/10 , G06F18/213 , G06F18/2433
Abstract: 本发明提供了一种船舶运行模型训练方法和船舶运行控制方法，涉及数据处理技术领域。船舶运行模型训练方法可包括通过主成分分析算法，将多个第一训练数据中的每个第一训练数据中的第一输入数据映射到二维坐标系中，以得到每个第一训练数据的第二输入数据；根据每个第一训练数据的第二输入数据，并结合网格密度法，对多个第一训练数据进行离群点筛除，以得到多个第二训练数据；根据多个第二训练数据中的每个第二训练数据所属的网格的密度，配置每个第二训练数据的第一权重；根据每个第二训练数据和每个第二训练数据的第一权重，对第一船舶运行模型进行训练，以得到第二船舶运行模型。本发明提供的船舶运行模型训练方法可提高船舶运行模型的精度。
-
公开(公告)号：CN118605184A
公开(公告)日：2024-09-06
申请号：CN202411047323.6
申请日：2024-08-01
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
IPC: G05B13/04
Abstract: 本发明提供了一种船舶轨迹跟踪方法和设备，涉及轨迹跟踪技术领域，该方法可包括：根据船舶在当前时刻的第一状态量和船舶基于控制时域的控制序列，确定第一状态序列；其中，控制时域为以当前时刻为起点的第一时间段，第一状态序列为船舶基于预测时域的状态序列，预测时域为以当前时刻为起点的第二时间段；获得第二状态序列；其中，第二状态序列为船舶在参考轨迹中的预测时域的状态序列；根据第一状态序列与第二状态序列的差，并结合船舶的控制约束条件，确定船舶基于预测时域的控制序列；从船舶基于预测时域的控制序列中，获得船舶在当前时刻的控制量；根据船舶在当前时刻的控制量，控制船舶运行。本发明提高了轨迹跟踪的精度。
-
公开(公告)号：CN118520778A
公开(公告)日：2024-08-20
申请号：CN202410968747.X
申请日：2024-07-19
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
IPC: G06F30/27 , G06F30/28 , G06N3/084 , G06N3/0985 , G06F113/08 , G06F119/14
Abstract: 本发明属于水下运动阻力测算领域，特别涉及一种基于物理信息神经网络的水下全回转航行体阻力预测方法与优化系统，具体包括如下步骤：S1.模型参数化；S2.几何重构和样本设计；S3.数据集准备；S4.PINNs网络构建；S5.测试网络模型；S6.求解阻力；S7.预测系统精度验证。本发明创新性地超越了传统的纯数据驱动训练模型，该模型通常依赖于大量的船型计算数据来训练近似模型以达到满意的精度。相反，本发明从基本原理出发，引入了物理信息作为损失函数的一部分，实现了一种深层次的数据驱动方法。即使在CFD样本数量有限的情况下，本发明也能通过利用大量的流场信息作为训练和测试集，不仅保证了模型精度，同时也显著减少计算资源。
-
Patent Agency Ranking
公开(公告)号：CN118501883A
公开(公告)日：2024-08-16
申请号：CN202410956253.X
申请日：2024-07-17
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
Abstract: 本发明提供了一种船舶泊位探测方法、电子设备和船舶泊位探测系统，涉及船舶靠泊技术领域。船舶泊位探测方法可包括：获得多个第一探测点中的每个第一探测点的位置和雷达反射截面积；根据每个第一探测点的位置，对多个第一探测点进行降噪，以得到多个第二探测点；根据多个第二探测点中的每个第二探测点的雷达反射截面积，对多个第二探测点进行降噪，以得到多个第三探测点；根据多个第三探测点中的每个第三探测点的位置，在多个第三探测点中提取直线，以得到与至少一个泊位一一对应的至少一个第一直线。本申请提供的船舶泊位探测方法不仅实现了泊位的探测且提高了泊位探测的精度。
-
公开(公告)号：CN118466519A
公开(公告)日：2024-08-09
申请号：CN202410923907.9
申请日：2024-07-11
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
Abstract: 本发明提供了一种无人船集群的自组织协同围捕控制方法、装置及设备，涉及智能控制技术领域，包括：获取被围目标和无人船集群的测量状态信息，所述无人船集群包括至少三个欠驱动无人船；将所述测量状态信息输入分布式目标状态观测器得到估计状态信息；根据所述测量状态信息和所述估计状态信息进行围捕轨迹计算得到虚拟离散参考轨迹；通过所述虚拟离散参考轨迹和环境扰动估计值得到协同围捕控制方法，所述环境扰动估计值用于表示对海洋环境扰动进行估计的信息。本发明实现了实际情况下的无人船集群协同围捕。
-
公开(公告)号：CN118092188A
公开(公告)日：2024-05-28
申请号：CN202410459126.9
申请日：2024-04-17
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
IPC: G05B13/04
Abstract: 本发明提供一种气垫船进坞辅助控制方法及系统，涉及船舶运动控制技术领域，所述方法包括：根据全垫升气垫船的执行机构的装置布局，得到全垫升气垫船的运动数学模型再结合执行机构的当前状态的运动参数，得到全垫升气垫船的执行机构的操作策略；根据当前速度，确定全垫升气垫船分别在中高速航行状态和低速航行状态下执行机构的操作策略对应的权重系数；通过预设的强化学习网络对操作策略的权重系数进行迭代，得到全垫升气垫船在任务工况下的最优动作序列；并根据最优动作序列，引导全垫升气垫船进坞。本发明通过强化学习得到最优动作序列以辅助全垫升气垫船的进坞操作，提高全垫升气垫船航行的稳定性以及控制精度。
-
公开(公告)号：CN117556172B
公开(公告)日：2024-04-19
申请号：CN202410040741.6
申请日：2024-01-11
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06F17/10
Abstract: 本发明涉及人工智能技术领域，提供一种船舶操纵运动预报模型构建方法及船舶操纵运动预报方法，船舶操纵运动预报模型构建方法包括：根据船舶运动规律构建多个核函数；根据多个核函数构建对应的运动模型；按照预设筛选标准对多个运动模型进行筛选，得到目标运动模型；按照预设权重和目标运动模型构建运动预报模型。本发明的有益效果：充分考虑了所有核函数的特性，使得运动预报模型在面对更多种船舶运动情况时具有更高的泛化性。按照预设筛选标准对多个运动模型进行筛选，实现自适应运动模型筛选，提升运动预报模型的构建效率。
-
公开(公告)号：CN117115786A
公开(公告)日：2023-11-24
申请号：CN202311368361.7
申请日：2023-10-23
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
Abstract: 本发明涉及计算机视觉技术领域，具体而言，涉及一种联合分割跟踪的深度估计模型训练方法及使用方法。一种联合分割跟踪的深度估计模型训练方法，包括：获取连续的视频帧图像；通过目标分割网络和目标跟踪网络，得到视频帧图像的目标分割跟踪结果；将相邻的视频帧图像和各自对应的目标分割跟踪结果输入初始深度估计模型，输出当前视频帧的深度图；将相邻视频帧图像输入位姿估计网络，输出前相对位姿和后相对位姿；根据深度图、前相对位姿和后相对位姿，得到重建目标图像；根据当前视频帧图像和重建目标图像，基于重建损失函数，训练初始深度估计模型，得到训练好的深度估计模型。本发明的技术方案可以有效地提高深度估计模型的深度预测的精度。
-
-
-
-
-
-
-
-
-
Search Results
180
records
(took 0.06 seconds)
