【技术实现步骤摘要】
基于深度学习方法的辅助抗沉决策模型生成方法及系统
[0001]本专利技术涉及抗沉辅助决策
，特别涉及一种基于深度学习方法的辅助抗沉决策模型生成方法及系统。
技术介绍
[0002]我国的海洋事业在过去几十年经历了极大的发展，目前国内的船舶行业发展迅猛，各种船舶承担着不同的任务，其中大型船舶在其中是重中之重，包括邮轮，军舰，大型客船等。然而在海上航行，火灾、破损浸水、设备损坏、疾病暴发等安全事件随时可能发生，船舶在这些安全威胁面前存在着极大的脆弱性，处理不好，往往会产生重大伤害。采取有效的安全管理系统和处置措施，是保障人员安全、系统设备安全和船舶安全的重要手段。
[0003]船舶在海上航行，威胁最为严重的就是破损浸水，传统的解决方法由于信息更新和传递不及时，往往容易导致人员生命安全受到威胁，甚至整船倾覆造成巨大经济和人员损失。随着计算机性能的爆炸式进步，各种计算机技术的飞速发展，逐步出现了各种功能的辅助系统整合到一起的综合辅助系统，抗沉辅助系统作为其中极其重要的一个子模块，在其中发挥着重要作用。船舶的破舱稳性是衡量客船安全性能的重要标度。船舶的浮态发生了改变，可能是由于燃油、淡水等液体的消耗，或者是出现了舱室破损进水。为了保障舰船有效生命力，对海水进入破损舱室过程和进水完毕后舰船最终的姿态的研究成为了重要内容。同时对于倾斜舰船，采取调整措施，使舰船浮态达到正常活动允许的范围内。一个优秀的抗沉辅助决策系统能够在客船遇到破损进水等危险情况给予客船工作人员及时有效的辅助决策信息，极大地为人员安全提供保障。>[0004]辅助决策模型最开始是用于船舶的。国外最开始将计算机与人工智能应用于抗沉性研究的是美国的Ballast于1984年开发应用于FFG
‑
30舰上的损管系统，该系统可以实时监控并分析客船的浮态和稳性，针对各种情况，提供调整浮态的解决方案以供选择。海军司令部1990年利用了船体特性程序(SHCP)的标准算法研发了FCCS(进水事故控制软件)，能够实时记录客船载荷，客船损伤等信息，可以提供航行过程对稳陛的影响性分析。2004年，Graphics Research Corporation(GRC)公司开发了一种舰船稳性分析软件(Seago
‑
ingparamarine)，可以通过舰船载况的改变，实时分析舰船的完整稳性，针对稳性的变化做出相应的调整，保证舰船的生命力。国外关于舰船辅助决策方面的研究已经趋于成熟，但是由于保密性等原因，公开发表的文献较少。
[0005]2001年程虹等从浮态调整系统的组成及原理上探讨了试验舰船的浮态调整方法，该系统通过实验实时提供的数据，计算舰船稳性及油水消耗情况，最后结合实验给出调整措施，该浮态调整系统也可应用于其他舰船。2007年，马坤等将计算机仿真技术应用到舰船完整稳性的计算当中，基于静力学基本原理，提出任意浮态下载况的实时计算方法，该方法得到液舱实时数据，通过计算机仿程序得到舰船浮态、稳性等，根据结果辅助操作人员进行调整。2010年胡丽芬等研究开发了可以快速生成抗沉方案的计算方法，即M
‑
H法。2014年，胡丽芬等通过改进的遗传算法，采用可用的抗沉舱来调整船舶浮态，以倾斜角和横倾角作为
停止准则，计算液舱注水方案，对舰船的抗沉方案进行决策，适合于紧急情况下快速决策。2017年张维英等为缩短舰船抗沉的反应时间，将逼近理想解排序法(TOPSIS)应用于辅助决策系统研究，除去已破损的舱室，以剩余稳性和浮态参数作为目标函数，最后输出船舶破损后的信息，抗沉舱的实施顺序以及实施方案后的效果，简单快捷且实用。
[0006]国内外虽然对抗沉辅助决策系统有较多的研究，但是基于深度学习方法来辅助决策生成则非常少见。
技术实现思路
[0007]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0008]为此，本专利技术的一个目的在于提出一种基于深度学习方法的辅助抗沉决策模型生成方法，该方法提高抗沉辅助决策的速度以及合理程度。
[0009]本专利技术的另一个目的在于提出一种基于深度学习方法的辅助抗沉决策模型生成系统。
[0010]为达到上述目的，本专利技术一方面实施例提出了基于深度学习方法的辅助抗沉决策模型生成方法，包括以下步骤：步骤S1，获取预设船舶的舱室区域标号数据和浸水实验数据，其中，所述浸水实验数据包括总时间、每个舱室的灌满时间以及浸水视频；步骤S2，将所述每个舱室的浸水视频进行逐帧处理，得到多个图片以及每张图片对应的时间，并将所述多个图片以及每张图片对应的时间分成两个部分，第一部分图片将其顺序打乱，并划分为训练集和测试集，第二部分图片以时间轴为顺序排列；步骤S3，将所述训练集输入卷积神经网络中进行训练，并将所述第二部分图片输入训练好的卷积神经网络中，得到向量化数据；步骤S4，将所述舱室区域标号和所述向量化数据输入循环神经网络中进行训练，得到辅助抗沉决策模型。
[0011]本专利技术实施例的基于深度学习方法的辅助抗沉决策生成方法，基于通过深度学习方法，使用船舶的舱室数据和实验数据分别对CNN部分和RNN部分进行训练，其中，CNN部分使用U
‑
net模型，以识别图片上的海水，RNN部分用来输出船舶浸水以后的重要预测数据，以辅助决策，解决了现有绝大部分抗沉软件还是基于稳性计算，而造成浸水事故发生不可预知且时间紧急，留给决策人员的决策时间非常短的问题，且提高抗沉辅助决策的速度以及合理程度。
[0012]另外，根据本专利技术上述实施例的基于深度学习方法的辅助抗沉决策生成方法还可以具有以下附加的技术特征：
[0013]进一步地，在本专利技术的一个实施例中，所述步骤S1具体包括：步骤S101，对所述预设船舱水线下的舱壁进行区域划分，同时将曲面面积划分为预设数量的小区域并标记，记录每个区域的面积，并一一编号作为所述舱室区域标号数据；步骤S102，对所述舱室数据中的每个小区域进行浸水实验，直至浸水灌满水线以下的船体后，记录所述总时间、所述每个舱室的灌满时间，同时利用摄像设备记录所述每个舱室的浸水视频。
[0014]进一步地，在本专利技术的一个实施例中，所述第二部分图片选择每组前十秒的图片进行排列。
[0015]进一步地，在本专利技术的一个实施例中，利用U
‑
net模型搭建所述卷积神经网络，所述卷积神经网络包括六个卷积层、四个池化层、五个反卷积层和一个双卷积层，其中，每个
卷积层的卷积核为3，步长为1，填充尺寸为1，每个池化层均为最大池化层，且内核参数为2，步长为2。
[0016]进一步地，在本专利技术的一个实施例中，所述循环神经网络采用长短期记忆人工神经网络，包括输入门、遗忘门、输出门，其中，输入为两个维度，需将两个维度的向量进行拼接组合。
[0017]为达到上述目的，本专利技术另一方面实施例提出了基于深度学习方法的辅助抗沉决策生成系统，包括：获取模块，用于获取预设船舶的舱室区域标号数据和浸水实验数据，其中，所述浸水实验数据包括总时间、每个舱室的灌满本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习方法的辅助抗沉决策模型生成方法，其特征在于，包括以下步骤：步骤S1，获取预设船舶的舱室区域标号数据和浸水实验数据，其中，所述浸水实验数据包括总时间、每个舱室的灌满时间以及浸水视频；步骤S2，将所述每个舱室的浸水视频进行逐帧处理，得到多个图片以及每张图片对应的时间，并将所述多个图片以及每张图片对应的时间分成两个部分，第一部分图片将其顺序打乱，并划分为训练集和测试集，第二部分图片以时间轴为顺序排列；步骤S3，将所述训练集输入卷积神经网络中进行训练，并将所述第二部分图片输入训练好的卷积神经网络中，得到向量化数据；步骤S4，将所述舱室区域标号和所述向量化数据输入循环神经网络中进行训练，得到辅助抗沉决策模型。2.根据权利要求1所述的基于深度学习方法的辅助抗沉决策生成方法，其特征在于，所述步骤S1具体包括：步骤S101，对所述预设船舱水线下的舱壁进行区域划分，同时将曲面面积划分为预设数量的小区域并标记，记录每个区域的面积，并一一编号作为所述舱室区域标号数据；步骤S102，对所述舱室数据中的每个小区域进行浸水实验，直至浸水灌满水线以下的船体后，记录所述总时间、所述每个舱室的灌满时间，同时利用摄像设备记录所述每个舱室的浸水视频。3.根据权利要求1所述的基于深度学习方法的辅助抗沉决策生成方法，其特征在于，所述第二部分图片选择每组前十秒的图片进行排列。4.根据权利要求1所述的基于深度学习方法的辅助抗沉决策生成方法，其特征在于，利用U
‑
net模型搭建所述卷积神经网络，所述卷积神经网络包括六个卷积层、四个池化层、五个反卷积层和一个双卷积层，其中，每个卷积层的卷积核为3，步长为1，填充尺寸为1，每个池化层均为最大池化层，且内核参数为2，步长为2。5.根据权利要求1所述的基于深度学习方法的辅助抗沉决策生成方法，其特征在于，所述循环神经网络采用长短期记忆人工神经网络，包括输入门、遗忘门、输出门，其中，输入为两个维度，需将两个维度的向量进行拼接组合。6.一种基于深度学习...
【专利技术属性】
技术研发人员：杨东梅，李泽，李昊垚，张祺，张越，张立国，董宇欣，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。