-
题名基于AIS轨迹重现任务的船舶路径跟踪迭代控制
- 1
-
-
作者
李志豪
张国庆
李纪强
张显库
-
机构
大连海事大学航海学院
大连海事大学水路交通控制全国重点实验室
大连市自主航运安全技术重点实验室
-
出处
《中国舰船研究》
北大核心
2025年第5期272-279,共8页
-
基金
国家优秀青年科学基金项目(52322111)
国家自然科学基金资助项目(52171291)
+4 种基金
辽宁省“兴辽英才计划”青年拔尖人才项目(XLYC2203129)
大连市杰出青年科技人才项目(2022RJ07)
中央高校基本科研业务费专项资金项目(3132023502)
中国博士后科学基金项目(2025M771628)
国家资助博士后研究人员计划项目(GZC20251126)。
-
文摘
[目的]针对欠驱动船舶跟踪精度低、系统模型不确定性和时变海洋环境干扰的路径跟踪问题,设计一种基于船舶自动识别系统(AIS)轨迹重现任务的高精度迭代控制策略。[方法]首先,通过结合AIS数据和动态虚拟船(DVS)制导算法,提出一种基于AIS数据驱动的制导方法。其次,引入鲁棒神经阻尼技术和动态面控制(DSC)方法来逼近模型不确定项和对虚拟控制律的复杂求导,避免了“计算爆炸”的问题。再次,基于传统的鲁棒控制方法,引入迭代学习控制策略完成最终控制器设计。最后,通过李雅普诺夫定理,证明所提出的控制器具有半全局一致最终有界(SGUUB)稳定性质,并且在时变海洋环境干扰下进行仿真实验验证。[结果]结果表明,在此控制策略下的船舶路径跟踪具有高精度、鲁棒性强的特点,且平均控制精度能够有效保持在0.5m内。[结论]对特定复杂水域的船舶安全航行和轨迹重现任务具有重要意义。
-
关键词
欠驱动船舶
路径跟踪
迭代学习控制
动态面控制
-
Keywords
underactuated ships
path following
iterative learning control
dynamic surface control
-
分类号
U664.82
[交通运输工程—船舶及航道工程]
-
-
题名基于知识图谱的智能船舶领域航海人才培养方案
- 2
-
-
作者
李颖
吕红光
金天淇
纪思雨
-
机构
大连海事大学航海学院
大连海事大学航海动态仿真和控制交通行业重点实验室
大连海事大学水路交通控制全国重点实验室
-
出处
《中国航海》
北大核心
2025年第S1期190-201,共12页
-
基金
国家自然科学基金资助项目(52071049)
-
文摘
针对智能船舶背景下航海类人才培养方案的需求,综合分析STCW公约对管理级和操作级船员的适任能力要求,并结合智能船舶的关键技术与设备,使用Neo4j工具和雨课堂知识图谱模块构建涵盖适任能力、培养目标、课程设置及考核方式的知识图谱,包含共计1 700个节点及其关联;结合STCW公约与智能船舶技术,系统分析智能船舶背景下的航海人才培养方案,提出具体的培养建议与参考意见,研究成果可为智能船舶领域的人才培养提供参考。
-
关键词
智能船舶
STCW公约
知识图谱
航海人才培养
-
Keywords
maritime autonomous surface ships
STCW
knowledge graph
nautical talent cultivation
-
分类号
G640
[文化科学—高等教育学]
-
-
题名基于物理信息神经网络的船舶速度损失预测
- 3
-
-
作者
郭东东
尹勇
钱小斌
杨继银
丛琳
-
机构
大连海事大学航海学院
大连海事大学水路交通控制全国重点实验室
大连海大智龙科技有限公司智能航运部
-
出处
《上海海事大学学报》
北大核心
2025年第3期14-21,共8页
-
基金
国家重点研发计划(2022YFB4300803)
大连市科技人才创新支持计划(2023RY005)。
-
文摘
针对船舶速度损失预测中广泛采用的半经验模型准确性不足和人工智能算法需要大量训练数据的问题,将半经验模型的计算结果作为一个附加特征纳入数据集,建立一种物理信息神经网络(physics-informed neural network,PINN)模型对船舶速度损失进行预测。选取一艘载重吨为28000 t的散货船2011年6月至2012年7月的航行数据对模型进行训练和测试。实验结果显示,PINN模型优于半经验模型和人工神经网络(artificial neural network,ANN)模型。进一步采用该船2013年某航次的数据进行验证,结果显示PINN模型仍优于其他两种单一模型,证实了其在训练数据较少时的高准确性和强泛化能力。
-
关键词
物理信息神经网络(PINN)
船舶速度损失
人工神经网络(ANN)
智能航运
-
Keywords
physics-informed neural network(PINN)
ship speed loss
artificial neural network(ANN)
intelligent shipping
-
分类号
U675.79
[交通运输工程—船舶及航道工程]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
