一种船舶机械运行模式的判定方法技术

本发明专利技术提供一种船舶机械运行模式的判定方法。本发明专利技术方法，包括：获取数据集，并提取出训练集和测试集；对数据集中的数据进行预处理；采用优化后的支持向量机对预处理后的训练集数据进行训练，得到训练模型；采用得到的训练模型来预测测试集的分类标签，如果测试集的预测效果达到预期则用于实船，如果效果不理想则增加优化算法的迭代次数，直到效果达到预期。本发明专利技术方法可以有效的判定船舶机械当前的运行模式，方便船上人员进行操作，提高船舶机械设备管理效率，延长船舶机械的寿命，降低管理成本。理成本。理成本。

【技术实现步骤摘要】
一种船舶机械运行模式的判定方法


[0001]本专利技术涉及船舶机械设备监控
，具体而言，尤其涉及一种船舶机械运行模式的判定方法。

技术介绍

[0002]随着船舶智能化和无人化的发展，远程及岸基遥控船舶的机械将成为热点和难点。在不同的海况和航线规划条件下，船舶及其设备的运行模式也不同，在实施遥控操作前，感知和判别船舶机械设备的运行模式，才能实现对船舶机械的可靠操作。但目前没有船舶机械运行模式精准的判定方法，所以设计一种能精准判定船舶机械运行模式的方法尤为重要。
[0003]现有的解决方法有使用BP神经网络进行分类、使用未优化的支持向量机进行分类等。然而BP神经网络虽然泛化能力以及容错能力较强，但存在局部极小化、收敛速度慢、应用实例与网络规模的矛盾以及BP神经网络结构选择不一等问题。而未优化的支持向量机的预测准确率较低。

技术实现思路

[0004]根据上述提出的技术问题，而提供一种船舶机械运行模式的判定方法。本专利技术首先需要从已有的船舶机械设备的每个运行状态中的参数里把训练集以及测试集提取出来，之后进行一定的预处理，之后用优化之后的支持向量机对其进行训练，使用最后得到的模型来预测测试集的分类标签，如果测试集的预测效果达到预期则用于实船，如果效果不理想则增加优化算法的迭代次数，直到效果达到预期。
[0005]本专利技术采用的技术手段如下：
[0006]一种船舶机械运行模式的判定方法，包括如下步骤：
[0007]S1、获取数据集，并提取出训练集和测试集；
[0008]S2、对数据集中的数据进行预处理；
[0009]S3、采用优化后的支持向量机对预处理后的训练集数据进行训练，得到训练模型；
[0010]S4、采用得到的训练模型来预测测试集的分类标签，如果测试集的预测效果达到预期则用于实船，如果效果不理想则增加优化算法的迭代次数，直到效果达到预期。
[0011]进一步地，所述步骤S1中，获取数据集，并提取出训练集和测试集，具体为：
[0012]获取已有的船舶机械设备的每个运行状态中的参数；
[0013]在所述参数中提取训练集以及测试集。
[0014]进一步地，所述步骤S2中，对数据集中的数据进行预处理，具体为：
[0015]对训练集和测试集进行归一化预处理，将数据映射到0～1范围之内处理；其中，采用的归一化映射如下：
[0016][0017]上式中，y、x分别表示数据归一化前后的值，x
min
、x
max
分别表示数据集中的最小、最大值。
[0018]进一步地，所述步骤S3中，采用优化后的支持向量机对预处理后的训练集数据进行训练，得到训练模型，具体为：
[0019]S31、构建麻雀种群，如下：
[0020][0021]其中，d表示待优化问题的维数，n表示麻雀种群的数量；
[0022]S32、将所有麻雀种群的适应度函数表示成如下形式：
[0023][0024]其中，f表示适应度值；
[0025]S33、在每次迭代的过程中，根据步骤S31中构建的麻雀种群和步骤S32中所有麻雀种群的适应度函数，对发现者的位置进行更新，如下：
[0026][0027]其中，t代表当前迭代数，j＝1,2,3,
…
,d；iter
max
是一个常数，表示最大的迭代次数；X
i,j
表示第i个麻雀在第j维中的位置信息；a∈(0,1]是一个随机数；Q表示服从正态分布的随机数；L表示一个1
×
d的矩阵，其中该矩阵内每个元素全部为1；R2∈[0,1]表示预警值；ST∈[0.5,1]表示安全值；
[0028]S34、对加入者的位置进行更新，如下：
[0029][0030]其中，X
P
表示目前发现者所占据的最优位置；X
worst
表示当前全局最差的位置；A表示一个1
×
d的矩阵，其中每个元素随机赋值为1或
‑
1，A
+
＝A
T
(AA
T
)
‑1，当i＞n/2时，适应度值较低的第i个加入者没有获得食物，处于十分饥饿的状态，需要飞往其它地方觅食，以获得更多的能量；
[0031]S35、对意识到危险的麻雀的位置进行更新，如下：
[0032][0033]其中，X
best
表示当前的全局最优位置；β表示步长控制参数，是服从均值为0，方差为1的正态分布的随机数；K∈[
‑
1,1]表示一个随机数；f
i
表示当前麻雀个体的适应度值；f
g
和f
w
分别表示当前全局最佳和最差的适应度值；ε表示一个避免分母为0的常数。
[0034]进一步地，所述步骤S3中，优化后的支持向量机包括对支持向量机SVM数据中惩罚参数和核函数参数利用麻雀搜索算法进行优化。
[0035]进一步地，所述步骤S4中，采用适应度函数对测试集进行预测，适应度函数如下：
[0036]fitness＝max(accuracy[predict(test)])。
[0037]进一步地，所述步骤S4之后还包括：
[0038]S5、对预测的分类标签进行准确度计算。
[0039]进一步地，所述步骤S5具体包括：
[0040]S51、计算测试准确度，计算公式如下：
[0041]测试准确度＝正确预测个数/被预测正确的个数其中，被预测正确的个数＝被模型预测为正的负样本+被模型预测为负的正样本；
[0042]S52、计算预测召回率，计算公式如下：
[0043]预测召回率＝正确预测的个数/预测的总个数
[0044]S53、计算综合评测度f1_score，计算公式如下：
[0045]f1_score＝2*测试准确度*预测的召回率/(测试准确度+预测的召回率)。
[0046]较现有技术相比，本专利技术具有以下优点：
[0047]1、在进行船舶机械操作之前，使用本专利技术方法对船上机械的运行模式进行判定，可以有效的判定船舶机械当前的运行模式，方便操作人员对机械设备进行操作，提高船舶机械设备管理效率，降低管理成本。
[0048]2、本专利技术提供的船舶机械运行模式的判定方法，能够防止操作人员因对船舶机械当前运行模式的判断失误而对船舶机械造成误操作，延长了船舶机械的寿命。
[0049]基于上述理由本专利技术可在船舶机械设备监控等领域广泛推广。
附图说明
[0050]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0051]图1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种船舶机械运行模式的判定方法，其特征在于，包括如下步骤：S1、获取数据集，并提取出训练集和测试集；S2、对数据集中的数据进行预处理；S3、采用优化后的支持向量机对预处理后的训练集数据进行训练，得到训练模型；S4、采用得到的训练模型来预测测试集的分类标签，如果测试集的预测效果达到预期则用于实船，如果效果不理想则增加优化算法的迭代次数，直到效果达到预期。2.根据权利要求1所述的船舶机械运行模式的判定方法，其特征在于，所述步骤S1中，获取数据集，并提取出训练集和测试集，具体为：获取已有的船舶机械设备的每个运行状态中的参数；在所述参数中提取训练集以及测试集。3.根据权利要求1所述的船舶机械运行模式的判定方法，其特征在于，所述步骤S2中，对数据集中的数据进行预处理，具体为：对训练集和测试集进行归一化预处理，将数据映射到0～1范围之内处理；其中，采用的归一化映射如下：上式中，y、x分别表示数据归一化前后的值，x
min
、x
max
分别表示数据集中的最小、最大值。4.根据权利要求1所述的船舶机械运行模式的判定方法，其特征在于，所述步骤S3中，采用优化后的支持向量机对预处理后的训练集数据进行训练，得到训练模型，具体为：S31、构建麻雀种群，如下：其中，d表示待优化问题的维数，n表示麻雀种群的数量；S32、将所有麻雀种群的适应度函数表示成如下形式：其中，f表示适应度值；S33、在每次迭代的过程中，根据步骤S31中构建的麻雀种群和步骤S32中所有麻雀种群的适应度函数，对发现者的位置进行更新，如下：
其中，t代表当前迭代数，j＝1,2,3,
…
,d；iter
max
是一个常数，表示最大的迭代次数；X
i,j
表示第i个麻雀在第j维中的位置信息；a∈(0,1]是一个随机数；Q表示服从正态分布的随机数；L表示一个1
×
d的矩阵，其中该矩阵内每个元素全部为1；R2∈[0,1]表示预警值；ST∈[0.5,1]表示安全值；S34、对加入者的位置进行更新，如下：其中，X
P
...

【专利技术属性】
技术研发人员：张跃文，尹衍楚，王飞，张鹏，邹永久，姜兴家，杜太利，段绪旭，孙培廷，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：