公开(公告)号：CN117369262A

公开(公告)日：2024-01-09

申请号：CN202311356424.7

申请日：2023-10-19

Applicant: 江苏科技大学

Inventor： 苏贞 ,  包炜 ,  张云飞 ,  王飞 ,  俞孟蕻 ,  袁伟 ,  王伟

IPC: G05B13/04

Abstract: 本发明公开了一种基于强化学习的耙吸船泥舱沉积过程控制方法，步骤如下：步骤1：根据泥船动态沉积过程的机理分析，建立环境模型；步骤2：设置强化学习控制模型的状态量、动作量及奖励函数，构建基于DDPG算法的强化学习控制模型；步骤3：将强化学习控制模型置于环境模型中进行模型训练获得泥舱沉积过程控制模型，训练过程中通过遗传算法和贝叶斯算法对强化学习控制模型的超参数进行优化；步骤4：对耙吸船泥舱沉积过程的进行可视化控制。本发明针对泥舱沉积过程进行机理分析，采用数学方程构建了泥舱沉积环境模型，在模型基础上采用强化学习方法进行泥舱沉积过程的控制策略寻优，提高寻优过程探索的充分性，使得控制过程更加准确。

公开(公告)号：CN116894380A

公开(公告)日：2023-10-17

申请号：CN202310412559.4

申请日：2023-04-18

Applicant: 江苏科技大学

Inventor： 苏贞 ,  姚尧 ,  包炜 ,  俞孟蕻 ,  袁伟 ,  王伟 ,  朱广峰

IPC: G06F30/27 ,  G06F30/25 ,  G06N3/006 ,  G06F111/08

Abstract: 本发明公开了一种基于改进粒子群的耙吸挖泥船装舱过程状态量估计方法。步骤是：构建耙吸挖泥装舱过程模型，使用改进粒子群算法，丢弃已经多次迭代却没有获得更好适应度的粒子，使用雇佣蜂和跟随蜂等阶段产生新的粒子代替丢弃的粒子，从而避免算法过早结束并陷入局部收敛的问题，使算法能够更好地全局搜索解空间。本发明改进算法对挖泥装舱过程状态量进行估计，仿真结果表明装舱过程状态量估计精度得到提高，误差维持在一个很低的水平。

公开(公告)号：CN118331042A

公开(公告)日：2024-07-12

申请号：CN202410310311.1

申请日：2024-03-19

Applicant: 江苏科技大学

Inventor： 苏贞 ,  张云飞 ,  包炜 ,  王伟 ,  张弘昊 ,  俞孟蕻

IPC: G05B13/04

Abstract: 本发明公开了一种基于最大熵强化学习的耙吸挖泥船挖掘装舱控制方法，步骤如下：步骤1：获取连续天数的耙吸船挖掘装舱施工数据；步骤2：基于Transformer模型构建耙吸船的环境量预测模型，并对环境量预测模型进行训练，通过环境量预测模型对环境量进行预测；步骤3：构建最大熵强化学习控制模型，将环境预测模型输出结果作为最大熵强化学习控制模型的状态量；步骤4：训练最大熵强化学习控制模型，用训练好的最大熵强化学习控制模型根据实际的耙吸船挖掘装舱施工数据获取挖掘装舱最优控制动作，对耙吸船挖掘装舱进行控制。本发明可以捕捉复杂的环境序列特征，更好地模拟挖泥船挖泥装舱作业中的各种情况和变化，给出最优的控制方法。

公开(公告)号：CN116010894A

公开(公告)日：2023-04-25

申请号：CN202310013461.1

申请日：2023-01-05

Applicant: 江苏科技大学

Inventor： 苏贞 ,  朱广峰 ,  袁伟 ,  俞孟蕻 ,  王伟 ,  姚尧 ,  包炜 ,  周泊龙

IPC: G06F18/2433 ,  G06F18/214 ,  G06F17/18 ,  G06F18/10 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/0455

Abstract: 本发明公开了一种基于深度堆叠策略的挖泥船施工数据异常检测方法，包括的步骤是：数据预处理，对挖泥船施工数据中的噪声和孤立点进行处理；构建并训练卷积自编码器和CNN‑LSTM神经网络；对卷积自编码和CNN‑LSTM神经网络进行测试；对测试数据偏差进行堆叠，建立堆叠模型偏差样本；对深度堆叠策略模型使用高斯异常检测算法进行阈值设置；采用评估指标进行评价。本发明方法实现简单，可以有效解决挖泥船施工监测数据异常检测模型鲁棒性差、识别精度低的问题，具有较好的应用前景。

公开(公告)号：CN115758274A

公开(公告)日：2023-03-07

申请号：CN202211376182.3

申请日：2022-11-04

Applicant: 江苏科技大学

Inventor： 苏贞 ,  王伟 ,  俞孟蕻 ,  袁伟 ,  朱广峰 ,  姚尧 ,  包炜 ,  周泊龙

IPC: G06F18/2433 ,  G06F18/20 ,  G06V10/764 ,  G06V10/82 ,  G06N3/096 ,  G06F123/02

Abstract: 本发明公开了一种基于迁移学习的挖泥船施工数据异常值检测方法，包括步骤是：基于先验知识确定挖泥船疏浚作业周期并获取多个传感器的多组时序施工数据；对所述施工数据中包含的各项特征参数进行异常值离线标注；基于马尔可夫变迁场进行包含各项特征参数的施工数据升维；以数据升维后构建二维图像为神经网络模型的输入，以异常值离线标注结果为神经网络模型的输出，采用迁移学习方法构建多工况挖泥船施工数据异常值检测模型。本发明方法实现简单，可以有效解决挖泥船施工过程中传感器采集数据异常值难以实时在线诊断的问题，具有较好的应用前景。