申请/专利权人：青岛哈尔滨工程大学创新发展中心

申请日：2024-02-02

公开（公告）日：2024-04-12

公开（公告）号：CN117670068B

主分类号：G06F17/00

分类号：G06F17/00;G06Q10/0635;G06Q10/20;G06N7/01;G06N5/046

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2024.03.26#实质审查的生效;2024.03.08#公开

摘要：本发明提供了一种AUV实时风险评估系统及方法，属于自主水下潜器技术领域，系统包括：AUV部件、AUV机载信息监测系统、AUV机载风险评估系统、岸基风险评估系统和母船舰载风险评估系统；AUV机载信息监测系统采集AUV部件的运行数据，并将数据上传到AUV机载风险评估系统、岸基风险评估系统和母船舰载风险评估系统，进行风险评估。本发明的技术方案克服现有技术中不能进行AUV实时风险评估的问题。

主权项：1.一种AUV实时风险评估方法，其特征在于，具体包括如下步骤：S1，通过AUV机载信息监测系统获取AUV部件的状态数据、位置和导航数据和环境数据；S2，通过岸基数据存储处理单元、舰载数据存储处理单元以及机载数据存储和处理单元对AUV机载信息监测系统收集到的原始数据进行清洗、降噪、校正和标准化预处理操作；S3，基于云模型和CBN算法建立AUV风险评估模型，对AUV实时状态进行评估和预警；S4，AUV自身通过风险评估结果判断是否有继续作业的能力，岸基和母船AUV操作人员根据风险评估结果进行决策，主要为制定决策标准和确定决策方案；制定决策标准：根据不同任务场景设定风险水平阈值、任务重要性决策标准；确定决策方案：包括中止、暂停、调整任务计划或采取其他预防和纠正措施；同时岸基和母船AUV操作人员依据风险评估结果对AUV任务计划和操作进行调整，具体内容包括：依据风险评估结果重新评估任务目标，确保任何调整都与任务整体目标一致；根据决策结果和重新评估的任务目标，制定新的AUV任务计划；包括重新规划路径、调整采样点、变更任务优先级；同时，若风险评估果指明AUV存在设备故障和潜在故障风险，母船和岸基人员安排维修团队对AUV进行维修和维护，并与AUV操作人员、研发部门、设计部门共享评估结果和相关信息，协调工作；S5，岸基人员对风险评估结果进行进一步数据分析和解读，并结合经验丰富的操作人员和技术专家的观点和经验，识别潜在风险因素，分析风险趋势，以减少风险并提高AUV工作效率；S6，基于风险评估结果，母船和岸基人员进行风险管理和优化，通过制定风险管理计划降低潜在风险的影响，同时利用风险评估结果优化AUV工作流程和任务规划；步骤S3中云模型的建模过程具体包括如下步骤：S31.1，依据AUV机载信息监测系统采集的数据，构建对应因素论域；其中，代表监测数据；S31.2，采用正向云发生器算法，获得云滴的分布及其在论域空间中的位置，同时得到每个云滴所代表的概念的隶属度；步骤S31.2具体包括如下步骤：S31.2.1，生成期望值为，方差为的正态随机数，记作；S31.2.2，生成期望值为，方差为的一个的正态随机数，记作；S31.2.3，计算该云滴的隶属度；S31.2.4，生成的即为云滴论域空间中的位置；S31.2.5，重复S31.2.1-S31.2.5，直到产生n个云滴后停止；步骤S3中CBN建模流程具体包括如下步骤：S32.1，选取AUV机载信息监测模块采集到的AUV实时状态数据和先验知识中的AUV历史故障数据作为Copula模型的样本数据；S32.2，采用赤池信息量准则识别基于可视化网络BN中的风险因素的最佳拟合边缘分布函数，的值根据似然原理计算： ；其中，x表示变量，k表示变量维度，p,q分别为与相关的分布参数；分别表示边缘分布函数的均值和方差；S32.3，通过分部积分法将样本数据转换为每个风险因素在[0,1]范围内的均匀分布，实现Copula建模，Copula参数作为变量依赖性度量，通过定义Kendall秩相关系数来确定； ； ； 分别表示两个不同的变量节点,分别为与相关的分布参数；S32.4，计算所有的相关性测度Kendall秩相关系数，其次再计算每个变量的Kendall秩相关系数之和，将对应最大Kendall秩相关系数之和的变量记作第一根节点，记为，同时对Kendall秩相关系数过小的变量予以剔除，将剩余变量组成子节点和根节点组合在一起，再计算剩下变量的Kendall秩相关系数之和，找到第二根节点，记为，重复步骤S32.3，直至搭建出Copula结构；每个变量的Kendall秩相关系数之和的计算公式： ；S32.5，将步骤S32.4中建立的Copula结构作为贝叶斯网络的DAG结构，在网络结构的基础上根据极大似然估计法计算各变量的条件概率表，将条件概率表代入贝叶斯网络模型，完成CBN模型的构建；步骤S32.5具体包括如下步骤：S32.5.1，在贝叶斯网络节点中变量通常为离散变量，设，其中分别代表贝叶斯网络节点，分别代表贝叶斯网络节点概率的取值，则似然函数写为： ；式中：；其中，记录了样本数据中发生的次数，代表极大似然估计的参数；代表样本数据的集合；S32.5.2，通过拉格朗日乘数法算出的极大似然估计为： ；采用Kendall秩相关系数计算2个节点之间的相关性，再根据事件之间的因果逻辑，判断各个因素间的有向边方向，引入先验知识，包括AUV历史故障数据和专家知识，将各节点的分布函数输入DAG中，完成CBN模型构建。

全文数据：

权利要求：

百度查询： 青岛哈尔滨工程大学创新发展中心 一种AUV实时风险评估系统及方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD