買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜大連理工大學;大連理工大學寧波研究院申請的專利基于深度學習的漂浮式風機運動響應與系泊張力短期預測及調節方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN117948237B 。

龍圖騰網通過國家知識產權局官網在2025-04-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202410117109.7，技術領域涉及：F03D7/04；該發明授權基于深度學習的漂浮式風機運動響應與系泊張力短期預測及調節方法是由施偉;胡樂涵;李昕;韓旭;劉文澤;趙海盛;付杰;吳際設計研發完成，并于2024-01-27向國家知識產權局提交的專利申請。

本基于深度學習的漂浮式風機運動響應與系泊張力短期預測及調節方法在說明書摘要公布了：基于深度學習的漂浮式風機運動響應與系泊張力短期預測及調節方法，屬于浮式風電領域，為解決海上風機運動響應、系泊張力預測與可調問題，要點是預測模塊根據目標風機所處的環境海況條件選用模型訓練模塊中與環境海況條件相匹配的預測模型，由信號采集模塊對運動響應、系泊張力和波高時程進行采集，通過傳輸模塊輸入相匹配的預測模塊，由預測模塊預測當前時刻的后一段時間的風機平臺運動響應與系泊張力；控制模塊判斷風機平臺運動響應在后一段時間是否在可接受范圍內，且系泊張力在后一段時間是否超過安全臨界值或者低于設定值，當判斷上述兩個條件中至少一個不滿足，控制模塊向系泊調節模塊發送調節命令，效果是提高了海上風機平臺工作安全性。

本發明授權基于深度學習的漂浮式風機運動響應與系泊張力短期預測及調節方法在權利要求書中公布了：1.一種基于深度學習的漂浮式風機運動響應與系泊張力短期預測及調節方法，其特征在于，利用預測系統進行預測，預測系統包括軟件部分和硬件部分，軟件部分包括數據庫模塊、模型訓練模塊、預測模塊以及控制模塊，硬件部分包括定位模塊、姿態模塊、張力模塊、信號采集模塊、傳輸模塊以及調節模塊；S10.所述數據庫模塊通過浮式風機仿真軟件SIMA，根據風機所在位置的海況環境計算得到各海況環境下風機的運動響應、系泊張力數據以及波高時程，形成目標浮式風機運動響應數據庫，其中，運動響應包括位置和風機三個方向橫搖、縱搖、艏搖變化角度；S20.所述模型訓練模塊對風機運動響應與張力預測模型進行訓練，所使用的訓練數據來自于所述數據庫模塊，完成所述預測模型訓練后，由所述模型訓練模塊保存各類海況條件下所得到的不同的風機運動響應與張力預測模型；S30.所述預測模塊根據目標風機所處的環境海況條件選用所述模型訓練模塊中與所述環境海況條件相匹配的預測模型，定位模塊和姿態模塊現場采集的實時運動響應及張力模塊現場采集的實時系泊張力，以及現場采集波高時程，由所述信號采集模塊對運動響應、系泊張力和波高時程進行采集，通過所述傳輸模塊輸入所述相匹配的預測模塊，由所述預測模塊預測當前時刻的后一段時間的風機平臺運動響應與系泊張力；S40.所述控制模塊根據所述預測模塊預測的當前時刻的后一段時間的風機平臺運動響應與系泊張力，判斷風機平臺運動響應在所述后一段時間是否在可接受范圍內，且系泊張力在所述后一段時間是否超過安全臨界值或者低于設定值，當判斷兩個條件中至少一個不滿足，所述控制模塊向系泊調節模塊發送調節命令；S50.所述系泊調節模塊接收所述控制模塊發出的調節指令，根據所述預測模塊預測的所述后一段時間的風機平臺運動響應與系泊張力的預測值調整系泊系統的錨鏈長度；S60.在系泊系統錨鏈長度調整后，張力模塊現場對系泊系統的系泊張力進行采集，且定位模塊和姿態模塊對調整錨鏈長度后的風機的運動響應進行采集，現場采集波高時程，將錨鏈長度調整后的風機的運動響應、系泊張力及波高時程輸入所述預測模塊，由所述預測模塊預測當前時刻的后一段時間的風機平臺運動響應與系泊張力；S70.迭代執行步驟S40~S60，直至所述控制模塊根據所述預測模塊預測的當前時刻的后一段時間的風機平臺運動響應與系泊張力，被判斷為風機平臺運動響應在所述后一段時間在可接受范圍內，且系泊張力在所述后一段時間不超過安全臨界值；步驟S40中當判斷兩個條件中至少一個不滿足，包括：風機平臺運動響應在所述后一段時間不在可接受范圍內，且系泊張力在所述后一段時間超過安全臨界值；風機平臺運動響應在所述后一段時間在可接受范圍內，且系泊張力在所述后一段時間低于設定值；步驟S50中所述系泊調節模塊根據所述預測模塊預測的所述后一段時間的風機平臺運動響應與系泊張力的預測值調整系泊系統的錨鏈長度，具體包括：風機平臺運動響應在所述后一段時間不在可接受范圍內，且系泊張力在所述后一段時間超過安全臨界值，系泊調節模塊放松錨鏈；風機平臺運動響應在所述后一段時間在可接受范圍內，且系泊張力在所述后一段時間低于設定值，系泊調節模塊收緊錨鏈；所述定位模塊包括風機中安裝的動力定位系統，動力定位系統包括慣性導航系統和衛星定位系統，用于確定風機的實時位置；所述姿態模塊包括傳感器，用于測量風機三個方向橫搖、縱搖、艏搖實時變化角度；所述姿態模塊包括陀螺儀；所述張力模塊包括系泊系統上安裝的拉力傳感器，用于對風機系泊系統的拉力進行實時采集及監控；所述信號采集模塊用于采集所述定位模塊輸出的風機的實時位置的信號，用于采集所述姿態模塊輸出的風機三個方向橫搖、縱搖、艏搖實時變化角度的信號，用于采集所述張力模塊輸出的對風機系泊系統的拉力的信號；所述傳輸模塊將所述信號采集模塊采集到的各信號傳輸給所述預測模塊；所述系泊調節模塊包括錨機、牽引索及負載重物；所述牽引索的第一端部設置所述負載重物，所述牽引索的第二端部通過所述錨機與系泊系統的錨鏈連接，所述錨機通過牽引索上拉或下放所述負載重物，使與牽引索連接的所述錨鏈隨所述負載重物上拉或下放而放松或拉緊而對所述錨鏈的長度調整，以調整系泊張力；采用多輸入長短期記憶神經網絡搭建得到訓練模型，所采用的多輸入長短期記憶神經網絡將波高時程加入預測模型的訓練過程，與所輸入的運動響應、錨鏈張力組成三維數據參與訓練，其中，多輸入長短期記憶神經網絡超參數如下：優化器為Adam方法，神經元個數為128個，BatchSize為256，多輸入長短期記憶神經網絡使用3層網絡結構，以考慮運動響應與錨鏈張力的非線性特征，并且在考慮二階水動力影響下具有準確度，多輸入長短期記憶神經網絡由門控方程來控制信息的傳遞，門控方程的基本形式如下所示： 其中，w是權重矩陣，b是偏置項，σ為激活函數sigmoid，門的輸出矢量由元素相乘得到，通過控制矢量來達到門控的效果，門控輸出矢量是一個介于0和1之間的實數矢量，當門控輸出Gx為0時，任何輸入信息與Gx相乘都將得到0，表明沒有信息可以通過，當門控輸出Gx為1時，相乘不會產生任何變化，表明所有信息都可以通過；深度學習模型對風機運動響應與錨鏈張力預測過程中采用序列對點的方法，采用滑動窗口的方法建立模型輸入與輸出之間序列對點的關系，將t-20至t時刻的三維時間序列數據作為一個輸入窗口X，將t+20時刻的運動響應與錨鏈力作為輸出點Y，并通過時間步迭代將該X-Y窗口實現向后滑動推移；系泊調節模塊根據控制模塊發送的命令進行相關操作，當接受到的命令為放松錨鏈時，調節模塊自動釋放存儲在風機上的負載重物，錨鏈力可經由錨機將重物上下拉動從而加大風機運動距離，釋放能量減小錨鏈受力；當接受到的命令為收緊錨鏈時，調節模塊通過主動旋轉并固定錨機回收一部分錨鏈，負載重物被固定無法上下運動，錨鏈力回升到正常設定值。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人大連理工大學;大連理工大學寧波研究院，其通訊地址為：116024 遼寧省大連市甘井子區凌工路2號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。