«上一篇
文章快速检索     高级检索
下一篇»
  哈尔滨工程大学学报  2021, Vol. 42 Issue (1): 82-88  DOI: 10.11990/jheu.201905067
0

引用本文  

姚骥, 武文华, 于思源. 基于卷积网络的浮式平台人员舒适度评价[J]. 哈尔滨工程大学学报, 2021, 42(1): 82-88. DOI: 10.11990/jheu.201905067.
YAO Ji, WU Wenhua, YU Siyuan. Personnel comfort assessment research of a semi-submersible platform based on convolutional neural network[J]. Journal of Harbin Engineering University, 2021, 42(1): 82-88. DOI: 10.11990/jheu.201905067.

基金项目

国家自然科学基金项目(11572072);国家科技重大专项(2016ZX05028-02-05);中央高校基本科研业务费(DUT19ZD204)

通信作者

武文华, E-mail: lxyuhua@dlut.edu.cn

作者简介

姚骥, 男, 博士研究生;
武文华, 男, 教授, 博士生导师

文章历史

收稿日期:2019-05-15
网络出版日期:2020-12-10
基于卷积网络的浮式平台人员舒适度评价
姚骥 , 武文华 , 于思源     
大连理工大学 工业装备结构分析国家重点实验室, 辽宁 大连 116024
摘要:为了解决浮式平台六自由度运动对平台人员舒适度的影响,本文开展了基于卷积神经网络的浮式平台人员舒适度平台研究。基于分形学理论和统计分析方法,对实测荷载信息进行降维分析以选取混合特征参数。同时将半潜式平台运动响应简化为刚体运动,利用中心差分和矢量叠加法,推导了平台任一点处的加速度和六自由度的对应关系。针对平台运动产生的人员眩晕等问题,基于ISO6897-1984(E)规范给出了人员舒适度评价方法。利用全连接卷积神经网络方法,建立了荷载特征参数与人员舒适度等级的关系模型,并提出了基于环境荷载参数的人员舒适度评价方法。其训练准确率达到了99.77%且检验准确率达到100%,预测成果可为平台作业和服役提供一定的指导。
关键词浮式平台    原型实测信息    分形维数    人员舒适度    卷积神经网络    中心差分    ISO6897-1984(E)    
Personnel comfort assessment research of a semi-submersible platform based on convolutional neural network
YAO Ji , WU Wenhua , YU Siyuan     
State Key Laboratory of Structural Analysis for Industrial Equipment, Dalian University of Technology, Dalian 116024, China
Abstract: To solve the influence of the six-degree-of-freedom (DOF) movement of a floating platform on the comfort of platform personnel, this paper examines the comfort platform of floating platform personnel based on a convolutional neural network (CNN). Based on fractal theory and statistical analysis methods, a dimensionality reduction analysis of measured load information is performed in this study to select mixed feature parameters. Meanwhile, the motion response model of the semi-submersible platform is simplified to the six-DOF motion of a rigid body. The central difference and vector superposition method are used to derive the correspondence between the acceleration and the six DOF at any point of the platform. A personnel comfort evaluation method based on the ISO 6897-1984(E) specification is proposed for the vertigo problem caused by the platform movement. The relationship model between the load characteristic parameters and personnel comfort level is established using the fully connected CNN method, and the personnel comfort assessment method based on the environmental load parameters is proposed. The train accuracy reaches 99.77%, and the test accuracy achieves 100%. The prediction results can provide some guidance for platform operations and services.
Keywords: semi-submersible platform    prototype-measured information    fractal dimension    personnel comfort level    convolutional neural network    central difference method    ISO 6897-1984(E)    

半潜式生产平台由于其甲板面积大、稳性好、造价低等优点,在深海油气开发中有着广泛的应用。在恶劣的环境下工作,半潜式平台呈现出强非线性和非平稳特性等复杂动力状态,对人员的作业和生活带来威胁。因此分析半潜式平台在环境荷载作用下的舒适度问题具有一定的现实意义。

目前,很多学者对海洋环境荷载及海洋结构物的动力学性能开展了研究。在海洋环境荷载研究方面,Takbash等[1]从长期卫星记录中利用极值分析方法分析全球风速和有义波高数据集,分析超过阈值的峰值,并证明极值分析受初始分布方法和平均条件的局限。在结构动力学性能研究方面,NG等[2]基于势流理论和莫里森公式,运用数值分析和试验分析的方法对半潜式平台的运动响应进行了研究;Yilmaz等[3]应用频域和时域分析方法对半潜式平台运动响应进行了模拟分析。

近年来,人们对振动环境下人员作业的舒适度的影响越发关注。Muksian等[4]为研究坐姿人体生物力学特性,建立了六自由度和二自由度模型。Matsumoto等[5]对竖向振动下人体站姿振动特性进行了研究。Boileau等[6]对车辆驾驶员在垂直驱动机械阻抗特性在0.625~10 Hz进行测量,并建立了基于试验数据的四自由度模型。Chang等[7-8]对振动周期为0.1~0.25 Hz的高层建筑水平振动引起的振动舒适度进行了研究,并给出了基于水平振动加速度的五级舒适度标准。宋志刚[9]提出基于烦恼率模型的工程结构振动舒适度评价方法。但是,目前对海洋半潜式平台六自由度运动响应对人员舒适度的影响及其预测的研究较少。

本文基于卷积网络,结合现场实测数据,开展半潜式平台人员舒适度评价研究。首先,利用分形学理论和统计分析的方法,提取了实测荷载数据的特征参数,降低了输入荷载的维数;同时,将平台运动描述为六自由度刚体运动,利用中心差分法和矢量叠加理论结合ISO6897-1984(E)标准,给出适用于半潜式平台人员舒适度评价指标;基于卷积网络,提出了半潜式平台人员舒适度评价方法。

1 海洋环境荷载混合特征参数提取 1.1 海洋荷载信息原型监测

自2011年起,文献[10]在“南海挑战号”半潜式平台(NHTZ FPS)建立了现场监测系统,并对其环境荷载要素、浮体运动响应以及系泊系统力学性能进行实时监测。图 1给出了该现场监测系统示意图。

Download:
图 1 “南海挑战号”FPS现场监测系统 Fig. 1 "NHTZ"FPS prototype monitring system

其中环境监测系统主要测量风参数(风速、风向)、海流参数(流速、流向)和波浪参数(波高、周期和压力)。

为了更好地研究环境荷载对平台人员舒适度的影响,选取适当的环境荷载参数十分关键。

1.2 计盒维数与Hausdorff维数

分形维数是测量对象自相似性的一种数学工具,可以用来分析一组不规则的时间序列数据,数据的随机性越大分形维数越大。传统的分形维数分为两大类,即计盒维数和Hausdorff维数。

计盒维数表示为:

$ D = 2 - H $ (1)

Hausdorff维数表示为:

$ D = \frac{1}{H} $ (2)

对于风速时间序列{xi},i=1, 2, …,取某一时间段τ=tn-t1, 其域值R(τ)为:

$ R(\tau ) = \mathop {\max }\limits_{1 \le i \le n} A\left( {\tau ,{t_i}} \right) - \mathop {\min }\limits_{1 \le i \le n} A\left( {\tau ,{t_i}} \right) $ (3)

标准差S(τ)为:

$ S(\tau ) = {\left| {\frac{1}{\tau }\sum\limits_{i = 1}^n {{{\left( {{x_{ti}} - {x_\tau }} \right)}^2}} } \right|^{\frac{1}{2}}} $ (4)

HURST分析$ \frac{{R\left( \tau \right)}}{{S\left( \tau \right)}} = \frac{R}{S}$ 的统计规律时发现存在关系式[11]

$ H = \frac{{\lg \left( {\frac{R}{S}} \right)}}{{\lg \left( {\frac{\tau }{2}} \right)}} $ (5)

分形维数具体计算步骤为:采用时间序列{xi}计算标准差S(τ)和累计偏差A(τ, tj),由累计偏差计算出域值R(τ),然后由式(1)和(2)得出计盒维数和Hausdorff维数。

1.3 混合特征参数选取

表 1给出了海洋环境荷载监测信息及采样频率。

表 1 海洋环境监测信息 Table 1 Marine environmental monitoring information

本文人员舒适度指标依据国际标准化组织给出的ISO6897-1984(E)的准则,该标准以人体在海洋浮式平台等工作区域工作至少10 min为前提,因此选取10 min的荷载信息作为一个荷载样本,并选取表 2所示混合特征参数作为荷载样本信息参数。

表 2 环境荷载样本特征参数 Table 2 Environmental load characteristic parameter

其中风速及压力荷载特征参数选取统计特征参数,可以直观地反映该时间段内风速与压力的变化范围及平均强度;同时选取分形维数作为特征参数,可以反映该时间段内的风速及压力的随机程度及复杂特性。

波高、周期、流速、流向选取实测数据的最大采样频率作为特征参数。该样本集混合特征参数包含分形维数、统计值以及力学特征参数,可以较为全面地包含海洋环境荷载特性。

2 半潜式平台作业人员舒适度指标 2.1 半潜式平台响应信息原型监测

响应监测系统主要通过INS / GPS的组合系统测量浮体的六自由度。由于NHTZ FPS远离陆地,缺乏基站作为参考点,因此采用基于星际差分原理的DGPS测量横荡、纵荡和垂荡运动,INS(惯性导航系统)用于测量浮体的横摇、纵摇和艏摇运动。

2.2 人员舒适度指标评价方法

振动舒适度标准给出了振动环境下容许的振动加速度水平,根据标准给出的限值,只要知道结构的振动加速度,就可以判断出建筑结构的振动水平是否满足舒适度标准的要求[11]

国际标准化组织针对海洋平台人员舒适度问题提出了ISO6897舒适度标准[12]图 2绘出了人员舒适度标准曲线图。该标准适用于频率为0.063~1 Hz且人员所处时间不低于10 min的情况。

Download:
图 2 ISO6897舒适度标准 Fig. 2 ISO6897 comfort standards

曲线A:操作限,超过此限人员无法进行任何工作且对人体造成损害。

曲线B:舒适限,超过此限人员明显感到眩晕等不舒适感。

曲线C:平均振感阈值,人员刚好感觉到振动。

曲线D:人体振感下限,低于此限人员几乎无法感觉到振动。

2.3 平台运动加速度的确定

将平台上部结构的六自由度运动简化为刚体运动,包括沿xyz轴的平动及绕xyz轴的转动,如图 3所示。

Download:
图 3 平台六自由度运动 Fig. 3 6 DOF motions of the buoy

1) 平动加速度。

设平台上一点P(x0, y0, z0),利用中心差分法求解其沿xyz 3个方向的平动速度:

$ {\mathit{\boldsymbol{v}}_{x,t}} = \frac{{{D_{x,t + 1}} - {D_{x,t - 1}}}}{{2\tau }} $ (6)
$ {\mathit{\boldsymbol{v}}_{y,t}} = \frac{{{D_{y,t + 1}} - {D_{y,t - 1}}}}{{2\tau }} $ (7)
$ {\mathit{\boldsymbol{v}}_{z,t}} = \frac{{{D_{z,t + 1}} - {D_{z,t - 1}}}}{{2\tau }} $ (8)

式中:vx, tvy, tvz, t分别为t时刻P点沿xyz方向的平动速度;Dx, tDy, tDz, t分别为平台t时刻的横荡、纵荡、垂荡;τ为采样间隔。

同样对速度进行中心差分,得到P点沿xyz 3个方向的平动加速度:

$ {\mathit{\boldsymbol{a}}_{x,t}} = \frac{{{\mathit{\boldsymbol{v}}_{x,t + 1}} - {\mathit{\boldsymbol{v}}_{x,t - 1}}}}{{2\tau }} $ (9)
$ {\mathit{\boldsymbol{a}}_{y,t}} = \frac{{{\mathit{\boldsymbol{v}}_{y,t + 1}} - {\mathit{\boldsymbol{v}}_{y,t - 1}}}}{{2\tau }} $ (10)
$ {\mathit{\boldsymbol{a}}_{z,t}} = \frac{{{\mathit{\boldsymbol{v}}_{z,t + 1}} - {\mathit{\boldsymbol{v}}_{z,t - 1}}}}{{2\tau }} $ (11)

式中ax, tay, taz, tP点沿xyz方向的平动加速度。

此时,P 点的平动加速度为:

$ {\mathit{\boldsymbol{a}}_{{\mathop{\rm tran}\nolimits} ,t}} = {a_{x,t}}\mathit{\boldsymbol{i}} + {a_{y,t}}\mathit{\boldsymbol{j}} + {a_{z,t}}\mathit{\boldsymbol{k}} $ (12)

2) 转动加速度。

利用中心差分法求解转动角速度:

$ {{\omega _{x,t}} = \frac{{{\theta _{x,t + 1}} - {\theta _{x,t - 1}}}}{{2\tau }}} $ (13)
$ {{\omega _{y,t}} = \frac{{{\theta _{y,t + 1}} - {\theta _{y,t - 1}}}}{{2\tau }}} $ (14)
$ {\omega _{z,t}} = \frac{{{\theta _{z,t + 1}} - {\theta _{z,t - 1}}}}{{2\tau }} $ (15)

式中:ωx, tωy, tωz, t 分别为t时刻P点绕xyz轴转动的角速度;θx, tθy, tθz, t分别为平台t时刻横摇、纵摇、艏摇的角度;τ为采样间隔。

转动加速度由法向加速度及切向加速度2部分构成。法向加速度为:

$ {{\mathit{\boldsymbol{a}}_{n.x,t}} = \omega _{x,t}^2 \cdot {\mathit{\boldsymbol{R}}_x}} $ (16)
$ {{\mathit{\boldsymbol{a}}_{n,y,t}} = \omega _{y,t}^2 \cdot {\mathit{\boldsymbol{R}}_y}} $ (17)
$ {{\mathit{\boldsymbol{a}}_{n,z,t}} = \omega _{z,t}^2 \cdot {\mathit{\boldsymbol{R}}_z}} $ (18)

式中:an, x, tan, y, tan, z, tt时刻P点绕xyz转动的法向加速度;RxRyRZ为3个方向的回转半径:

$ {{\mathit{\boldsymbol{R}}_x} = - {y_0}\mathit{\boldsymbol{j}} - {z_0}\mathit{\boldsymbol{k}}} $ (19)
$ {{\mathit{\boldsymbol{R}}_y} = - {x_0}\mathit{\boldsymbol{i}} - {z_0}\mathit{\boldsymbol{k}}} $ (20)
$ {{\mathit{\boldsymbol{R}}_z} = - {x_0}\mathit{\boldsymbol{i}} - {y_0}\mathit{\boldsymbol{j}}} $ (21)

切向加速度与转动的角加速度有关,因此首先利用中心差分法求解角加速度:

$ {{{\dot \omega }_{x,t}} = \frac{{{\omega _{x,t + 1}} - {\omega _{x,t + 1}}}}{{2\tau }}} $ (22)
$ {{{\dot \omega }_{y,t}} = \frac{{{\omega _{y,t + 1}} - {\omega _{y,t - 1}}}}{{2\tau }}} $ (23)
$ {{{\dot \omega }_{z,t}} = \frac{{{\omega _{z,t + 1}} - {\omega _{z,t - 1}}}}{{2\tau }}} $ (24)

此时,切向加速度为:

$ {\mathit{\boldsymbol{a}}_{\tan ,x,t}} = {{\dot \omega }_{x,t}} \cdot {z_0}\mathit{\boldsymbol{j}} - {{\dot \omega }_{x,t}} \cdot {y_0}\mathit{\boldsymbol{k}} $ (25)
$ {{\mathit{\boldsymbol{a}}_{\tan ,y,t}} = {{\dot \omega }_{y,t}} \cdot {x_0}\mathit{\boldsymbol{k}} - {{\dot \omega }_{y,t}} \cdot {z_0}\mathit{\boldsymbol{i}}} $ (26)
$ {{\mathit{\boldsymbol{a}}_{\tan ,z,t}} = {{\dot \omega }_{z,t}} \cdot {y_0}\mathit{\boldsymbol{i}} - {{\dot \omega }_{z,t}} \cdot {x_0}\mathit{\boldsymbol{j}}} $ (27)

t时刻P点运动的全加速度为:

$ \begin{array}{l} {\mathit{\boldsymbol{a}}_t} = {\mathit{\boldsymbol{a}}_{{\rm{tran}}{\rm{.t }}}} + {\mathit{\boldsymbol{a}}_{n,x,t}} + {\mathit{\boldsymbol{a}}_{n,\gamma ,t}} + {\mathit{\boldsymbol{a}}_{n,z,t}} + \\ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\mathit{\boldsymbol{a}}_{\tan ,x,t}} + {\mathit{\boldsymbol{a}}_{\tan ,y,t}} + {\mathit{\boldsymbol{a}}_{\tan ,z,t}} \end{array} $ (28)
2.4 人员舒适度指标计算

对于式(28)得到的平台任一点加速度时间序列at,取10 min时间间隔,切分为{a1, a2, …, ai, …, an},依次对其进行频域分析:

$ {F_i}(\omega ) = f\left[ {{a_i}} \right] = \int\limits_{ - \infty }^\infty {{a_i}} {{\rm{e}}^{ - {\rm{i}}\omega t}}{\rm{d}}t,\quad i = 1,2, \cdots ,n $ (29)

式中Fi(ω) 为ai的频谱。

计算得到频率对应的幅值:

$ \begin{array}{l} |{F_i}(\omega )| = \sqrt {( {\rm{Re}} {{({F_i}(\omega ))}^2} + {\rm{Im}} {{({F_i}(\omega ))}^2})} \\ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} i = 1,2, \cdots ,n \end{array} $ (30)

加速度频率范围较大, 因此采用1争锋频率划分成几个段落, 每个段落成为频带或频程。频率的中心频率为:

$ {f_c} = \sqrt {{f_u}{f_d}} $ (31)

式中:fufd为该频带的上限和下限频率。其中:

$ {f_u} = {2^m}{f_d} $ (32)

m=1/3时,成为1/3倍频程。

并根据ISO6897给出的1/3倍频程频率范围及中心频率进行划分。将每个频带中所有的加速度响应幅值相加并平均,并与ISO6897-1984(E)给出的人员舒适度分界线进行对比分析,得到人员舒适度指标。

3 基于卷积神经网络的人员舒适度评价 3.1 卷积神经网络模型

作为一种深度学习方法,卷积神经网络属于深度前馈神经网络。卷积神经网络的设计选择局部连接,符合生物神经元的稀疏响应特性,这样可以大大降低网络模型的参数规模,对训练数据量的依赖性降低[13]。卷积神经网络应用有监督梯度下降方法得到模型的参数,经过训练后的网络模型具有特征提取与识别的能力。

图 4所示,卷积神经网络由输入层、卷积层、池化层、全连接层与输出层构成。卷积层与池化层在卷积神经网络的前几层交替出现,全连接层靠近输出层。

Download:
图 4 卷积神经网络结构 Fig. 4 Convolutional neural network structure

卷积神经网络的输入一般为二维输入x。卷积层使用卷积核对输入x进行处理,可以学习到鲁棒性较高的特征[14]。卷积是一种重要的线性计算,可以表示为:

$ {h^{(i)}} = {\mathop{\rm conv}\nolimits} \left( {{h^{(i - 1)}},{\mathit{\boldsymbol{w}}^{(i)}}{,^\prime }{\rm{ method}}{{\rm{ }}^\prime }} \right) $ (33)

式中:w(i)为第i层卷积核的权重向量;h(i)为第i层卷积神经网络输出;conv(·)为表示卷积核和第i-1层输出的卷积计算;method为表示卷积类型(方法),常用包括3种Full卷积、Same卷积、Valid卷积。

池化层一般在卷积层之后,本质上,池化层执行空间或特征类型的聚合,降低空间维度,主要目的是:1)减少计算量,刻画平移不变特性;2)使下一层级的参数有效减少,有效抑制过拟合风险[15]

卷积神经网络对输入的数据经过卷积层与池化层的特征提取和降维操作后,将得到的特征数据输入全连接层,对原始数据进行预测或分类工作。

3.2 人员舒适度评价研究

选取监测期间某3天实测信息进行模型建立。表 3给出了该监测期间的海况信息,由该3天海况信息可以看出,最大风速为17.1 m/s,最小风速为0 m/s,最大浪高为6.38 m/s,最小浪高为0.30 m/s。分别对应着7级风~0级风和7级海况~2级海况,可以看出,该监测期间海况较为复杂,较能反映工作人员在台期间的所受典型海况。

表 3 数据集统计信息 Table 3 Data set statistics

将实测荷载信息进行特征参数提取,并将每10 min特征参数作为一个输入样本,共包含97个参数,为了便于卷积神经网络的输入,以补0的方式将输入样本参数扩展为144个。样本数为432,其中360个样本作为训练集,72个样本作为检验集。

选取点(4, 3, 0)处位置进行加速度计算,如图 5所示,该位置位于平台塔架底部附近,为日常施工区域,该点的人员舒适度指标具备较高的工程价值。但本方法不局限于某一位置的人员舒适度研究,而是可以对平台任一位置进行计算。

Download:
图 5 点(4, 3, 0)所在位置 Fig. 5 (4, 3, 0)position in the platform

基于ISO6897规定的舒适度标准给出该位置处人员舒适度指标。图 6绘出了人员舒适度指标分布图。

Download:
图 6 人员舒适度指标分布 Fig. 6 Personnel comfort index distribution map

图 7所示,A以上未有样本点存在,说明样本选取时间未发生五年一遇的极端海况。将曲线AB之间的点设为Ⅱ级预警情况。将曲线BC之间的点设为Ⅰ级预警情况,人员可能稍有头晕等情况。将曲线C以下的点设正常工作状态,人员基本感觉不到晃动。

Download:
图 7 训练准确率变化 Fig. 7 Training accuracy variation chart

将人员舒适度指标作为输出样本,利用卷积网络进行训练。首先将输入样本矩阵变换成12×12的格式进行输入,卷积层数为2,第1个卷积层卷积核大小为2×2,卷积核数为8,池化层大小为2×2,池化方式采用最大池化;第2个卷积核大小为2×2,卷积核数为64,池化层大小为2×2,池化方式为最大池化。全连接层数为2,节点数分别为100、3。选用交叉熵代价函数进行训练,训练次数为10 000次。

图 7图 8分别给出了准确率和损失值变化曲线,其中损失值计算采用交叉熵损失函数:

$ H(p,q) = - \sum\limits_x p (x)\log q(x) $ (34)
Download:
图 8 损失图变化 Fig. 8 Training loss variation chart

由准确率变化图集最终检验准确率可以看出,当训练次数为5 000次时,准确率已经达到97.69%,最终10 000次训练完成时,准确率达到99.77%,检验集准确率为100%。可以看出基于卷积神经网络对于平台工作人员舒适度指标的预测结果较为准确,且计算成本较低。

3.3 不同方法结果对比分析

同时,采用深度神经网络和单隐藏层BP神经网络构建荷载特征参数与人员舒适度指标的关系。图 910分别绘出了不同方法准确率和损失值变化对比图。

Download:
图 9 不同方法训练准确率对比 Fig. 9 Comparison diagram of training accuracy in different methods
Download:
图 10 不同方法损失值对比 Fig. 10 Comparison of loss values in different methods

图 9可以看出,DNN与BP均出现局部收敛的问题,而卷积神经网络有效地避免了局部收敛的问题,训练准确率达到99.77%。

表 4给出了最终训练准确率对比结果。由对比结果可以看出,相同训练次数下,卷积神经网络预测结果准确率达到100%,DNN与BP神经网络预测结果准确率仅为79%。

表 4 不同方法准确率对比 Table 4 Comparison of accuracy of different methods  
4 结论

1) 本文基于分形维数及统计分析,利用实测荷载信息,给出了用于分析平台人员舒适度的荷载混合特征参数选取的方法。

2) 本文对于平台运动特性进行分析,采用了中心差分与矢量叠加法结合ISO6987标准,利用频域分析法推导人员舒适度指标。

3) 基于卷积神经网络方法构建人员舒适度评价模型。该模型可以很好的对于平台工作人员作业进行指导。

参考文献
[1]
TAKBASH A, YOUNG I R, BREIVIK Ø. Global wind speed and wave height extremes derived from long-duration satellite records[J]. Journal of climate, 2019, 32(1): 109-126. DOI:10.1175/JCLI-D-18-0520.1 (0)
[2]
NG C Y, KURIAN V J, YASSIR M A. Regression analysis for the dynamic responses of semi-submersible platform[C]//Proceedings of the 7th International Conference on Steel & Aluminium Structures. Sarawak, Malaysia, 2011: 6266. (0)
[3]
YILMAZ O, INCECIK A. Extreme motion response analysis of moored semi-submersibles[J]. Ocean engineering, 1996, 23(6): 497-517. DOI:10.1016/0029-8018(95)00057-7 (0)
[4]
MUKSIAN R, NASH JR C D. A model for the response of seated humans to sinusoidal displacements of the seat[J]. Journal of biomechanics, 1974, 7(3): 209-215. DOI:10.1016/0021-9290(74)90011-6 (0)
[5]
MATSUMOTO Y, GRIFFIN M J. Comparison of biodynamic responses in standing and seated human bodies[J]. Journal of sound and vibration, 2000, 238(4): 691-704. DOI:10.1006/jsvi.2000.3133 (0)
[6]
BOILEAU P É, RAKHEJA S. Whole-body vertical biodynamic response characteristics of the seated vehicle driver: measurement and model development[J]. International journal of industrial ergonomics, 1998, 22(6): 449-472. DOI:10.1016/S0169-8141(97)00030-9 (0)
[7]
CHANG F K. Wind and movement in tall buildings[J]. Civil engineering, 1967, 37(8): 70-72. (0)
[8]
CHANG F K. Human response to motions in tall buildings[J]. Journal of the structural division, 1973, 99(6): 1259-1272. DOI:10.1061/JSDEAG.0003537 (0)
[9]
宋志刚. 基于烦恼率模型的工程结构振动舒适度设计新理论[D]. 杭州: 浙江大学, 2003: 30-31.
SONG Zhigang. A new annoyance-based vibration comfort design theory on engineering structures[D]. Hangzhou: Zhejiang University, 2003: 30-31. (0)
[10]
WU Wenhua, TANG Da, CUI Xiaowei, et al. Motion characteristic analysis of a floating structure in the south china sea based on prototype monitoring[J]. Journal of offshore mechanics and arctic engineering, 2019, 141(2): 021102. DOI:10.1115/1.4041533 (0)
[11]
HURST H E. Long-term storage of reservoirs: an experimental study[J]. Transactions of the American society of civil engineers, 1951, 116: 770-799. DOI:10.1061/TACEAT.0006518 (0)
[12]
ISO. ISO 6897: 1984, Guidelines for the evaluation of the response of occupants of fixed structures, especially buildings and off-shore structures, to low-frequency horizontal motion (0, 063 to 1 Hz)[S]. Switzerland: ISO, 1984. (0)
[13]
刘健, 袁谦, 吴广, 等. 卷积神经网络综述[J]. 计算机时代, 2018(11): 19-23.
LIU Jian, YUAN Qian, WU Guang, et al. Review of convolutional neural networks[J]. Computer era, 2018(11): 19-23. (0)
[14]
SMIRNOV E A, TIMOSHENKO D M, ANDRIANOV S N. Comparison of regularization methods for ImageNet classification with deep convolutional neural networks[J]. AASRI procedia, 2014, 6: 89-94. DOI:10.1016/j.aasri.2014.05.013 (0)
[15]
KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[C]//Proceedings of the 25th International Conference on Neural Information Processing Systems. Lake Tahoe, USA, 2012: 1097-1105. (0)