CN119229271B 一种面向水下机器人的电池能量回收利用方法 （广州航海学院）

一种面向水下机器人的电池能量回收利用本发明公开了一种面向水下机器人的电池性和能量传输效率参数，通过k_means聚类算法构建弧线优化机制，利用逻辑回归算法评分弧法简化网络拓扑结构，计算结构差异并更新模2步骤S101，从水下机器人收集设备状态和环境数据，选，对电池材料属性和能量传输效率参数进行收集，通过k_means聚类算法将属性参数识步骤S102，根据能量回收网络中节点的能量损耗信息和步骤S104，构建弧线优化机制，通过逻辑回归算法对优化步骤S105，利用适应度函数算法对网络状态和能量损所述S101步骤使用Hadoop框架中的MapReduce算法对数据进行清洗和标注，在构建水下环所述S102步骤采用Kruskal算法构建能量回收网络拓扑模型时，首先将网络节点抽象为图3IMU数据进行滤波和融合，估计机器人的姿态角和位移，每隔0.1s更新一次姿态和位移信4[0001]本发明涉及信息技术领域，尤其是一种面向水下机器人的电池能量回收利用方[0006]本发明的技术方案是这样实现的：一种面向水下机器人的电池能量回收利用方5[0010]构建弧线优化机制，通过逻辑回归算法对优化后的能量回收弧线进行复杂度评[0011]利用适应度函数算法对网络状态和能量损耗进行实时监[0014]本发明主要解决了水下机器人在复杂水下环境中的能量效率和网络结构优化问[0016]图1为本发明实施例中一种面向水下机器人的电池能量回收利用方法的结构框[0017]图2为本发明实施例中一种面向水下机器人的电池能量回收利用方法的步骤框6文献调研途径获取电池材料的物理化学属性参数和能量传输过程的效率参数，采用k_取不同材料的电导率、介电常数物理化学属性，利用k_means聚类算法对属性参数进行分7终得到的最小生成树即为能量回收网络的优化拓扑结构，在应用Eul段时间采样一次的频率获取能量损耗和传输效率数据，将其作为网络训练的样本数据集，8差低于1在验证集上的平均绝对误差低于5通过对BP网络模型进行训练和调优，得到弧线组合进行穷举分析，基于网络模型的前向传播计算每条弧线的能量传输效率预测值，和法将多个目标转化为单目标问题，设置能量传输效率的权重为0.6，网络成9网络拓扑结构与原始网络拓扑之间的差异，采用图卷积神经网络(GCN)对两个网络拓扑进网络的结构差异度较大但效率提升不明显，则适当提高差异度阈值或降低效率提升阈值，出现在多条规则中的节点，选择置信度最高的一条规则，通过NetworkX库中的dag_l升阈值设置为10同时邀请3位领域专家对阈值进行评估，给出推荐范围为差异度阈值升不到8则将差异度阈值提高到0.25，效率提升阈值降低到5重新进行网络简化和评性能指标，采用层次分析法(AHP)确定各指标的权重系数，由领域专家对指标进行两两比的整体能量传输效率和节点能量平衡性为优化目标，以各节点的能量分配权重为决策变通过交叉熵损失函数和反向传播算法优化网络参数，同时引入L2正则化或dropout防止过优传输弧线的生成与能量分配权重的调整相结合，形成网络优化的双向互动和动态平衡，[0040]在一个实施例中，在水下机器人的关键部件上安装高精度的节点能量均衡度＝1_标准差(节点剩余能量)/平均值(节点剩余能量)，权重通过网格搜索