© 2023-2026 上海数据发展科技有限责任公司 版权所有
沪ICP备17003045号-15沪公网安备31010402336585号
嘉兴升发云科技有限公司
企业嘉兴升发云科技有限公司成立于2021年，位于浙江省。所属行业为软件和信息技术服务业。经营范围包括信息技术咨询服务；技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广；软件开发；物联网技术研发。
小微企业软件和信息技术服务业
数据集列表
船体桁架模态预测代理模型数据
船体桁架模态预测代理模型数据集，其核心价值在于能够高效且低成本地解决对船体结构在各种工况下力学响应的快速洞察问题。具体而言，该数据集能够直接用于评估结构安全裕度，帮助探索极端海况下的载荷极限；支持设计方案的快速对比与优化迭代，缩短研发周期；作为虚拟传感器网络，为数字孪生系统提供全船实时应变数据，弥补物理监测的不足；并能为船员操作与航线规划提供决策依据，通过模拟不同航向与航速下的结构负荷，选择对船体最安全的航行策略。最终，该数据集为解决船舶结构的状态评估、风险控制和生命周期管理等核心工程应用问题提供了高效的数据基础。1.数据收集：根据仿真模拟系统的捕捉功能，我们获得了仿真船体的结构变量；紧接着我们通过仿真测试得到了桁架模态的值2.构建高斯过程：构建代理模型对结构性能评估本质是一个回归问题的模型。将船体结构方案的设计参数作为高斯过程的输入参数，结构性能指标作为高斯过程的输出参数。通过仿真数据的训练，可得到仿真船体的代理模型3.模型预测：通过代理模型数据的估计，我们可以得到预测模型，多项式核函数是高斯过程中常用的核函数之一，可以用来建模输入变量与输出变量之间的非线性关系，当输入新型船体的结构变量时，我们就可以快速得到他的模态的数量预测值。其形式为：K(x,y)=(σ^2*<x,y>+c)^d，其中x和y是输入向量，<x,y>表示它们的内积，d是多项式的次数，σ是一个比例因子，c是一个常数项。模型训练前首先准备数据集，共有100个样本，输入变量为二维，输出变量为一维，使用随机划分的方法将数据集划分为训练集和测试集，其中，80%用于训练，剩余20%数据用于测试。经过模型训练，将测试集应用于高斯过程模型进行测试，使用MAE、MAPE、MSE、RMSE四个参考值对模型的准确性进行评估。
浙江省数据知识产权登记平台2025-10-10 更新140
船体桁架应力预测代理模型数据
船体桁架应力预测代理模型数据，可在设计阶段快速输出参数对应的应力结果，解决传统验证耗时高的问题，助力高效筛选优方案；航行中结合实时数据预判应力状态，及时预警强台风、货物偏载等引发的应力风险，避免结构故障，保障安全。1.数据收集：根据仿真模拟系统的捕捉功能，我们获得了仿真船体的结构变量；紧接着我们通过仿真测试得到了桁架应力的值2.构建高斯过程：构建代理模型对结构性能评估本质是一个回归问题的模型。将船体结构方案的设计参数作为高斯过程的输入参数，结构性能指标作为高斯过程的输出参数。通过仿真数据的训练，可得到仿真船体的代理模型3.模型预测：通过代理模型数据的估计，我们可以得到预测模型，多项式核函数是高斯过程中常用的核函数之一，可以用来建模输入变量与输出变量之间的非线性关系，当输入新型船体的结构变量时，我们就可以快速得到他的应力的数量预测值。其形式为：K(x,y)=(σ^2*<x,y>+c)^d，其中x和y是输入向量，<x,y>表示它们的内积，d是多项式的次数，σ是一个比例因子，c是一个常数项。模型训练前首先准备数据集，共有100个样本，输入变量为二维，输出变量为一维，使用随机划分的方法将数据集划分为训练集和测试集，其中，80%用于训练，剩余20%数据用于测试。经过模型训练，将测试集应用于高斯过程模型进行测试，使用MAE、MAPE、MSE、RMSE四个参考值对模型的准确性进行评估。
浙江省数据知识产权登记平台2025-10-10 更新190
浮式风机叶片异常声压预测数据
基于采集的频率（Hz）、距离(m)、幅值(m)、介质密度(kg/m2)及声速(m/s)等关键参数，可精确计算风机叶片在运行过程中的气动噪声声压值。通过对比预设的气动噪声阈值区间，能够有效识别叶片是否存在异常噪声（如湍流分离、翼型失速或结构损伤）。该技术可实时预警潜在故障，显著提升风电机组运行安全性，并为叶片维护策略提供数据支撑，从而保障风电场的稳定高效发电。1.数据搜集：搜集到浮式风机叶片运行的声学振动信号数据，并将其作为特征变量。同时，收集对应的声压数据，作为目标变量。2.预处理：利用归一化公式x=（xi-min）/（max-min）；其中xi是样本字段中第i条数据(xi代表频率 (Hz)、距离 (m)、幅值 (m)、介质密度 (kg/m2)、声速 (m/s))，x是归一化后的值；3.模型训练：用Python语言环境运行，方法为XGBoost算法，预测浮式风机叶片的声压。XGBoost的目标函数由两部分组成：损失函数和正则化项。损失函数用于衡量模型预测值与实际值之间的差异，而正则化项则用于控制模型的复杂度，防止过拟合。公式如下：F(x）=求和L（yi，y^i）+求和（m(f(k))），其中L（yi，y^i）表示第i个样本的损失函数，yi是实际值，y^i是预测值；m(f(k))表示第 k 棵树的复杂度。当损失函数F（x）最小化时则停止迭代过程，在此过程中y^i预测值是通过特征函数进行求解的，具体计算方式如下：通过对于目标函数的求导，紧接着并令导数等于0，从而解出叶子节点的最优分数。通过不断地选择最优分裂点并构建树结构，XGBoost最终可以得到一棵最优的树模型。然后，将多棵树模型的预测结果进行累加，即可得到最终的预测值。4.模型迭代和更新，利用交叉验证来评估模型的稳定性和性能，其中交叉验证公式如下：m=求和（yi-y^i）/N；其中m代表交叉验证误差、N代表数据样本的数量、yi代表第 i 个样本的实际观测值、y^i代表第 i 个样本的模型预测值。若满足交叉验证的误差范围则退出迭代过程，输出模型参数值。5.结果分析，当声压值的绝对值在[0,25]之间时，判定为声压稳定，当大于25时候，判定为声压异常。
浙江省数据知识产权登记平台2025-09-18 更新360
并联机械臂异常声压预测数据
通过分析机械臂关节噪声的频率、传播距离、振动幅值、介质密度及声速等核心参数，可准确计算其运行时的声压特征值。结合关节噪声的安全阈值范围，能够快速判断是否存在异常（如谐波减速器磨损、伺服电机故障或机械卡滞）。该监测方法可实现早期故障预警，大幅降低产线停机风险，同时为机械臂的预防性维护提供科学依据，确保工业自动化生产的安全性与连续性。1.数据搜集：搜集到并联机械臂运行的声学振动信号数据，并将其作为特征变量。同时，收集对应的声压数据，作为目标变量。2.预处理：利用归一化公式x=（xi-min）/（max-min）；其中xi是样本字段中第i条数据（xi代表频率 (Hz)、距离 (m)、幅值 (m)、介质密度 (kg/m2)、声速 (m/s)），x是归一化后的值；3.模型训练：用Python语言环境运行，方法为XGBoost算法，预测并联机械臂的声压。XGBoost的目标函数由两部分组成：损失函数和正则化项。损失函数用于衡量模型预测值与实际值之间的差异，而正则化项则用于控制模型的复杂度，防止过拟合。公式如下：F(x）=求和L（yi，y^i）+求和（m(f(k))），其中L（yi，y^i）表示第i个样本的损失函数，yi是实际值，y^i是预测值；m(f(k))表示第 k 棵树的复杂度。当损失函数F（x）最小化时则停止迭代过程，在此过程中y^i预测值是通过特征函数进行求解的，具体计算方式如下：通过对于目标函数的求导，紧接着并令导数等于0，从而解出叶子节点的最优分数。通过不断地选择最优分裂点并构建树结构，XGBoost最终可以得到一棵最优的树模型。然后，将多棵树模型的预测结果进行累加，即可得到最终的预测值。4.模型迭代和更新，利用交叉验证来评估模型的稳定性和性能，其中交叉验证公式如下：m=求和（yi-y^i）/N；其中m代表交叉验证误差、N代表数据样本的数量、yi代表第 i 个样本的实际观测值、y^i代表第 i 个样本的模型预测值。若满足交叉验证的误差范围则退出迭代过程，输出模型参数值。5.结果分析，当声压值的绝对值在[0,25]之间时，判定为声压稳定，当大于25（dB）时候，判定为声压异常。
浙江省数据知识产权登记平台2025-09-18 更新100
船体桁架应变预测代理模型数据
船体桁架应变预测代理模型数据集，其核心价值在于能够高效且低成本地解决对船体结构在各种工况下力学响应的快速洞察问题。具体而言，该数据集能够直接用于评估结构安全裕度，帮助探索极端海况下的载荷极限；支持设计方案的快速对比与优化迭代，缩短研发周期；作为虚拟传感器网络，为数字孪生系统提供全船实时应变数据，弥补物理监测的不足；并能为船员操作与航线规划提供决策依据，通过模拟不同航向与航速下的结构负荷，选择对船体最安全的航行策略。最终，该数据集为解决船舶结构的状态评估、风险控制和生命周期管理等核心工程应用问题提供了高效的数据基础。1.数据收集：根据仿真模拟系统的捕捉功能，我们获得了仿真船体的结构变量（衍架总长计量单位为m，其余计量单位为mm）；紧接着我们通过仿真测试得到了桁架应变的值（计量单位为ε）2.构建高斯过程：构建代理模型对结构性能评估本质是一个回归问题的模型。将船体结构方案的设计参数作为高斯过程的输入参数，结构性能指标作为高斯过程的输出参数。通过仿真数据的训练，可得到仿真船体的代理模型3.模型预测：通过代理模型数据的估计，我们可以得到预测模型，多项式核函数是高斯过程中常用的核函数之一，可以用来建模输入变量与输出变量之间的非线性关系，当输入新型船体的结构变量时，我们就可以快速得到他的应变的数量预测值。其形式为：K(x,y)=(σ^2*<x,y>+c)^d，其中x和y是输入向量，<x,y>表示它们的内积，d是多项式的次数，σ是一个比例因子，c是一个常数项。模型训练前首先准备数据集，共有100个样本，输入变量为二维，输出变量为一维，使用随机划分的方法将数据集划分为训练集和测试集，其中，80%用于训练，剩余20%数据用于测试。经过模型训练，将测试集应用于高斯过程模型进行测试，使用MAE、MAPE、MSE、RMSE四个参考值对模型的准确性进行评估。
浙江省数据知识产权登记平台2025-10-10 更新290
六轴协作机械臂异常声压预测数据
通过分析机械臂关节噪声的频率、传播距离、振动幅值、介质密度及声速等核心参数，可准确计算其运行时的声压特征值。结合关节噪声的安全阈值范围，能够快速判断是否存在异常（如谐波减速器磨损、伺服电机故障或机械卡滞）。该监测方法可实现早期故障预警，大幅降低产线停机风险，同时为机械臂的预防性维护提供科学依据，确保工业自动化生产的安全性与连续性。1.数据搜集：搜集到六轴协作机械臂运行的声学振动信号数据，并将其作为特征变量。同时，收集对应的声压数据，作为目标变量。2.预处理：利用归一化公式x=（xi-min）/（max-min）；其中xi是样本字段中第i条数据，x是归一化后的值；3.模型训练：用Python语言环境运行，方法为XGBoost算法，预测六轴协作机械臂的声压。XGBoost的目标函数由两部分组成：损失函数和正则化项。损失函数用于衡量模型预测值与实际值之间的差异，而正则化项则用于控制模型的复杂度，防止过拟合。公式如下：F(x）=求和L（yi，y^i）+求和（m(f(k))），其中L（yi，y^i）表示第i个样本的损失函数，yi是实际值，y^i是预测值；m(f(k))表示第 k 棵树的复杂度。当损失函数F（x）最小化时则停止迭代过程，在此过程中y^i预测值是通过特征函数进行求解的，具体计算方式如下：通过对于目标函数的求导，紧接着并令导数等于0，从而解出叶子节点的最优分数。通过不断地选择最优分裂点并构建树结构，XGBoost最终可以得到一棵最优的树模型。然后，将多棵树模型的预测结果进行累加，即可得到最终的预测值。4.模型迭代和更新，利用交叉验证来评估模型的稳定性和性能，其中交叉验证公式如下：m=求和（yi-y^i）/N；其中m代表交叉验证误差、N代表数据样本的数量、yi代表第 i 个样本的实际观测值、y^i代表第 i 个样本的模型预测值。若满足交叉验证的误差范围则退出迭代过程，输出模型参数值。5.声压（dB）异常判定规则：如果-20 dB ≤ 声压 ≤ 10 dB，则说明声压稳定；如果声压 > 10 dB或者< -20 dB，则说明声压异常。
浙江省数据知识产权登记平台2025-09-29 更新360
垂直轴风机叶片异常声压预测数据
基于采集的频率、距离、幅值、空气密度及声速等关键参数，可精确计算风机叶片在运行过程中的气动噪声声压值。通过对比预设的气动噪声阈值区间，能够有效识别叶片是否存在异常噪声（如湍流分离、翼型失速或结构损伤）。该技术可实时预警潜在故障，显著提升风电机组运行安全性，并为叶片维护策略提供数据支撑，从而保障风电场的稳定高效发电。1.本算法首先采集垂直轴风机叶片的声学振动信号及对应声压数据作为基础数据集，同时获取频率谱特征、测量距离、振动幅值、空气密度及声速等物理参数。2.数据预处理阶段对各类参数进行归一化和量纲统一处理。3.模型采用XGBoost算法，其目标函数包含损失函数和正则化项，通过迭代优化得到预测结果。4.模型预测:算法中嵌入了气动噪声物理计算模块，利用公式P_pred=K*(ρc³/d²)*∫(A(f)/f)df计算理论声压值，其中K为叶片气动效率系数，通过实验数据拟合获得，反映叶片的几何特性和运行工况；ρ表示空气密度，直接影响空气与叶片相互作用产生的声能强度；c为声速，其立方项体现声波传播过程中的能量转换效率；d是测量距离，遵循平方反比定律描述声压随距离的衰减规律；积分项∫(A(f)/f)df综合评估不同频率振动对噪声的贡献，并与机器学习预测结果进行交叉验证，当相对误差超过15%时触发模型重训练，最终输出声压预测值5.结果分析，当声压值的绝对值在[0,25]之间时，判定为声压稳定，当大于25时候，判定为声压异常。
浙江省数据知识产权登记平台2025-09-18 更新1190