融合拖缆张力监测与机器学习模型的拖网绞车自动控制研究成果显著

《Fisheries Science》：Identifying towing states of the otter trawl integrated with real-time warp tension monitoring and a machine learning model

为转向环保作业技术，研究人员开展拖网绞车自动控制研究，模型识别准确率约 80%。

　　为了向环保作业技术转变，设计了一种集成拖缆张力监测和机器学习模型的拖网绞车自动控制系统。研究人员使用缩小比例的底拖网渔具进行拖曳实验，收集拖缆张力的时间序列数据，用于构建识别拖网状态（包括中层拖网、半中层拖网、底层拖网和翻覆拖网）的模型。该模型基于三层全连接神经网络模型，并通过遗传算法进行优化，随后被整合到自动控制系统中。结果显示，虽然拖缆张力没有明确的阈值来轻易识别底拖网的拖网状态，但优化后的拖网状态识别模型召回率达到约 80%。此外，配备拖网状态识别模型的自动控制系统成功实现了中层或底层拖网向半中层作业的转换，且识别准确率超过 80%。