论文部分内容阅读
船舶行业的蓬勃发展和海上贸易的持续扩张,让船舶研究成为学术界的研究热点。其中,关于船舶摇荡运动的研究备受瞩目。激烈的船舶摇荡运动会严重影响船员的舒适感和船舶的安全性,甚至可能导致翻船。这些安全隐患一旦爆发,往往会造成无法估量的损失。因此,对船舶摇荡姿态进行有效准确的估计和预报已成为一个重要的课题。本论文具体研究内容包括以下几方面:
首先,为了更加真实有效地描述船舶运动特性,对船舶运动数学模型、船舶舵机模型进行了理论性分析,建立了一个能有效反映船舶实际运动情况的六自由度非线性数学模型,并推导建立了船舶平面运动数学模型。同时,分析建立了海洋环境扰动模型,包括海浪干扰力和干扰力矩、海风以及海流模型。并根据长峰波随机海浪理论对海浪在三种不同情况下的纵荡力、横荡力和艏摇力矩进行了仿真分析。
然后,针对船舶运动姿态系统量测值异常突变的问题,提出了基于改进无迹卡尔曼滤波(Modified Unscented Kalman Filter,MUKF)的船舶运动滤波方法。设计了基于量测残差统计信息的异常值检测函数,用以判断系统的量测值是否异常;再根据量测残差协方差修正无迹卡尔曼滤波器增益,并设计了船舶运动非线性滤波器,降低了量测值异常对船舶运动姿态系统的影响,使船舶运动姿态的估计具有更准确的精度及更好的时效性。
其次,在船舶运动姿态的六个自由度中,横摇运动、纵摇运动和升沉运动很大程度上决定了船舶的适航性,因此,对这三个自由度上运动的极短期预报进行了重点研究。深入分析长短期记忆(Long Short-Term Memory,LSTM)神经网络模型,提出了基于粒子群优化(Particle Swarm Optimization,PSO)LSTM的船舶运动姿态极短期预报模型;针对PSO中粒子容易向自身局部最优位置聚集,并陷入局部极值的问题,提出了一种多层异质粒子群(Multi-layer Heterogeneous Particle Swarm Optimization,MHPSO)算法,通过建立粒子行为池,让早熟粒子进行行为随机选择,增强了算法运行过程中粒子与粒子之间的信息交互能力,提升了算法的寻优能力。
再次,根据实际船舶运动中存在非平稳的特性,设计了基于经验模态分解(Empirical Mode Decomposition,EMD)与改进LSTM组合的船舶运动姿态极短期预报模型。通过经验模态分解,可得到有限个独立的、能够突出原始数据不同局部特征信息的本征模态函数(Intrinsic Mode Function,IMF),针对每个IMF分量,建立改进LSTM神经网络预报模型,再对各个预报分量的结果进行求和,并输出最终的预报结果,提高了预报精度。
最后,研究了船舶运动姿态的在线建模递推预报方法。船舶运动是一个随时间不断变化的动态过程,在预报过程中,不断有新的数据产生,较旧的样本与当前及未来的运动特征相关性会越来越小,而较新的样本与其相关性较大。由于采用离线训练方式的预报模型在训练时并没有考虑样本的动态特性,导致长时间的预报精度下降且实时性较差,因此,针对该问题,提出快速稀疏最小二乘支持向量机(Fast Sparse Approximation Least Squares Support Vector Machine, FSALS-SVM)与双向长短期记忆(Bidirectional Long Short-Term Memory, BiLSTM)神经网络相结合的在线建模递推预报模型(FSALS-SVM-BiLSTM)。利用BiLSTM神经网络对样本数据进行训练,得到训练残差;通过FSALS-SVM算法对训练残差进行建模和预报;并采用误差补偿机制自动更新BiLSTM模型的参数,对船舶运动姿态进行实时预报。这种建模方法可在运动过程的不同变化时段调整预报模型的表达式,具有一定的自适应调节能力。
首先,为了更加真实有效地描述船舶运动特性,对船舶运动数学模型、船舶舵机模型进行了理论性分析,建立了一个能有效反映船舶实际运动情况的六自由度非线性数学模型,并推导建立了船舶平面运动数学模型。同时,分析建立了海洋环境扰动模型,包括海浪干扰力和干扰力矩、海风以及海流模型。并根据长峰波随机海浪理论对海浪在三种不同情况下的纵荡力、横荡力和艏摇力矩进行了仿真分析。
然后,针对船舶运动姿态系统量测值异常突变的问题,提出了基于改进无迹卡尔曼滤波(Modified Unscented Kalman Filter,MUKF)的船舶运动滤波方法。设计了基于量测残差统计信息的异常值检测函数,用以判断系统的量测值是否异常;再根据量测残差协方差修正无迹卡尔曼滤波器增益,并设计了船舶运动非线性滤波器,降低了量测值异常对船舶运动姿态系统的影响,使船舶运动姿态的估计具有更准确的精度及更好的时效性。
其次,在船舶运动姿态的六个自由度中,横摇运动、纵摇运动和升沉运动很大程度上决定了船舶的适航性,因此,对这三个自由度上运动的极短期预报进行了重点研究。深入分析长短期记忆(Long Short-Term Memory,LSTM)神经网络模型,提出了基于粒子群优化(Particle Swarm Optimization,PSO)LSTM的船舶运动姿态极短期预报模型;针对PSO中粒子容易向自身局部最优位置聚集,并陷入局部极值的问题,提出了一种多层异质粒子群(Multi-layer Heterogeneous Particle Swarm Optimization,MHPSO)算法,通过建立粒子行为池,让早熟粒子进行行为随机选择,增强了算法运行过程中粒子与粒子之间的信息交互能力,提升了算法的寻优能力。
再次,根据实际船舶运动中存在非平稳的特性,设计了基于经验模态分解(Empirical Mode Decomposition,EMD)与改进LSTM组合的船舶运动姿态极短期预报模型。通过经验模态分解,可得到有限个独立的、能够突出原始数据不同局部特征信息的本征模态函数(Intrinsic Mode Function,IMF),针对每个IMF分量,建立改进LSTM神经网络预报模型,再对各个预报分量的结果进行求和,并输出最终的预报结果,提高了预报精度。
最后,研究了船舶运动姿态的在线建模递推预报方法。船舶运动是一个随时间不断变化的动态过程,在预报过程中,不断有新的数据产生,较旧的样本与当前及未来的运动特征相关性会越来越小,而较新的样本与其相关性较大。由于采用离线训练方式的预报模型在训练时并没有考虑样本的动态特性,导致长时间的预报精度下降且实时性较差,因此,针对该问题,提出快速稀疏最小二乘支持向量机(Fast Sparse Approximation Least Squares Support Vector Machine, FSALS-SVM)与双向长短期记忆(Bidirectional Long Short-Term Memory, BiLSTM)神经网络相结合的在线建模递推预报模型(FSALS-SVM-BiLSTM)。利用BiLSTM神经网络对样本数据进行训练,得到训练残差;通过FSALS-SVM算法对训练残差进行建模和预报;并采用误差补偿机制自动更新BiLSTM模型的参数,对船舶运动姿态进行实时预报。这种建模方法可在运动过程的不同变化时段调整预报模型的表达式,具有一定的自适应调节能力。