CN116184836B - 一种基于片体间流体干扰力预测的船舶运动预报方法 - Google Patents

一种基于片体间流体干扰力预测的船舶运动预报方法 Download PDF

Info

Publication number
CN116184836B
CN116184836B CN202310463440.XA CN202310463440A CN116184836B CN 116184836 B CN116184836 B CN 116184836B CN 202310463440 A CN202310463440 A CN 202310463440A CN 116184836 B CN116184836 B CN 116184836B
Authority
CN
China
Prior art keywords
ship
force
model
fluid interference
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310463440.XA
Other languages
English (en)
Other versions
CN116184836A (zh
Inventor
赵宾
徐凯
李佳川
郭颖
王岭
王福
王小东
黄炜
孟令桐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
707th Research Institute of CSIC
Original Assignee
707th Research Institute of CSIC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 707th Research Institute of CSIC filed Critical 707th Research Institute of CSIC
Priority to CN202310463440.XA priority Critical patent/CN116184836B/zh
Publication of CN116184836A publication Critical patent/CN116184836A/zh
Application granted granted Critical
Publication of CN116184836B publication Critical patent/CN116184836B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B71/00—Designing vessels; Predicting their performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Medical Informatics (AREA)
  • Ocean & Marine Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Feedback Control In General (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及船舶运动控制技术领域，尤其涉及一种基于片体间流体干扰力预测的船舶运动预报方法，包括如下步骤：获取多组波浪中小水线面双体船全船试验数据及试验参数，剔除一阶波浪力及二阶波浪力后建立训练数据集，基于深度学习法搭建人工神经网格初始框架
Figure ZY_1
并训练得到人工神经网格模型
Figure ZY_2
，继而得到波浪中并行片体间流体干扰力黑箱模型
Figure ZY_3
，运行
Figure ZY_4
，得到当前并行片体间流体干扰力
Figure ZY_5
，将
Figure ZY_6
应用于船舶动力定位系统中观测器船舶运动经典模型式，得到观测器模型，计算出
Figure ZY_7
的值提供给动力定位系统的控制器。本发明提供的方法提高了观测器中对船舶运动响应的预报精度，为优化动力定位系统控制器控制策略提供了有力支撑。

Description

一种基于片体间流体干扰力预测的船舶运动预报方法
技术领域
本发明涉及船舶运动控制技术领域，尤其涉及一种基于片体间流体干扰力预测的船舶运动预报方法。
背景技术
小水线面双体船（SWATH）是一种新概念高性能船，它由深潜于水下的两个鱼雷状潜体、高出水面的上层建筑以及连接水下两个鱼雷状潜体和上层建筑之间的小展弦比薄翼状支柱组成。这里的支柱与鱼雷状潜体又被称为并行片体。正是由于片体结构的独特设计，使得SWATH船具有良好的操纵性、耐波性和宽敞的甲板面积，因此受到各国军方、航运及旅游等相关部门的高度关注。然而并行片体同时也导致了更大的摩擦阻力、兴波附加干扰阻力以及全浪向下的复杂耐波性特点，对分析波浪中航行状态下的小水线面双体船水动力及运动响应带来了极大的困难。
对小水线面双体船水动力的分析确定一般采用三种方法：模型试验、规范计算和水动力软件直接计算。通常，模型试验的结果更直观，但该方法过程复杂耗时较长。规范计算方法适用于排水量较小的小水线面双体船，对于大尺度大排水量以及新型结构设计的小水线面双体船而言该规范的适用性还有待验证。在水动力软件直接计算方法中，基于RANS方程的粘流数值仿真具有较高的准确度，但是计算量过于庞大，耗时过长，计算效率难以满足不同特征参数以及时变波浪环境下的小水线面双体船水动力快速计算。
在小水线面双体船的运动响应预报方面，船舶运动数学模型主要分为水动力模型和响应模型两种。其中，水动力模型主要有两类：整体型模型和分离型模型，整体型模型最初由美国的Abkowitz提出，因此又称为Abkowitz模型，分离型模型主要为MMG模型，最常见的响应模型为Nomoto模型。上述几种模型在进行波浪中小水线面双体船运动预报时，仅是将船舶作为一个整体进行考虑，忽略了小水线面双体船在波浪中因其独特双片体结构所导致的片体间流体振荡对船舶整体水动力特性带来的干扰，进而导致了小水线面双体船在波浪中的运动预报效果并不理想。
发明内容
本发明所要解决的技术问题是提供一种基于片体间流体干扰力预测的船舶运动预报方法，能够实现快速、实时在线预测小水线面双体船的片体结构在不同波浪环境下的流体干扰力，进而建立动力定位系统观测器模型，提高了观测器对船舶运动响应的预报精度，为优化动力定位系统控制器控制策略提供了有力支撑。
本发明是通过以下技术方案予以实现：
一种基于片体间流体干扰力预测的船舶运动预报方法，其包括如下步骤：
S1：获取多组波浪中小水线面双体船全船波浪载荷力试验数据
Figure SMS_1
及对应试验过程中的船舶姿态参数/>
Figure SMS_2
、船舶运动参数/>
Figure SMS_3
及试验环境参数/>
Figure SMS_4
数据；
S2：剔除每一组
Figure SMS_12
中的一阶波浪力/>
Figure SMS_8
和二阶波浪力/>
Figure SMS_11
，得到多组并行片体间流体干扰力数据/>
Figure SMS_10
后，建立包含多组并行片体间流体干扰力数据
Figure SMS_13
及对应试验过程中的/>
Figure SMS_15
、/>
Figure SMS_18
、/>
Figure SMS_7
数据的训练数据集/>
Figure SMS_14
，每一组
Figure SMS_5
及对应试验过程中的/>
Figure SMS_6
、/>
Figure SMS_16
、/>
Figure SMS_20
数据作为训练数据集/>
Figure SMS_17
中的一组训练数据/>
Figure SMS_19
，其中/>
Figure SMS_9
为训练组的序号；
S3：基于深度学习法搭建人工神经网格初始框架
Figure SMS_22
，将每一组训练数据/>
Figure SMS_24
中的/>
Figure SMS_27
、/>
Figure SMS_23
、/>
Figure SMS_26
作为训练的输入层，每一组/>
Figure SMS_29
作为训练的输出层，且输入层与输出层之间设有多个中间训练层，对人工神经网格初始框架/>
Figure SMS_30
开展训练，得到训练后的人工神经网格模型/>
Figure SMS_21
，再将训练后的人工神经网格模型/>
Figure SMS_25
中包含的各层神经网格结构公式、各层模型权重值、各层网格间的传递关系转化成描述输出值与各项输入值之间非线性映射关系的层级结构，得到波浪中并行片体间流体干扰力黑箱模型/>
Figure SMS_28
；
S4：运行波浪中并行片体间流体干扰力黑箱模型
Figure SMS_31
，将小水线面双体船当前姿态参数/>
Figure SMS_32
、当前运动参数/>
Figure SMS_33
、当前环境参数/>
Figure SMS_34
作为输入信息，输出信息为当前并行片体间流体干扰力/>
Figure SMS_35
；
S5：将当前并行片体间流体干扰力
Figure SMS_36
通过式（1）整理为纵荡、横荡、转艏三个自由度上的力/>
Figure SMS_37
后，再将/>
Figure SMS_38
代入船舶动力定位系统中观测器船舶运动经典模型式（2）中，得到观测器模型式（3）；
Figure SMS_39
（1）
Figure SMS_40
（2）
Figure SMS_41
（3）
其中，
Figure SMS_43
表示当前并行片体间流体干扰力/>
Figure SMS_47
在纵荡自由度上的力，/>
Figure SMS_55
表示当前并行片体间流体干扰力/>
Figure SMS_45
在横荡自由度上的力，
Figure SMS_48
表示当前并行片体间流体干扰力/>
Figure SMS_54
在转艏自由度上的力，T表示矩阵的转置，/>
Figure SMS_56
为经典模型船舶质量惯性矩阵，/>
Figure SMS_42
为经典模型船舶速度，/>
Figure SMS_46
为经典模型船舶速度的一阶导数，/>
Figure SMS_50
为船舶质量惯性矩阵；/>
Figure SMS_51
为船舶速度；/>
Figure SMS_44
为船舶阻尼系数矩阵；/>
Figure SMS_49
代表控制向量，为推进器在纵荡、横荡、转艏方向上产生的力和力矩；
Figure SMS_52
代表风、浪、流环境载荷的合力，/>
Figure SMS_53
为船舶速度的一阶导数；
S6：通过式（3）计算出
Figure SMS_57
的值，并将/>
Figure SMS_58
的值提供给动力定位系统的控制器，动力定位系统的控制器控制船舶以速度/>
Figure SMS_59
航行。
进一步，步骤S3中对人工神经网格初始框架
Figure SMS_60
开展训练时，逐层构建神经网络层，每一个神经网络层由多个结构互相独立的神经元组成，相邻神经网络层之间的神经元与神经元之间相互连接。
进一步，每个所述神经元的结构组成为一个预先设置的激活函数
Figure SMS_61
和一个线性叠加函数/>
Figure SMS_62
，表达式分别为式（4）及式（5），单个神经元的输出表达式为式（6）：
Figure SMS_63
（4）
Figure SMS_64
（5）
Figure SMS_65
（6）
其中：
Figure SMS_66
为神经元最终的输出；/>
Figure SMS_67
为上一层传递过来的神经元输入值，
Figure SMS_68
为神经元的输入值；/>
Figure SMS_69
为所有输入值在神经元结构中分别对应的权重值；/>
Figure SMS_70
为神经元的偏置，/>
Figure SMS_71
为上一层传递过来的输入值个数。
进一步，步骤S3中对人工神经网格初始框架
Figure SMS_72
开展训练时，基于式（4）、式（5）及式（6），在初始阶段对每个神经元各自独立、随机的生成一组权值与偏置之后开展训练，各层神经元之间遵循顺次前向运算的传递关系，层层获取并更新本层的权值与偏置，形成训练后的人工神经网格模型/>
Figure SMS_73
。
发明的有益效果：
本发明提供的一种基于片体间流体干扰力预测的船舶运动预报方法，基于小水线面双体船波浪中并行片体间流体干扰力黑箱模型，实现快速、实时在线预测小水线面双体船的片体结构在不同波浪环境下的流体干扰力，进而建立考虑了片体间流体干扰的动力定位系统观测器模型，提高观测器中对船舶运动响应的预报精度，为优化动力定位系统控制器控制策略提供了有力支撑。
附图说明
图1为神经网络层结构示意图。
图中：1.输入层，2.神经元，3.中间训练层，4.输出层。
具体实施方式
一种基于片体间流体干扰力预测的船舶运动预报方法，其包括如下步骤：
S1：获取多组波浪中小水线面双体船全船波浪载荷力试验数据
Figure SMS_74
及对应试验过程中的船舶姿态参数/>
Figure SMS_75
、船舶运动参数/>
Figure SMS_76
及试验环境参数/>
Figure SMS_77
数据；
这里的全船波浪载荷力试验数据
Figure SMS_78
为小水线面双体船在船体六个自由度方向上因外部波浪环境所遭受的环境载荷力或力矩，可以通过式（7）来表示，其数据可以通过物理水池试验、CFD数值仿真试验获取；
Figure SMS_79
（7）
其中，
Figure SMS_80
为小水线面双体船全船在纵荡方向上的波浪载荷力；/>
Figure SMS_81
为小水线面双体船全船在横荡方向上的波浪载荷力；/>
Figure SMS_82
为小水线面双体船全船在垂荡方向上的波浪载荷力；/>
Figure SMS_83
为小水线面双体船全船在横摇方向上的波浪载荷力矩；
Figure SMS_84
为小水线面双体船全船在纵摇方向上的波浪载荷力矩；/>
Figure SMS_85
为小水线面双体船全船在艏摇方向上的波浪载荷力矩，T为矩阵的转置。
试验过程中的船舶姿态参数
Figure SMS_86
为试验过程中小水线面双体船在船体六个自由度方向上保持的姿态参数，是试验过程中设定的已知参数，可以用式（8）来表示；
Figure SMS_87
（8）
其中，
Figure SMS_88
为小水线面双体船全船在纵荡方向上的位移；/>
Figure SMS_89
为小水线面双体船全船在横荡方向上的位移；/>
Figure SMS_90
为小水线面双体船全船在垂荡方向上的位移；
Figure SMS_91
为小水线面双体船全船在横摇方向上的角度；/>
Figure SMS_92
为小水线面双体船全船在纵摇方向上的角度；/>
Figure SMS_93
为小水线面双体船全船在艏摇方向上的角度。
试验过程中的船舶运动参数
Figure SMS_94
为试验过程中小水线面双体船在船体六个自由度方向上保持的速度参数，是试验过程中设定的已知参数，可以用式（9）来表示；
Figure SMS_95
（9）
其中，
Figure SMS_96
为小水线面双体船全船在纵荡方向上的速度；/>
Figure SMS_97
为小水线面双体船全船在横荡方向上的速度；/>
Figure SMS_98
为小水线面双体船全船在垂荡方向上的速度；
Figure SMS_99
为小水线面双体船全船在横摇方向上的角速度；/>
Figure SMS_100
为小水线面双体船全船在纵摇方向上的角速度；/>
Figure SMS_101
为小水线面双体船全船在艏摇方向上的角速度。
试验过程中的试验环境参数
Figure SMS_102
为试验过程中的波浪环境参数，是试验过程中设定的已知参数，可以用式（10）来表示；
Figure SMS_103
（10）
其中，
Figure SMS_104
为试验过程中的波浪有义波高；/>
Figure SMS_105
为试验过程中的波浪谱峰周期；/>
Figure SMS_106
为试验过程中的波浪方向。
S2：剔除每一组
Figure SMS_116
中的一阶波浪力/>
Figure SMS_108
和二阶波浪力/>
Figure SMS_111
，得到多组并行片体间流体干扰力数据/>
Figure SMS_112
后，建立包含多组并行片体间流体干扰力数据
Figure SMS_117
及对应试验过程中的/>
Figure SMS_120
、/>
Figure SMS_122
、/>
Figure SMS_115
数据的训练数据集/>
Figure SMS_119
，每一组
Figure SMS_107
及对应试验过程中的/>
Figure SMS_114
、/>
Figure SMS_109
、/>
Figure SMS_113
数据作为训练数据集/>
Figure SMS_118
中的一组训练数据/>
Figure SMS_121
，/>
Figure SMS_110
为训练组的序号；
由于在试验室试验时，一般只能获取小水线面双体船全船波浪载荷力试验数据，这个载荷力是全船受到的合力，对于常规船体来说，全船受到的合力只包含了一阶波浪力和二阶波浪力，但是对于小水线面双体船，合力中还有并行片体间的干扰力。因此要获得并行片体间的干扰力需要将一阶波浪力和二阶波浪力剔除。
一阶波浪力
Figure SMS_123
是船舶六个自由度方向上产生零均值振荡运动（波浪-频率运动）的高频干扰力，可采用式（11）进行描述，具体数值可以通过卷积求解法获得，这里的卷积求解法为现有技术，不再赘述；
Figure SMS_124
（11）
其中，
Figure SMS_125
为小水线面双体船全船在纵荡方向上的一阶波浪载荷力；
Figure SMS_126
为小水线面双体船全船在横荡方向上的一阶波浪载荷力；/>
Figure SMS_127
为小水线面双体船全船在垂荡方向上的一阶波浪载荷力；/>
Figure SMS_128
为小水线面双体船全船在横摇方向上的一阶波浪载荷力矩；/>
Figure SMS_129
为小水线面双体船全船在纵摇方向上的一阶波浪载荷力矩；/>
Figure SMS_130
为小水线面双体船全船在艏摇方向上的一阶波浪载荷力矩。
二阶波浪力
Figure SMS_131
为仅考虑对动力定位系统影响较大的纵荡、横荡、艏摇三个平面自由度上的非零均值缓慢变化的低频干扰力（波浪漂移力），该力在海浪环境参数确定时为定常值，可采用式（12）进行描述：
Figure SMS_132
（12）
其中，
Figure SMS_133
为小水线面双体船在纵荡方向上的二阶波浪力，可以通过式（13）进行计算，/>
Figure SMS_134
为小水线面双体船在横荡方向上的二阶波浪力，可以通过式（14）进行计算，/>
Figure SMS_135
为小水线面双体船在转艏方向上的二阶波浪力，可以通过式（15）进行计算。
Figure SMS_136
（13）
Figure SMS_137
（14）
Figure SMS_138
（15）
其中：
Figure SMS_140
为垂线间长；/>
Figure SMS_147
为船宽；/>
Figure SMS_150
为波浪谱密度函数；/>
Figure SMS_141
为与浪向角/>
Figure SMS_145
、圆频率/>
Figure SMS_148
相关的纵荡方向上无因次波浪漂移力载荷系数；/>
Figure SMS_152
与浪向角/>
Figure SMS_139
、圆频率/>
Figure SMS_143
相关的横荡方向上无因次波浪漂移力载荷系数；/>
Figure SMS_146
为与浪向角/>
Figure SMS_151
、圆频率/>
Figure SMS_142
相关的转艏方向上无因次波浪漂移力载荷系数，/>
Figure SMS_144
为海水密度，/>
Figure SMS_149
为重力加速度。
最后并行片体间流体干扰力数据
Figure SMS_153
可通过式（16）计算获得；
Figure SMS_154
（16）
其中，
Figure SMS_155
为小水线面双体船并行片体间在纵荡方向上的流体干扰力；
Figure SMS_156
为小水线面双体船并行片体间在横荡方向上的流体干扰力；/>
Figure SMS_157
为小水线面双体船并行片体间在垂荡方向上的流体干扰力；/>
Figure SMS_158
为小水线面双体船并行片体间在横摇方向上的流体干扰力矩；/>
Figure SMS_159
为小水线面双体船并行片体间在纵摇方向上的流体干扰力矩；/>
Figure SMS_160
为小水线面双体船并行片体间在转艏方向上的流体干扰力矩。
每一组训练数据
Figure SMS_161
可以用式（17）来表示；
Figure SMS_162
（17）
其中
Figure SMS_163
表示为训练数据的组数。
S3：基于深度学习法搭建人工神经网格初始框架
Figure SMS_165
，将每一组训练数据/>
Figure SMS_168
中的/>
Figure SMS_171
、/>
Figure SMS_166
、/>
Figure SMS_169
作为训练的输入层1，每一组/>
Figure SMS_172
作为训练的输出层4，且输入层与输出层之间设有多个中间训练层3，对人工神经网格初始框架/>
Figure SMS_173
开展训练，得到训练后的人工神经网格模型/>
Figure SMS_164
，再将训练后的人工神经网格模型/>
Figure SMS_167
中包含的各层神经网格结构公式、各层模型权重值、各层网格间的传递关系转化成描述输出值与各项输入值之间非线性映射关系的层级结构，得到波浪中并行片体间流体干扰力黑箱模型/>
Figure SMS_170
；
S4：运行波浪中并行片体间流体干扰力黑箱模型
Figure SMS_174
，将小水线面双体船当前姿态参数/>
Figure SMS_175
、当前运动参数/>
Figure SMS_176
、当前环境参数/>
Figure SMS_177
作为输入信息，输出信息为当前并行片体间流体干扰力/>
Figure SMS_178
；
小水线面双体船当前姿态参数
Figure SMS_179
可以用式（18）来表示；
Figure SMS_180
（18）
其中：
Figure SMS_181
为传感器测量得到的全船在纵荡方向上的当前位移；/>
Figure SMS_182
为传感器测量得到的全船在横荡方向上的当前位移；/>
Figure SMS_183
为传感器测量得到的全船在垂荡方向上的当前位移；/>
Figure SMS_184
为传感器测量得到的全船在横摇方向上的当前角度；
Figure SMS_185
为传感器测量得到的全船在纵摇方向上的当前角度；/>
Figure SMS_186
为传感器测量得到的全船在艏摇方向上的当前角度。
小水线面双体船当前运动参数
Figure SMS_187
可以用式（19）来表示；
Figure SMS_188
（19）
其中，
Figure SMS_189
为传感器测量得到的全船在纵荡方向上的当前速度；/>
Figure SMS_190
为传感器测量得到的全船在横荡方向上的当前速度；/>
Figure SMS_191
为传感器测量得到的全船在垂荡方向上的当前速度；/>
Figure SMS_192
为传感器测量得到的全船在横摇方向上的当前角速度；/>
Figure SMS_193
为传感器测量得到的全船在纵摇方向上的当前角速度；/>
Figure SMS_194
为传感器测量得到的全船在艏摇方向上的当前角速度。
小水线面双体船当前环境参数
Figure SMS_195
可以用式（20）来表示；
Figure SMS_196
（20）
其中，
Figure SMS_197
为传感器测量或由风速-波浪关系得到的船舶所处环境中的当前波浪有义波高；/>
Figure SMS_198
为传感器测量或由风速-波浪关系得到的船舶所处环境中的当前波浪谱峰周期；/>
Figure SMS_199
为传感器测量或由风速-波浪关系得到的船舶所处环境中的当前波浪方向。
当前并行片体间流体干扰力
Figure SMS_200
可以用式（21）来表示；
Figure SMS_201
（21）
其中，
Figure SMS_203
为由波浪中并行片体间流体干扰力黑箱模型/>
Figure SMS_207
计算得到的小水线面双体船并行片体间在纵荡方向上的当前流体干扰力；/>
Figure SMS_210
为波浪中并行片体间流体干扰力黑箱模型/>
Figure SMS_202
计算得到的小水线面双体船并行片体间在横荡方向上的当前流体干扰力；/>
Figure SMS_206
为波浪中并行片体间流体干扰力黑箱模型
Figure SMS_211
计算得到的小水线面双体船并行片体间在垂荡方向上的当前流体干扰力；
Figure SMS_213
为波浪中并行片体间流体干扰力黑箱模型/>
Figure SMS_205
计算得到的小水线面双体船并行片体间在横摇方向上的当前流体干扰力矩；/>
Figure SMS_208
为波浪中并行片体间流体干扰力黑箱模型/>
Figure SMS_209
计算得到的小水线面双体船并行片体间在纵摇方向上的当前流体干扰力矩；/>
Figure SMS_212
为波浪中并行片体间流体干扰力黑箱模型/>
Figure SMS_204
计算得到的小水线面双体船并行片体间在转艏方向上的当前流体干扰力矩。
S5：将当前并行片体间流体干扰力
Figure SMS_214
通过式（1）整理为纵荡、横荡、转艏三个自由度上的力/>
Figure SMS_215
后，再将/>
Figure SMS_216
代入船舶动力定位系统中观测器船舶运动经典模型式（2）中，得到观测器模型式（3）；
Figure SMS_217
（1）
Figure SMS_218
（2）
Figure SMS_219
（3）
其中，
Figure SMS_221
表示当前并行片体间流体干扰力/>
Figure SMS_227
在纵荡自由度上的力，/>
Figure SMS_230
表示当前并行片体间流体干扰力/>
Figure SMS_222
在横荡自由度上的力，
Figure SMS_224
表示当前并行片体间流体干扰力/>
Figure SMS_228
在转艏自由度上的力，T表示矩阵的转置，/>
Figure SMS_231
为经典模型船舶质量惯性矩阵，/>
Figure SMS_220
为经典模型船舶速度，/>
Figure SMS_223
为经典模型船舶速度的一阶导数，/>
Figure SMS_226
为船舶质量惯性矩阵；/>
Figure SMS_232
为船舶速度；/>
Figure SMS_225
为船舶阻尼系数矩阵；/>
Figure SMS_229
代表控制向量，为推进器在纵荡、横荡、转艏方向上产生的力和力矩；
Figure SMS_233
代表风、浪、流环境载荷的合力，/>
Figure SMS_234
为船舶速度的一阶导数；
由于在船舶动力定位系统中观测器船舶运动经典模型基础上增加了当前并行片体间流体干扰力
Figure SMS_235
在纵荡、横荡、转艏三个自由度上的力/>
Figure SMS_236
后，得到的观测器模型更加适用于波浪中小水线面双体船，可以提高观测器模型中的船舶运动预报精度。
S6：通过式（3）计算出
Figure SMS_237
的值，并将/>
Figure SMS_238
的值提供给动力定位系统的控制器，动力定位系统的控制器控制船舶以速度/>
Figure SMS_239
航行。
本发明提供的一种基于片体间流体干扰力预测的船舶运动预报方法，通过先在试验室获取多组波浪中小水线面双体船全船波浪载荷力试验数据
Figure SMS_247
及对应试验过程中的船舶姿态参数/>
Figure SMS_241
、船舶运动参数/>
Figure SMS_244
及试验环境参数/>
Figure SMS_250
数据，然后剔除每一组/>
Figure SMS_253
中的一阶波浪力/>
Figure SMS_256
和二阶波浪力/>
Figure SMS_258
，得到多组并行片体间流体干扰力数据/>
Figure SMS_252
后搭建人工神经网格初始框架/>
Figure SMS_255
后进行训练，得到训练后的人工神经网格模型/>
Figure SMS_240
，再转化成描述输出值与各项输入值之间非线性映射关系的层级结构，得到波浪中并行片体间流体干扰力黑箱模型/>
Figure SMS_246
，在船体实际航行时，可以利用波浪中并行片体间流体干扰力黑箱模型/>
Figure SMS_243
，将小水线面双体船当前姿态参数
Figure SMS_249
、当前运动参数/>
Figure SMS_254
、当前环境参数/>
Figure SMS_257
作为输入信息，就可以快速准确的得到当前并行片体间流体干扰力/>
Figure SMS_242
，继而得到观测器模型，通过观测器模型可以准确计算出船舶运行速度/>
Figure SMS_245
的值，并将/>
Figure SMS_248
的值提供给动力定位系统的控制器，动力定位系统的控制器控制船舶以速度/>
Figure SMS_251
航行，提高了观测器模型中的船舶运动预报精度，并将更高精度的船舶运动实时预报结果提供给动力定位系统的控制器，为优化动力定位系统控制策略提供了有力支撑。
进一步，步骤S3中对人工神经网格初始框架
Figure SMS_259
开展训练时，逐层构建神经网络层，每一个神经网络层由多个结构互相独立的神经元2组成，相邻神经网络层之间的神经元与神经元之间相互连接。具体神经网络层结构示意图如附图1所示。
进一步，每个所述神经元的结构组成为一个预先设置的激活函数
Figure SMS_260
及一个线性叠加函数/>
Figure SMS_261
，表达式分别为式（4）及式（5），单个神经元的输出表达式为式（6）：
Figure SMS_262
（4）
Figure SMS_263
（5）
Figure SMS_264
（6）
其中：
Figure SMS_265
为神经元最终的输出；/>
Figure SMS_266
为上一层传递过来的神经元输入值，
Figure SMS_267
为神经元的输入值；/>
Figure SMS_268
为所有输入值在神经元结构中分别对应的权重值；/>
Figure SMS_269
为神经元的偏置，/>
Figure SMS_270
为上一层传递过来的输入值个数。
人工神经网格初始框架
Figure SMS_271
采用式（4）作为激活函数/>
Figure SMS_272
，因为传递函数的结构简单，只需要判断输入值和0之间的大小，运算速度相较其他的激活函数快，可以提高人工神经网格初始框架/>
Figure SMS_273
的训练速度。
进一步，步骤S3中对人工神经网格初始框架
Figure SMS_274
开展训练时，基于式（4）、式（5）及式（6），在初始阶段对每个神经元各自独立、随机的生成一组权值与偏置之后开展训练，各层神经元之间遵循顺次前向运算的传递关系，层层获取并更新本层的权值与偏置，形成训练后的人工神经网格模型/>
Figure SMS_275
。
综上所述，本发明提出的一种基于片体间流体干扰力预测的船舶运动预报方法，基于小水线面双体船波浪中并行片体间流体干扰力黑箱模型，实现快速、实时在线预测小水线面双体船的片体结构在不同波浪环境下的流体干扰力，进而建立考虑了片体间流体干扰的动力定位系统观测器模型，提高观测器中对船舶运动响应的预报精度，为优化动力定位系统控制器控制策略提供了有力支撑。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于片体间流体干扰力预测的船舶运动预报方法，其特征在于：包括如下步骤：
S1：获取多组波浪中小水线面双体船全船波浪载荷力试验数据
Figure QLYQS_1
及对应试验过程中的船舶姿态参数/>
Figure QLYQS_2
、船舶运动参数/>
Figure QLYQS_3
及试验环境参数/>
Figure QLYQS_4
数据；
S2：剔除每一组
Figure QLYQS_16
中的一阶波浪力/>
Figure QLYQS_7
和二阶波浪力/>
Figure QLYQS_13
，得到多组并行片体间流体干扰力数据/>
Figure QLYQS_8
后，建立包含多组并行片体间流体干扰力数据/>
Figure QLYQS_12
及对应试验过程中的/>
Figure QLYQS_10
、/>
Figure QLYQS_11
、/>
Figure QLYQS_14
数据的训练数据集/>
Figure QLYQS_17
，每一组/>
Figure QLYQS_5
及对应试验过程中的/>
Figure QLYQS_9
、/>
Figure QLYQS_15
、/>
Figure QLYQS_18
数据作为训练数据集/>
Figure QLYQS_19
中的一组训练数据/>
Figure QLYQS_20
，其中/>
Figure QLYQS_6
为训练组的序号；
S3：基于深度学习法搭建人工神经网格初始框架
Figure QLYQS_22
，将每一组训练数据/>
Figure QLYQS_24
中的
Figure QLYQS_27
、/>
Figure QLYQS_23
、/>
Figure QLYQS_25
作为训练的输入层，每一组/>
Figure QLYQS_28
作为训练的输出层，且输入层与输出层之间设有多个中间训练层，对人工神经网格初始框架/>
Figure QLYQS_30
开展训练，得到训练后的人工神经网格模型/>
Figure QLYQS_21
，再将训练后的人工神经网格模型/>
Figure QLYQS_26
中包含的各层神经网格结构公式、各层模型权重值、各层网格间的传递关系转化成描述输出值与各项输入值之间非线性映射关系的层级结构，得到波浪中并行片体间流体干扰力黑箱模型
Figure QLYQS_29
；
S4：运行波浪中并行片体间流体干扰力黑箱模型
Figure QLYQS_31
，将小水线面双体船当前姿态参数/>
Figure QLYQS_32
、当前运动参数/>
Figure QLYQS_33
、当前环境参数/>
Figure QLYQS_34
作为输入信息，输出信息为当前并行片体间流体干扰力/>
Figure QLYQS_35
；
S5：将当前并行片体间流体干扰力
Figure QLYQS_36
通过式（1）整理为纵荡、横荡、转艏三个自由度上的力/>
Figure QLYQS_37
后，再将/>
Figure QLYQS_38
代入船舶动力定位系统中观测器船舶运动经典模型式（2）中，得到观测器模型式（3）；
Figure QLYQS_39
（1）
Figure QLYQS_40
（2）
Figure QLYQS_41
（3）
其中，
Figure QLYQS_44
表示当前并行片体间流体干扰力/>
Figure QLYQS_46
在纵荡自由度上的力，
Figure QLYQS_49
表示当前并行片体间流体干扰力/>
Figure QLYQS_43
在横荡自由度上的力，
Figure QLYQS_48
表示当前并行片体间流体干扰力/>
Figure QLYQS_52
在转艏自由度上的力，T表示矩阵的转置，/>
Figure QLYQS_54
为经典模型船舶质量惯性矩阵，/>
Figure QLYQS_42
为经典模型船舶速度，/>
Figure QLYQS_47
为经典模型船舶速度的一阶导数，/>
Figure QLYQS_50
为船舶质量惯性矩阵；/>
Figure QLYQS_53
为船舶速度；/>
Figure QLYQS_45
为船舶阻尼系数矩阵；/>
Figure QLYQS_51
代表控制向量，为推进器在纵荡、横荡、转艏方向上产生的力和力矩；
Figure QLYQS_55
代表风、浪、流环境载荷的合力, />
Figure QLYQS_56
为船舶速度的一阶导数；
S6：通过式（3）计算出
Figure QLYQS_57
的值，并将/>
Figure QLYQS_58
的值提供给动力定位系统的控制器，动力定位系统的控制器控制船舶以速度/>
Figure QLYQS_59
航行。
2.根据权利要求1所述的一种基于片体间流体干扰力预测的船舶运动预报方法，其特征在于：步骤S3中对人工神经网格初始框架
Figure QLYQS_60
开展训练时，逐层构建神经网络层，每一个神经网络层由多个结构互相独立的神经元组成，相邻神经网络层之间的神经元与神经元之间相互连接。
3.根据权利要求2所述的一种基于片体间流体干扰力预测的船舶运动预报方法，其特征在于：每个所述神经元的结构组成为一个预先设置的激活函数
Figure QLYQS_61
和一个线性叠加函数
Figure QLYQS_62
，表达式分别为式（4）及式（5），单个神经元的输出表达式为式（6）：
Figure QLYQS_63
（4）
Figure QLYQS_64
（5）
Figure QLYQS_65
（6）
其中：
Figure QLYQS_66
为神经元最终的输出；/>
Figure QLYQS_67
为上一层传递过来的神经元输入值， />
Figure QLYQS_68
为神经元的输入值；/>
Figure QLYQS_69
为所有输入值在神经元结构中分别对应的权重值；/>
Figure QLYQS_70
为神经元的偏置，/>
Figure QLYQS_71
为上一层传递过来的输入值个数。
4.根据权利要求3所述的一种基于片体间流体干扰力预测的船舶运动预报方法，其特征在于：步骤S3中对人工神经网格初始框架
Figure QLYQS_72
开展训练时，基于式（4）、式（5）及式（6），在初始阶段对每个神经元各自独立、随机的生成一组权值与偏置之后开展训练，各层神经元之间遵循顺次前向运算的传递关系，层层获取并更新本层的权值与偏置，形成训练后的人工神经网格模型/>
Figure QLYQS_73
。
CN202310463440.XA 2023-04-26 2023-04-26 一种基于片体间流体干扰力预测的船舶运动预报方法 Active CN116184836B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310463440.XA CN116184836B (zh) 2023-04-26 2023-04-26 一种基于片体间流体干扰力预测的船舶运动预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310463440.XA CN116184836B (zh) 2023-04-26 2023-04-26 一种基于片体间流体干扰力预测的船舶运动预报方法

Publications (2)

Publication Number Publication Date
CN116184836A CN116184836A (zh) 2023-05-30
CN116184836B true CN116184836B (zh) 2023-06-27

Family

ID=86446580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310463440.XA Active CN116184836B (zh) 2023-04-26 2023-04-26 一种基于片体间流体干扰力预测的船舶运动预报方法

Country Status (1)

Country Link
CN (1) CN116184836B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116627144B (zh) * 2023-07-21 2023-09-22 中国船舶集团有限公司第七〇七研究所 一种动力定位船舶低速折线循迹引导方法
CN116627043B (zh) * 2023-07-24 2023-09-15 中国船舶集团有限公司第七〇七研究所 一种联合锚泊系统的区域动力定位控制方法
CN116819950B (zh) * 2023-08-25 2023-11-07 中国海洋大学 一种船舶与浮式海洋平台动力定位控制方法及系统
CN117893575B (zh) * 2024-03-15 2024-05-31 青岛哈尔滨工程大学创新发展中心 图神经网络融入自注意力机制的船舶运动预报方法及系统
CN118348826B (zh) * 2024-05-13 2024-10-29 深海技术科学太湖实验室 一种波浪中两船航行横向补给仿真方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008044017A2 (en) * 2006-10-10 2008-04-17 Halliburton Energy Services,Inc. Process control architecture with hydrodynamic correction
CN109655229A (zh) * 2018-05-11 2019-04-19 中国船舶工业集团公司第七0八研究所 一种小水线面双船体波浪载荷试验模型设计及测试方法
CN109976349A (zh) * 2019-04-12 2019-07-05 大连海事大学 一种含约束无人船的路径跟踪制导与控制结构的设计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008044017A2 (en) * 2006-10-10 2008-04-17 Halliburton Energy Services,Inc. Process control architecture with hydrodynamic correction
CN109655229A (zh) * 2018-05-11 2019-04-19 中国船舶工业集团公司第七0八研究所 一种小水线面双船体波浪载荷试验模型设计及测试方法
CN109976349A (zh) * 2019-04-12 2019-07-05 大连海事大学 一种含约束无人船的路径跟踪制导与控制结构的设计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Stabilizer Fin Effect on SWATH Ship Motions and Disturbance Observer Based Control Design;Baohua Wang;《proceedings of 2013 IEEE international conference on mechatornics and automation》;全文 *
基于扩张状态观测器的小水线面 双体船终端滑模控制;王虎军;《船舶工程》;全文 *
基于领导跟随的船舶航迹控制;齐小伟;任光;;船舶(01);全文 *
迎浪中ONR 内倾船参数横摇抑制措施研究;赵宾;《船舶稳定性研究专刊》;全文 *

Also Published As

Publication number Publication date
CN116184836A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN116184836B (zh) 一种基于片体间流体干扰力预测的船舶运动预报方法
Zhang et al. Ship motion attitude prediction based on an adaptive dynamic particle swarm optimization algorithm and bidirectional LSTM neural network
CN113111430B (zh) 基于非线性气动力降阶的弹性飞机飞行动力学建模方法
CN113609782B (zh) 运动负载受波浪力的实时预测方法及仿真系统
CN113092065B (zh) 一种潜降式网箱水动力特性计算的分析方法
CN111737897A (zh) 一种深海网箱高密度养殖鱼群的数值模拟方法
CN113127797A (zh) 不规则底形垂荡波浪能浮体水动力半解析算法
CN113111603B (zh) 一种双浮体平台波浪激励力及运动响应预报方法
CN117708985A (zh) 一种基于机器学习的高速双旋弹非定常气动力预测方法
CN113283138A (zh) 一种基于深度学习的深海养殖平台动力响应分析方法
CN108460206B (zh) 一种波浪滑翔器运动预测方法
Zhu et al. A design of T-foil and trim tab for fast catamaran based on NSGA-II
CN111797474A (zh) 船舶动稳性性能的预测模型的建立、预测方法、装置及介质
CN115639751A (zh) 混联平台迟滞响应的主动补偿方法
Xia et al. Design of dynamic positioning systems using hybrid CMAC-based PID controller for a ship
Haukeland et al. Surface effect ship with four air cushions part I: Dynamic modeling and simulation
Wu et al. Robust design on the arrangement of a sail and control planes for improvement of underwater Vehicle’s maneuverability
Høeg et al. Efficient time-domain hydrodynamic model for floating offshore wind turbines using rational approximations
Wang et al. Optimization method and experimental research on attitude adjustment scheme of attitude adaptive rescue robot
Liang et al. Improving the vertical motion of wave piercing catamaran using T-foil
Angelou et al. Broaching-to of Sailing Yachts
Gibson Improved dynamic modeling and robust control of autonomous underwater vehicles
CN111079237A (zh) 一种基于拓扑优化的模块内部舾装轻量化方法
CN114611345B (zh) 一种阵风响应飞行试验方法
Jiang et al. Base On Runge-Kutta Design The Model Of Moving Ship

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant