一种基于MMG-GMM的船舶数字孪生动力学模型聚类方法及系统技术方案

一种基于MMG

【技术实现步骤摘要】
一种基于MMG
‑
GMM的船舶数字孪生动力学模型聚类方法及系统


[0001]本专利技术属于船舶动力学建模领域，具体涉及一种基于MMG
‑
GMM(Mathematical Model Group
‑
Gaussian Mixture Model)的船舶数字孪生动力学模型聚类方法及系统。
技术背景
[0002]船舶动力学建模是指将船舶的运动和力学特性用数学模型来描述和分析。这些模型可以被用来预测船舶在不同环境条件下的运动和行为，或是用于船舶运动控制器设计，以及用于评估不同设计和操作策略的性能仿真测试。一般来说，船舶动力学建模包括以下几个方面：船体水动力，动力装置模型，包括主机、螺旋桨、舵等，环境力学方程包括波浪、风、流引起的扰动力以及静态力学模型。目前船舶业内认可度比较高的动力学模型分别为日本拖曳水池委员会(JTTC)提出的MMG模型和挪威科技大学Fossen教授提出的向量模型，野本谦作提出的船舶航向Nomoto模型，以及基于上述三种模型的简化和改良模型。
[0003]船舶动力学建模包括模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MMG
‑
GMM的船舶数字孪生动力学模型聚类方法，其特征在于，所述方法的实现过程为：构建基于MMG
‑
GMM的船舶数字孪生动力学模型，用于描述船舶参数概率分布与航行场景间的关系；使用船舶运动数据辨识模型参数和模型不确定性获得高斯模型簇，基于SD聚类指标对高斯模型簇进行聚类分析，最终可以得到MMG
‑
GMM数字孪生动力学模型参数。2.根据权利要求1所述的一种基于MMG
‑
GMM的船舶数字孪生动力学模型聚类方法，其特征在于，MMG
‑
GMM数字孪生动力学模型参数获得过程为：步骤一：以单次船舶转向运动控制为单位，分割船舶运动数据段，并使用数据平滑算法平滑数据，同时求出运动数据对时间的一阶和二阶导数；步骤二：使用上一步骤的到的平滑数据辨识简化MMG模型参数估计值；步骤三：基于BFGS拟牛顿法使用上述平滑数据对船舶模型参数估计值进行优化；步骤四：基于SD聚类指标对MMG模型进行聚类分析，得到MMG
‑
GMM模型参数。3.根据权利要求2所述的一种基于MMG
‑
GMM的船舶数字孪生动力学模型聚类方法，其特征在于，船体坐标系下，船舶三自由度简化的MMG模型可以写如下灰箱形式：征在于，船体坐标系下，船舶三自由度简化的MMG模型可以写如下灰箱形式：征在于，船体坐标系下，船舶三自由度简化的MMG模型可以写如下灰箱形式：式中，u,v,r分别是船舶纵荡速度，横荡速度和艏摇角速度，a
u
,a
n
,b
v
,b
r
,c
v
,c
r
,c
δ
是船舶简化动力学模型的参数，ω
u
,ω
v
,ω
r
分别为船舶三个自由度所受的扰动力和力矩；假设船体直角坐标系下船舶模型参数概率分布满足高斯混合模型，则模型参数a
u
,a
n
,b
v
,b
r
,c
v
,c
r
,c
δ
关于航速u和隐变量m的条件概率分布，即模型参数先验为关于航速u和隐变量m的条件概率分布，即模型参数先验为关于航速u和隐变量m的条件概率分布，即模型参数先验为式中u表示船舶航速，U＝{u1,u2,u3,...}为u的取值集合，m为工况隐变量，是离散型随机变量，p
m
为工况隐变量的先验概率分布，p
u,m
为m和u的联合概率分布，N(μ,σ)表示均值为μ，方差为σ的高斯概率分布。4.根据权利要求3所述的一种基于MMG
‑
GMM的船舶数字孪生动力学模型聚类方法，其特征在于，船舶运动数据平滑微分采用改进权重的鲁棒局部加权线性回归算法，具体为：1)、选定采样周期T
s
，对于采样周期为T
s
的艏向数据序列Ψ＝[ψ1,ψ2,...,ψ
k
,...,ψ
N
]，以当前时刻数据点ψ
k
为尾部，取长度为奇数l的数据窗口Ψ
l,k
＝[ψ
k
‑
l+1
,ψ
k
‑
l+2
,...,ψ
k
]；2)、选取权重函数并选取参数b∈[0,1]权重中心，原算法的权重函数可视为b＝0的特殊情况：
随后用加权线性回归拟合出二次函数参数，在线估计当前时刻船舶艏向角、角速度和角加速度：角加速度：角加速度：角加速度：对数据权重进行迭代改进，首次迭代等价于一次Lowess算法平滑过程，采用w
i
＝f3'(x
ki
)为权值函数；后续迭代根据上次迭代数据拟合误差，更新数据权重w
i
＝f2'(x
ki
)
·
f2(e'
ki
)，拟合误差大的数据点权重将被减小，式中e'
ki
＝e
ki
/6e
mk
为归一化拟合误差，为拟合误差，e
mk
为[e
k0
,e1,...,e
k(l
‑
1)
]的中位数；算法结束迭代的条件为窗口内数据拟合误差绝对值均小于允许值或算法达到迭代次数预设上限。5.根据权利要求4所述的一种基于MMG
‑
GMM的船舶数字孪生动力学模型聚类方法，其特征在于，辨识简化MMG模型参数a
u a
n b
v b
r c
v c
r c
δ
，得到参数基本估计值，参数辨识可使用最小二乘。6.根据权利要求5所述的一种基于MMG
‑
GMM的船舶数字孪生动力学模型聚类方法，其特征在于，基于BFGS拟牛顿法使用上述平滑数据对上一步骤船舶模型参数估计值进行优化，具体为：参数辨识基于加速度预测均方误差最小原则对船舶模型参数进行估计，使用位置预测均方误差最小原则对模型参数进行进一步优化以获得更高的建模精度；根据上述船舶水平面运动模型，p时刻的船舶q步向前运动预测如下式：面运动模型，p时刻的船舶q步向前运动预测如下式：面运动模型，p时刻的船舶q步向前运动预测如下式：面运动模型，p时刻的船舶q步向前运动预测如下式：面运动模型，p时刻的船舶q步向前运动预测如下式：
则模型参数优化问题可描述为运动预测均方差最小问题，如下式：则模型参数优化问题可描述为运动预测均方差最小问题，如下式：使用牛顿法求解上述最优化问题，定义以下代价函数函数使用牛顿法求解上述最...

【专利技术属性】
技术研发人员：包政凯，王昱瑶，白阳，彭晨，刘志林，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：