基于人工神经网络的随船摇荡运动反演波浪方法及系统技术方案

本发明专利技术属于船舶与海洋工程技术领域，公开了基于人工神经网络的随船摇荡运动反演波浪方法及系统

【技术实现步骤摘要】
基于人工神经网络的随船摇荡运动反演波浪方法及系统


[0001]本专利技术属于船舶与海洋工程
，尤其涉及基于人工神经网络的随船摇荡运动反演波浪方法及系统
。

技术介绍

[0002]船舶耐波性的好坏已经成为衡量现代化船舶航行性能的重要指标之一
。
船舶在海上航行过程中，由于受到波浪的激励作用，势必会产生六自由度摇荡运动，这在一定程度上对其作业效率和航行安全产生重要的影响
。
在多年间平均每年船载集装箱落水数量高达多个
。
其中恶劣天气中船舶摇摆偏荡导致的集装箱落水事故占据大部分
。
同时，当直升机处在高海况下实施海上搜救或起降作业时，同样会受船舶摇荡运动的影响，直升机容易与船体发生碰撞事故
。
因此，船舶在大风浪作用下所产生的摇荡运动成为船舶航运和海上作业等方面考虑的重要问题
。
针对这类问题，如若能够对随船的波浪环境信息进行实时的感知，船员便可借助感知到的波浪信息实现合理的决策，从而降低与关键波浪相遇的风险
。
此外，随着船舶航行自主化
、
智能化的不断发展，无人船艇逐渐走入人们的视野
。
无人船不一定需要船员的专业知识和参与便可完成一系列任务指令，其在军事和民用领域都有着极大的潜力
。
无人船如若想要实现自主
、
低耗的航行和作业，势必要将随船的外部环境信息作为无人船感知的关键输入，从而实现合理的航态控制
。
因此，随船周围的海浪环境感知在实际的应用中具有重要研究意义
。
[0003]目前，针对海浪环境的感知手段，主要集中在波浪监测技术和波浪频域反演技术上
。
波浪监测技术主要通过船员直接观测或浮标
、
卫星
、
雷达等设备进行监测
。
这类技术由于人为或设备等因素，在实际应用过程中仍然存在诸多问题和缺陷：如船员直接监测带来的主观错判
、
监测范围对浮标测波的限制
、
时空分辨率和气象条件对遥感卫星测波的负面影响等等
。
波浪频域反演技术作为波浪频域反演技术作为一种借助传递函数和谱分析手段实现波浪信息获取的方法，其主要适用于较为平稳的海况
。
在实际的海浪环境中，船舶运动和波浪之间存在明显的非平稳性特征，同时在非线性水动力特征的条件下，传递函数的精度难以保障，因此，依靠频域的反演方法在实际应用当中仍然存在限制条件
。
[0004]现有资料中，针对波浪感知的研究主要集中在波浪监测技术和波浪频域反演技术上，对于将机器学习与波浪感知相结合的研究尚处在起步阶段
。
现有有关专利和文献对于波浪的感知的研究主要涉及浮标监测波浪和雷达反演波浪两种方案
。
[0005]其中，浮标监测波浪方案的原理是利用浮标体的随波性来测量海浪，因此浮标大多为球形或者圆柱形
。
通过内置于浮标内的传感器
(
加速度计
、
陀螺仪等
)
可以记录海浪的运动状态，例如海浪不同方向的位移，加速度，偏转角等，不仅能够计算出有效波高，周期等基本海浪数据，还能通过谱估计方法等获取工程所需的海浪谱
。
[0006]雷达反演波浪则是先对雷达采集到的回波信号数据进行预处理
(
滤波
、
去噪等
)
，进而通过分析回波信号特征，根据相关理论模型计算出反演的海浪参数，如波高
、
周期等，该方法同样能够获得海浪谱信息数据
。
针对基于机器学习实现海浪感知的方法尚未有深入
的研究
。
[0007]波浪浮标作为一种海浪估计的相对可靠的工具，可以实现定点位置的波浪监测
。
正是由于其量测位置固定的工作特性，使用浮标覆盖广阔的海面存在较大的挑战
。
此外，浮标的需要长期漂浮在海面上，无法避免因复杂的风浪环境造成的磨损和缺失
。
[0008]尽管随船雷达能够实现在船舶航行过程中遭遇波浪信息的获取，其测波精度仍然会受到分辨率和天线转速的影响
。
同时，从成本的角度上而言，并非所有的船上均能实现雷达设备的搭载，因而随船雷达并非是实现随船波浪感知的最具成本效益的选择
。
[0009]综上，随船的波浪信息的获取在实际工程应用中仍存在一定的挑战
。
[0010]通过上述分析，现有技术存在的问题及缺陷为：现有技术中，浮标测波能够实现波浪信息的监测，但是这类方法由于量测位置固定，无法实现大范围海浪信息的获取
。
同时，这类方法的布放成本高，且无法避免由于恶劣海况条件造成的浮标损失
。
随船雷达能够实现船体周围海浪信息的获取，但雷达的布置成本较为昂贵，并非所有的船上均能实现雷达设备的搭载
。
同时，雷达测波的精度会受天线转速和测波距离的限制
。

技术实现思路

[0011]为克服相关技术中存在的问题，本专利技术公开实施例提供了基于人工神经网络的随船摇荡运动反演波浪方法及系统
。
本专利技术基于传感器测得的船舶运动响应数据实现随船波浪反演将被视作是能够改善上述缺陷的研究方法
。
此外，基于机器学习的方法构建船舶运动与波浪之间复杂的映射关系，其针对较复杂的海浪环境特征和船舶水动力特征具备良好的鲁棒性能，能够在一定程度上替代传递函数在其中的角色，更加符合实际应用价值
。
[0012]所述技术方案如下：基于人工神经网络的随船摇荡运动反演波浪方法，通过数据驱动的方式进行基于船舶运动的波浪统计特征中有义波高
、
特征周期和波浪浪向的反演，同时通过船上布置的位姿传感器进行船舶运动数据的获取，进而获取随船周围海浪信息；具体包括以下步骤：
[0013]S1
，对传感器采集得到的船舶六自由度运动数据进行数据预处理，经预处理后的运动数据通过数据提取与分类操作后形成船舶单自由度运动数据和多自由度运动数据；
[0014]S2
，对获得的船舶单自由度运动数据和多自由度运动数据进行重构处理，获取满足人工神经网络模型输入要求的数据集；
[0015]S3
，将重构得到的船舶单自由度运动数据和多自由度运动数据分别进行混洗处理，再将混洗后的数据进行训练集和测试集的划分；
[0016]S4
，根据划分好的船舶单自由度运动数据集和多自由度运动数据集分别构建人工神经网络模型，并进行人工神经网络模型的训练与测试，利用人工神经网络模型获得基于船舶运动的波浪有义波高
、
特征周期
、
波浪浪向的反演结果
。
[0017]在步骤
S1
中，对传感器采集得到的船舶六自由度运本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于人工神经网络的随船摇荡运动反演波浪方法，其特征在于，该方法通过数据驱动的方式进行基于船舶运动的波浪统计特征中有义波高
、
特征周期和波浪浪向的反演，同时通过船上布置的位姿传感器进行船舶运动数据的获取，进而获取随船周围海浪信息；具体包括以下步骤：
S1
，对传感器采集得到的船舶六自由度运动数据进行数据预处理，经预处理后的运动数据通过数据提取与分类操作后形成船舶单自由度运动数据和多自由度运动数据；
S2
，对获得的船舶单自由度运动数据和多自由度运动数据进行重构处理，获取满足人工神经网络模型输入要求的数据集；
S3
，将重构得到的船舶单自由度运动数据和多自由度运动数据分别进行混洗处理，再将混洗后的数据进行训练集和测试集的划分；
S4
，根据划分好的船舶单自由度运动数据集和多自由度运动数据集分别构建人工神经网络模型，并进行人工神经网络模型的训练与测试，利用人工神经网络模型获得基于船舶运动的波浪有义波高
、
特征周期
、
波浪浪向的反演结果
。2.
根据权利要求1所述基于人工神经网络的随船摇荡运动反演波浪方法，其特征在于，在步骤
S1
中，对传感器采集得到的船舶六自由度运动数据进行数据预处理，经预处理后的运动数据通过数据提取与分类操作后形成船舶单自由度运动数据和多自由度运动数据，具体包括：传感器采集得到的六自由度运动时历数据为：式中，分别表示
t1,t2…
t
n
时刻下船舶各自由度的运动姿态数据
x1,x2…
x
n
，其中，
n
表示数据的长度，
m
表示自由度的个数，船舶的六个自由度运动分别为船舶横荡
、
纵荡
、
垂荡
、
横摇
、
纵摇和艏摇，并分别标记序号为1‑6；对传感器采集的运动时历数据中，对原始数据进行平移和滤波处理；平移处理先获得各自由度运动时历数据的均值式中分别表示
t1,t2…
t
n
时间下船舶各自由度运动姿态数据
x1,x2…
x
n
的均值，经平移处理得到的时历数据表示为：的均值，经平移处理得到的时历数据表示为：式中，分别表示
t1,t2…
t
n
时间下经平移处理后得到的船舶各自由度运动姿态数据
x1,x2…
x
n
，经平移后的数据还需通过傅里叶滤波处理；将平移和滤波预处理后的数据针对各自用途进行提取与归类，分为单自由度运动数据和多自由度运动数据；经预处理得到的船舶单自由度运动数据为垂荡运动数据船舶多自由度运动数据为船舶横摇和纵摇运动数据
3.
根据权利要求1所述基于人工神经网络的随船摇荡运动反演波浪方法，其特征在于，在步骤
S2
中，对获得的船舶单自由度运动数据和多自由度运动数据进行重构处理，包括：首先，将单自由度垂荡运动时历数据以一定的时长进行分块处理，具体表示为：
其中，
d
为时间长度；其次，对每一个时间片段进行统计处理，取每一个时间片段的有义值；经重构后得到的单自由度垂荡运动数据表示为：
4.
根据权利要求3所述基于人工神经网络的随船摇荡运动反演波浪方法，其特征在于，有义值的取法为：对一段时间序列数据通过逐波分析获得多个波高，将波高按从大到小的顺序排列，并取前
1/3
波高数据的平均值作为有义值
。5.
根据权利要求1所述基于人工神经网络的随船摇荡运动反演波浪方法，其特征在于，在步骤
S2
中，获取满足人工神经网络模型输入要求的数据集，包括：经分块并统计得到的船体横摇运动数据和纵摇运动数据表示为：和考虑到船舶横摇和纵摇的相对运动与波浪浪向联系紧密，将同步采集并处理得到的横摇和纵摇运动数据进行比值处理，获得横纵摇运动的相对变化值，具体表示为：横纵摇运动的相对变化值，具体表示为：
6.
根据权利要求3所述基于人工神经网络的随船摇荡运动反演波浪方法，其特征在于，对获得的船舶单自由度运动数据和多自由度运动数据进行重构处理中，与时间片段匹配的有义波高
H
s
、
特征周期
T
p
和波浪浪向
D
m
波浪数据一一对应，表示为
H
s
＝
[Y1,Y2…
Y
n/d
],T
p
＝
[Y1,Y2…
Y
n/d
],D
m
＝
[Y1,Y2…
Y
n/d
]
，有义波高数据集为
H
s
，
Y1,Y2…
Y
n/d
分别表示与重构后船舶运动数据片段
X1,X2…
X
n/d
对应的波浪有义波高值；同理，在特征周期数据集
T
p
情况下，
Y1,Y2…
Y
n/d
...

【专利技术属性】
技术研发人员：黄礼敏，陈雷，陈航宇，蒋昊，马学文，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：