基于混沌理论和改进极限学习机的船舶升沉预报

船舶升沉运动预报是主动升沉补偿系统中的重要组成部分.为了满足船舶升沉运动预测的实时性和准确性要求,本文提出了一种混沌理论与增强搜索极限学习机相结合的混合方法(CES-ELM).在混沌动力系统相空间重构的基础上,采用基于误差最小化的方法生成ELM隐藏节点并不断更新权值;利用优化后的模型参数建立船舶运动预测模型.不同海况下的仿真结果表明,该方法的预测平均绝对百分误差小于10％,与传统的ELM和LSSVM模型相比,该模型能有效提高预测精度和鲁棒性.     

基于BP和LSTM组合优化的船舶升沉运动预测

预测船舶升沉运动有助于增强波浪补偿系统的补偿效果,解决补偿系统滞后问题。为提高预测模型的预测精度,提出一种基于误差反向传播（BP）神经网络和长短时记忆（LSTM）神经网络组合优化的船舶升沉运动预测方法。以采用计算流体动力学（CFD）方法获取的船舶在规则波浪作用下的升沉运动和在突发性干扰下的升沉运动为对象,基于PYTORCH框架和LINGO软件,建立以加权方式组合优化BP神经网络和LSTM神经网络的预测模型。研究结果表明,无论是船舶在规则波浪作用下的升沉运动,还是船舶在突发性干扰下的升沉运动,BP-LSTM组合模型的预测精度均高于BP神经网络和LSTM神经网络,有助于提高补偿精度。     

基于NARX神经网络的船舶升沉运动实时预测方法

[目的]对船舶升沉运动进行预测有助于增强升沉补偿器的补偿效果,减少海浪对作业设备的干扰。为提高升沉预测模型的精度和稳定性,提出一种船舶升沉运动实时预测方法。[方法]基于带外源输入的非线性自回归(NARX)神经网络建立单海况预测模型,利用船舶系统仿真器获取母船升沉运动仿真数据,将NARX模型与卡尔曼(Kalman)模型、普通反向传播(BP)模型的预测结果进行对比。在此基础上,对单海况预测模型进行改进,建立多海况预测模型。[结果]多海况预测模型预测精度较高,且稳定性优于单海况模型,在2～5级海况下的最大预测误差均小于10-4量级。[结论]仿真结果表明,NARX神经网络对复杂海浪环境具有良好的适应性,它的预测速度和精度均优于BP神经网络和传统滤波方法,在高海况下仍可保持高预测精度。     

基于惯性测量和卡尔曼多步观测器的船舶升沉运动测量方法

为了得到精确的船舶升沉运动信息,解决升沉加速度二次积分后的漂移和相位超前现象,基于卡尔曼滤波算法建立船舶升沉运动的多步观测模型,提出一种基于惯性测量和卡尔曼多步观测器的船舶升沉运动测量方法。首先,升沉平台模拟船舶升沉运动,使用惯性测量元件采集升沉加速度,经过滤波二次积分得到升沉位移。然后,对升沉加速度进行误差分析,运用升沉位移与升沉加速度的关系建立船舶升沉运动的状态空间模型并利用状态转移矩阵进行多步观测,消除升沉位移的漂移和延时。实验结果表明,本文所提出的测量方法可以解决不同幅值船舶运动中的偏移和相位超前问题,测量误差在0.01 m之内,体现了测量的精确性。     

基于IPESN的船舶升沉运动预报方法

船舶在复杂海况下的升沉运动具有很强的随机性与非线性特征,为提高船舶升沉运动的预报精度,提出基于内在可塑性回声状态网络(IPESN)的船舶升沉运动预报方法.将具有内在可塑性的神经元引入回声状态网络(ESN)的储备池结构,以提高网络对动态系统的映射能力;采用岭回归的方法对IPESN输出连接权值进行学习,以提高网络的泛化能力.将IPESN应用于3级、4级和5级海况下的船舶升沉运动极短期预报,并将结果与传统ESN和径向基函数网络(RBFN)进行对比.结果 表明,IPESN的平均绝对误差分别为0.0028、0.0039和0.0095;均方根误差分别为0.0035、0.0049和0.0117,优于经典ESN与RBFN的预报精度,验证了改进方法的有效性.     

电力推进船舶电力负荷预测方法

传统电力负荷预测方法在混度向量模糊场景下,所得到的电力负荷预测结果与实际电力负荷截值之间的误差较大。为了解决上述混沌场景下的预测精准度问题,提出电力推进船舶电力负荷预测方法。实现步骤共分为建立模糊预测量模型、混沌量回归优化与向量机预测输出负荷的优化3部分。通过对预测不同阶段关系量的优化,实现提升预测精准度的效果。与传统预测方法的数据对比表明,提出方法的预测值与实际负荷值之间的误差,明显小于传统预测方法预测值,更适合电力推进船舶电力负荷的预测应用。     

船舶横摇运动预测误差研究

通过对船舶横摇运动的预测误差与输入过去样本长度之间的关系进行研究,提出船舶横摇运动预测误差的经验公式,该公式可用于确定指定预测误差下的最小过去样本长度.采用小波-自回归算法模型进行横摇预测,统计分析预测均方根误差值与输入过去样本长度之间的关系,结果表明,预测过去样本长度与预测均方根误差之间遵循幂函数关系.     

差分方程在船舶电液比例阀控缸机构建模方法

为了克服海洋环境中巨型波浪的恶劣环境,需要为船舶配备升沉运动补偿系统。当前船舶通用的补偿系统是基于一定的控制算法控制液压系统进行广义补偿,使得平台的广义升沉运动大幅度下降,并消除或减弱由波浪引起的船舶横向摇动和纵向摇动。本文主要使用电液比例原理建立电液比例阀控缸机构模型以及升沉补偿系统的数学模型,并用系统识别技术建立了差分方程模型。通过各机构相互的位移及受力模型,解决了船舶升沉补偿系统滞后大、惯性大的问题。     

新型升沉补偿试验系统的仿真设计

为能更准确地对波浪升沉补偿系统进行研究,设计一种基于数字液压技术的新型试验系统,采用Stewart平台结构模拟船舶的六自由度运动,以数字液压缸作为驱动器对重物升沉进行补偿。在LabVIEW仿真环境下运用广义预测与PID控制策略,实现了对升沉补偿试验系统的设计。结果表明,该系统仿真相似度高,方便取得各种工况下的试验数据。     

实船运动与包络的极短期预报分析

舰船运动及包络的实时预报可以为舰载机起降、船舶减摇、海上锚泊并靠物资补给、动力定位等提供辅助指导意见。本文利用某实船的升沉、纵摇与横摇数据,建立运动和包络的2阶自适应Volterra级数模型,通过RLS算法估计Volterra级数模型的核,统计了不同工况下的运动预报精度。分析结果表明,Volterra级数模型可以用来辨识船舶运动系统,纵摇与升沉预报精度较好,运动预报可以与包络预报相结合共同指导工程作业。     

船舶多自由度斜航运动水动力数值研究

计及多自由度运动的船舶斜航水动力预报对船舶航行安全具有重要意义。文章通过耦合求解船舶运动方程和雷诺平均N-S方程,并采用VOF方法和高精度自由面捕捉技术对作多自由度斜航运动船舶的粘性绕流场进行数值模拟。船舶动态平衡位置根据计算出的力和力矩来决定,得到包括升沉、纵倾和横倾在内的船舶浮态。文中采用的算例与爱荷华大学进行的模型试验相同,通过比较数值计算结果和试验值验证了该方法的有效性。对船模在受约束和自由运动两种状态下的船舶运动和流场进行模拟,通过比较分析船舶升沉、纵倾和横倾的影响。文中计算获得的详细流场细节特征,包括前体和舭部的涡以及船体表面上的压力,有助于理解船舶斜航运动浮态变化的机理。     

船舶多自由度斜航运动水动力数值研究（英文）

计及多自由度运动的船舶斜航水动力预报对船舶航行安全具有重要意义。文章通过耦合求解船舶运动方程和雷诺平均N-S方程,并采用VOF方法和高精度自由面捕捉技术对作多自由度斜航运动船舶的粘性绕流场进行数值模拟。船舶动态平衡位置根据计算出的力和力矩来决定,得到包括升沉、纵倾和横倾在内的船舶浮态。文中采用的算例与爱荷华大学进行的模型试验相同,通过比较数值计算结果和试验值验证了该方法的有效性。对船模在受约束和自由运动两种状态下的船舶运动和流场进行模拟,通过比较分析船舶升沉、纵倾和横倾的影响。文中计算获得的详细流场细节特征,包括前体和舭部的涡以及船体表面上的压力,有助于理解船舶斜航运动浮态变化的机理。     

船舶动态参数测量应用研究

动态参数测量仪由互相垂直布置的传感器和相应的电子电路构成，能测量船舶横摇，纵摇，升沉等运动状态的角速度与角加速度，可应用于船舶性能分析、运动模型计算及船舶控制。本文对国外引进的该仪器深入分析的基础上，对其开发和应用研究作了进一步讨论。     

船舶神经网络运动模型研究

根据船舶海上航行的实际情况,针对船舶运动的特点,研究了基于神经网络建立船舶操纵运动模型的方法,提出了一种线性神经网络结构,并给出了相应的训练和学习方法。大量的仿真试验表明:线性神经网络用于船舶运动模型的研究,具有收敛速度快、预测误差较小、能快速跟踪参数变化等优点,可用于船舶运动实时辨识。     

波浪运动补偿平台广义升沉位移的实时预报

具有波浪运动补偿功能的稳定平台可有效减少船舶在风浪中的摇摆和升沉运动对某些海上作业和设备的影响.为了有效地进行波浪运动补偿,需要对该平台的广义升沉位移(横摇、纵摇以及升沉的耦合作用结果)进行极短时预报.本文采用时间序列分析理论中的自回归(AR)模型作为预报模型,对波浪运动补偿平台的广义升沉位移进行极短时预报.在以往的研究中,通常采用递推最小二乘法AR模型进行在线参数估计.但是采用递推最小二乘法进行参数估计容易引起参数爆发,从而影响AR模型的稳定性.针对该问题,本文采用阻尼递推最小二乘法对AR模型进行在线参数估计,并结合实验获得的平台控制点的广义升沉位移数据进行实时建模预报.仿真结果表明,采用阻尼递推最小二乘法进行参数估计能抑制参数爆发,并能提高AR模型实时预报精度.     

波浪影响下船舶横摇运动的时间序列预测数学建模研究

在波浪的影响下,常规的船舶横摇运动时,没有建立横摇运动的模型,降低了预测的精度,不能有效地减小船舶的横摇,存在船舶耐波性较差的问题。当前方法进行船舶横摇运动的建模时,不能减小船舶的横摇,降低了船舶的耐波性。提出一种基于时间序列预测的船舶横摇运动数学建模研究方法。该方法建立波浪扰动船舶横摇运动模型,依据随机的过程理论,求出空间上某固定点波浪倾角的数学模型,依据横摇运动模型得出横摇运动的数据。对船舶横摇运动进行时间序列预测克服了传统方法存在的弊端,运用时间序列的分析方法建立AR模型,应用于船舶横摇运动的时间序列的预测,减小船舶的横摇性,提高了船舶的耐波性,完成对波浪影响下船舶横摇运动的时间序列预测数学建模的研究。实验的结果表明,利用该方法能有效地减小船舶的横摇,提高船舶的耐波性。     

船用起重机主动式升沉补偿控制的研究

对海上作业的船舶运动和起重机升沉运动进行分析、建模,从速度补偿和位移补偿两个方面分析了船舶起重机主动式升沉波浪补偿控制的原理。     

船舶神经网络运动模型的研究

根据船舶海上航行的实际情况，针对船舶运动的特点，研究了基于神经网络建立船舶操纵运动模型的方法，提出了一种线性神经网络结构，并给出了相应的训练和学习方法。大量的仿真试验表明：线性神经网络用于船舶运动模型的研究，具有收敛速度快、预测误差较小、能快速跟踪参数变化等优点，可用于船舶运动实时辨识。     

船舶参数激励非线性运动升沉(纵摇)-横摇耦合关系的研究

本文考虑船舶参数激励非线性运动 ,导出了升沉与横摇耦合系数的计算公式 ,计算了耦合系数值 ,探讨了升沉对横摇的影响 ,进一步揭示了升沉 (纵摇 )能量向横摇运动转移的机理 ,这对于高海情下船舶运动控制具有重要意义。     

基于SARIMA-BP模型的港口船舶交通流量预测

为提高船舶交通流量预测精度,提出一种季节性自回归移动平均(Seasonal Autoregressive Integrated Moving Average,SARIMA)模型和BP神经网络的误差校正集成模型。以深圳港2011—2017年的数据为研究样本,对原始数据进行预处理,构建最优SARIMA模型,以该模型求出的残差序列作为BP神经网络的输入,将两个模型预测结果进行整合,得到集成模型的预测结果。试验结果表明:该误差校正集成模型与两个单一模型相比,体现出船舶交通流量数据的季节性特征,具有较好的预测精度,为港口船舶交通流量预测提供一种更为有效的方法。