基于LSTM的舰船运动姿态短期预测

舰船的六自由度运动状态形成复杂的非线性过程,运动姿态会受到耦合作用、不定周期、噪声信号以及混沌特性等因素的干扰,因此很难得到精确的预测结果。为了提升舰船运动姿态的预测精度,利用舰船时间序列的特点,建立了基于长短期记忆单元(LSTM)模型,对其进行了舰船姿态预测仿真,将结果与时间序列分析法的结果进行对比。实例分析表明:基于LSTM模型的预测方法具有精确度高、易实现的特点。这为舰船运动短期预测提供了一个新的思路和方法。     

基于经验模态分解的舰船运动姿态预测模型研究

运动姿态准确性预测对提高舰船水上作业安全性具有重要的现实意义,为此,基于经验模态分解算法,构建一种新的舰船运动姿态预测模型。该模型首先利用EMD分解舰船运动时间序列,然后采用游程判别法来判定IMF和r_n (t)的波动程度,划分高频、中频和低频3个分量,最后利用基于支持向量机算法构建的预测模型预测舰船运动姿态。实验结果表明:与卡尔曼滤波法、谱估计法、艏前波法3种运动姿态预测方法得到的结果相比,本模型的纵摇角预测误差更小,精度更高。     

耦合作用下舰船运动姿态短期预测数学模型及仿真分析

舰船运动姿态短期预测很容易受到耦合作用以及周围环境因素的影响,导致预测结果的延时较高。对此设计了舰船运动姿态短期预测模型并进行仿真分析,利用船舶航行时间数据序列规律,建立当前船舶数据时序回归分析方程,计算当前船舶时间序列数据阶数以及对应系数,完成时间序列统计,以调度神经网络结构作为序列数据计算逻辑,以输入门、输出门和遗忘门作为增值单元,构造预测模型记忆区结构,将时间序列数据作为输入门的输入项,通过神经网络隐层,输出初始预测结果,再通过控制函数,缩小预测结果控制权值,完成船舶运动姿态最终预测。仿真分析数据表明,与传统预测方法相比,应用该设计模型,对舰船正向横倾姿态仿真预测的延时降低27%,反向横倾姿态仿真预测延时降低了19%,可以有效降低预测延时。     

Riccati方程在电罗经直航向误差建模与预测中的应用

为减小舰船直航向运动情况下风、流、摇摆等对电罗经航向造成的随机误差影响,提高舰船直航向运动时电罗经指向精度,采用时间序列模型对其随机误差进行建模,利用随机误差自相关函数和偏相关函数特性确定模型阶数,获得了较为准确的误差模型.同时,基于建立的模型,采用Riccati递推方程与指数平滑式结合的方式对电罗经航向随机误差进行预测.结果表明,时间序列模型较为准确地描述了电罗经航向随机误差过程,预测精度较高,鲁棒性较强,为减小电罗经直航向误差提供一种有效的方法.     

混沌理论和神经网络相结合的舰船摇荡运动极短期预报

舰船摇荡运动具有混沌特性,因而可以应用混沌理论对其进行预报.介绍了混沌时间序列预测原理;建立了基于混沌理论相空间重构技术的RBF神经网络模型,并将其用于舰船摇荡运动预报;通过对某实船纵摇时历的预报计算,证明了采用混沌和神经网络相结合的预报方法,能有效提高预报精度和延长预报时长.     

基于LSTM网络的浮式海洋平台运动在线预报研究

海上浮式结构物运动响应的准确在线预报,对保障海上作业安全具有重要意义.本文基于长短期记忆(LSTM)神经网络模型,建立了浮式海洋平台运动响应极短期在线预报方法,可根据波浪时间序列信息对运动响应进行预报.通过半潜式平台模型试验得到大量波浪序列和运动响应数据,利用这些试验数据建立并训练LSTM模型,并对不同的测试工况进行运动预报和分析.结果表明,所建立的LSTM模型针对浮式海洋平台运动极短期在线预报具有较高的预报精度,预报提前量为12 s时,纵荡、垂荡和纵摇预报精度分别高于90％、93％和85％,且模型的计算效率高,每步计算时间为毫秒级,远小于预报提前时间,可以实现运动在线预报.     

舰船运动姿态仿真与多层AR预报研究

舰船运动姿态预报可更好地保障舰船各项作业的顺利进行,提高航行安全性。该文从频域角度仿真随机风浪,据此仿真舰船运动。考虑到舰船运动姿态时域上的非线性、非平稳特点,采用多层AR模型进行舰船运动姿态预报,并根据仿真案例进行预报检验。多层AR方法能有效提高极短期预报的精度。     

舰船摇荡预报中的双变量局域线性多步预报法

针对舰船各个自由度摇荡之间存在耦合的实际,介绍了一种基于双变量时间序列预报局域线性预测法,此方法可对具有一定耦合关系的二维时间序列进行综合预报.将此方法应用于陈氏吸引子仿真数据及真实海浪中某舰船摇荡时间序列数据的预测.通过与单变量时间序列预报效果的对比,发现时间序列的双变量局域线性预测法可以在一定程度上提高精度,减小误差,提高了舰船摇荡预报的有效性.对于船舶摇荡时间序列预报领域应用双变量预报方法进行了尝试.     

大型舰船运动交互预测中的多维度AR算法研究与仿真

深海和远洋海域的自然条件非常恶劣,大型舰船的航行过程中受海域环境的影响,船上作业的稳定性会下降。舰船的短期运动交互预测是指在一定时间内,提前预知舰船的运动状态,对舰船的作业,比如武器发射、货物装卸等进行运动补偿,进而提高船舶作业的效果。本文采用一种自回归(AR)模型算法,对舰船的时间序列运动模型进行预测,取得了良好的效果。     

基于NeuralProphet-LSTM组合模型的港口货物吞吐量预测

为进一步提高货物吞吐量预测准确性,提出基于NeuralProphet时间序列模型与长短期记忆(LSTM)神经网络的组合预测模型。首先利用NeuralProphet模型对港口货物吞吐量数据进行训练得到预测值并计算残差序列,然后对残差数据建立LSTM神经网络模型进行预报修正,重构得到最终的预测值。以上海港、厦门港的月度货物吞吐量数据为样本展开试验,结果表明,该模型能够有效地解决数据异常波动造成的预测结果误差大、预测效果不稳定等问题;相比于传统单一模型与LSTM-支持向量机(SVM)、Bi-LSTM等组合模型,NeuralProphet-LSTM模型预测精度更高,可帮助港航企业及时调整规划决策与经营策略。     

基于自回归模型的船舶姿态运动预报

介绍了自回归时间序列分析法的建模预报原理,并给出了船舶纵摇运动预报应用实例。为检验船舶纵摇运动预报效果,还用船舶纵摇观测数据进行了仿真研究,将真实曲线与预测曲线比较,观察其拟合程度的好坏。实例分析表明,自回归预报算法简单且容易实现,预报精度约为4.6%左右。自回归时间序列分析法亦可用于船舶横摇、首摇等姿态的时间序列预报,该方法在工程中具有很大的实用价值。     

基于VDM与APSO优化极限学习机的船舶运动姿态预报

为提高船舶在海上运动的耐波性与适航性,并为解决具有非线性、随机性和非平稳性特点的船舶运动姿态难以准确预测的问题,提出运用一种基于变分模态分解和自适应粒子群算法优化极限学习机的组合预测模型。该算法首先利用变分模态分解将船舶运动姿态序列分解为一系列限带内本征模态函数,并且变分模态分解可以避免经验模态分解技术所产生的模态混叠和端点效应,可以降低序列的非平稳性对预测精度的影响;然后对各模态分量分别建立极限学习机预测模型,并用改进的粒子群算法对极限学习机的初始权值和阈值进行优化;最后将各模态分量预测结果进行叠加,得到最终的船舶运动姿态预测值。通过模拟试验测试并与其他传统的预测方法进行比较,结果表明所建立的组合预测模型具有更高的预测精度。     

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.     

船舶操纵水动力导数的数值求解及敏感度分析

[目的]为了兼顾船舶操纵运动预报的成本与精度,基于数值计算方法,结合水动力导数敏感度分析,提出一种船舶操纵运动预报方法.[方法]首先,求解RANS方程,应用流体体积(VOF)法捕捉自由液面,采用动态网格方法对DTMB 5415船型进行约束运动的数值计算,并将回归得到的线性水动力导数与试验值进行对比,验证数值方案的有效性...     

弹性船体波激响应时域过程的数值模拟

本文从入射波的波浪现实出发，用非线性水弹性积分─微分法进行船体运动和结构动响应的时间历程模拟，直接将试验测量结果与理论计算在时域内作比较，这有利于揭示砰击和上浪等非线性瞬态作用导致冲荡响应的力学机理。这种模拟及其验证方法避免了对理论和试验结果的统计特性进行比较时，因子样长度的限制和数据处理过程所带来的不确定性，比峰值比较更能说明波激响应数学模型的精确性和可靠性。     

船舶运动极短期预报中小波基和分层数的选取

对于随机海浪作用下船舶运动所具有的非平稳性和非线性,首先运用小波多尺度理论,将运动姿态时间序列分解为若干层近似意义上的平稳时间序列,再使用时间序列模型对每层的单支重构信号进行预报,最后综合每层的预报值得到原序列的预报值.同时根据原始时间序列的功率谱分祈,由小波多尺度分析的频带划分范围确定小波分析中分解层数的选取;再根据不同小波基函数各自的特性,分析并选取适合的小波基函数,仿真结果表明,所提出的分解层数和小波基函数的选取方法提高了预报精度和预报时长.     

Time series prediction based on LSTM neural network for top tension response of umbilical cables

The umbilical cable is an essential component of offshore oil and gas extraction systems. The severe marine environment poses a high challenge to the safety of the umbilical cable structure during operation. The analysis of an umbilical cable requires complex and resource-demanding finite element time-domain simulations to obtain their nonlinear dynamic response. Therefore, in order to solve the problem of structural safety monitoring and real-time assessment of remaining life of umbilical cables under extreme sea states, there is a great need to predict the dynamic response of umbilical cables quickly and accurately during operation, for ease of making fast decisions for system operation and maintenance before the arrival of extreme sea states. Given the strong nonlinear function-approximation ability of the neural network, this study proposes an efficient method for the prediction of the time series of umbilical cable top tension response based on LSTM (long short-term memory) neural network. We use LSTM neural network and ARIMA (autoregressive integrated moving average) model in a real engineering case for time series prediction of the top tension response of the umbilical cable, and the results of the two models are analyzed and compared, and the efficiency and accuracy of the LSTM neural network model are verified. Furthermore, the hyperparameter, dataset and generalization ability of LSTM model are discussed. The results indicate that feasibility of the tension response prediction of umbilical cables under dynamic load in complex marine environments.     

基于AR-EMD方法的扩展非平稳船舶运动极短期预报AR模型

准确的极短期预报技术能够提高对船舶摇荡运动敏感的海洋特种作业安全性和效率。自回归（auto-regressive,AR）预报模型由于其自适应性强、计算效率高而被广泛应用于船舶运动的极短期预报研究。但该模型基于平稳随机假设,因而在非平稳船舶运动的极短期预报中存在困难。针对非平稳船舶运动极短期预报,文章提出一种基于AR-EMD方法的扩展AR模型,称为EMD-AR预报模型。其中,AR-EMD方法是指在经验模态分解（empirical mode decomposition,EMD）的过程中,采用AR预报的方法处理端点效应问题。 EMD-AR预报模型将非平稳信号分解成若干平稳的固有模态函数分量及余项,然后对各个分量分别用AR模型预报,得到最终的预报结果,以此克服非平稳性对AR预报模型的影响。研究基于船舶试验数据将EMD-AR模型与线性AR模型、非线性支持向量机回归（support vector regression,SVR）预报模型进行对比分析,结果表明,AR-EMD方法能够有效处理船舶运动非平稳性对AR预报模型的影响,提高该模型的预报精度,且EMD-AR模型预报性能较线性AR模型和非线性SVR模型更优。     

船舶运动的极短期预报试验

利用自回归模型对船舶运动进行了预报试验研究。试验结果表明,对于直升机稳定平台补偿控制系统来说,由于只需要对船舶未来极短时间内的运动进行预报,所以基于自回归模型的预报方法能满足系统的实际要求,是一种简单、可行的方法。