详情

原文传递基于人工神经网络的随船摇荡运动反演波浪方法及系统

专利名称：	基于人工神经网络的随船摇荡运动反演波浪方法及系统
摘要：	本发明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。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。本发明对不同的海况均具有良好的鲁棒性。同时这类方法通过船上布置的位姿传感器即可实现船舶运动数据的获取，其硬件需求较为简单，成本效益较高，且能够实现随船波浪监测。这类方法为当前获取随船周围海浪信息提供了一种新的解决路径，可为船舶航行和作业决策提供波浪环境数据支撑。
专利类型：	发明专利
申请人：	青岛哈尔滨工程大学创新发展中心;哈尔滨工程大学
发明人：	黄礼敏;陈雷;陈航宇;蒋昊;马学文
专利状态：	有效
申请日期：	2023-08-19T00:00:00+0800
发布日期：	2023-11-24T00:00:00+0800
申请号：	CN202311048781.7
公开号：	CN117104452A
代理机构：	北京云嘉湃富知识产权代理有限公司
代理人：	张亮
分类号：	B63B79/15;B63B79/00;B;B63;B63B;B63B79;B63B79/15;B63B79/00
申请人地址：	266400 山东省青岛市黄岛区三沙路1777号;
主权项：	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…tn时刻下船舶各自由度的运动姿态数据x1,x2…xn，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…tn时间下船舶各自由度运动姿态数据x1,x2…xn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…tn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…xn，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：/> 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Hs、特征周期Tp和波浪浪向Dm波浪数据一一对应，表示为Hs＝[Y1,Y2…Yn/d],Tp＝[Y1,Y2…Yn/d],Dm＝[Y1,Y2…Yn/d]，有义波高数据集为Hs，Y1,Y2…Yn/d分别表示与重构后船舶运动数据片段X1,X2…Xn/d对应的波浪有义波高值；同理，在特征周期数据集Tp情况下，Y1,Y2…Yn/d分别表示与重构后船舶运动数据片段X1,X2…Xn/d对应的波浪特征周期值；对应波浪浪向数据集Dm，Y1,Y2…Yn/d分别表示与重构后船舶运动数据片段X1,X2…Xn/d对应的波浪浪向。 7.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S3中，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，包括：将重构得到的船舶单自由度运动数据以及对应的波浪数据Hs＝[Y1,Y2…Yn/d]进行统一对应的序列编号，而后对编号进行混洗处理，数据与编号一一对应；将混洗后的数据以4:1的形式进行训练集和测试集的划分，由此训练集的输入输出表示为TrainX＝[X1,X2…Xj]和TrainY＝[X1,X2…Xj]，与之对应的测试集可以表示为TextX＝[X1,X2…Xk]和TextY＝[Y1,Y2…Yk]，其中训练集和测试集的长度根据实际需求设定；将重构得到的船舶多自由度运动数据以及对应的波浪数据Dm＝[Y1,Y2…Yn/d]进行统一对应的序列编号，而后对编号进行混洗处理，数据与编号一一对应；将混洗后的数据进行训练集和测试集的划分，训练集和测试集的长度根据实际需求设定。 8.根据权利要求7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，所述混洗处理建立在数据重构之后，将原始数据分块处理并取对应子块的统计值后，将每一个统计值进行乱序处理。 9.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S4中，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，包括：人工神经网络模型的输入为船舶运动数据统计样本Xinput＝[X1,X2…Xi]，输出为对应的波浪统计数据Youtput＝[Y1,Y2…Yi]，其中，i为样本个数；当人工神经网络模型输入的船舶运动运动统计值为Xinput时，对应输出则为Youtput＝f(W×Xinput+b)，其中，W为对应每一个输入元素在该神经元中的权值，b为对应每一个输入元素在该神经元中的偏置，f(x)为激活函数，选取RELU函数，具体表达式为在数据传递过程中利用激活函数进行数据的映射；在获得神经网络的输出Youtput后，将输出与真实的数据进行对比，并通过损失函数衡量二者之间的误差，进一步调整权重，使得输出的结果接近真实的结果；损失函数选取均方误差MSE作为损失函数，具体表达式为MSE＝mean(∑(Youtput-Yreal))2，其中Yreal为真实值；由此通过迭代计算完成人工神经网络模型的训练。 10.一种基于人工神经网络的随船摇荡运动反演波浪系统，其特征在于，实施权利要求1-9任意一项所述基于人工神经网络的随船摇荡运动反演波浪方法，该系统包括：单自由度运动数据和多自由度运动数据获取模块(1)，用于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两类数据：单自由度运动数据和多自由度运动数据；重构处理模块(2)，用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，获取满足人工神经网络模型输入要求的数据集；混洗处理模块(3)，用于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；波浪反演模块(4)，用于根据得到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反演结果。
所属类别：	发明专利