详情

原文传递基于支持向量机方法的船舶操纵运动建模研究

论文题名：	基于支持向量机方法的船舶操纵运动建模研究
关键词：	支持向量机方法;船舶操纵性;操纵运动;运动数学模型;水动力导数;试验验证;辨识方法;预报;建模研究;线性;机理建模;运动建模;水动力模型;自航模;回归分析;黑箱建模;参数漂移;有效性;系统;约束模
摘要：	船舶操纵性是船舶重要的水动力性能之一,和船舶的航行安全性密切相关。对船舶操纵性进行预报是船舶设计阶段的重要工作之一,其日的是为了保证所设计的船舶具有良好的操纵性。为此,国际海事组织在1993年和2002年分别颁布了临时的和正式的船舶操纵性标准,对船舶设计阶段的操纵性预报提出了定量的要求。　　在船舶设计阶段对船舶操纵性进行预报目前主要有四种方法:数据库或经验公式方法、自航模试验方法、数学模型加计算机模拟的方法和基于计算流体动力学(Computational Fluid Dynamics,CFD)的数值模拟方法。其中,数学模型加计算机模拟的方法是目前应用最广和最有效的方法。应用该方法,精确确定数学模型中的水动力导数是提高预报精度的关键。目前,主要有四种方法可用于确定数学模型中的水动力导数:数据库或经验公式方法、约束模试验方法、理论与数值计算方法以及结合自航模试验的系统辨识方法。系统辨识方法在试验测量技术和辨识技术不断发展的今天,重新获得了人们的青睐并展现了强大的功能和广阔的应用前景。　　应用于船舶操纵性预报的船舶运动数学模型目前主要有两种:一种是Abkowitz模型,又称为整体型模型,这种模型把作用在船-桨-舵系统上的水动力看作为一个整体,并将水动力表达式在直航运动状态平衡点附近按Taylor级数进行展开。另一种是MMG模型,又称为分离型模型,这种模型在前一种模型的基础上把水动力分解为作用在船体、螺旋桨和舵上的三部分,并充分考虑了船体、螺旋桨和舵的相互干扰影响。Abkowitz模型和MMG模型也被统称为水动力模型。除了水动力模型外,在船舶操纵与控制研究中,还常用到一种所谓的响应模型,这种数学模型反映的是船舶对操舵的回转运动响应,主要被应用于自动舵的设计,但也可应用于简单的操纵运动预报。　　应用于船舶操纵运动建模研究的系统辨识方法主要包括最小二乘法、扩展Kalman滤波方法、岭回归分析方法、神经网络方法、谱分析方法等。无论采用何种辨识方法对水动力模型进行辨识,如何解决辨识过程中众多水动力导数的多重共线性问题以减小参数漂移是提高建模精度的关键。　　本文在国际上首次采用一种先进的现代人工智能技术--支持向量机(SupportVector Machines,SVM)对船舶操纵运动建模进行了研究,包括机理建模研究与黑箱建模研究。在机理建模研究阶段,应用SVM辨识了水动力导数和操纵性参数,并应用建立的操纵运动数学模型进行了操纵运动预报。在黑箱建模阶段,应用SVM研究了船舶操纵运动这一非线性动态系统的输入-输出响应特性,并应用建立的黑箱模型对水动力和操纵性能指标进行了预报。　　在机理建模研究阶段,对SVM方法及其应用进行了验证,包括仿真验证和试验验证两个阶段。在仿真验证阶段,应用基于线性核的最小二乘支持向量机(LeastSquares Support Vector Machines,LS-SVM)分别对Tanker210000DWT和Mariner船型的仿真试验数据进行了回归分析,得到了线性水动力模型和Abkowitz模型中的水动力导数,并利用所得到的数学模型对Z形试验和回转试验进行了预报。在试验验证阶段,首先分别采用一阶线性、一阶非线性、二阶线性和二阶非线性四种响应模型,应用LS-SVM对在上海交通大学海洋工程国家重点实验室海洋工程水池进行的某船自航模试验数据进行了回归分析,辨识了模型参数,并利用回归模型对Z形试验和回转试验进行了预报。进一步,以国际拖曳水池会议(Internatioanl Towing TankConference,ITTC)操纵技术委员会推荐的用于比较研究的超大型油轮KVLCC1、KVLCC2船型为对象,对SVM方法及其应用进行了试验验证,试验类型包括自航模试验和约束模试验。对自航模试验,先后应用响应模型和Abkowitz模型进行了机理建模,为了减小辨识过程中的参数漂移,对Abkowtiz模型进行了简化,包括:以船的合速度为无因次化因子,去除了跟纵向速度有关的非线性项；对横向方程和转首方程,用横流模型替代与横向速度和转首角速度有关的耦合项。利用所辨识的水动力导数,应用回归模型对Z形试验进行了预报,验证了SVM方法应用于自航模试验结果分析以进行操纵运动建模的可行性和有效性。对约束模试验,以斜拖试验为例,通过对试验结果有限样本的回归分析获得了船体横向力和转首力矩的数学表达式,并对不同运动工况下的船体水动力进行了预报和比较,初步验证了SVM方法应用于约束模试验结果分析以进行操纵运动水动力预报的可行性。　　在机理建模研究阶段,为消除多参数系统回归模型中的参数漂移,采取了几项措施:一是结合主成分分析法,对线性水动力导数项进行拆分和合并,对其中与其他项线性相关严重的部分予以重新整理；二是引入附加激励,用于减小常规操纵中由于操舵阶段粘性力的动力相消效应和过渡阶段惯性力的消失二者所引起的参数漂移；三是对所辨识样本采用差分格式,用于减缓样本中各输入变量之间的多重共线性现象。辨识和预报结果验证了所采取措施的有效性。　　在黑箱建模研究阶段,采用高斯核SVM进行了辨识研究:以舵角和操纵运动变量为输入,以水动力为输出,对Abkowitz模型中的复杂非线性函数进行了辨识,根据辨识得到的函数关系预报了纵向、横向及转首方向的水动力(力矩):以回转试验为例,以舵角为输入,以纵距、横距及战术直径等回转性能参数为输出,建立了舵角和回转性能参数之间的映射关系,根据辨识得到的映射关系预报了回转性能参数。以对首向角的辨识和预报为例,对SVM和经典的BP神经网络的学习性能进行了比较研究,验证了SVM方法的优越性；以对桨推力的辨识和预报为例,验证了SVM方法应用于数据滤波与平滑的有效性；以对操纵运动变量及舵角的辨识和预报为例,验证了SVM方法应用于样本重构的有效性。　　通过本文的研究,验证了SVM方法用于船舶操纵运动建模的有效性,为应用系统辨识技术进行船舶操纵运动建模(包括机理建模和黑箱建模)研究提供了新途径,并为指导船舶操纵性相关模型试验的优化设计提供了新的思路。
作者：	罗伟林
专业：	船舶与海洋结构物设计制造
导师：	邹早建
授予学位：	博士
授予学位单位：	上海交通大学
学位年度：	2009
正文语种：	中文