船舶操纵运动在线辨识建模与实时预报研究

To ensure a safe, energy-saving and high-efficient ship navigation at sea, it is necessary to conduct online identification modeling of ship dynamics and to realize real-time prediction and online control of ship motion. Aiming at the online control of ship manoeuvring motion at sea, this project proposes a method of online identification modeling and real-time prediction of ship manoeuvring motion by developing the online learning function of the novel system identification method, Support Vector Machine (SVM). To enhance the accuracy of online identification modeling and real-time prediction, Hilbert-Huang Transform (HHT) is used in the denoising of ship manoeuvring test data and SVM is combined with T-S fuzzy model to determine the SVM kernel function by using the membership degree of fuzzy model. By utilizing the data measured online from free-running model tests and full-scale trials to construct the training sample couples, SVM is used to online identify the hydrodynamic derivatives in Abkowitz model for ship manoeuvring motion and some measures including the sample couple reconstruction by adding the random number sequence into the training sample couples etc., are taken to damp the parameter drift in the process of online identification through the research on parameter drift. Through this project, the innovative academic outcome in the SVM-based online identification modeling and real-time prediction of ship manoeuvring motion will be achieved; this achievement will lay the foundation for the online control of ship manoeuvring motion at sea.

为实现安全、节能、高效的船舶海上航行，需要在线建立船舶动力学模型并对其运动进行实时预报和在线控制。本项目针对实海域船舶操纵运动在线控制问题，通过开发新型系统辨识方法—支持向量机（SVM）的在线学习功能，提出一种基于SVM的船舶操纵运动在线辨识建模与实时预报方法。为提高在线辨识建模与实时预报精度，提出一种基于希尔伯特-黄变换的船舶操纵性试验数据降噪方法，通过将SVM和T-S模糊模型相结合，实现由模糊模型的隶属度计算SVM核函数。利用在线采集的自航船模和实船试验数据构造训练样本对，应用SVM在线辨识得到船舶操纵运动Abkowitz模型中的水动力导数并研究在线辨识过程中的参数漂移现象，提出抑制参数漂移的措施，包括向训练样本对中添加随机数序列进行样本对重构等等。通过本项目的研究，在基于SVM的船舶操纵运动在线辨识建模与实时预报方面取得具有创新性的学术成果，为实海域船舶操纵运动在线控制奠定基础。

为实现安全、节能、高效的船舶海上航行，需要在线建立船舶动力学模型并对其运动进行实时预报和在线控制。本项目针对实海域船舶操纵运动在线控制问题，通过开发新型系统辨识方法—支持向量机（SVM）的在线学习功能，提出一种基于SVM的船舶操纵运动在线辨识建模与实时预报方法。首先，项目组在上海交通大学开展了自航船模试验及约束模试验，并获取了大连海事大学教学科研实习船“育鲲轮”的实船试验数据。为消除掺杂在船模及实船中的噪声数据，项目组提出一种基于新型小波阈值降噪的船舶操纵性试验数据预处理方法，及对比了小波降噪和滑动平均滤波在操纵性试验数据预处理中的优劣，为后续进行船舶操纵运动建模与预报提供了保障。其次，项目组采用滚动时间窗的方法实现SVM的在线辨识，在线回归了船舶操纵响应模型中的操纵性指数并进行了船舶操纵运动实时预报，操纵运动实时预报结果与仿真试验数据的比较表明，在线式SVM是一种进行船舶操纵运动在线辨识建模的有效方法。为提高船舶操纵运动建模与预报精度，项目组采用粒子群算法对SVM结构参数中的惩罚因子 C 值进行寻优，降低了惩罚因子 C 值选择的任意性对操纵运动建模与预报精度造成的不利影响；项目组提出基于nu-SVM算法的船舶操纵运动系统辨识策略，减轻了参数漂移对操纵运动建模与预报精度带来的影响，该辨识策略根据数据结构自适应确定支持向量的比例并同时使用多种标准操纵运动数据作为训练数据；项目组利用试验优化设计方法对船舶操纵运动建模中的输入信号进行优化设计，通过选取m-level PRS作为激励信号以提供更多的非线性动态信息，以D优化准则对数据中的信息量进行评估，并通过蚁群算法求解最优激励信号，蒙特卡罗与泛化性验证表明，优化输入信号相对于常规使用的标准操纵运动的优越性。