基于人工神经网络的自航浮标测波方法可行性

doi:10.16183/j.cnki.jsjtu.2021.094

基于人工神经网络的自航浮标测波方法可行性

秦艺超¹, 黄礼敏^,¹, 王骁², 马学文¹, 段文洋¹, 郝伟¹

1.哈尔滨工程大学船舶工程学院,哈尔滨 150001

2.海军大连舰艇学院航海系,辽宁大连 116018

Feasibility of Wave Measurement by Using a Sailing Buoy and the Artificial Neural Network Technique

QIN Yichao¹, HUANG Limin^,¹, WANG Xiao², MA Xuewen¹, DUAN Wenyang¹, HAO Wei¹

1. College of Shipbuilding Engineering, Harbin Engineering University, Harbin 150001, China

2. Department of Marine Navigation, Dalian Naval Academy, Dalian 116018, Liaoning, China

通讯作者: 黄礼敏,男,副教授; E-mail:huanglimin@hrbeu.edu.cn.

责任编辑: 陈晓燕

收稿日期: 2021-03-23

基金资助:

国家自然科学基金(51809066)
装备发展部装备预先研究项目(JZX7Y20190247001001)
上海交通大学海洋工程国家重点实验室开放课题(1902)

Received: 2021-03-23

作者简介 About authors

秦艺超(1996-),男,山西省临汾市人,硕士生,从事波浪反演研究.

摘要

海洋波浪会对船舶营运和安全产生不利影响,实时准确的随船海浪监测对绿色智能船舶及航行安全至关重要.利用船舶运动反演遭遇海浪信息是一种重要的随船海浪监测手段,具有成本低、时空分辨率高等诸多优点,受到广泛关注.针对现有船舶运动反演海浪模型存在的不足,提出了一种基于人工神经网络(Artificial Neural Network, ANN)的反演模型.以船舶摇荡运动时历作为输入,以波浪时历作为输出,利用人工神经网络进行船舶运动特征提取,输入线性函数进行波面时历反演.为验证反演模型的可行性和精度,开展了船模水池试验.结果表明,提出的基于人工神经网络的测波方法能够很好地实现规则波和不规则波浪时历反演,规则波反演统计误差大多小于10%,不规则波反演误差在10%左右.提出的方法为船舶运动反演海浪时域信息提供了一种有效可行的手段.

关键词： 波浪反演; 人工神经网络; 自航波浪浮标; 水池试验

Abstract

Ocean waves have adverse effects on the operation and safety of ships. Real-time and accurate onboard wave monitoring is essential for green smart ships and navigational safety. It is an important method to use ship motion to perform inversion of the information of encountering waves, which has many advantages such as low cost and high spatio-temporal resolution, and has attracted wide attention. An inversion model based on artificial neural network (ANN) is proposed to deal with the shortcomings of existing ship motion inversion ocean wave models. Taking the motion time history of the ship as the input and the wave elevation time history as the output, the artificial neural network is used to extract the motion features of the ship, and the linear function is input to perform wave surface time history inversion. To verify the feasibility and the accuracy of the inversion model, a ship model tank test is conducted. The results show that the proposed wave measurement method based on the artificial neural network can well achieve regular wave and irregular wave elevation time history inversion. Most of the statistical errors of regular wave inversion are less than 10% and the error of irregular wave inversion is about 10%. The method proposed provides an effective and feasible means for inversion of wave time information in ship motion.

Keywords： wave inversion; artificial neural network; sailing wave buoy; tank testing

PDF (7435KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

秦艺超, 黄礼敏, 王骁, 马学文, 段文洋, 郝伟. 基于人工神经网络的自航浮标测波方法可行性[J]. 上海交通大学学报（自然版）, 2022, 56(4): 498-505 doi:10.16183/j.cnki.jsjtu.2021.094

QIN Yichao, HUANG Limin, WANG Xiao, MA Xuewen, DUAN Wenyang, HAO Wei. Feasibility of Wave Measurement by Using a Sailing Buoy and the Artificial Neural Network Technique[J]. Journal of shanghai Jiaotong University, 2022, 56(4): 498-505 doi:10.16183/j.cnki.jsjtu.2021.094

海洋风浪是影响船舶航行安全、燃料效率等关键性能指标的重要因素.要对波浪引起的载荷和响应进行预测和分析,就必须获取准确的随船海浪信息.波浪雷达、卫星测波等现有遥感方法存在精度较低、校准困难、易受干扰等问题^[1,2,3].波浪浮标虽然测波精度大幅提升,但常用于定点测量,不适用于船舶航行中的海浪观测.

将船舶类比为波浪浮标的思想早在2005年就被提出,国内外众多学者根据这一思想建立数学模型,采用各类理论方法来研究船舶运动反演波浪的特性^[4],包括在频域和时域内进行反演研究.频域反演方法将运动响应谱与传递函数相结合,通常选取船舶垂荡、横摇、纵摇运动响应作为输入,采用贝叶斯模型^[5]和参数模型^[6]等谱分析方法进行波浪谱估计^[7,8,9].但频域方法基于波浪与运动响应之间的线性关系假设,导致其反演精度严重依赖可靠的传递函数.一方面传递函数在不同船舶装载下会发生显著变化;另一方面在中高海况下,船舶运动响应具有较明显非线性特征,频域方法并不适用.

海浪时域信息对海洋作业决策而言至关重要,但是针对海浪信息的时域反演研究相对较少.现有的时域反演研究方法主要包括Kalman滤波方法^[10,11]和逐步估计法^[12].Pascoal^[9]采用Kalman滤波算法实现了模拟数据在稳定条件下的海浪谱快速迭代反演,但该方法仍然需要使用水池和实海试验数据进行进一步验证和改进.逐步估计法从船舶运动响应时历中提取波浪特征周期,采用实测运动响应数据和传递函数通过递归非线性最小二乘优化估算波浪幅值和相位信息.但该算法具有一定的适用性,目前只适用于单色波的测量.

综上所述,传统波浪反演方法无法实现对非线性非平稳海浪的时域反演,人工神经网络作为近年来兴起的一种可以从数据中提取特征的深度学习方法,可以较好地捕捉海浪的非线性非平稳特性,因而被引入到海浪反演领域.Mak等^[13]将船体作为波浪浮标,利用六自由度运动作为输入,通过机器学习方法反演波浪方向.通过数值模拟数据训练神经网络模型,到海上实测验证后发现反演模型的误差较大.Cheng等^[14]针对海态识别问题,提出了一种深度神经网络模型,并基于动力定位船数值模拟数据进行了海况等级识别验证.Sidarta等^[15]提出了一种利用人工神经网络(ANN)模型将船舶的运动映射到波浪高度的方法,并估计出了船舶所在位置的有义波高和波峰周期.但上述研究大多关注海浪浪向、海况等级、有义波高和波峰周期等海浪参数的反演,针对海浪实时波面的反演还鲜有研究.本文基于人工神经网络建立了波浪时域反演的预报模型,较好地解决了波浪反演过程中非线性非平稳特征难以捕捉的问题.与此同时,设计自航浮标并开展水池模型试验,将模型预报结果与水池试验结果进行对比验证.

1 自航浮标基本特征

本文以荷兰Marin设计的自航浮标C-Drone为母型^[16],设计自航式波浪浮标,用于船舶运动反演时历方法研究.设计时需根据试验目的和需求,对浮标总体形式和布局进行合理设计.自航浮标需要达到的主要目的包括:

(1) 浮标在螺旋桨推进与舵的操纵下,实现自航功能.

(2) 自航浮标通过无线通信模块与操作者进行通信,接收操作者发送的控制指令.

(3) 自航浮标通过搭载加速度传感器采集运动信号,并将数据实时传送出来.

本文所设计的自航浮标主要参数如表1所示,采用三体船形式,主要考虑总体布置性好,内部空间大,可更好地安装电子系统、动力系统等设备,另外较大的空间便于模块化,有利于后续改装^[17].自航浮标分为水面浮体平台和地面控制站两部分.水面浮台由浮台主体、电池组、动力模块、传感器及微处理器模块构成,各组件布置与试验所用模型如图1和2所示.自航式波浪浮标主要静水力特征包括排水量曲线、浮心纵向坐标曲线、浮心垂向坐标曲线、水线面面积曲线、横稳心半径曲线等,主要静水力特征如图3所示.图中:d_W为吃水;Δ为排水量;x_B为浮心纵向坐标;z_B为浮心垂向坐标;A_W为水线面面积;BM为横稳心半径.

表1 自航浮标主要参数

Tab.1 Main parameters of self-propelled buoy

参数	数值
船长/m	1.03
设计水线宽/mm	290.1
设计吃水/mm	300
排水量/kg	19.44
湿表面积/mm²	74571
方形系数	0.21
棱形系数	0.583
浮心纵向坐标/mm	51.06
船舶重心距离基线垂向高度/mm	210.4

新窗口打开| 下载CSV

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 自航浮标总体布置示意图

Fig.1 Schematic diagram of the overall layout of self-propelled buoy

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 试验所用模型

Fig.2 Model used in the test

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 主要静水力特征曲线

Fig.3 Main hydrostatic characteristic curves

中间的主船体约占排水体积的90%,提供主要浮力,内可放置各类设备,压载块,且可增加船的稳性、降低倾覆风险.电池组是自航浮标的全部能源,为动力模块、传感器和微处理器模块提供了能源保证.传感器用来记录浮标在波浪中运动的姿态参数,微处理器读入传感器的姿态数据并使用训练好的ANN网络进行实时的波面反演.舵机和螺旋桨可以保证浮标在有人操控下进入需要测量的目标区域.

2 基于ANN的波浪时历反演模型

人工神经网络能够以任何精度逼近任意连续的非线性函数,对复杂不确定问题具有自适应、学习能力^[18].本文的基本思想是使用浮标在波浪中运动所记录的大量运动数据及浪高仪记录的数据集来训练神经网络,得到浮标运动与波面之间的映射关系.

典型的神经网络结构如图4所示.图中: $X_{1}, X_{2}, \dots, X_{n}$ 代表每一层神经元的输入; $W_{1}, W_{2}, \dots, W_{n}$ 代表每一个神经元的权重; $b$ 代表每层神经元的偏置; $f$ 代表激活函数; $X_{i}$ 代表来自第i个神经元的输入; $Y$ 代表输出.输入层与输出层的节点数由实际需求设定,层与层之间通过权值向量连接,隐藏层神经元包括一个加法器和激活函数,对上一层传递过来的信息进行加权求和,通过线性或非线性激活函数处理,从而得到神经元的输出值^[19].

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 典型神经元模型

Fig.4 Classic neuron model

假设神经网络除去输入层的总层数为K(层数k>1), 输入层到输出层各层节点个数分别为 $m_{0}, m_{1}, \dots, m_{k}$ ,由此定义了输入向量的维度为 $m_{0}$ ,输出向量的维度为 $m_{k}$ , 网络的每一层输出向量分别表述如下.

输入层:

$\begin{matrix} X^{(0)} = {[\begin{array}{l} X_{1}^{(0)} & X_{2}^{(0)} & \dots & X_{m_{0}}^{(0)} \end{array}]}^{T} \end{matrix}$

(1)

式中: $X^{(0)}$ 为输入向量; $X_{1}^{(0)}, X_{2}^{(0)}, \dots, X_{m_{0}}^{(0)}$ 分别为输入向量中的元素.

输出层:

$\begin{matrix} Y^{(K)} = {[\begin{array}{l} Y_{1}^{(K)} & Y_{2}^{(K)} & \dots & Y_{m_{K}}^{(K)} \end{array}]}^{T} \end{matrix}$

(2)

式中: $Y^{(K)}$ 为输出向量; $Y_{1}^{(K)}, Y_{2}^{(K)}, \dots, Y_{m_{K}}^{(K)}$ 分别为输出向量中的元素.

定义每一层的权重矩阵与偏置向量:

$\begin{matrix} W^{(1)} \in R^{m_{1} \times m_{0}} b^{(1)} \in R^{m_{1} \times 1} \end{matrix}$

(3)

$W^{(2)} \in R^{m_{2} \times m_{1}} b^{(2)} \in R^{m_{2} \times 1}$

(4)

$W^{(K)} \in R^{m_{K} \times m_{K - 1}} b^{(K)} \in R^{m_{K} \times 1}$

(5)

每一层的激活函数分别为 $f^{(1)}, f^{(2)}, \dots f^{(K)} .$ 一般根据不同的应用选择相应的激活函数,每一层所使用激活函数类型可以统一也可不统一.对于隐藏层,有:

$ne t_{i}^{(1)} = \sum_{j = 1} W_{i, j}^{(1)} X_{j}^{(0)} + b_{i}^{(1)}, 1 \leq i \leq m_{1}$

(6)

$ne t^{(1)} = W^{(1)} X^{(0)} + b^{(1)}$

(7)

$ne t^{(1)} = {[\begin{array}{l} ne t_{1}^{(1)} & ne t_{2}^{(1)} & \dots & ne t_{m_{1}}^{(1)} \end{array}]}^{T}$

(8)

$Y^{(1)} = f^{(1)} (ne t^{(1)}) = {[\begin{array}{l} Y_{1}^{(1)} & Y_{2}^{(1)} & \dots & Y_{m_{1}}^{(1)} \end{array}]}^{T}$

(9)

net⁽¹⁾中每个元素表示对输入层向量以及偏置向量的加权和,也可称为第1层(隐藏层1)神经元的输入向量.因此,对于第k层(k∈{1, 2, …, K}):

$\begin{array}{l} ne t_{i}^{(k)} = \sum_{j = 1} W_{i, j}^{(k)} Y_{j}^{(k - 1)} + b_{i}^{(k)}, \\ \begin{matrix} (1 \leq i \leq m_{k}) \end{matrix} \end{array}$

(10)

$ne t^{(k)} = W^{(k)} Y^{(k - 1)} + b^{(k)}$

(11)

$ne t^{(k)} = {[\begin{array}{l} ne t_{1}^{(k)} & ne t_{2}^{(k)} & \dots & ne t_{m_{k}}^{(k)} \end{array}]}^{T}$

(12)

$\begin{array}{l} Y^{(k)} = f^{(k)} (ne t^{(k)}) = \\ {[\begin{array}{l} Y_{1}^{(k)} & Y_{2}^{(k)} & \dots & Y_{m_{k}}^{(k)} \end{array}]}^{T} \end{array}$

(13)

通过正向逐层计算,可得到网络中每一层的net⁽^k⁾与Y⁽^k⁾及每层的输入向量与输出向量,从而得到每个神经元的输入值和输出值.

本文设计的神经网络共有4层,包括输入层、输出层和两个隐藏层,每层神经元的个数由等比数列确定.由于传感器的采样频率是10 Hz,波浪对浮标运动影响最大的是垂荡,故只选用垂荡数据作为输入参量,这决定了输入层神经元个数为200.输出参量仅为波面,因此输出层神经元个数为1.

输入层节点数和输出层节点数确定后,随之而来的一个重要问题是如何优化隐藏层节点数和隐层数.实验表明,如果隐藏层结点数过少,网络不能具有必要的学习能力和信息处理能力.反之,若过多,不仅会大大增加网络结构的复杂性,网络在学习过程中更易陷入局部极小点,而且会使网络的学习速度变得很慢.

对于简单的数据集,1~2个隐藏层通常就足够了,本文使用的神经网络选用2层隐藏层,每一层神经元个数分别为34和6,前3层使用的是ReLU函数,第4层使用的是线性函数,图5所示为所建立的神经网络的基本结构.

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 波浪反演神经网络基本结构

Fig.5 Basic structure of wave inversion neural network

由圆表示的神经元排列在输出层和隐藏层中,简单起见,我们仅考虑有一个隐藏层的网络,当然,使用两层甚至三层的情况也很普遍.在同层的神经元之间是没有连接的,相邻两层之间是全连接的.每一个神经元与神经元之间的连接都与一个权重相关联,人工神经网络实际上是一个有大量简单元件相互连接而成的复杂网络,具有高度的非线性,能够进行复杂逻辑操作和非线性关系实现^[20].

3 水池试验和结果分析

3.1 试验数据描述

本文使用的数据全部来自水池试验.自航浮标的相关试验在哈尔滨工程大学船模拖曳水池中进行,水池建于1987年,是船舶工程与海洋工程流体力学教学和科学实验基地,是国际船模实验水池会议(ITTC)正式会员.水池装备八推板三维造波机,可生产规则波、不规则波,其主要技术指标如表2所示.

表2 水池技术指标

Tab.2 Technical index of tank

指标	数值
长/m	108
宽/m	7
深/m	3.5
造波周期/s	0.4~4
规则波波高最大值/m	0.4
不规则波有义波高最大值/m	0.32

新窗口打开| 下载CSV

迎浪规则波试验时,船首顶浪,水池左端造波板根据输入波浪控制参数,空间范围内生成预设的波浪环境,通过船载的传感器记录在波浪激励下的垂荡和纵摇运动响应.使用ANN模型反演理论的实施过程如图6所示,图中H为波面高程;T为时间.

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 ANN模型反演理论的实施过程

Fig.6 Implementation process of ANN model inversion theory

图7和8分别为拖曳水池与试验照片.迎浪规则波工况如表3所示,根据不同波长船长比,共设置了12组试验,编号为1~12.此外,设置了一组不规则波工况作为对比,不规则波取3级海况,有义波高为0.08 m,特征周期为2 s.

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 拖曳水池

Fig.7 Towing tank

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 试验照片

Fig.8 Photos of the test

表3 迎浪规则波工况

Tab.3 Heading wave regular wave conditions

编号	波长船长比	波长/m	频率/ (rad·s^-1)	周期/s	波高/m	编号	波长船长比	波长/m	频率/ (rad·s^-1)	周期/s	波高/m
1	1.1	1.133	7.376	0.852	0.0227	7	2.0	2.060	5.470	1.149	0.0412
2	1.4	1.442	6.538	0.961	0.0288	8	2.1	2.163	5.338	1.177	0.0433
3	1.6	1.648	6.116	1.027	0.0330	9	2.2	2.266	5.215	1.205	0.0453
4	1.7	1.751	5.933	1.059	0.0350	10	2.5	2.575	4.893	1.284	0.0515
5	1.8	1.854	5.766	1.090	0.0371	11	3.0	3.090	4.466	1.407	0.0309
6	1.9	1.957	5.612	1.120	0.0391	12	3.5	3.605	4.135	1.520	0.0600

新窗口打开| 下载CSV

3.2 ANN网络训练策略

使用ANN方法反演波面时历时,首先需要得到准确的浮标运动数据,本文设计的浮标使用加速度传感器获得运动数据,采样频率是10 Hz,图9所示为在波浪频率ω=4.135 rad/s时,浮标的垂荡加速度(a_H)时历.本文在处理波浪时,使用的ANN网络总共分为4层,前3层使用的是ReLU函数,第4层使用的是线性函数,训练模型时,选出数据集里的10%作为测试集,另外90%作为训练集,每次训练输入200个自航浮标的运动数据,输出的是200个波面信息.经过 8000 次的学习,训练的误差降至0.29%,模型训练完成后,输入自航浮标的运动数据,即可输出比较准确的波面数据.

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 垂荡加速度时历(ω=4.135 rad/s)

Fig.9 Acceleration time of a_H(ω=4.135 rad/s)

3.3 结果和讨论

第2节已经详细介绍了基于人工神经网络的反演波面方法,图10所示为不同频率规则波下的反演对比结果.

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 基于ANN方法的不同频率规则波波面反演值与实测值对比

Fig.10 Comparison of inversion values and measured values of regular wave heights at different frequencies based on ANN method

图10的结果中,反演值与实验值总体上吻合得很好,说明使用ANN方法能够很好地得出规则波下船舶运动与波面的映射关系.证明了ANN模型在规则波下依靠运动反演波面的正确性.整体看来,在规则波下,反演值与实验值的相位基本一致,但在局部的波峰和波谷处,反演值与实验值有较小偏差,可能的原因是波浪与运动之间的非线性较强,导致使用ANN模型进行反演时产生偏差.

图11所示为不规则波下波面反演值和实验值的时历对比.从反演时历结果中可以看出,在不规则波作用下,由运动反演的波面值与实验值吻合较好.反演值与实验值的相位偏差较小,本文提出的基于ANN方法的模型可以较好地由运动响应反演出波面信息,验证了ANN模型在不规则波浪下反演的可行性与准确性.但是ANN反演的结果在局部还是有比较明显的偏差,在15~17 s和25~27 s时,ANN在波峰与波谷处的反演值与测量值均有偏差,可能的原因是在该区域波浪的频率特征复杂,加之船舶在产生运动时已经进行了一次“过滤”,双重复杂影响导致简单的ANN模型无法正确建立映射关系,故对该区域的波浪进行反演存在较大相对的偏差.

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 基于ANN方法的不规则波波面反演值与实验值

Fig.11 Inversion values and measured values of irregular wave height based on ANN method

对比由反演的波浪时历与浪高仪记录的数据进行误差分析,均方根误差为

$\begin{matrix} RMSE = \sqrt[]{\frac{1}{N} \sum_{i = 1} (X_{I} - X_{R})^{2}} \end{matrix}$

(14)

式中:X_I为反演数据;X_R为真实值.根据式(14)可计算出不同波浪频率下反演结果的相对误差e_r,如表4所示.

表4 不同波浪频率下反演结果的误差

Tab.4 Error of inversion results at different wave frequencies

ω/(rad·s^-1)	RMSE/mm	e_r/%
7.372	2.629	11.60
6.535	1.501	5.21
6.113	1.486	4.51
5.930	1.277	3.65
5.763	2.740	7.39
5.609	3.001	7.67
5.467	6.717	10.34
5.335	4.117	9.52
5.213	3.182	7.02
4.890	2.228	5.39
4.464	5.552	3.60
4.133	3.592	2.99

新窗口打开| 下载CSV

使用ANN方法反演不规则波的波面时历,有义波高为80 mm时,均方根误差为8.03 mm,相对误差为10.04%.但同时从时历结果可以看出,无论是规则波还是不规则波下,波面反演值与实验值在局部均存在偏差.这种偏差主要来源于波浪与运动之间的非线性关系,同时波浪诱导的运动受到浮标滤波作用影响,且ANN模型的训练策略未进行优化.利用ANN方法进行波浪反演研究是一个较新的领域,对于提高反演精度以及有航速反演与斜浪反演等问题,后续还有待进一步研究.

4 结论

实时准确的海浪信息监测对绿色智能船舶及航行安全至关重要.鉴于当前海浪观测技术对非线性非平稳数据处理的局限性,本文提出了一种用于波浪反演的人工神经网络模型,验证了预测精度,讨论了输入输出策略.利用水池试验数据对基于人工神经网络的反演结果与浪高仪实测结果进行对比,获得以下结论:

(1) 确定人工神经网络反演方法的可行性是海浪反演的首要问题.利用多组规则波和一组不规则波下船舶运动的试验数据对人工神经网络模型进行训练.并将训练后的模型应用到波面反演.通过对比反演结果与实测结果,发现规则波的测波相对误差多数在10%内,不规则波的测波相对误差在10%左右,可以认为使用人工神经网络方法根据船舶运动反演实时波面是一种切实可行的方法.

(2) 在时域方面,船舶运动响应数据非平稳非线性的特征可以通过人工智能方法来解决.基于人工神经网络模型的测波方法完全由数据驱动,适合处理非线性问题,无需引入前提假设,可以为船舶运动反演波面时历提供新的解决思路.

需要指出的是,不同频率的波浪对船舶的影响各异,本文提出的反演方法对不同频率的波浪反演适用性还需进一步探索.此外,不同船舶对波浪的响应也不尽相同,本文提出的反演方法对不同主尺度和不同外形特点船舶的反演效果还需进一步研究.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

CLAUSS G

, KOSLECK

, TESTA

Critical si-tuations of vessel operations in short crested seas: Forecast and decision support system

[C]//Proceedings of ASME 2009 28th International Conference on Ocean, Offshore and Arctic Engineering. Honolulu, USA: ASME, 2010: 319-332.

[本文引用: 1]

[2]

STREDULINSKY D

, THORNHILL E

Ship motion and wave radar data fusion for shipboard wave measurement

[J]. Journal of Ship Research, 2011, 55(2): 73-85.

DOI:10.5957/jsr.2011.55.2.73 URL [本文引用: 1]

[3]

THORNHILL E

, STREDULINSKY D

Real time local sea state measurement using wave radar and ship motions

[J]. Transactions-Society of Naval Architects and Marine Engineers, 2010, 118: 248-259.

[本文引用: 1]

[4]

NIELSEN U

A concise account of techniques available for shipboard sea state estimation

[J]. Ocean Engineering, 2017, 129: 352-362.

DOI:10.1016/j.oceaneng.2016.11.035 URL [本文引用: 1]

[5]

ISEKI

, OHTSU

Bayesian estimation of directional wave spectra based on ship motions

[J]. Control Engineering Practice, 2000, 8(2): 215-219.

DOI:10.1016/S0967-0661(99)00156-2 URL [本文引用: 1]

[6]

ISEKI

Extended Bayesian estimation of directional wave spectra

[C]//Proceedings of ASME 2004 23rd International Conference on Offshore Mechanics and Arctic Engineering. Vancouver, Canada: ASME, 2004: 611-616.

[本文引用: 1]

[7]

NIELSEN U

Estimations of on-site directional wave spectra from measured ship responses

[J]. Marine Structures, 2006, 19(1): 33-69.

DOI:10.1016/j.marstruc.2006.06.001 URL [本文引用: 1]

[8]

NIELSEN U

Introducing two hyperparameters in Bayesian estimation of wave spectra

[J]. Probabilistic Engineering Mechanics, 2008, 23(1): 84-94.

DOI:10.1016/j.probengmech.2007.10.007 URL [本文引用: 1]

[9]

PASCOAL

, GUEDES SOARES

Non-parametric wave spectral estimation using vessel motions

[J]. Applied Ocean Research, 2008, 30(1): 46-53.

DOI:10.1016/j.apor.2008.03.003 URL [本文引用: 2]

[10]

PASCOAL

, GUEDES SOARES

Kalman filtering of vessel motions for ocean wave directional spectrum estimation

[J]. Ocean Engineering, 2009, 36(6/7): 477-488.

DOI:10.1016/j.oceaneng.2009.01.013 URL [本文引用: 1]

[11]

PASCOAL

, PERERA L

, GUEDES SOARES

Estimation of directional sea spectra from ship motions in sea trials

[J]. Ocean Engineering, 2017, 132: 126-137.

DOI:10.1016/j.oceaneng.2017.01.020 URL [本文引用: 1]

[12]

NIELSEN U

, GALEAZZI

, BRODTKORB A

Evaluation of shipboard wave estimation techniques through model-scale experiments

[C]//OCEANS 2016-Shanghai. Piscataway, NJ, USA: IEEE, 2016: 1-8.

[本文引用: 1]

[13]

MAK

, DÜZ

Ship as a wave buoy: Estimating relative wave direction from in-service ship motion measurements using machine learning

[C]//Proceedings of ASME 2019 38th International Conference on Ocean, Offshore and Arctic Engineering. Glasgow, UK: ASME, 2019, V009T13A043.

[本文引用: 1]

[14]

CHENG

, LI G

, SKULSTAD

, et al.

Modeling and analysis of motion data from dynamically positioned vessels for sea state estimation

[C]//2019 International Conference on Robotics and Automation (ICRA). Piscataway, NJ, USA: IEEE, 2019: 6644-6650.

[本文引用: 1]

[15]

SIDARTA D

, TCHERNIGUIN

, TAN J

, et al.

An ANN-based model to artificially transform a floating vessel into a wave monitoring buoy

[DB/OL]. (2020-10-27) [2021-03-22]. https://onepetro.org/OTCASIA/proceedings-abstract/20OTCA/1-20OTCA/450910.

URL [本文引用: 1]

[16]

THIJS

New C-DRONE-for undisturbed wave spectrum measurements

[EB/OL] (2017-12-29) [2021-03-22]. https://www.marinetechnologynews.com/news/drone-undisturbed-spectrum-measurements-555571/.

URL [本文引用: 1]

[17]

戴现令, 娄虎, 阮文涛, 等.

一种水质检测三体船设计及其水阻力计算

[J]. 装备制造技术, 2020(5): 31-34.

[本文引用: 1]

DAI

Xianling

, LOU

, RUAN

Wentao

, et al.

Design of a trimaran for water quality detection and calculation of its water resistance

[J]. Equipment Manufacturing Technology, 2020(5): 31-34.

[本文引用: 1]

[18]

陈雨虹

基于神经网络的三自由度直升机智能控制方法研究

[D]. 哈尔滨: 哈尔滨工业大学, 2019.

[本文引用: 1]

CHEN

Yuhong

Research on neural network based intelligent control method for 3-dof helicopters

[D]. Harbin: Harbin Institute of Technology, 2019.

[本文引用: 1]

[19]

侯海艳, 侯金亮, 黄春林, 等.

基于人工神经网络和AMSR2多频微波亮温的北疆地区雪深反演

[J]. 遥感技术与应用, 2018, 33(2): 241-251.

[本文引用: 1]

HOU

Haiyan

, HOU

Jinliang

, HUANG

Chunlin

, et al.

Retrieve snow depth of north of Xinjiang region from ARMS2 data based on artificial neural network technology

[J]. Remote Sensing Technology and Application, 2018, 33(2): 241-251.

[本文引用: 1]

[20]

喻祥尤

基于深度学习的机器人场景识别研究

[D]. 沈阳: 沈阳工业大学, 2017.

[本文引用: 1]

Xiangyou

Research on robot scene recognition based on depth learning

[D]. Shenyang: Shenyang University of Technology, 2017.

[本文引用: 1]

Critical si-tuations of vessel operations in short crested seas: Forecast and decision support system

2010

... 海洋风浪是影响船舶航行安全、燃料效率等关键性能指标的重要因素.要对波浪引起的载荷和响应进行预测和分析,就必须获取准确的随船海浪信息.波浪雷达、卫星测波等现有遥感方法存在精度较低、校准困难、易受干扰等问题^[1,2,3].波浪浮标虽然测波精度大幅提升,但常用于定点测量,不适用于船舶航行中的海浪观测. ...

Ship motion and wave radar data fusion for shipboard wave measurement

2011

Real time local sea state measurement using wave radar and ship motions

2010

A concise account of techniques available for shipboard sea state estimation

2017

... 将船舶类比为波浪浮标的思想早在2005年就被提出,国内外众多学者根据这一思想建立数学模型,采用各类理论方法来研究船舶运动反演波浪的特性^[4],包括在频域和时域内进行反演研究.频域反演方法将运动响应谱与传递函数相结合,通常选取船舶垂荡、横摇、纵摇运动响应作为输入,采用贝叶斯模型^[5]和参数模型^[6]等谱分析方法进行波浪谱估计^[7,8,9].但频域方法基于波浪与运动响应之间的线性关系假设,导致其反演精度严重依赖可靠的传递函数.一方面传递函数在不同船舶装载下会发生显著变化;另一方面在中高海况下,船舶运动响应具有较明显非线性特征,频域方法并不适用. ...

Bayesian estimation of directional wave spectra based on ship motions

2000

Extended Bayesian estimation of directional wave spectra

2004

Estimations of on-site directional wave spectra from measured ship responses

2006

Introducing two hyperparameters in Bayesian estimation of wave spectra

2008

Non-parametric wave spectral estimation using vessel motions

2008

... 海浪时域信息对海洋作业决策而言至关重要,但是针对海浪信息的时域反演研究相对较少.现有的时域反演研究方法主要包括Kalman滤波方法^[10,11]和逐步估计法^[12].Pascoal^[9]采用Kalman滤波算法实现了模拟数据在稳定条件下的海浪谱快速迭代反演,但该方法仍然需要使用水池和实海试验数据进行进一步验证和改进.逐步估计法从船舶运动响应时历中提取波浪特征周期,采用实测运动响应数据和传递函数通过递归非线性最小二乘优化估算波浪幅值和相位信息.但该算法具有一定的适用性,目前只适用于单色波的测量. ...

Kalman filtering of vessel motions for ocean wave directional spectrum estimation

2009

Estimation of directional sea spectra from ship motions in sea trials

2017

Evaluation of shipboard wave estimation techniques through model-scale experiments

2016

Ship as a wave buoy: Estimating relative wave direction from in-service ship motion measurements using machine learning

2019

... 综上所述,传统波浪反演方法无法实现对非线性非平稳海浪的时域反演,人工神经网络作为近年来兴起的一种可以从数据中提取特征的深度学习方法,可以较好地捕捉海浪的非线性非平稳特性,因而被引入到海浪反演领域.Mak等^[13]将船体作为波浪浮标,利用六自由度运动作为输入,通过机器学习方法反演波浪方向.通过数值模拟数据训练神经网络模型,到海上实测验证后发现反演模型的误差较大.Cheng等^[14]针对海态识别问题,提出了一种深度神经网络模型,并基于动力定位船数值模拟数据进行了海况等级识别验证.Sidarta等^[15]提出了一种利用人工神经网络(ANN)模型将船舶的运动映射到波浪高度的方法,并估计出了船舶所在位置的有义波高和波峰周期.但上述研究大多关注海浪浪向、海况等级、有义波高和波峰周期等海浪参数的反演,针对海浪实时波面的反演还鲜有研究.本文基于人工神经网络建立了波浪时域反演的预报模型,较好地解决了波浪反演过程中非线性非平稳特征难以捕捉的问题.与此同时,设计自航浮标并开展水池模型试验,将模型预报结果与水池试验结果进行对比验证. ...

Modeling and analysis of motion data from dynamically positioned vessels for sea state estimation

2019

An ANN-based model to artificially transform a floating vessel into a wave monitoring buoy

New C-DRONE-for undisturbed wave spectrum measurements

... 本文以荷兰Marin设计的自航浮标C-Drone为母型^[16],设计自航式波浪浮标,用于船舶运动反演时历方法研究.设计时需根据试验目的和需求,对浮标总体形式和布局进行合理设计.自航浮标需要达到的主要目的包括: ...

一种水质检测三体船设计及其水阻力计算

2020

... 本文所设计的自航浮标主要参数如表1所示,采用三体船形式,主要考虑总体布置性好,内部空间大,可更好地安装电子系统、动力系统等设备,另外较大的空间便于模块化,有利于后续改装^[17].自航浮标分为水面浮体平台和地面控制站两部分.水面浮台由浮台主体、电池组、动力模块、传感器及微处理器模块构成,各组件布置与试验所用模型如图1和2所示.自航式波浪浮标主要静水力特征包括排水量曲线、浮心纵向坐标曲线、浮心垂向坐标曲线、水线面面积曲线、横稳心半径曲线等,主要静水力特征如图3所示.图中:d_W为吃水;Δ为排水量;x_B为浮心纵向坐标;z_B为浮心垂向坐标;A_W为水线面面积;BM为横稳心半径. ...

一种水质检测三体船设计及其水阻力计算

2020

基于神经网络的三自由度直升机智能控制方法研究

2019

... 人工神经网络能够以任何精度逼近任意连续的非线性函数,对复杂不确定问题具有自适应、学习能力^[18].本文的基本思想是使用浮标在波浪中运动所记录的大量运动数据及浪高仪记录的数据集来训练神经网络,得到浮标运动与波面之间的映射关系. ...

基于神经网络的三自由度直升机智能控制方法研究

2019

基于人工神经网络和AMSR2多频微波亮温的北疆地区雪深反演

2018

... 典型的神经网络结构如图4所示.图中:

$X_{1}, X_{2}, \dots, X_{n}$

代表每一层神经元的输入;

$W_{1}, W_{2}, \dots, W_{n}$

代表每一个神经元的权重;

$b$

代表每层神经元的偏置;

$f$

代表激活函数;

$X_{i}$

代表来自第i个神经元的输入;

$Y$

代表输出.输入层与输出层的节点数由实际需求设定,层与层之间通过权值向量连接,隐藏层神经元包括一个加法器和激活函数,对上一层传递过来的信息进行加权求和,通过线性或非线性激活函数处理,从而得到神经元的输出值^[19]. ...

基于人工神经网络和AMSR2多频微波亮温的北疆地区雪深反演

2018

... 典型的神经网络结构如图4所示.图中:

$X_{1}, X_{2}, \dots, X_{n}$

代表每一层神经元的输入;

$W_{1}, W_{2}, \dots, W_{n}$

代表每一个神经元的权重;

$b$

代表每层神经元的偏置;

$f$

代表激活函数;

$X_{i}$

代表来自第i个神经元的输入;

$Y$

基于深度学习的机器人场景识别研究

2017

... 由圆表示的神经元排列在输出层和隐藏层中,简单起见,我们仅考虑有一个隐藏层的网络,当然,使用两层甚至三层的情况也很普遍.在同层的神经元之间是没有连接的,相邻两层之间是全连接的.每一个神经元与神经元之间的连接都与一个权重相关联,人工神经网络实际上是一个有大量简单元件相互连接而成的复杂网络,具有高度的非线性,能够进行复杂逻辑操作和非线性关系实现^[20]. ...

基于深度学习的机器人场景识别研究

2017

〈

〉