基于船舶操纵性试验分析的辨识建模研究

摘要

船舶操纵性是船舶重要的水动力性能之一，与航行安全紧密相关。随着造船和航运业的蓬勃发展，船舶呈现出大型化、多样化等特点，操纵复杂度和难度越来越大，发生海上事故的概率也在增大。为此，早在1985年，国际海事组织(International Maritime Organization，IMO)就提出了估算船舶操纵性能的初步指南，规定了船舶操纵性的基本要求。之后，IMO在1993年和2002年分别颁布了船舶操纵性暂行标准和船舶操纵性标准，对船舶操纵性提出了明确的定量要求。
　　 根据IMO的要求，为了提高船舶航行安全性，避免设计、建造不满足操纵性基本要求的船舶，应该在船舶初始设计阶段就对船舶操纵性进行预报。船舶操纵性预报的方法主要包括数据库或经验公式方法、自航模试验方法、船舶操纵运动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)的直接数值模拟方法。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之一。应用该方法，精确确定数学模型中的水动力导数和操纵性指数是提高预报精度的关键。
　　 目前，有四种方法可用于在船舶设计阶段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模型试验的系统辨识方法。其中，数据库或经验公式方法受船型影响较大，应用受到限制。约束模试验方法不仅需要特殊的试验设施，费时、费力，而且存在“尺度效应”的问题。理论与数值计算方法可以计算作用在船体上的流体水动力和力矩，但要计算所有的水动力导数，特别是非线性水动力导数，目前还有很大的困难，不能满足所需要的工程精度。结合模型试验的系统辨识方法是一种船舶操纵运动建模的有效方法，有很长的发展和应用历史，随着现代试验测量技术和系统辨识方法的不断发展，该方法得到了越来越广泛的应用。
　　 船舶操纵运动数学模型主要有两大类，即水动力模型和响应模型。水动力模型包括Abkowitz模型和MMG模型。Abkowitz模型又称为整体型模型，它是把作用在船-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。MMG模型又称为分离型模型，它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、螺旋桨和舵之间的相互干扰影响。响应模型可以由线性的水动力模型导出，它反映的是船舶对操舵的转首运动响应，主要被应用于自动舵的设计，但也可以应用于简单的操纵运动预报。
　　 本论文应用一种新型的系统辨识方法——支持向量机(Support Vector Machines，SVM)对船舶操纵性试验进行分析，包括自航模试验分析和约束模试验分析，由此对船舶操纵运动数学模型进行辨识建模。SVM主要包括最小二乘支持向量机(Least Square-SVM，LS-SVM)、ε-支持向量机(ε-SVM)、v-支持向量机(v-SVM)等。本论文主要以Abkowitz模型为对象，针对船舶操纵性试验分析过程中出现的非线性问题，应用ε-SVM和神经网络对模型中的非线性函数关系进行辨识研究;在船舶操纵性试验数据预处理方面，应用素有“数学显微镜”之称的小波分析方法进行船舶操纵性试验数据消噪。
　　 在自航模试验分析方面，对ε-SVM方法及其应用进行了仿真验证，应用ε-SVM对仿真的自航模试验数据进行了分析。仿真试验类型为仿真Z形试验，所采用的数学模型为Abkowitz模型和响应模型。通过对仿真试验进行分析，首次应用基于线性核的ε-SVM辨识了数学模型中的模型参数，并利用所建立的数学模型进行了船舶Z形操纵运动预报;通过将模型参数辨识结果及操纵运动预报结果分别和用于仿真试验的模型参数值及仿真试验结果进行比较，验证了ε-SVM方法应用于船舶操纵自航模试验分析的可行性。在响应模型的辨识建模中，采用的模型为线性响应模型;为了研究ε-SVM的不敏感因子ε对船舶操纵性试验分析的影响，应用具有不同不敏感因子ε的ε-SVM对线性响应模型进行了回归并对船舶Z形操纵运动进行了预报，结果表明，通过调节不敏感因子ε值，ε-SVM具有同时达到学习效率和预报精度最佳的能力。在Abkowitz模型的辨识建模中，为减缓辨识建模过程中出现的参数漂移，采取了向训练样本对中添加随机数序列的方法，结果表明，该方法有效地抑制了参数漂移。
　　 在数学模型非线性函数关系辨识方面，为了克服经典BP神经网络的固有缺陷，如收敛速度慢，容易陷入局部极小值等，本论文开发了一种新型的神经网络——基于切比雪夫(Chebyshev)正交基的神经网络，简称“切比雪夫(Chebyshev)神经网络”，并将其首次应用于船舶操纵数学模型非线性函数关系的辨识，该网络模型以一组Chebyshev正交多项式作为隐含层神经元的激励函数，并根据标准BP算法导出了权值修正的迭代公式。文中以舵角和操纵运动变量为输入，以水动力为输出，分别应用ε-SVM、经典BP神经网络和Chebyshev神经网络对Abkowitz模型中的非线性函数关系进行了辨识，利用辨识得到的非线性函数关系进行了水动力预报，预报结果的比较表明，ε-SVM学习性能最优，Chebyshev神经网络次之，经典BP神经网络最差。
　　 在约束模试验分析方面，以国际拖曳水池会议(Internatioanl Towing Tank Conference，ITTC)操纵性技术委员会推荐的用于比较研究的超大型油轮KVLCC1船型为对象，利用韩国海事及海洋工程研究所(MOERI)船模水池的斜拖试验结果和意大利罗马水池（INSEAN）的纯横荡试验结果，对ε-SVM方法及其应用进行了试验验证。通过对约束模试验数据进行分析，首次应用ε-SVM回归了Abkowitz模型中的水动力表达式，并应用所得到的水动力表达式对不同工况下的水动力进行了预报，预报结果和约束模试验结果的比较验证了ε-SVM方法应用于船舶操纵约束模试验分析的可行性。在纯横荡试验分析过程中，为了消除水动力表达式变量之间的高度线性相关性，将水动力表达式进行了等价变换，有效地避免了参数漂移。
　　 在船舶操纵性试验数据预处理方面，本文首次在国际上应用小波分析方法进行了船舶操纵性试验数据消噪研究。为验证该方法的有效性，以响应模型为对象，通过向仿真的Z形试验数据中添加随机数序列，获得了含有野值的试验数据，进而应用小波分析方法对含有野值的试验数据进行消噪;基于含有野值的试验数据和经过消噪处理的试验数据，应用ε-SVM辨识了响应模型中的模型参数，并利用辨识得到的模型进行了船舶Z形操纵运动预报;通过将模型参数辨识值及运动预报结果分别和用于仿真试验的模型参数值及运动仿真数据进行比较，验证了小波分析方法应用于船舶操纵性试验数据预处理的有效性。
　　 本文工作的创新点如下:
　　 1.在国际上首次应用ε-SVM进行了基于船舶操纵性试验分析（包括自航模试验分析和约束模试验分析）的辨识建模研究。
　　 2.开发了一种新型的神经网络——基于切比雪夫(Chebyshev)正交基的神经网络，简称“切比雪夫(Chebyshev)神经网络”，并在国际上首次将其应用于Abkowitz模型中的非线性函数关系辨识。
　　 3.在国际上首次应用小波分析方法对船舶操纵性试验数据进行预处理，并对该方法的有效性进行了验证。
　　 4.在自航模仿真Z形试验分析过程中，采用向训练样本对中添加随机数序列的方法来减弱Abkowitz模型变量之间的线性相关性，有效地减缓了Abkowitz模型辨识建模过程中出现的参数漂移;在约束模纯横荡试验分析过程中，通过对Abkowitz模型的水动力表达式进行等价变换，有效地消除了水动力表达式中变量之间的高度线性相关性，避免了参数漂移。
　　 本文对基于操纵性试验分析的ε-SVM方法及其在船舶操纵运动数学模型辨识建模中的应用进行了仿真验证与试验验证;同时，为提高船舶操纵运动辨识建模的精确性，应用小波分析方法对船舶操纵性试验数据进行了预处理。论文为基于船舶操纵性试验分析的辨识建模研究提供了一种新方法，也为设计船舶操纵性试验提供了一种途径。

目录

声明

摘要

第一章 绪论

1．1 研究背景以及研究目的和意义

1．2 相关研究进展

1．2．1 船舶操纵性预报研究进展

1．2．2 基于系统辨识的船舶操纵运动建模研究进展

1．3 本论文的主要工作和创新

第二章 船舶操纵运动数学模型

2．1 船舶操纵运动坐标系

2．2 整体型数学模型

2．3 分离型数学模型

2．4 响应型数学模型

2．5 本章小结

第三章 船舶操纵性试验

3．1 船舶操纵自航模试验

3．2 船舶操纵约束模试验

3．3 本章小结

第四章 支持向量机

4．1 支持向量机简介

4．2 支持向量回归机

4．2．1 线性支持向量回归机

4．2．2 核函数

4．2．3 ε-支持向量回归机

4．3 不同损失函数下的支持向量回归机

4．4 基于支持向量回归机的系统辨识方法

4．5 本章小结

第五章 小波分析方法应用于船舶操纵性试验数据预处理

5．1 小波分析简介

5．1．1 多分辨分析

5．1．2 小波变换

5．1．3 小波分解与重构算法

5．2 小波分析在信号消噪方面的应用

5．2．1 小波消噪方法简介

5．2．2 基本消噪模型

5．3 小波函数

5．3．1 Haar小波

5．3．2 Daubechies小波

5．3．3 Coiflet小波族

5．4 小波分析应用于自航模Z形试验数据的消噪

5．4．1 基于db4小波的Z形试验数据消噪

5．4．2 基于Haar小波和coifl小波的Z形试验数据消噪

5．5 小波分析方法有效性验证

5．5．1 基于含噪Z形试验数据分析的辨识建模

5．5．2 基于经过消噪处理的Z形试验数据分析的辨识建模

5．6 本章小结

第六章 基于船舶操纵自航模试验分析的辨识建模-仿真验证

6．1 SVM应用于响应模型辨识建模

6．1．1 样本对构造

6．1．2 辨识建模结果

6．1．3 不敏感因子ε对辨识建模的影响

6．2 SVM应用于Abkowitz模型辨识建模

6．2．1 样本对构造

6．2．2 模型变量之间的多重共线性分析

6．2．3 辨识建模中参数漂移现象的抑制

6．2．4 模型建模结果

6．2．5 回归模型的泛化性验证

6．3 本章小结

第七章 基于船舶操纵约束模试验分析的辨识建模-试验验证

7．1 样本对构造

7．1．1 用于斜拖试验分析的样本对构造

7．1．2 用于纯横荡试验分析的样本对构造

7．2 线性相关性分析

7．3 辨识建模结果

7．3．1 基于斜拖试验分析的辨识建模结果

7．3．2 基于纯横荡试验分析的辨识建模结果

7．4 本章小结

第八章 Abkowitz模型中的非线性函数关系辨识

8．1 切比雪夫神经网络简介

8．1．1 切比雪夫神经网络模型

8．1．2 权值更新公式

8．1．3 切比雪夫神经网络训练算法

8．2 样本对构造

8．3 切比雪夫神经网络应用于非线性函数关系辨识

8．3．1 切比雪夫神经网络结构参数设置

8．3．2 泛化性验证

8．4 BP神经网络应用于非线性函数关系辨识

8．4．1 BP神经网络结构参数设置

8．4．2 泛化性验证

8．5 SVM应用于非线性函数关系辨识

8．5．1 核函数结构参数

8．5．2 泛化性验证

8．6 本章小结

第九章 研究总结与展望

9．1 全文总结

9．2 研究展望

参考文献

攻读博士学位期间参加的科研项目

攻读博士学位期间撰写的论文与开发的软件

致谢