基于神经网络的海浪中六自由度船舶运动的数据驱动系统辨识

对船舶在海洋中响应的批判性评估与理解，不仅对于未来平台的设计与工程至关重要，而且对于当前已部署平台的运行与安全同样重要。在船舶设计或部署前，通常在标称海况下进行模拟或实验，其结果可能无法反映船舶与海洋环境在部署期间的瞬时状态。在给定当前海浪环境和船舶状态的情况下，对船舶响应进行短期时间预测，将有助于提升有人和无人船上的决策能力。然而，当前最先进的数值流体动力学模拟工具计算成本过高，无法用于实时船舶运动预测，而计算高效的工具保真度又太低，无法提供准确的响应。本文开发了一种基于长短期记忆（LSTM）神经网络的方法，用于表示在7级海况尾向不规则海浪中以20节航速航行的自由航行 David Taylor Model Basin (DTMB) 5415 驱逐舰的运动。针对航向保持和回旋圈场景进行了案例研究。利用训练数据集中观测到的轨迹对船舶的遭遇坐标系进行了估计。人工波高仪随估计的遭遇坐标系移动并记录波高时间历程，作为神经网络的输入，而输出为六自由度船舶运动时间响应。总体而言，该神经网络能够准确预测船舶在未见海浪下的时间响应，这使得该方法适用于系统辨识和实时船舶运动预测。本文详细介绍了该方法论、模型精度对波高仪和训练数据量的依赖性以及估计的遭遇坐标系。