基于神经网络的低速船舶操纵模型辨识
系统与控制
2024-11-05 v2 系统与控制
动力系统
摘要
已有若干关于船舶操纵模型的研究利用约束模型试验或计算流体动力学(CFD)及物理模型(如操纵建模小组(MMG)模型)展开。本研究提出一种利用循环神经网络(RNNs)与自由航行模型试验生成低速操纵模型的新系统辨识方法。我们特别关注如靠泊最终阶段之类的低速操纵,以实现自动靠泊控制。建立基于模型的控制系统极度需要具有最小建模误差的精确动态建模。我们提出一种新损失函数以降低训练数据中所含噪声的影响。此外,我们揭示了以下事实——忽略某一时刻前记忆的 RNN 相比“标准” RNN 提升了预测精度,且随机操纵试验对于获取精确的靠泊操纵模型行之有效。另外,针对 M.V. Esso Osaka 的缩比模型进行了若干低速自由航行模型试验。结果表明,本文所提基于神经网络模型的方法能精确表征低速操纵运动。
引用
@article{arxiv.2111.06120,
title = {On Neural Network Identification for Low-Speed Ship Maneuvering Model},
author = {Kouki Wakita and Atsuo Maki and Umeda Naoya and Yoshiki Miyauchi and Tohga Shimoji and Dimas M. Rachman and Youhei Akimoto},
journal= {arXiv preprint arXiv:2111.06120},
year = {2024}
}
备注
13 pages, 7 figures, published by Journal of Marine Science and Technology