论文部分内容阅读
船舶在海上航行时受到海风、海浪以及洋流等不确定性海况的影响,不可避免会产生存在相互耦合作用的六自由度摇荡运动,对船舶在海上的航行和作业产生很大的安全隐患,其中横摇和纵摇运动的影响尤为严重。因此,如果能预测船舶在未来短时间内(几秒或者十几秒)的运动姿态,将极大地提高船舶海上作业的安全性和稳定性。本文在对船舶运动进行建模和分析的基础上,以横摇和纵摇运动为研究对象,深入研究目前所广泛应用的船舶运动姿态经典预测算法,并在此基础上,提出建立一种EEMD-IPSO-SORR组合预测模型实现对船舶运动姿态的短时高精度预测。论文首先对船舶运动进行建模分析,其中详细介绍船舶的六自由度摇荡运动,对船舶横向运动和纵向运动进行深入研究,得到船舶横向运动状态方程和纵向运动状态方程;详细分析了随机海浪的扰动特性,并对海浪谱进行分解,建立海浪波倾角模型,从而对随机海浪扰动信号进行仿真分析;在此基础上,实现对船舶横向运动和纵向运动的仿真分析。其次,对船舶运动姿态经典预测算法进行研究,其中重点介绍了自回归(AR)和卡尔曼滤波(Kalman)两种预测算法的基本原理。详细介绍自回归理论以及模型的参数估计方法和定阶准则,并选用递推最小二乘参数估计方法建立递推预测模型实现对船舶运动姿态的预测仿真;详细介绍卡尔曼滤波理论,针对系统存在的有色噪声,对其进行白化处理,然后代入到卡尔曼滤波算法中使得状态方程的维数得到扩大,即扩展卡尔曼滤波算法,并基于扩展卡尔曼滤波算法对船舶运动姿态进行预测仿真。由于船舶运动姿态存在非线性和非平稳性特征,论文建立了基于集合经验模态分解和支持向量机回归的组合预测模型——EEMD-SVR进行预测分析。其中利用经验模态分解算法对原始时间序列数据进行平稳化处理,并针对标准经验模态分解存在的不足,提出一种集合经验模态分解(EEMD)的改进方法;对分解后的分量分别使用支持向量机回归(SVR)预测算法进行分类预测,最后将预测结果加权求和得到最终船舶运动姿态预测值。最后,基于前文构建的EEMD-SVR组合预测模型,采用改进的粒子群算法(IPSO)对参数进行寻优处理,同时提出一种改进的支持向量机回归算法,即连续过松弛支持向量机回归算法(SORR),与EEMD分解方法组合得到一种新的船舶运动姿态预测方法,即EEMD-IPSO-SORR组合预测模型。论文通过采用实测的某型船舶在三级和五级海况下的横摇和纵摇运动姿态数据进行仿真实验,其中针对不同的训练长度和预测长度,分别使用AR预测模型、SVR预测模型、EEMD-SVR组合预测模型以及EEMD-IPSO-SORR组合预测模型进行预测仿真实验,同时,对比分析这四种预测方法在相同训练长度下的预测结果和仿真时间,其结果表明EEMD-IPSO-SORR组合预测模型针对短时船舶运动姿态预测具有学习速度快,预测精度高的特点。