融合参数校正与在线数据驱动的实船轨迹预测混合建模研究

　　本文提出了一种创新的混合建模框架，通过解耦系统误差（参数辨识）与环境扰动（在线序列极限学习机自编码器OSELM-AE），实现了实船轨迹的高精度预测。该研究利用Dolphin-1实验船数据，结合物理模型（CFD）与数据驱动方法（CNN-Bi-LSTM），在动态环境中将预测误差降低60%-80%，为智能船舶（数字孪生）领域的决策支持与航行安全提供了关键技术突破。

　　

亮点

• 本文提出了一种实船动态建模的新方法，通过将不确定性分解为系统噪声（由实际船舶的设计差异引起）和特定案例的环境噪声，强调了分别处理每种类型以提高准确性的重要性。

• 提出了一种新颖的混合建模方法，其中系统误差通过迭代优化水动力系数和识别初始状态来解决，以构建静水模型，而在线偏差校正用于识别和适应环境扰动。

• 进行了对比实验以验证混合方法的必要性，包括基于卷积神经网络双向长短期记忆网络（CNN-Bi-LSTM）的纯数据驱动模型和使用通过计算流体力学（CFD）模拟获得的水动力参数的基于物理的模型。

章节概要

相关工作

将科学知识与真实世界数据相结合以提升模型性能是一个新兴且重要的研究主题。在Wakita等人的研究中，揭示了神经网络（NN）模型的预测精度严重依赖于数据集，特别是在数据量和操纵多样性方面。当将NN模型与船舶操纵模型（MMG）进行比较时，观察到在数据不足的情况下，NN模型的预测精度较低。

混合建模

在真实船舶导航建模中，系统噪声?_sys和外部环境影响?_env都显著影响船舶轨迹。系统噪声?_sys主要源于模型参数的不确定性和模型复杂性的固有局限性，并且往往随时间保持相对稳定。相比之下，环境扰动?_env，如风、流和浪，是高度动态的，在不同场景下其大小和方向都会变化。

问题陈述

本文采用的实验数据收集自哈尔滨工程大学设计的Dolphin-1研究船，如图1所示，船舶规格详见表1。船舶的经纬度使用GPS记录，航向角由船载罗盘测量。时间戳已同步以确保一致性，数据统一降采样至1秒间隔，轨迹可视化为离散位置点。

讨论

实船实验面临诸多限制，如航行法规和高昂的实验成本，并且实验结果与理论预期存在明显差距。解释船舶转向操纵过程中不断变化的偏差原因具有挑战性，但在之前的实验中也观察到了类似的偏差。目前，假设偏差由几个因素引起。首先，环境力，包括风、流和浪，会显著影响船舶运动。其次，船舶模型本身的参数不确定性以及传感器噪声也可能贡献于观察到的偏差。

结论

本文提出了一种基于从实际船舶收集的轨迹数据构建实船运动预测模型的混合框架，即使在存在环境扰动的情况下也能工作。在这项工作中，利用实船数据建立了一个通用的离线静水船舶模型，将船舶固有动力学与环境效应分离开来。随后，采用在线学习来补偿残差，使模型能够适应动态变化的环境条件。对比实验表明，所提出的混合框架在预测精度方面显著优于纯数据驱动和纯基于物理的模型。