收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于船舶操纵性试验分析的辨识建模研究

张心光  
【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(InternationalMaritime 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(LeastSquare-SVM,LS-SVM)、ε-支持向量机(ε-SVM)、ν-支持向量机(ν-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 TankConference, 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。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 王志东,朱仁庆;风条件下船舶的操纵性特点[J];华东船舶工业学院学报;1998年03期
2 ;第三届全国船舶操纵性学术讨论会[J];武汉理工大学学报(交通科学与工程版);1983年02期
3 万廷镫;海洋船舶操纵性标准[J];船舶工程;1986年02期
4 杨盐生;船舶阻力系数和推力系数计算的数据库方法[J];大连海事大学学报;1995年04期
5 张秀凤,姜华,洪碧光;浅析船舶通航安全的影响因素(英文)[J];大连海事大学学报;2003年S1期
6 ;辛元欧同志生平[J];上海造船;2007年01期
7 汪淳,葛彤,朱继懋;一种新型潜水装置的水动力特性分析[J];上海交通大学学报;2001年10期
8 朱军,庞永杰,徐玉如;规则波浪中舰船操纵运动计算[J];哈尔滨工程大学学报;2004年01期
9 甘品章;胡国汉;;船舶操纵性学组举行第二次学术讨论会[J];船舶工程;1981年06期
10 沈长根;;船舶操纵性学组举办《实验数据处理与系统识别》讲座[J];船舶工程;1982年01期
11 张乐文;胡军桥;陈雷;;船舶操纵性危险区计算[J];船海工程;1983年03期
12 ;消息报导[J];船舶工程;1985年04期
13 范尚雍;;船舶操纵性预报方法[J];船海工程;1985年05期
14 张谢东,刘祖源,吴秀恒;粘性对作回转运动三维物体水动力的影响[J];武汉交通科技大学学报;1996年06期
15 王德普;船舶操纵性模型辨识[J];沈阳工业学院学报;1998年04期
16 范佘明,祝伟敏,李志春;基于人工神经网络的船舶操纵性能预报方法[J];中国造船;1999年04期
17 章伟彬;程磊;;超大型船舶的制动性探讨[J];交通信息与安全;2010年03期
18 江福才;洪水期影响船舶安全航行的因素及防范措施[J];交通科技;1999年04期
19 孔祥军,邹早建,牟军敏;一种操纵性水动力导数的实用估算方法[J];武汉理工大学学报(交通科学与工程版);2004年01期
20 刘祖源,张谢东,吴秀恒;船舶操纵性能预报的人工神经网络方法[J];武汉交通科技大学学报;1997年01期
中国重要会议论文全文数据库 前10条
1 佟宝德;石爱国;杨宝璋;;风浪中船舶操纵性问题[A];1995-2009航海技术论文选集(第1集)[C];2010年
2 马志坚;;风浪中船舶操纵性问题的探讨[A];风浪情况下的船舶安全与对策论文集[C];2001年
3 芮震峰;冯宇;陆冬青;石爱国;;论返回原航迹机动[A];1995-2009航海技术论文选集(第1集)[C];2010年
4 周立鑫;石爱国;杨宝璋;蔡烽;;登陆舰操纵性研究[A];高速船及特殊用途特殊结构船舶航行安全论文集[C];2000年
5 邹早建;;船舶操纵性研究进展[A];第六届船舶力学学术委员会全体会议专集[C];2006年
6 邹早建;;船舶操纵性数值船池开发与应用[A];2005年中国船舶工业发展论坛论文集[C];2005年
7 李大路;邓长虹;陈涵;潘章达;;基于循环神经网络的辨识建模研究[A];2006中国控制与决策学术年会论文集[C];2006年
8 陈晓波;赵忠雷;秦树凯;;基于GA和BP网络的加热炉建模方法研究[A];2007中国控制与决策学术年会论文集[C];2007年
9 曲东才;;基于ANN逆模型的非线性系统辨识和控制仿真[A];2006中国控制与决策学术年会论文集[C];2006年
10 李界家;张双喜;郭宏伟;;基于改进型Elman网络的阳极效应故障趋势预测研究[A];冶金企业自动化、信息化与创新——全国冶金自动化信息网建网30周年论文集[C];2007年
中国博士学位论文全文数据库 前10条
1 张心光;基于船舶操纵性试验分析的辨识建模研究[D];上海交通大学;2012年
2 赵志刚;小型无人直升机姿态通道智能辨识建模研究[D];上海交通大学;2009年
3 盛进路;人船系统平稳状态的失效机理及控制模式研究[D];西南交通大学;2009年
4 王化明;限制水域操纵运动船舶粘性流场及水动力数值研究[D];上海交通大学;2009年
5 罗伟林;基于支持向量机方法的船舶操纵运动建模研究[D];上海交通大学;2009年
6 牟军敏;长江通航安全的若干问题研究[D];武汉理工大学;2005年
7 陈进;低温固体界面传热过程计算机仿真研究[D];华中科技大学;2004年
8 吴平;基于子空间的系统辨识及其应用[D];浙江大学;2009年
9 邱云明;受损船操纵性数值计算与试验研究及其综合评价[D];武汉理工大学;2011年
10 王冠林;基于模态分割方法的小型无人直升机动力学频域辨识建模[D];清华大学;2012年
中国硕士学位论文全文数据库 前10条
1 陈敏;内河通航船舶操纵性指数的理论计算及模拟计算研究[D];重庆交通大学;2011年
2 陈纪军;风帆助推船舶操纵性预报研究[D];中国舰船研究院;2011年
3 孙寒冰;单泵喷水推进式船舶的操纵性能研究[D];哈尔滨工程大学;2010年
4 郑晓锋;工业生产工艺过程计算机仿真与优化的研究[D];南京理工大学;2003年
5 唐晓光;船舶操纵预报的神经网络方法[D];武汉理工大学;2002年
6 李宝华;大功率集成电路芯片界面传热过程建模与仿真研究[D];武汉理工大学;2006年
7 惠子刚;半潜船操纵运动仿真研究[D];大连海事大学;2009年
8 赵鹏举;船舶拖航仿真研究[D];哈尔滨工程大学;2008年
9 刘杨;船舶操纵运动仿真中的水动力系数敏感性分析[D];哈尔滨工程大学;2008年
10 闫长健;艏艉侧推器操纵效能仿真研究[D];大连海事大学;2008年
中国重要报纸全文数据库 前1条
1 记者 张银炎;中船重工再展整体实力[N];中国船舶报;2000年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978