[发明专利]一种基于CNN-LATM组合模型的波浪补偿预测方法

说明书

一种基于CNN‑LATM组合模型的波浪补偿预测方法，首先通过加速度传感器采集数据，再将加速度数据处理成位移数据，对组合的神经网络进行训练，最后利用训练好的模型预测出波浪补偿的位移量。本发明方法利用了卷积神经网络的局部感知能力，且计算量小，结合了长短期记忆网络可以实时更新最优权值和阈值的特点，使得组合预测模型具有预测精度高，稳定性好，鲁棒性强等优势。

技术领域

本发明涉及一种在众多海况中船舶波浪补偿技术领域，尤其涉及一种基于CNN-LATM组合模型的波浪补偿预测方法。

背景技术

海上作业是以船舶为基地，而船舶不同于陆地，由于受到风，浪，流的作用，海上作业浮式生产系统不可避免地要随风浪作不规则的摇荡和升沉运动，加以舱面建筑物对甲板附近的气流产生强烈的干扰，形成涡流等强烈的紊流流动，即结构复杂的空气尾流场，这给海上作业带来了许多的不便和风险。为此，现有技术多采用波浪补偿的方法来解决上述问题。

为了充分对主被动型波浪补偿控制方法进行优化，开发出具有波浪预测，位移补偿，速度补偿，张力补偿的控制算法。

卷积神经网络(CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，采用局部感知区域，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征。一维CNN可以很好的应用于传感器数据的时间序列分析。

长短期记忆网络(LSTM)是循环神经网络的一种，它有输入门、遗忘门和输出门。当一个信息进入LSTM的网络当中，可以根据规则来判断该信息是否有用。只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。由此使得LSTM具有记忆长期及短期信息的能力，从而能够用来解决具有长期依赖的时序性问题。能有效的实现输入输出间的非线性映射，且具有自组织和模式识别的能力，相比其他神经网络具有更强的逼近、容错能力。

一维CNN与LSTM相结合可以更加快速的找到最优的权值和阈值，对于不同海况都能迅速做出反应，且组合后的神经网络预报精度高，鲁棒性强，稳定性好。

如专利CN 108216489 A中预测用到的递归最小二乘算法，其递归计算中所需要的时间长则会导致预测的迟滞性，并且其预测使用的是线性模型，对于预测数据的局限性大。如鲜玲等学者采用时间序列分析法、Elman神经网络以及SVR预测算法对起重机升沉运动进行预测，但Elman网络的收敛速度慢，目标函数存在局部极小点，对非线性的升沉运动不是很理想，不能应用于各种海况。Ferial E-Hawary利用卡尔曼滤波对船舶起重机升沉运动进行预测，但是该预测方法需要知道准确的船舶运动状态方程，由于海洋运动是非线性的、环境是时刻发生变化，是很难得到准确的状态方程，而且该预测算法的预报精度受到海浪频率和海况影响，因此卡尔曼预报在实际中直接应用是不恰当的。

发明内容

本发明所需要解决的是提供一种用于前瞻性的调节策略改善性能的波浪补偿控制方法，能够提高补偿精度，补偿稳定性并改善由于硬件的滞后性而导致的补偿效果不佳的问题。

为了解决滞后性问题，本发明提出用对船舶在海浪中的升沉运动预测算法的卷积神经网络和LSTM网络算法组合的方式来优化。

本发明克服其技术问题所采用的技术方案是：

一种基于卷积神经网络和长短期记忆网络的波浪补偿控制方法(如图1所示)，包括如下步骤：

步骤1：获取训练的数据

1.1利用加速度传感器感应到船舶升沉方向的加速度，通过采集卡采集之后，在通过A/D转换器对模拟信号数字化后得出采样数据，将采样数据通过标定变换转换成实际相应的加速度数据。其中标定变换的公式为