[发明专利]一种基于数理方程-数据驱动融合的智能船舶操纵运动预报方法

权利要求书

1.一种基于数理方程-数据驱动融合的智能船舶操纵运动预报方法，其特征在于，包括以下步骤：

首先，在MMG模型的基础上，基于泰勒级数展开思想，建立具有可变高阶水动力导数的四自由度船舶操纵运动预报模型；

然后，基于可变高阶水动力导数的四自由度船舶操纵运动预报模型，采用扩展卡尔曼滤波算法，对不同阶次的水动力导数进行参数辨识，并利用确定系数R²获取最优阶次的预报模型；基于最优阶次的预报模型，初步得到船舶运动状态的预报结果；

在最优阶次预报模型的基础上，结合真实的船舶运动数据，构建船舶运动预报残差；采用最小二乘支持向量机算法进行黑箱建模，对运动预报残差进行逼近；

最后，搭建BP神经网络，利用最小二乘支持向量机黑箱模型的预报结果与最优模型的预报结果作为输入，真实的船舶航行数据作为输出对神经网络进行学习训练，实现对船舶运动状态的精准估计。

2.根据权利要求1所述的一种基于数理方程-数据驱动融合的智能船舶操纵运动预报方法，其特征在于，所述在MMG模型的基础上，基于泰勒级数展开思想，建立具有可变高阶水动力导数的船舶操纵运动数理模型的过程如下：

根据船舶操纵运动MMG模型，假设船舶的坐标原点在重心位置处，船体为刚体，忽略船舶的垂荡运动和纵摇运动，只考虑纵荡、横荡、横摇和艏摇四个自由度，建立如下船舶运动方程：

式中：u，v分别为船舶在x方向和y方向上的速度分量；p为横摇角速度；r为艏摇角速度；φ为横摇角；m为船舶的质量；m_x，m_y分别为船舶在x轴和y轴方向上的附加质量；I_x，J_x，I_z，J_z分别为船舶绕x轴和z轴的转动惯量和附加转动惯量；l_x为附加质量m_x中心的x坐标值；W为船舶的排水量；GM为船舶的初稳高度；X、Y、L、N分别为船舶的纵向、横向、横摇、艏摇的粘性流体动力和力矩，下标H、P、R分别代表船体、螺旋桨和舵。

3.根据权利要求1所述的一种基于数理方程-数据驱动融合的智能船舶操纵运动预报方法，其特征在于，所述螺旋桨和舵的水动力和力矩计算公式如下：

式中：t_p、n和D_p分别为推力减额系数、螺旋桨转数和螺旋桨直径；J_p为进速系数；F_N为舵的法向力；δ为舵角；t_R为舵力的减额系数；a_H为操舵诱导船体横向力的修正因子；z_R为舵力作用中心的垂向高度；x_H为舵干扰力作用点的纵向坐标；x_R为舵法向力作用点的纵向位置；

基于泰勒级数展开的思想，作用在船体上的力和力矩写成u、v、p、r、φ的函数即：

式中：X(u)是船舶直航阻力，即X(u)＝X_uuu²；K为水动力展开的阶数，在这里随模型而发生变化且K＝2,3,4；

基于船舶外形左右对称，X关于v、r、φ的变化是对称的，X为v、r、φ的偶函数，Y、L、N关于v、r、φ的变化是反对称的，Y、L、N为v、r、φ的奇函数，因此，X关于v、r、φ的一阶导数和三阶导数每一项都为零，Y、L、N关于v、r、φ的二阶导数和四阶导数每一项都为零，即：

式中：Z_H(v₀,r₀,φ₀)＝Y_H(v₀,r₀,φ₀)，L_H(v₀,r₀,φ₀)，N_H(v₀,r₀,φ₀)分别为横向、横摇、艏摇在初始状态(v₀,r₀,φ₀)下的流体动力和力矩。其中v₀、r₀、φ₀分别为船舶运动的初始横荡速度、初始艏摇角速度、初始横摇角。