【技術實現步驟摘要】
本專利技術屬于船舶操縱運動預測，尤其涉及一種基于融合技術的船舶操縱運動實時預報方法及系統。
技術介紹
1、在現代海洋運輸和海洋作業中，隨著全球海洋資源的開發和海洋交通的增長，船舶在復雜多變的海況下頻繁航行，尤其是在惡劣海況和極端操作工況下（如大舵角轉向和避讓碰撞）進行精準的操縱已成為影響航行安全和效率的關鍵問題之一。船舶的操縱運動在這些情況下變得異常復雜，不僅涉及多種動力因素，還要考慮環境擾動如風、浪、流的影響。準確預測這些條件下的船舶操縱響應，是提高船舶操縱性能和航行安全的基礎。
2、1）傳統物理建模的局限性。
3、船舶操縱運動的傳統建模方法主要基于經典的流體力學理論，常見的模型包括mmg（maneuvering?modeling?group）模型和kt響應模型等。這些模型通過控制方程對船舶的運動狀態進行描述，并結合外部環境因素進行修正。然而，傳統的物理模型在面對惡劣海況、極端舵角條件時，往往表現出精度不足和適應性差的缺陷。傳統模型的計算復雜度較高，且實時性較差，難以適應現代船舶操縱運動預報的高頻率需求，特別是在需要實時決策的情況下，無法快速響應突發環境變化。
4、此外，傳統的物理模型通常需要大量的實驗數據和模型校準，這導致在多變的環境條件下，這些模型在泛化能力上存在顯著局限性。它們難以捕捉復雜、非線性和動態特征，尤其在極端條件下，模型往往不能準確反映船舶的真實操縱行為。這些局限性使得傳統模型難以滿足現代海洋運輸對高精度、實時性和適應性的需求。
5、2）數據驅動模型的興起與不足。
6、隨著人工智能和機器學習技術的迅速發展，數據驅動的預測模型逐漸在船舶操縱運動研究中得到應用。深度學習模型特別是循環神經網絡（rnn）和長短時記憶網絡（lstm）因其處理時間序列數據的能力，已經應用于船舶運動軌跡的預測。然而，盡管這些模型在復雜動態環境下的預測性能優于傳統物理模型，但它們過于依賴訓練數據，在數據不足或數據質量較差的情況下容易出現過擬合問題，泛化能力不足，尤其在面對極端海況時表現出不穩定性。
7、此外，數據驅動模型雖然在精度和適應性上有所突破，但它們缺乏物理約束，容易在操縱運動預報中給出不符合實際物理規律的預測結果。這種對物理一致性把控的不足，限制了數據驅動模型在實際船舶操縱運動預報中的廣泛應用。如何在高效處理數據的同時，確保模型的物理合理性，成為亟待解決的問題。
8、3）transformer模型的引入與優勢。
9、近年來，transformer模型在自然語言處理和時間序列數據處理領域表現出強大的建模能力，逐漸被應用于包括船舶運動預測在內的復雜系統建模中。與傳統的rnn和lstm模型不同，transformer模型通過自注意力機制（self-attention?mechanism）實現了對輸入數據的全局依賴建模，能夠并行處理序列數據，大大提升了對長序列數據的建模能力。
10、在船舶操縱運動預測中，transformer的注意力機制能夠對輸入的多維特征（如船舶速度、舵角、環境數據等）進行有效的特征提取，并根據不同特征對操縱運動的影響賦予不同權重，從而提高模型對關鍵特征的關注度。其并行計算的優勢使得transformer在處理實時數據時具有更高的效率，特別適合在復雜動態環境下對船舶運動進行快速預報。然而，單純依賴數據驅動的transformer模型仍然無法完全解決船舶操縱運動中的物理一致性問題，因此需要進一步融合物理信息來提升模型的預測性能。
11、4）物理信息融合的必要性。
12、為了彌補數據驅動模型在物理一致性方面的不足，將物理信息與數據驅動模型相結合成為當前研究的重點。通過在深度學習模型中引入物理方程作為約束條件，如船舶的kt響應模型，可以有效增強模型對實際物理環境的適應性，確保其預測結果符合船舶操縱運動的基本物理規律。這種方法被稱為物理信息神經網絡（pinns），它結合了物理模型的嚴謹性與深度學習的強大非線性擬合能力。
13、通過上述分析，現有技術存在的問題及缺陷為：現有技術針對現有船舶操縱運動模型在復雜環境下實時性和精度不足，為未來智能船舶的操縱控制與安全航行提供有力的技術支持效果差。
技術實現思路
1、為克服相關技術中存在的問題，本專利技術公開實施例提供了一種基于融合技術的船舶操縱運動實時預報方法及系統，尤其涉及基于transformer模型與物理信息融合的船舶操縱運動實時預報方法。特別關注船舶在復雜海況和大舵角轉向條件下的運動預測。具體地，本專利技術屬于將深度學習、時序建模與船舶操縱水動力學相結合的交叉
，旨在提高船舶操縱運動的預測精度和實時響應能力，以助力智能船舶的操控優化和航行安全。
2、所述技術方案如下：基于融合技術的船舶操縱運動實時預報方法，包括：
3、s1、對船舶運動數據和海洋環境數據進行標準化處理，使海洋環境數據與船舶運動數據在同一數值范圍內，輸入構建的基于transformer架構的船舶運動預測模型；
4、s2、基于transformer的船舶操縱運動非參數，構建基于transformer架構的船舶運動預測模型，該模型用于輸入船舶運動狀態、舵角、螺旋槳轉速參數的輸入層，基于自注意力機制的時序特征提取層，輸出船舶的加速度；
5、s3、使用滑動時間窗口技術，持續將最新采集的船舶運動與環境數據輸入到基于transformer架構的船舶運動預測模型中，利用實時數據進行在線梯度更新，適應新數據特征；
6、s4、在適應新數據特征的基于transformer架構的船舶運動預測模型的基礎上，融合物理信息，通過引入物理損失項，獲得改進后基于transformer架構的船舶運動預測模型，在數據驅動的同時，滿足船舶運動的物理一致性；
7、s5、采用歷史數據對改進后基于transformer架構的船舶運動預測模型進行訓練，并進行優化驗證，完成非線性船舶操縱運動預報。
8、在步驟s1中，對船舶運動數據和海洋環境數據進行標準化處理，使海洋環境數據與船舶運動數據在同一數值范圍內，包括：
9、對采集的包含速度、加速度、舵角的船舶運動參數，與包含風速、波高、浪周期的環境參數進行數據清洗，刪除異常值并對缺失數據進行插值處理；
10、對處理后的數據進行標準化處理，針對船舶運動參數，采用min-max歸一化方法，縮放至[0,1]區間內，消除各參數之間的量綱差異；
11、對于海洋環境參數，采用z-score標準化方法轉換為均值為0、方差為1的標準分布。
12、在步驟s2中，構建基于transformer架構的船舶運動預測模型，包括：輸入數據包括船舶的運動狀態變量、操縱參數以及環境參數；
13、所述運動狀態變量包括：速度、加速度、航向角；
14、所述操縱參數包括：舵角、螺旋槳轉速；
15、所述環境參數包括：風速、波高、浪周期；
本文檔來自技高網...【技術保護點】
1.一種基于融合技術的船舶操縱運動實時預報方法，其特征在于，該方法包括：
2.根據權利要求1所述的基于融合技術的船舶操縱運動實時預報方法，其特征在于，在步驟S1中，對船舶運動數據和海洋環境數據進行標準化處理，使海洋環境數據與船舶運動數據在同一數值范圍內，包括：
3.根據權利要求1所述的基于融合技術的船舶操縱運動實時預報方法，其特征在于，在步驟S2中，構建基于Transformer架構的船舶運動預測模型，包括：輸入數據包括船舶的運動狀態變量、操縱參數以及環境參數；
4.根據權利要求1所述的基于融合技術的船舶操縱運動實時預報方法，其特征在于，在步驟S2中，所述時序特征提取層采用多頭注意力機制，在多個特征子空間中學習時序特征，識別并提取對船舶加速度影響大的關鍵特征；
5.根據權利要求1所述的基于融合技術的船舶操縱運動實時預報方法，其特征在于，在步驟S3中，使用滑動時間窗口技術，持續將最新采集的船舶運動與環境數據輸入到基于Transformer架構的船舶運動預測模型中，包括：設定滑動窗口的大小為，表示每個時間段內使用最近個時間步的操縱運動狀
6.根據權利要求5所述的基于融合技術的船舶操縱運動實時預報方法，其特征在于，在步驟S3中，利用實時數據進行在線梯度更新，適應新數據特征，包括：
7.根據權利要求1所述的基于融合技術的船舶操縱運動實時預報方法，其特征在于，在步驟S4中，獲得改進后基于Transformer架構的船舶運動預測模型，包括：
8.根據權利要求7所述的基于融合技術的船舶操縱運動實時預報方法，其特征在于，在步驟S401中，KT響應方程的表達式為：
9.一種基于融合技術的船舶操縱運動實時預報系統，其特征在于，該系統實施權利要求1-8任意一項所述基于融合技術的船舶操縱運動實時預報方法，該系統包括：
10.根據權利要求9所述的基于融合技術的船舶操縱運動實時預報系統，其特征在于，所述基于融合技術的船舶操縱運動實時預報系統搭載在計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現上述所述基于融合技術的船舶操縱運動實時預報系統中的功能。
...【技術特征摘要】
1.一種基于融合技術的船舶操縱運動實時預報方法，其特征在于，該方法包括：
2.根據權利要求1所述的基于融合技術的船舶操縱運動實時預報方法，其特征在于，在步驟s1中，對船舶運動數據和海洋環境數據進行標準化處理，使海洋環境數據與船舶運動數據在同一數值范圍內，包括：
3.根據權利要求1所述的基于融合技術的船舶操縱運動實時預報方法，其特征在于，在步驟s2中，構建基于transformer架構的船舶運動預測模型，包括：輸入數據包括船舶的運動狀態變量、操縱參數以及環境參數；
4.根據權利要求1所述的基于融合技術的船舶操縱運動實時預報方法，其特征在于，在步驟s2中，所述時序特征提取層采用多頭注意力機制，在多個特征子空間中學習時序特征，識別并提取對船舶加速度影響大的關鍵特征；
5.根據權利要求1所述的基于融合技術的船舶操縱運動實時預報方法，其特征在于，在步驟s3中，使用滑動時間窗口技術，持續將最新采集的船舶運動與環境數據輸入到基于transformer架構的船舶運動預測模型中，包括：設定滑動窗口的大小為，表示每個時間段內使用最近個時間步的操縱運動狀態數據作為輸入，預...
【專利技術屬性】
技術研發人員：韓鳳磊，彭瀟，周澤宇，趙望源，林琪，汪春輝，陳洪亮，岳文博，吳禹良，余家齊，蘇亮，吳佳霖，韓嘉懿，霍文華，姜帆，
申請(專利權)人：青島哈爾濱工程大學創新發展中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。