基于线性高斯动态贝叶斯网络(DBN)的船舶操纵运动数据驱动建模与递归预测

《Ocean Engineering》:Data-driven modelling and prediction of ship manoeuvring motions via Dynamic Bayesian Networks

【字体: 大 中 小 】 时间:2026年10月21日 来源:Ocean Engineering 6.3

编辑推荐:

  通过动态贝叶斯网络(Dynamic Bayesian Networks, DBN)开展船舶操纵运动的数据驱动建模与预测。开发用于船舶操纵运动预测的数据驱动DBN模型;建模纵荡(surge)、横荡(sway)和艏摇(yaw)运动之间的因果与时序关系;降低水动力系

  
通过动态贝叶斯网络(Dynamic Bayesian Networks, DBN)开展船舶操纵运动的数据驱动建模与预测。开发用于船舶操纵运动预测的数据驱动DBN模型;建模纵荡(surge)、横荡(sway)和艏摇(yaw)运动之间的因果与时序关系;降低水动力系数辨识与调参需求;通过概率因果建模保持物理可解释性;利用KCS(KRISO Container Ship)操纵试验验证准确且计算高效的预测。
研究背景与问题:船舶操纵运动建模是海上自主与控制的重要基础。传统物理模型依赖通过约束模型试验、计算流体力学(Computational Fluid Dynamics, CFD)仿真或系统辨识(System Identification, SI)获得的水动力系数(hydrodynamic coefficients),可解释性强,但开发耗时耗资源,每艘新船均需试验或数值测试,限制可迁移性与可扩展性;且多在静水条件下调参,对波浪、流和风等外部激励通常需额外建模。数据驱动方法可直接从观测数据学习非线性关系,并自然纳入环境效应,但黑箱模型的可解释性和数据质量依赖问题仍突出。概率与核方法、支持向量回归、动态模式分解等提供了补充,但学习能揭示连续船舶运动、加速度与控制变量间时序关系的概率图结构仍受较少关注。海事领域DBN多用于风险与决策分析,且常为离散DBN,连续变量离散化和预定义转移概率表可能造成信息损失;连续DBN在船舶操纵运动建模与递归预测中的应用仍不充分。船舶操纵具有强时序依赖、非线性和连续状态演化特征,因此研究人员开展连续、数据驱动的DBN框架研究。

研究开展与结论意义:研究人员构建线性高斯DBN(linear-Gaussian DBN;连续变量以高斯条件分布和线性回归局部模型表示),以时间滞后结构建模运动状态、控制输入和加速度分量之间的依赖,递归预测下一时刻加速度并积分重构运动;同时引入物理引导纵荡增广以改善纵荡递归预测。以KCS为对象,采用Z形与回转试验验证,并与LSTM(Long Short-Term Memory,长短期记忆网络)和GPR(Gaussian Process Regression,高斯过程回归)比较。结果表明DBN具有竞争性递归预测性能、显著较低的学习时间和可解释依赖结构,单步预测时间低于实验采样间隔,并能识别纵荡弱表示问题并通过物理引导增广处理,为可解释数据驱动船舶操纵建模与预测提供了新途径。

关键技术方法(≤250字):样本队列来源于MARIN在深静水中开展的KCS自由自航试验,数据经SIMMAN 2020发布;模型长6.07 m,对应实船230 m(缩尺1/37.89),模型速度2.005 m/s,采样间隔Δt=0.08123 s。训练集为10°/10°左舷Z形试验,20°/20°右舷Z形试验按时间分为训练(72.7%)和验证(27.3%);20°/20°左舷Z形与35°右舷回转试验仅用于测试。方法采用线性高斯DBN,构建三阶时间滞后结构,以基于BIC-g(Bayesian Information Criterion for Gaussian networks,高斯网络贝叶斯信息准则)评分的爬山搜索学习结构,并以500次75%无放回子采样进行bagging与模型平均;参数用最大似然估计;递归预测采用一阶时间积分。纵荡通道引入物理引导代理模型并与DBN以凸组合融合(η=0.5)。对比模型为LSTM与GPR。

3.1 KCS自由自航试验数据集:研究人员明确划分训练、验证与测试数据,保证测试操纵不参与模型选择和超参数确定,从而对未见操纵进行独立评估。3.2 DBN模型精度分析与结构辨识:通过验证段递归预测艏向轨迹评价候选滞后阶数与惩罚系数,发现一阶滞后递归发散,二阶验证调整决定系数(adj. R2)为0.977,三阶为0.997,继续增加滞后阶数无明显提升但学习时间和弧数增加,故选用三阶滞后与ω=0.075,最终DBN保留150条弧。3.3 模型解释与物理引导增广:通过互信息(Mutual Information, MI)分析得出最强依赖为v?t?2→r?t(MI=0.9877),体现横荡—艏摇强耦合;纵荡加速度相关MI均低于0.1,且无舵角到u?t的直接弧,说明DBN单独对纵荡表示较弱。验证段上DBN单独纵荡adj. R2为0.319,物理引导代理单独为0.936,凸组合η=0.5时达0.958,艏向adj. R2为0.989。4 结果与讨论:在20°/20°左舷Z形试验中,DBN的艏向NRMSE(Normalised Root Mean Squared Error,归一化均方根误差)为0.0685,优于LSTM的0.0713和GPR的0.0777;纵荡、横荡、艏摇率NRMSE分别为0.0636、0.0940、0.0914,LSTM分别为0.0536、0.0948、0.0929,GPR分别为0.0571、0.0771、0.0865;三者分量误差和分别为DBN 0.2490、LSTM 0.2413、GPR 0.2207。DBN学习时间0.78 s,显著低于LSTM的38.77 s和GPR的10.82 s;单步平均预测时间5.315 ms,低于81.228 ms采样间隔。35°回转试验中,DBN纵荡与艏摇率NRMSE为0.0385和0.0809,优于LSTM的0.0865和0.1533;横荡NRMSE为0.1207,劣于LSTM的0.0651;分量误差和为0.2401,低于LSTM的0.3049。回转几何上,DBN的进距、横距、战术直径相对误差分别为10.72%、14.09%、3.68%,LSTM分别为38.68%、32.52%、24.19%;最终位置误差DBN为0.92 m,LSTM为4.09 m。GPR在回转试验中未提供稳定且足够准确的递归预测,故未纳入定量比较。总体上,DBN对整体回转几何重构更准确,但横荡速度分量弱于LSTM。

讨论与结论(翻译研究结论部分):讨论指出,当前结果应限定于所研究的工况范围;模型基于深静水、单一速度下的KCS模型尺度自由自航试验开发与评估,虽Z形和回转试验显示一定预测能力,但仍需在环境扰动、测量噪声、不同速度和装载条件、随机舵激励等更丰富控制输入下验证,并需采用更多船型和实船数据评估稳健性与迁移性。研究结论为:本研究提出基于DBN的船舶操纵运动系统辨识框架,对运动状态、控制和加速度变量间的时间滞后依赖建模,并递归预测加速度以重构船舶运动;框架采用数据驱动线性高斯DBN、时间滞后依赖学习和物理引导纵荡增广,其图结构提供可解释表示,MI分析可定量考察依赖强度。采用KCS自由自航试验评估并与LSTM和GPR比较,三模型在未见Z形试验上总体可比,相对精度随运动变量变化;DBN在艏向响应上取得最低预测误差,并以较低归一化误差再现纵荡、横荡和艏摇率响应,但部分分量上基准模型误差更低。计算上,DBN学习时间显著低于两基准模型,单步平均递归预测时间低于实验采样间隔。回转试验进一步表明,DBN在纵荡速度和艏摇率上误差更低,LSTM在横荡速度上误差更低;DBN更准确重构进距、横距、战术直径和最终位置。DBN的另一优势是可解释依赖结构,MI分析揭示清晰层级:艏摇加速度具有强交叉耦合,尤其与横荡相关变量;纵荡加速度统计依赖较弱,这促使采用物理引导纵荡增广。当前实现限于深静水单一速度、有限操纵工况的模型尺度KCS;未来将扩展至环境扰动、测量噪声、不同速度和装载、更丰富控制输入(含随机舵激励),并用更多船型和实船数据验证。总之,该框架结合递归操纵预测与运动及控制变量时间滞后依赖的可解释表示,展示竞争性预测性能、显著较低学习时间以及识别弱表示动态并通过物理引导增广处理的能力,表明其作为可解释数据驱动船舶操纵建模与预测方法的潜力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号