摘要
船舶在海上航行时，受到海上环境以及其他多种因素的影响，将在六个自由度的方向上持续产生摇荡，对船上人员的安全以及作业效率有很大的影响。实现船舶下一时刻的运动预报，然后通过六自由度稳定控制平台进行位姿解算，再对船舶的运动进行补偿和校正能够有效提高船舶运动的稳定性。因此，对船舶运动姿态的极短期预报的研究极为重要。 针对船舶在复杂海洋环境下航行时，其运动姿态存在的非平稳和非线性特征，本文提出一种基于变分模态分解法(VMD)的双向长短期记忆神经网络(BiLSTM)船舶运动姿态预报模型，同时针对变分模态分解法无法有效选取参数的问题以及双向长短期记忆神经网络超参数选取问题，提出灰狼算法(GWO)进行优化，有效提高了预测模型的自适应性。 首先对近些年来船舶运动姿态常用的预报模型进行总结和分析，针对船舶运动姿态存在的非线性特征，研究分析了循环神经网络在对非线性时间序列数据的预报上有独特的优势，提出利用循环神经网络对船舶运动姿态数据进行预报。研究分析了LSTM和BiLSTM神经网络的结构原理，通过仿真验证了BiLSTM对船舶运动姿态的预测结果优于LSTM，选用BiLSTM进行船舶运动姿态预报的研究。 其次针对船舶运动姿态存在的非平稳和非线性问题，采用分解算法降低其非平稳和非线性。论文研究分析EMD和VMD的原理和分解流程，对比分解效果，选取理论程度更高分解效果更好的VMD对数据进行预处理。针对VMD的分解参数选取问题，提出利用灰狼优化算法进行寻优，通过GWO的自动寻优，得到最适合的分解参数，同时针对BiLSTM神经网络的参数难以人为选取，利用GWO优化BiLSTM，继而建立GWO-BiLSTM预测模型。再对优化后的分解算法和优化后的BiLSTM融合，建立相应的预测模型。 最后通过使用水动力仿真软件AQWA在中高海况下模拟的船舶运动时历数据，选取运动数据进行预报，对预报曲线及相关的评价指标进行比对分析。结果证明，在四级海况横摇角的预报时，通过VMD分解后的预报，MSE、RMSE、MPE、MAPE分别减少了27.21%、14.68%、19.06%、46.84%，说明分解策略有效提高船舶运动姿态预报的精度；而通过GWO对BiLSTM神经网络的优化，BiLSTM神经网络的预报后其中MSE、RMSE、MPE、MAPE分别减少了69.47%、44.75%、42.53%、27.28%，说明灰狼优化算法有效提高了BiLSTM神经网络的预测精度。相较于本文建立的其他几种预测模型，本文提出的基于GWO-VMD-GWO-BiLSTM船舶运动姿态预测模型的预测结果均为最优，验证了本文提出的最终船舶运动姿态预测模型的有效性。其他几组数据的仿真同样验证了本文提出船舶运动姿态预测模型的有效性。
NETL