基于Transformer的散货船3自由度操纵任务执行数字孪生模型及其在自主海事系统中的应用

为提升海上自主水面船舶(MASS)的航行安全与效率，本研究开发了基于Transformer编码器的任务执行数字孪生模型，用于散货船在开阔水域的操纵运动预测。研究对比了Transformer与LSTM模型性能，结果表明Transformer在纵荡、横荡及位置预测上误差更低，计算高效且适合实时部署，为船舶自主导航提供了高保真建模新路径。

　　

随着海事行业向自主化转型，国际海事组织(IMO)提出海上自主水面船舶(MASS)分级标准，推动船舶智能化发展。然而，从人工操作到完全自主的过渡缺乏统一框架，关键挑战在于如何构建能够精确模拟船舶在复杂海洋环境中运动的虚拟系统。传统基于物理模型的操纵运动预测方法在开放水域面临局限性，难以准确捕获环境干扰（如不规则波浪、风浪流耦合作用）和非线性动力学特性。这促使研究人员转向数据驱动方法，通过数字孪生技术实现船舶运动的实时监控与预测。

本研究针对Kamsarmax型散货船，开发了基于机器学习的任务执行数字孪生模型，重点解决开阔水域操纵运动预测问题。研究团队收集了2023年3月至5月间该船从巴西至中国跨大西洋航行的真实导航数据，包含环境因素（风、浪、流）、船舶运动状态（纵荡、横荡、首摇）和控制系统（舵角、转速）等多维度信息。通过系统比较长短期记忆网络(LSTM)和Transformer编码器两种深度学习架构的性能，探索数据驱动方法在船舶运动预测中的有效性。

研究采用的关键技术方法包括：1) 数据预处理采用拉格朗日插值处理缺失值，Z-score标准化和滑动平均滤波优化数据质量；2) 角度数据通过三角函数分解转换为线性特征；3) 构建时间序列预测模型，以窗口化数据为输入，预测船舶运动状态；4) 使用平均绝对误差(MAE)评估模型性能，并通过早停法防止过拟合。

4.1. 任务采集

研究数据来源于81,000载重吨Kamsarmax散货船的真实航行数据，采集频率为每分钟1个数据点，总计100,001个数据点。数据集包含船舶运动参数（经度、纬度、航向、纵荡速度、横荡速度、转首速率）、环境参数（风速、风向、流速、流向、波浪信息）以及控制参数（舵角、螺旋桨转速）。特别值得注意的是，针对角度数据的周期性特征，研究采用余弦变换处理航向角，将角度变化转换为余弦值，有效解决了0°与360°的等价性问题。

4.2. 任务执行

4.2.1. 数据向量化和分割

研究采用窗口大小为1的时间序列向量化方法，将数据划分为训练集(70%)、验证集(15%)和测试集(15%)。批量大小设置为32，训练周期为1500轮，采用早停机制防止过拟合。

4.2.2. 角度预处理

针对风向、流向、航向等角度数据，研究采用三角函数分解方法，将极坐标表示的角度和大小转换为直角坐标系下的纵向和横向分量，显著改善了模型对角度数据的处理能力。

4.2.3. 航向预处理

通过计算航向变化的余弦值，将离散的角度变化转换为连续的特征表示，有效捕获船舶转向行为的本质特征。

4.2.4. 数据平滑

采用窗口大小为7的移动平均平滑技术，有效去除了数据中的噪声和异常值，同时保持了数据的整体趋势特征。比较平滑前后数据的统计特性表明，平滑处理显著改善了数据质量而不改变其本质特征。

4.2.5. 模型构建

研究构建了两种深度学习模型：LSTM基础模型和Transformer编码器模型。LSTM模型包含LSTM层、Dropout层和全连接层，利用其门控机制处理时间序列依赖关系。Transformer模型采用多头自注意力机制，能够更好地捕获长序列中的依赖关系。

4.2.6. 结果与验证

模型评估结果表明，Transformer编码器在所有运动预测任务上均优于LSTM模型。在纵荡速度预测中，Transformer的MAE为0.0173，显著低于LSTM的0.0965；在横荡速度预测中，Transformer的MAE为0.0965，优于LSTM的0.1119。最显著的改进体现在船舶轨迹预测方面，Transformer能够准确预测经度和纬度位置，而LSTM在此任务上表现较差。

特别值得注意的是转首速率预测的挑战性。由于75%的数据对应于直线航行状态，只有少数数据点包含转向 maneuver，导致模型难以准确预测峰值转向行为。平滑处理后，转首速率预测的MAE从0.647改善到0.378，但仍需更多转向 maneuver 数据来提高模型泛化能力。

研究结论表明，基于Transformer架构的数字孪生模型在船舶操纵运动预测方面表现出卓越性能，特别是在位置估计任务上。Transformer模型相比LSTM具有更好的预测精度和序列建模能力，但其计算成本约为L模型的3倍（1.43MB vs 535.57KB）。尽管如此，两种模型的规模都适合实时部署应用。

讨论部分强调，当前研究的局限性主要在于训练数据的 maneuver 类型不够丰富，缺乏Z形操纵和回转试验等典型操纵工况数据。未来工作需要收集更多样化的操纵数据集，探索物理模型与数据驱动方法的混合建模方法，并解决实际部署中的计算效率和安全保障问题。

该研究的重要意义在于为海事自主系统提供了高效的任务执行数字孪生框架，为船舶自主导航、航线优化和安全保障提供了技术基础。随着IMO推动MASS法规发展，此类数据驱动方法将在船舶智能化转型中发挥关键作用，最终实现从描述性数字孪生到规范性数字孪生的演进，支持更高程度的自主决策和控制系统。