统一物理-数据驱动建模方法预测规则波中船舶时序操纵运动

本文提出一种融合物理机理与数据驱动的统一建模方法（PM-LSTM），通过浅层神经网络识别基础运动方程（灰箱物理建模）并结合注意力机制的双向长短期记忆网络（Bi-LSTM）捕捉高频时序特征，有效解决了纯物理模型适应性差与纯数据驱动方法泛化性不足的难题，为复杂波浪环境中船舶运动精准预测提供了创新解决方案。

　　

Highlights

• •

  提出统一物理-数据驱动建模框架，整合灰箱物理识别与多尺度双向LSTM网络

• •

  物理模型（PM）通过浅层神经网络构建基础运动方程（牛顿第二定律）

• •

  双向LSTM（Bi-LSTM）结合注意力机制捕捉物理模型未涵盖的高频时序运动特征

• •

  方法在训练数据量少且缺乏舵角激励的场景下仍保持优异预测性能

Physical identification model of ship maneuvering motion

为基于物理模型描述船舶操纵运动，建立两个坐标系：地球固定坐标系（o₀-x₀y₀z₀）和船体固定坐标系（o-xyz）。后者固定于船中，x轴指向船首，y轴指向右舷，z轴垂直向下。针对包含纵荡、横荡和首摇的三自由度（3-DOF）平面操纵运动，运动方程基于牛顿第二定律构建，其中流体动力和力矩通过经验公式或系统辨识方法参数化。

Description of maneuvering motion in regular waves

第2节开发的物理模型明确了具有清晰模型结构的操纵运动基本物理规律。对于船舶操纵性评估，这类通过模型试验、数值模拟等预确定水动力系数的模型在给定导航和环境条件下可提供相对可靠的结果。然而，实际航行中波浪等环境条件始终变化，物理模型难以动态适应波浪引起的高频运动波动和时变特征，需引入数据驱动方法增强模型灵活性。

Impacts of training data

理论上，基于充足数据量和舵角激励，数据驱动建模能够精准预测船舶操纵运动。但实际应用中常难以获取大量涵盖宽范围舵角激励的运动数据。统一PM-LSTM方法的典型特点是通过物理模型引入先验知识，降低对数据量和激励完整性的依赖，提升在有限数据条件下的泛化能力。

Prediction of ship maneuvering motions in regular waves

规则波中船舶操纵运动特征更具时变性和复杂性，伴随显著高频波动和轨迹漂移现象。预确定的物理模型或纯数据驱动模型难以精准预测。一方面，物理模型需预先获取波浪信息以计算波浪力；另一方面，数据驱动方法需大量包含波浪干扰的运动数据。统一PM-LSTM方法通过物理模块捕捉基础运动规律，并通过LSTM模块自适应学习波浪引发的高频波动，实现精准预测且累积误差可控。

Conclusions

本研究开发了基于时序识别框架和基准测试数据的统一PM-LSTM方法，旨在解决纯数据驱动方法在训练数据有限和舵角激励不足时的预测挑战，以及物理模型在动态环境冲击下适应性不足的问题。通过整合物理机理与数据驱动技术，方法在规则波中不同波浪条件下对两艘船模的操纵运动预测均表现出较高精度，成功捕获轨迹漂移特征和波动细节，为复杂环境船舶运动预测提供了可靠工具。