基于ICEEMDAN的自适应多分支Transformer用于多工程场景下浮式平台系泊张力预测
《Ocean Engineering》:ICEEMDAN-adaptive multi-branch transformer for multi-engineering-scenario mooring tension prediction of floating platforms
【字体:
大
中
小
】
时间:2026年10月23日
来源:Ocean Engineering 6.3
编辑推荐:
• ICAMT通过自适应频率融合实现了准确的系泊张力预测。
• 基于ICAMT提出了D2ST、D2MT和T2MT,以适应不同的工程场景。
• 通过系统性优化确定了所有模型的最优ICAMT配置。
• 消融实验和对比实验验证了所提模型的有效性。
引言
随着全球对气候变化和环境
• ICAMT通过自适应频率融合实现了准确的系泊张力预测。
• 基于ICAMT提出了D2ST、D2MT和T2MT,以适应不同的工程场景。
• 通过系统性优化确定了所有模型的最优ICAMT配置。
• 消融实验和对比实验验证了所提模型的有效性。
引言
随着全球对气候变化和环境污染的关注日益增加,海洋可再生能源的开发受到了各国政府和研究机构的广泛关注(Taroual等人,2026年)。海洋可再生能源的开发需要浮动平台作为基础,其中系泊系统作为重要组成部分,对平台的正常运行至关重要。系泊线张力是影响系统稳定性的关键因素之一,对于保持浮动结构的位置和稳定性至关重要(Yang等人,2023年)。然而,在实际运行中,对系泊张力的长期直接监测面临诸多挑战。系泊张力传感器长期暴露于恶劣的海洋环境中,容易因腐蚀、疲劳和机械冲击等因素而损坏和失效。此外,水下传感器的安装和维护成本极高,在深海环境中修复和更换它们极其困难且充满风险。这些因素限制了长期直接测量方法在实际工程应用中的可靠性和经济性。因此,基于从水上传感器测得的易于获取的状态信息(如平台运动响应)开发有效的系泊张力预测方法,不仅可以降低系统维护成本和提高监测可靠性,还可以在传感器发生故障时提供冗余监测能力,具有重要的理论和工程价值。
传统的系泊张力预测方法和模型主要基于数值模拟和物理建模。Chen等人(2018年)开发了一种基于有限差分的耦合非线性水动力学模型,用于分析海上浮动风力发电机的系泊系统,该模型考虑了电缆-海底相互作用、水流效应、电缆弯曲和扭转刚度。Liu等人(2017年)基于OpenFOAM建立了一个完全耦合的CFD分析工具,用于研究浮动海上风力发电机的三维流-固耦合问题。Chen等人(2023年)提出了一种基于用户子程序的有限元模拟技术,用于实时监测不同系泊配置下海上浮动风力发电机的应力响应。尽管这些传统数值方法在精度方面表现良好,但它们存在计算成本高和实时性差等局限性,难以满足海上工程应用中实时监测和预测的需求。
为了克服传统方法的局限性,近年来深度学习技术在系泊张力预测领域展现了巨大的潜力。早期研究主要采用循环神经网络(RNN)和长短期记忆网络(LSTM)等基础架构。Yang等人(2023年)提出了一种基于储备池计算(RC)模型的机器学习方法,与传统LSTM模型相比,表现出更高的精度和效率。Xu等人(2024年)将双向长短期记忆神经网络(Bi-LSTM)应用于考虑非线性轴向刚度的波浪能转换器系泊张力预测,取得了良好的预测性能。Payenda等人(2024年)使用BiLSTM算法,在不同载荷条件下展现了优异的预测性能。Song等人(2025a年)采用LSTM网络估算多连接浮动光伏阵列的系泊张力,验证了LSTM在复杂浮动结构中的有效性。然而,由于系泊张力时间序列具有强烈的非平稳性和非线性特征,单一的深度学习模型在处理此类复杂信号时往往面临挑战。
考虑到系泊张力时间序列的复杂特征,如非平稳性和非线性,研究人员开始将信号分解方法与深度学习相结合,通过分解策略将复杂非平稳信号转换为多个相对平稳的子分量,从而降低建模难度。Yuan等人(2023年)提出了一种基于变分模态分解(VMD)、误差校正和CNN-LSTM/BiLSTM的混合预测模型,在预测半潜式海上平台的系泊张力方面表现出更好的精度和稳定性。Chen等人(2025年)提出了CEEMDAN-CLL混合预测模型,结合了自适应噪声完备集合经验模态分解(CEEMDAN)和CNN-LSTM网络,有效解决了非平稳数据预测中的时延问题。Hu等人(2025年)提出了VMD-MI-LSTM方法,用于台风条件下浮动海上风力发电机的短期系泊张力预测。Liu等人(2025年)将集合经验模态分解(EEMD)与时序卷积网络(TCN)和自注意力机制相结合,用于半潜式养殖平台的实时系泊张力预测,进一步验证了信号分解方法在不同应用场景中的有效性。这些混合方法展示了信号分解在提高预测性能方面的有效性。
在众多信号分解方法中,改进的自适应噪声完备集合经验模态分解(ICEEMDAN)(Colominas等人,2014年)已被证明优于传统的EMD、EEMD和CEEMDAN方法。ICEEMDAN的原始研究表明,与CEEMDAN相比,ICEEMDAN在分解过程中去除了残余噪声和虚假IMF分量,减少了模式混叠,并产生了具有更好频率分离度和更低重构误差的IMF分量(Colominas等人,2014年,Torres等人,2011年)。这些特性使得ICEEMDAN特别适合提取系泊张力时间序列等强非平稳、非线性信号的固有特征,为后续的深度学习模型提供更高质量的特征表示。在预测应用中,基于ICEEMDAN的混合模型也被报道优于基于CEEMDAN和其他分解方法的替代方案;例如,Bommidi等人(2023年)将ICEEMDAN与Transformer结合用于风速预测,并达到了最先进的精度。然而,ICEEMDAN在系泊张力预测中的研究仍然有限,特别是在与多分支Transformer架构结合方面。
同时,Transformer架构最初在自然语言处理领域取得了突破性进展(Vaswani等人,2017年)。鉴于时间序列预测与自然语言处理在序列建模方面的相似性,研究人员将Transformer应用于时间序列预测。与传统的循环神经网络(RNN)和长短期记忆网络(LSTM)相比,Transformer可以通过自注意力机制并行处理整个序列,显著提高计算效率。更重要的是,它可以有效捕获长距离时间依赖关系,这对于理解海洋环境的复杂动态至关重要。在系泊张力预测中,平台运动与系泊张力之间存在复杂的时间相关性;自注意力机制可以自适应地学习跨时间步的依赖强度,从而更好地捕获多尺度时间特征(Li等人,2019年)。Yuan等人(2024年)提出了一种改进的Transformer架构,用于半潜式生产平台,与传统的RNN相比实现了更快的计算和更好的长距离依赖建模。Lyu等人(2025年)引入了一种带有自适应稀疏自注意力的LSTM-ASSA-Transformer混合深度学习模型,以提高预测精度。Tang等人(2025年)提出了CNN-LSTM-ATT模型,并纳入切比雪夫多项式以改善短波周期条件下的性能。注意力机制的使用也提高了可解释性:Xie和Tang(2024年)以及Kang等人(2025年)提出了基于域泛化和注意力的可解释预测模型,显著增强了泛化能力和可解释性。Xu等人(2025年)将CNN-Bi-LSTM混合网络应用于浮动光伏系统的实时系泊张力预测,进一步扩展了深度学习方法在不同浮动结构中的应用。
除了直接的张力预测外,相关研究还探索了健康监测、系统优化和极端响应预测。Coraddu等人(2024年)和Y. Li等人(2025年)使用浅层或深层学习模型进行系泊线健康评估和顶部张力估计,支持在线监测和维护决策。在系泊系统优化和极端响应预测方面,Jung等人(2025年)和Z. Li等人(2025年)将深度神经网络与优化算法相结合,实现了多方向环境条件下的系泊系统设计,而He等人(2025年)和Zhang等人(2024年)采用极值统计评估系泊失效场景或恶劣风况下的平台运动和系泊张力极值,为安全导向的设计提供了重要参考。
尽管深度学习在系泊张力预测方面取得了重大进展,但现有研究仍主要局限于从直接测量的张力历史进行自回归预测,以及有限的或针对特定海况的验证。同时,系泊监测的几项工程目标仍然难以以一种统一的方式实现:从水上平台运动预测张力可以减少对水下传感器的依赖并降低维护成本;多通道联合预测支持整个系泊系统的全面监测;跨通道预测可以从已测量的通道重建失效的张力通道,提供传感器故障冗余。尽管这些目标都具有明确的实用价值,但目前尚无统一的方法结合共同的基于分解的多分支建模骨干来同时解决这些问题。为了填补这一空白,本文提出了ICAMT,一个统一的多场景框架,将基于运动的预测、多通道联合预测和跨通道预测整合在一种方法中,并在涵盖15种已测试规则波和不规则波条件的统一数据集上进行训练和评估。本文的主要贡献如下:
• 提出了一种基于ICEEMDAN的自适应多分支Transformer方法(ICAMT),该方法利用ICEEMDAN进行信号分解以提取多尺度特征,采用多分支Transformer架构分别处理高频和低频IMF分量以捕获不同时间尺度的动态特征,并设计了分支权重自适应注意力机制来动态调整不同分支特征的贡献权重,充分发挥了信号分解在特征提取和Transformer在序列建模方面的优势;
• 基于ICAMT方法提出了三种预测模型:自由度到单系泊张力预测模型(ICAMT-D2ST)、自由度到多系泊张力预测模型(ICAMT-D2MT)和单通道到多通道系泊张力预测模型(ICAMT-T2MT),以适应不同的应用场景;
• 对三种预测模型进行了系统的超参数优化,确定了每种模型的最优参数配置;与主流经典模型进行了对比实验,展示了所提方法的有效性和优越性;消融实验验证了包括ICEEMDAN分解、多分支Transformer架构和自适应注意力机制在内的关键组件的贡献;系统比较了包括EMD、EEMD、CEEMDAN和ICEEMDAN在内的不同信号分解方法的性能,验证了选择ICEEMDAN的合理性和有效性;
• 在涵盖具有不同波周期Tp和有效波高Hs的规则波和不规则波的多海况统一数据集上训练和验证了模型。
本文其余部分组织如下:第2节介绍了所提出的ICAMT方法,包括ICEEMDAN信号分解、多分支Transformer架构和IMFAA自适应融合机制,以及三种预测模型(ICAMT-D2ST、ICAMT-D2MT和ICAMT-T2MT)。第3节介绍了实验设置,包括数据采集与分析、实验设置和参数优化。第4节展示了结果与分析,包括与基线方法的模型性能比较、消融研究和不同分解方法的比较。第5节总结了结论并讨论了未来的工作。
方法片段:所提出的方法
本文提出了ICAMT(ICEEMDAN-自适应多分支Transformer),这是一种基于ICEEMDAN的自适应特征融合多分支Transformer方法,集成了三个关键模块——信号分解、多分支特征提取和自适应特征融合,以实现系泊张力的有效预测。该方法首先采用ICEEMDAN对自变量时间序列数据进行分解,提取多尺度特征。随后,采用多分支Transformer架构……
数据采集与分析
实验数据来自华南理工大学进行的水池实验。测试使用了缩尺比为1:45的半潜式海洋养殖平台模型,如图3(a)和(b)所示。系泊系统配置为2×4多点系泊,配有8条无端锚链(每条直径4毫米,长度10米,从全尺度缩尺而来,由高强度钢制成),对称布置并由标准配重锚定。
ICAMT-D2ST模型性能比较
在系泊张力预测领域的经典深度学习模型,如Transformer(Vaswani等人,2017年)、GRU(Cho等人,2014年)、LSTM(Hochreiter和Schmidhuber,1997年)、CNN-1D(LeCun等人,1998年)、RNN(Rumelhart等人,1986年)、MLP(Rumelhart等人,1986年)和RC(Jaeger,2001年),被选为基线模型。如图16(a–c)所示,小提琴图直观地比较了所有模型的R2、MAE和RMSE。ICAMT-D2ST的性能和比较……
结论
本文提出了ICAMT(ICEEMDAN-自适应多分支Transformer),用于多自由度平台的系泊张力预测。该方法以"模态分解去噪和多尺度表示-频率分离编码和自适应融合进行时序建模"为核心:首先,使用ICEEMDAN对非平稳、非线性输入时间序列进行分解,提取多尺度信息;然后,多分支Transformer分别对高频/低频/全频率进行建模……
CRediT作者贡献声明
LiGuo Wang:撰写 – 审阅与编辑、监督、方法论、资金获取、概念化。
于建伟:写作——初稿撰写、软件、方法论。
王坤林:写作——审阅与编辑、监督、资助获取、概念构思。
利益冲突声明
作者声明不存在可能影响本论文所报告工作的已知竞争财务利益或个人关系。
致谢
本项目获得以下资助支持:南方海洋科学与工程广东省实验室(珠海)(项目编号:SML2024SP020)、广东省2024年海洋经济重大项目(项目编号:GDNRC[2024]21)、青岛海洋科技创新示范工程(项目编号:23-1-3-hysf-2-hy)。
王国利 | 于建伟 | 王坤林
生物通微信公众号
生物通新浪微博
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