船舶及其转移设备组成的集成系统受到复杂环境载荷(如风、波浪和洋流)的协同影响,其特征是强烈的流固相互作用、巨大的惯性和显著的偏心载荷。恶劣海况引起的剧烈运动严重限制了操作窗口,使得波浪补偿技术成为维持运行效率和安全性的关键要求(Albers, 2010; Tang et al., 2023)。现代主动补偿策略主要采用串并联混合架构,其中并联平台用于减轻船舶的六自由度(6-DOF)运动,串行操作器辅助转移操作。尽管这种并联机制具有出色的刚度和高承载能力(Merlet, 2006),但其多维耦合工作空间仍受到机械配置和执行器行程限制的严格约束。因此,当极端海况导致船舶运动超出这些机制的饱和边界时,由此产生的严重结构冲击载荷对设备的疲劳寿命和人员安全构成重大威胁。因此,设计能够严格遵循这些补偿边界并确保平滑过渡和减轻动态冲击的精确运动规划策略仍然是一个关键且未解决的问题。
迄今为止,波浪补偿技术主要分为两大范式:被动波浪补偿(PWC,通常使用并联弹簧-阻尼器组件(Neupert et al., 2008; Ribadeneira et al., 2022)和主动纵摇补偿(AHC,采用闭环“传感器到执行器”反馈架构(Do and Pan, 2008; Qiu et al., 2023)。虽然PWC方案在能效、结构简洁性和可靠性方面具有明显优势,但其性能仍受物理参数固有刚度的限制,因此需要频繁进行硬件重新校准以适应变化的载荷,这往往导致补偿范围受限和精度不佳。此外,现有的被动系统研究主要集中在单自由度(1-DOF)纵摇运动上(Southerland, 1970)。
相比之下,AHC系统对不同海况具有更好的适应性,并能实现更高的补偿精度,能够同时减轻多维耦合运动(Martin and Irani, 2022)。然而,保持这种高动态响应性需要较大的安装功率容量,因为执行器必须持续满足峰值功率需求。近年来,为了优化主动补偿,研究人员研究了各种并联机制配置,包括经典的Stewart平台(Wang et al., 2025)、3-SPR并联平台(Zhan et al., 2020)和3-UPU/UP并联架构(Niu et al., 2022)。
船舶运动具有短期周期性和长期随机性,这使得运动预测成为轨迹规划控制器中生成参考信号的有价值工具。船舶振荡的预测方法可以分为两类:参数化建模方法(如卡尔曼滤波(Triantafyllou and Athans, 1981; Triantafyllou et al., 1983)和时间序列分析(Yumori, 1981; Bolander and Hunsaker, 2018);以及非参数化建模方法,包括灰色预测(Zeng and Liu, 2017)和机器学习算法(Liu et al., 2025)。
参数化建模方法基于已建立的理论原理,包括控制方程、非线性波浪理论、船舶浮力-流体动力学关系及相关学科框架(Liu et al., 2025)。其数学公式中的未知参数必须事先确定,通常通过受限的实验测试或预定义的船舶运动计算流体动力学(CFD)仿真来实现。然而,在实际操作中,不断变化的环境条件和船舶载荷状态阻碍了这些模型参数的动态更新。这种固定模型结构的固有刚性限制了系统对外部干扰的快速响应能力。
随着机器学习的进步,神经网络方法在船舶运动的时间序列预测中变得日益重要,因为它们具有数据驱动特性和强大的泛化能力。该领域的成熟方法包括自回归模型(Duan et al., 2015)、循环神经网络(Schuster and Paliwal, 1997)、卷积神经网络(Li et al., 2022)和长短期记忆网络(Liu et al., 2020)。
在饱和约束下对并联操作器的波浪补偿进行规划与机器人避障有显著相似之处;本质上,两者都可以被视为在受限运动流形中的轨迹优化问题(Kamil et al., 2015)。传统的轨迹规划方法通常分为离线和在线方案(Wang et al., 2022)。离线规划适用于静态环境(如托盘化或工业组装),而涉及浮动基座操作或人机交互的动态场景则需要强大且高度适应的在线规划算法,能够根据环境反馈生成实时控制指令。
到目前为止,在线避障研究已经产生了多种成熟的方法,包括人工势场(Khatib, 1985)、速度障碍(VO)(Fiorini and Shiller, 1996)、预测控制策略(Pereira et al., 2019)和各种人工智能范式(Chang and Song, 1996)。尽管APF通过使用吸引和排斥场提供了高实时效率,但它容易陷入局部最小值。相反,基于AI的方法尽管计算效率高,但在接近约束边界时经常遇到收敛困难。最近,智能规划算法(如模型预测控制(MPC)在自动驾驶车辆的避障方面取得了显著成功(Li et al., 2019)。
然而,针对并联机制的饱和避免规划的研究相对较少,且主要集中在单一维度约束上,未能解决多维饱和边界的复杂性问题。例如,Chuckpaiwong和Newman(2001)通过在执行器极限处引入虚拟弹簧来实现运动限制,而Badrikouhi和Bamdad(2024)提出了一种基于序列二次规划(SQP)的电缆驱动并联机器人的鲁棒轨迹规划算法。
值得注意的是,波浪补偿规划与传统运动规划有根本区别。在完全补偿状态下,任务等同于末端执行器对基础扰动的逆运动学跟踪。然而,在补偿不足(饱和)状态下,控制系统必须预先调节位置、速度和加速度向量以降低超程风险。
总之,现有文献很少探讨非惯性框架下并联补偿平台在复杂约束边界附近的运动行为。鉴于浮动基座扰动的随机性,补偿平台容易达到物理饱和极限,这可能导致严重的结构冲击甚至系统故障。因此,本研究重点是通过优化算法在多维饱和约束下最大化补偿效果,确保运动平滑性,同时显著减轻极端操作条件下的结构冲击载荷。
一个代表性的3-RR(5R)S/RPR + RRP机制的动态退化为波浪补偿提供了理论基础。为了预测船舶运动,提出了增量残差注意力LSTM(IR-AttnLSTM),以确保在非平稳和数据稀疏条件下的稳健预测。通过将这一理论基础与预测模型相结合,开发了一种基于预测性二次规划(PQP)的策略,用于在严格的物理饱和约束下进行主动波浪补偿。通过利用实时边界降维,这种PQP策略将复杂的动态目标简化为高效的运动学问题,实现“软着陆”以减轻结构冲击。
本文的其余部分分为五个部分。第2节研究了非惯性参考框架下浮动基座操作器的动态行为。建立了3-RR(5R)S并联平台和RRP串行操作器的动态模型,以阐明补偿操作期间的力特性和性能退化机制。第3节提出了IR-AttnLSTM,这是一种通过将残差学习范式整合到注意力增强框架中而开发的新架构。第4节提出了一种在饱和约束下的预测运动规划算法,通过结合非惯性动力学和运动预测数据来制定和解决规划问题。第5节提供了全面的联合仿真结果,定量验证了所提出框架的预测精度、动态载荷衰减和实时计算可行性。最后,第6节总结了本文的主要贡献。