在饱和约束条件下,利用残差注意力LSTM和二次规划实现预测性波浪补偿

《Ocean Engineering》:Predictive wave compensation under saturation constraints via residual attention LSTM and quadratic programming

【字体: 大 中 小 】 时间:2026年04月25日 来源:Ocean Engineering 5.5

编辑推荐:

  动态模型与智能算法融合的船舶波浪补偿系统研究,提出基于残差注意力LSTM的增量预测模型与约束优化规划策略,有效降低海况恶化下的结构冲击载荷。

  
庞德昭|袁轩|李景涛|张晨|赵铁石
燕山大学并联机器人与机电系统实验室,秦皇岛,066004,中国

摘要

在恶劣的海况下,巨大的惯性和剧烈的运动会导致执行器和工作空间的饱和,这对船载波浪补偿系统(如通道和起重机)构成了主要挑战。本研究建立了一个基于非惯性坐标系的重型操作器的动态模型,以阐明补偿系统的动态退化机制。为了解决船舶运动中固有的显著非线性问题以及在样本量有限条件下的网络退化问题,本研究将残差学习和注意力机制整合到LSTM框架中,提出了增量残差注意力LSTM(IR-AttnLSTM)算法。通过主成分分析(PCA)对波浪补偿平台的饱和边界进行参数化拟合,从而提取出关键的约束方程。随后,提出了一种基于预测性二次规划(PQP)的运动规划策略,明确考虑了饱和约束。联合仿真结果表明,该算法在严格的运动学约束下能够生成平滑的参考轨迹,显著降低了驱动负载和结构冲击。在46%的纵摇超出范围内,俯仰和伸缩驱动力分别减少了37.49%和20.36%,从而提高了系统在恶劣海况下的运行安全性和可靠性。

引言

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。

部分摘录

波浪补偿系统的动态行为

本节为非惯性参考框架下的波浪补偿系统建立了全面的动态模型,并进一步阐明了由基础扰动引起的动态退化机制。

IR-AttnLSTM混合预测模型

为了解决船舶运动中固有的显著非线性问题以及传统LSTM模型在预测轨迹中可能出现的间断性问题,本研究将单向LSTM编码结构与时域注意力机制相结合,形成了IR-AttnLSTM模型。
核心创新在于将复杂的坐标回归任务重新定义为运动增量的预测。这种策略性转变显著提高了泛化能力。

动态波浪补偿算法

本节阐明了专门用于减轻船舶振荡对操作器施加的动态扰动的预测性二次规划(PQP)算法的制定。

数值模拟和全面验证

为了评估所提出的波浪补偿系统及第2节(波浪补偿系统的动态行为)、第3节(IR-AttnLSTM混合预测模型)和第4节(动态波浪补偿算法)中制定的算法,本节提出了一个全面的数值仿真框架。首先在指定的海况下生成高保真度的时域船舶运动激励(第5.1节),这些激励源自固有的频域流体动力学特性(RAOs)。

结论

本研究提出了一种主动波浪补偿框架,用于解决极端海况下重型船载操作器的动态退化问题。首先,提出了增量残差注意力LSTM(IR-AttnLSTM),以在数据有限的情况下实现高精度的船舶轨迹预测。通过防止网络退化,其残差架构表现出强大的小样本性能,在受限条件下优于高容量Transformer模型。

CRediT作者贡献声明

庞德昭:软件、方法论、概念化。袁轩:撰写——原始草稿、监督、概念化。李景涛:验证、调查。张晨:数据整理。赵铁石:撰写——审阅与编辑。

利益冲突声明

我们声明与可能不当影响我们工作的其他个人或组织没有财务和个人关系,对任何产品、服务和/或公司没有专业或其他形式的个人利益,这些利益可能会影响题为在饱和约束下的预测波浪补偿的手稿中提出的观点或评审。

致谢

本工作得到了国家自然科学基金(授权号U21A20123)和河北省重点研发计划(授权号21371901D)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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