基于BP神经网络运动预测的大型海上转运通道主动波浪补偿控制

《Journal of Marine Science and Engineering》：Active Wave Compensation Control for Large Offshore Transfer Gangways Based on BP Neural Network Motion Prediction

　　

随着海上风电场向深水区域的快速扩展，大型波浪补偿转运通道已成为确保维护船舶与风力涡轮机之间人员安全转移的关键设备。然而，大型通道增加的惯性和质量导致液压驱动、数据采集和补偿计算过程中出现显著控制时延，严重降低了补偿精度并威胁操作安全。本研究提出了一种基于反向传播（BP）神经网络预测的主动波浪补偿控制方案以应对这一挑战。首先，研究人员建立了船舶垂直面运动学模型，以推导船舶运动（横摇、纵摇、垂荡）与通道端点位置之间的映射关系。系统分析了3-5秒的控制时延对通道稳定性的影响，揭示出未补偿的时延可能导致端点偏差超过4米。然后，研究人员构建了一个优化的BP神经网络模型，用于船舶六自由度（6-DOF）运动短期预测，并对关键参数（输入时长、隐藏层节点数、随机种子）进行了调优以实现高预测精度。最后，通过数值仿真验证了所提出的预测控制方案。结果表明，该方案可将最长5秒时延下的最大端点偏差降低超过80%，有效缓解了控制时延的不利影响。本研究为提高大型海上转运通道的安全性和可靠性提供了技术解决方案。

论文解读文章

**研究背景与问题**
全球向低碳能源结构的转型推动了海上风电的快速发展，风电场正加速向水深50-200米的中远海区域扩展。与近海相比，中远海海洋环境更复杂，风、浪、流耦合效应显著，极端海况频发，给海上风力涡轮机的运维带来严峻挑战。服务操作船舶（SOV）与风机平台之间的人员和设备转移是运维中最关键且最危险的环节。传统固定或简单液压通道只能在有效波高小于1.5米的温和海况下运行，深水区可用作业窗口利用率通常低于30%，极低效率直接推高运维成本，占总生命周期成本的25-35%。主动波浪补偿通道系统通过实时感知船舶六自由度运动并主动驱动执行器产生反向补偿运动，可在更高海况下实现安全转移。然而，现有主动补偿系统普遍采用基于当前运动测量的反馈控制模式，由于传感器采样、信号传输与处理、液压/电执行器响应等固有延迟，系统总时延通常在500-2000毫秒，在高频波浪环境中会导致显著相位滞后，补偿精度降低30-50%，甚至引发系统不稳定和安全隐患。因此，开发基于运动响应预测的通道控制技术，通过提前预测船舶未来运动来补偿时延，对于提高深海风电运维的安全性、效率和经济性具有重要理论意义和工程价值。

**研究内容与结论**
本研究以大型伸缩式通道为对象，聚焦于基于运动预测的主动波浪补偿控制技术。研究人员首先建立了通道的运动学模型（基于改进的Denavit-Hartenberg参数法），定量分析了时延对通道端点位置的影响机制，并提出了前馈预测补偿总体方案。随后，基于BP神经网络开展了船舶运动响应预测方法研究，系统构建了BP神经网络的理论方法和性能评估体系，完成了预测模型的结构设计、参数配置和数据集构建。最后，构建了数值仿真验证平台，对比分析了传统控制方法与基于预测的复合控制方法的补偿特性，验证了所提方案的有效性。结论表明：基于预测的主动波浪补偿控制方案在5秒时延内，可将通道端点坐标的最大绝对偏差和均方误差降低超过80%，有效缓解了时延的不利影响。该研究发表在《Journal of Marine Science and Engineering》。

**关键技术方法**
研究人员主要采用以下关键技术方法：1）基于改进Denavit-Hartenberg（D-H）参数法建立船舶垂直面运动学模型，推导船舶运动（横摇、纵摇、垂荡）与通道端点位置的映射关系；2）在AQWA软件中建立船舶-通道耦合动力学模型，通过Fortran编写的动态链接库（DLL）实现实时耦合仿真，分析3-5秒控制时延对通道端点位置的影响；3）构建BP神经网络预测模型，利用MATLAB R2023a工具箱进行网络训练，优化关键参数（输入时长35秒、隐藏层节点数7、随机种子88），预测未来1-5秒的船舶六自由度运动响应；4）通过数值仿真验证预测控制方案性能，仿真数据来源于AQWA对一艘76米海上风电维护船（船长76.0米，型宽20.4米，型深8.0米，运营吃水5.6米，排水量6479.0吨）在有效波高2.5米、峰值周期10秒、浪向60°的JONSWAP谱海况下的运动响应计算，通道总长25米，质量60吨，安装于船舶中心线。

**研究结果**
**3. BP神经网络船舶运动响应预测**
研究人员基于BP神经网络理论，采用均方误差（MSE）函数和Levenberg-Marquardt（LM）训练算法，通过参数优化（随机种子、输入时长、隐藏层节点数）建立了预测模型。输入时长35秒、隐藏层节点7个、随机种子88时模型性能最优。对船舶六自由度运动未来5秒的预测结果显示，所有自由度预测的均方根误差占运动范围百分比（RMSE-ROM）均小于10%，表明模型具有良好的整体预测性能。其中，垂荡、纵摇和首摇的预测精度较高（决定系数R2>0.99），因为这些运动受线性静水恢复力主导，周期性强、规律性好；而横荡、纵荡和横摇的预测精度稍低，因为水平运动受非线性动力定位控制力影响，横摇则与黏性阻尼耦合，运动特性更复杂。

**4. 基于预测的通道主动波浪补偿控制性能**
研究人员将BP神经网络预测的未来3秒、4秒、5秒船舶运动响应代入通道运动学方程，计算得到考虑预测补偿后的通道端点坐标。对比纯时延工况与含预测时延工况的端点空间位置和时间历程曲线，结果表明：对于3秒时延，预测补偿使x方向最大绝对偏差降低89.4%，y方向降低92.1%，z方向降低93.4%，均方误差（MSE）分别降低91.0%、96.0%和95.2%；对于4秒时延，x、y、z方向最大绝对偏差分别降低81.0%、86.6%、87.2%，MSE分别降低84.8%、91.9%、92.0%；对于5秒时延，x、y、z方向最大绝对偏差分别降低75.6%、83.4%、85.5%，MSE分别降低80.9%、87.6%、89.6%。各方向最大绝对偏差和MSE的降低比例大多超过80%，验证了预测控制方案的有效性。同时，随着时延增加，预测补偿效果逐渐下降，这是因为预测时长增加导致预测误差累积，且不同时延下通道端点位置差异在预测工况下更为显著。

**讨论与结论**
讨论部分指出，单个训练模型仅适用于训练样本附近的海况，为实现全海况覆盖，需根据实时海况存储和切换多个模型，这会增加少量存储开销。研究局限性包括：仅使用数值仿真数据，未考虑执行器动力学和闭环反馈，模型在变海况下的泛化能力需改进，未充分考虑传感器噪声。未来研究方向包括：多海况泛化预测模型、液压执行器动力学耦合、闭环复合控制架构、全尺寸模型试验验证、取消最优种子选择、增加噪声鲁棒性测试、以及考虑传感器噪声的鲁棒预测。

研究结论翻译如下：
（1）基于预测的主动波浪补偿控制方案在解决控制时延引起的通道端点大偏差方面取得了良好效果。对于5秒以内的时延，预测控制方案下通道端点各坐标的最大值、最小值和均方误差（MSE）的降低率大多大于80%。
（2）对于本文建立的BP神经网络预测模型，在3到5秒的时延范围内，随着时延增加，增长时延导致的通道端点位置差异变得更加显著，导致不同时延条件下预测的通道端点偏差增大。因此，基于预测的主动波浪补偿控制方案的性能逐渐下降。