基于改进灰狼优化器驱动的集成学习方法对极地船舶锚绞车动态载荷扭矩反演及环境效应分析

《Ocean Engineering》：Dynamic load torque inversion and environmental effect analysis of polar ship anchor windlasses based on improved Grey Wolf Optimizer-driven ensemble learning

　　•针对极地锚机动态载荷反问题，构建了一种数据驱动的框架。•提出了一种经I-GWO优化的Stacking模型用于时域载荷反问题求解。•通过耦合仿真与极地模拟试验，验证了该模型的准确性与稳定性。•研究表明冰层堆积是影响设备性能的最主要环境因素。•SHAP分析显示压力和温度是最具影响力的特征参数。

引言
随着全球变暖提升北极航道的商业价值，极地船舶在海洋工程中的重要性日益凸显（ABS，2015）。作为保障船舶安全运行的关键设备，锚机负责船舶定位以及锚的投放与回收。然而，极地冰封水域的恶劣环境给锚机的安全运行带来了巨大挑战（Bridges等人，2018；Chai等人，2025）。在这种环境中，设备不仅要承受极低的温度，还要面对高度动态且强非线性的随机环境载荷，同时还需应对低温下冰层堆积带来的额外阻力（Zhang等人，2023；WAN等人，2020）。因此，极地户外设施在服役过程中存在显著的性能不确定性。从内部来看，极寒环境引发的“粘度-温度效应”会显著改变液压系统的流体摩擦力和容积效率，导致在常温下校准的传统物理模型出现严重参数漂移（LIU等人，2025）。从外部来看，海雾结冰和积雪会带来高度随机且非线性的额外阻力，进一步增加机械卡死的风险。内部参数退化与外部环境干扰的复杂耦合使得系统动态响应难以预测。

在如此严苛的工况条件下，传统的动态载荷测量方法存在根本性缺陷。如应变片和载荷传感器这类直接安装的力传感器，极易受到低温、湿气以及冰雪堆积的影响，从而导致信号漂移、故障甚至传感器失效，难以实现长期稳定的数据采集（HUANG等人，2025；Xu等人，2020）。同时，冰层作用产生的载荷具有明显的随机性（Hountalas，2000）、高频特性和非高斯分布特征，使得传统基于物理的方法难以实时准确地捕捉和反演这些载荷。现有规范也指出，准确描述船舶与冰层的相互作用十分困难，尤其是螺旋桨与冰层的相互作用问题（NERSESIAN和MAHMOOD，2010；DNV，2016）。这一限制为未来极地船舶的设计与建造带来了更多不确定性。相比之下，专门针对极地船舶锚机的研究极为有限。因此，开发一种无侵入式、稳健且高精度的动态载荷间接监测技术，是确保极地船舶锚机结构完整性与安全运行维护的关键科学问题。

传统的结构动态载荷识别方法通常依赖结构动力学模型（Li等人，2017）和实测响应数据（LI和GUO，2004），包括最小二乘正则化（LSQR）（Zhou等人，2023）、卡尔曼滤波（Wei等人，2023）以及Tikhonov正则化等方法。例如，Wu等人（2025）提出了一种无监督方法——动态自适应因子隐半马尔可夫模型，有效提升了动态载荷场景下无侵入式载荷监测的适应性。Qiao和Rahmatalla等人（Qiao等人，2016；Qiao和Rahmatalla，2021）研究了时域动载荷识别中边界条件与正则化矩阵的耦合效应，并将粘弹性边界条件引入动载荷反问题框架中。Jiang等人（2021）基于Newmark-β方法开发了适用于连续系统载荷识别的时域算法，并通过Tikhonov正则化来缓解反问题的病态性问题。Wang等人（2022a）通过落锤冲击实验模拟直升机动态冲击载荷，证明基于L曲线的Tikhonov正则化方法在四传感器布局下的冲击载荷识别效果优于传统方法。尽管这些方法在常温条件下已取得一定成效（Kalhori等人，2023；Boukria等人，2011），但在典型的机电液耦合系统——极地锚机中，其局限性更为明显。其中一个主要问题是这些方法高度依赖精确的物理模型。锚机系统极为复杂，极地低温环境会显著改变材料的力学性能和液压油的粘度，从而导致模型参数随时间变化。即便微小的模型不匹配也可能大幅降低反演结果的可靠性。

另一个挑战是反问题的病态特性（Uhl，2007）。动态载荷反问题对测量噪声和输入不确定性极为敏感（Chen等人，2021；Fu等人，2023）。虽然已经提出了一系列方法来解决这一问题，比如通过引入额外的Tikhonov正则化来抑制潜在的病态现象，或者基于K–L分解和稀疏表示开发分布式随机动态载荷等效识别方法（Wang和Liu，2020），但这些方法仍往往依赖于结构参数或特定的模型假设，因此适用范围有限。在极地环境中，传感器信号的高噪声特性会进一步加剧问题的病态性，导致传统算法的泛化能力不足且抗噪性较差。

为克服这些难题，数据驱动的机器学习方法逐渐成为动态反问题的主流解决方案，因为它们无需预先定义复杂的物理模型（Wazid等人，2022），且非常适合处理高度非线性的映射关系（Zhou等人，2020）。因此，机器学习方法在海洋结构载荷识别领域具有广阔的应用前景（Yang等人，2023；Yang等人，2023b）。常用的方法包括支持向量机（Mao等人，2012；Pérez-Cruz等人，2002）、人工神经网络（ANNs）（Cui和Wang，2023）以及深度学习方法（Wang等人，2022b；Candon等人，2022）。传统的支持向量机计算量大，通常更适用于小样本问题，且需要调整大量超参数。随着近年来机器学习的快速发展，越来越多的方法在海洋设备载荷反问题中展现出优异的性能和独特优势（Liu等人，2021；Jia等人，2025）。特别是集成学习方法，通过结合多个基础学习器，可以有效降低单个模型的方差和偏差，从而显著提升模型的稳健性和预测精度。尽管集成学习在时域动态反问题中展现出巨大潜力，但现有研究大多聚焦于常温环境或结构相对简单的场景，其在极地条件下复杂机电液耦合系统中的应用仍然十分罕见。

集成学习模型的性能在很大程度上取决于超参数的合理选择（Webb和Zheng，2004；Ganaie等人，2022）。在极地环境中，设备的运行温度范围可能非常宽，例如从-40℃到-10℃不等，而液压系统参数如油温、油压也会随着工况变化而发生剧烈波动。因此，模型必须在不同工况条件下都能实现全局最优性能。传统的网格搜索和随机搜索方法效率较低，往往难以在高维参数空间中找到最优解（Jia等人，2025）。而灰狼优化算法这类元启发式优化算法，凭借强大的全局搜索能力，被广泛用于超参数优化（Seyyedabbasi和Kiani，2021；Ghalambaz等人，2021）。经过改进的灰狼优化算法（I-GWO）通过引入更先进的搜索策略，进一步提升种群的多样性，更好地平衡探索与利用之间的关系，为构建适用于复杂、高噪声、多模态数据集的高性能集成学习模型提供了可靠工具。

为解决极地条件下船舶锚机动态载荷间接监测的工程问题，以及现有方法的局限性，本文提出了一种基于改进灰狼优化器驱动的集成学习的新型时域随机动态载荷反问题方法。此外，还构建了一种实验-仿真-机器学习相结合的混合框架，用于分析极地环境下设备的失效行为。本研究的主要创新点与贡献如下：
(1)针对极地船舶锚机，开发了一种无侵入式的动态载荷反问题框架。与传统直接载荷测量方法不同，该框架以易于测量的多模态液压参数为输入特征，包括泵站油温/油压以及液压马达油温/油压，进而建立与难以测量的随机动态载荷之间的逆向映射关系，为低温工况下极地甲板机械的载荷监测与状态评估提供了一种实用的数据驱动方法。
(2)提出了一种经I-GWO优化的Stacking反问题模型。该模型采用改进灰狼优化算法优化由LSTM、随机森林和XGBoost组成的Stacking集成模型的超参数。在该架构中，LSTM用于捕捉时间依赖性，随机森林增强对局部波动和测量噪声的抵抗能力，XGBoost则用于建模非线性特征交互作用。这种优化的融合策略提升了多工况液压响应下载荷反问题的准确性与稳定性。
(3)在极地模拟条件下建立了仿真-实验混合验证机制。通过基于Simulink的机电液耦合模型，描述锚机的动态响应，并在低温、结冰、降雨、降雪等环境因素作用下生成仿真数据。此外，还在河南开展了陆基极地模拟试验，利用载荷传感器采集的实际载荷数据对所提出的模型进行验证。
(4)通过SHAP分析提升了模型的可解释性。对优化后的各基础学习器进行SHAP分析，识别出关键的液压特征，并检验不同学习器中的特征贡献模式是否具有物理一致性。这不仅提升了所提Stacking框架的工程可解释性，还为传感器布置提供了参考依据。

因此，本研究将锚机视为一个集成的机电液系统，而非单纯的液压子系统。易于测量的液压参数被当作无侵入式的观测特征，而作用在锚机上的总外部动态载荷扭矩则作为反问题求解的目标。基于这一思路，本文构建了数据驱动的时域反问题框架，进一步量化并分析了低温、结冰以及雪/雨堆积所引起的等效额外阻力。

为便于理解，本文的其余部分结构如下：第2节介绍集成学习方法与I-GWO优化策略；第3节阐述极地锚机仿真模型的建立、环境因素的量化以及数据集的生成过程；第4节描述极地模拟实验平台、数据采集流程，以及基于实验数据的载荷反问题结果与性能对比；第5节进一步分析各环境因素对反问题精度的影响程度，并评估模型的稳健性；最后，第6节对全文进行总结，并指出未来的研究方向。技术路线如图1所示。

锚机时域动态载荷反问题的建模
极地船舶锚机的时域动态载荷反问题旨在建立一种逆向映射模型，将易于测量的设备运行状态参数与外部动态载荷联系起来。与基于有限元法或多体动力学等物理模型的传统反问题求解方法不同，本研究采用完全数据驱动的策略，将该问题重新定义为非线性多输入单输出（MISO）时间序列回归任务。

动态建模
锚机的液压传动系统是一个具有复杂耦合关系和多重约束的机械系统。为准确描述其在极端工况下的动态行为，本研究采用了拉格朗日动力学方法进行建模。锚机被简化为一个多自由度系统，重点考虑了齿轮啮合、摩擦损耗以及制动机制相关的非线性约束。

低温环境模拟与结冰条件实现
为验证I-GWO优化后的Stacking反问题模型在真实极地工况下的准确性与稳定性，中国在河南建立了极地模拟低温现场测试平台。该平台旨在重现极地冰封水域中船舶锚机所面临的超低温环境、动态载荷冲击以及表面结冰效应，是验证相关工程方法的重要环节。

冰层堆积对设备的影响
本章旨在利用经过验证的I-GWO优化后的Stacking反问题模型，间接量化极地环境因素引起的等效额外阻力，进而分析锚机在极地工况下的失效风险。其基本思路是，在无负载的严格条件下，外部牵引载荷近似为零。因此，锚机系统所承受的负载反演主要源于系统内部损耗。结论为了解决在极低温度和冰层载荷作用下，极地船舶锚机所受随机动态载荷难以直接监测这一工程问题，本研究提出了一种基于I-GWO优化的Stacking集成学习框架的全数据驱动时域反演方法。通过结合耦合仿真建模、极地模拟现场实验以及先进的智能优化算法，实现了高效且高精度的间接反演。CRediT作者贡献声明：文海明：形式分析、方法论、可视化、初稿撰写；吴刚：调研、软件应用、验证；崔萌：数据整理、资源提供；刘晨阳：概念设计、审稿与编辑；李鹏程：数据整理、可视化；陈岩：调研、软件应用；孙伟：资金筹措、审稿与编辑；张大勇：资金筹措、资源提供、监督指导及审稿与编辑。利益冲突声明：作者们声明没有已知的可能影响本文研究工作的财务利益或个人关系。致谢：本项目得到了中国国家重点研发计划（2024YFC2816304）和中国国家自然科学基金（项目编号52071055）的支持。文海明|吴刚|崔萌|刘晨阳|李鹏程|陈岩|孙伟|张大勇