對船舶操縱運動模擬和智能技術的分析

劉子健

摘 要：加強智能技術在船舶操縱運動模擬過程中的有效應用，有利于提升船舶的可操作性，對增強航船的安全性和穩定性，具有重要作用。本文在對船舶操縱運動模擬的方法進行綜合闡述的基礎上，分析了船舶操縱運動模擬和智能技術的幾種算法，并介紹了智能技術在船舶操縱運動模擬中的應用實例，以期為相關人士提供借鑒和參考。

關鍵詞：船舶操縱運動 智能技術 神經網絡

1.前言

隨著社會經濟的不斷發展和社會生產力水平的進一步提升，航運業呈現了迅猛的發展趨勢，航船呈現向大型化和高速化的發展趨勢，對航船的可操作性提出了較高的要求。現階段，我國的航船操縱性較差，加之海上運輸的擁擠，使得海難事故頻發，若不能完善航船的可操縱性，會對航海事業的更好發展形成阻礙。因此，加強智能技術在船舶操縱運動模擬過程中的有效應用，具有十分重要的現實意義。

2.船舶操縱運動模擬的方法

現階段，自由自航船試驗模擬方法和建立船舶運動數學模型模擬方法是船舶操縱運動模擬的主要方法。其中，自由自航船試驗模擬方法屬于物理模擬方法，依據實際船舶的相關參數設計船舶模型，使其在天然湖泊中進行操縱試驗、回轉試驗，獲得船舶操縱性的準確數值，為研究人員提供科學的參考依據。建立船舶運動數學模型模擬方法屬于數學模擬方法，通過對計算機的充分利用，建立數學模型，通過求解船舶可操作性的數值得到船舶操縱運動的數學模型，然后進行船舶操縱試驗，獲得操縱性的精確數據，實現對船舶可操縱性的預測。建立船舶運動數學模型模擬方法需要對水動力系數進行預測，進而選定數學模型，隨著科技的迅速發展，水動力系數預測的方法日趨完善，船舶運動數學模型模擬方法在船舶操縱運動預報過程中得到了廣泛應用。船舶操縱控制具有復雜性的特點，經歷了控制、自適應控制和智能控制的發展階段，包含神經網絡、模糊分析和遺傳算法等智能技術，通過充分運用上述技術，能夠有效降低航行環境對船舶航行安全性與穩定性的不良影響，通過適時調整控制參數，實現對航船運行不穩定性問題的有效解決。

3.船舶操縱運動模擬和智能技術的應用分析

（1）船舶操縱運動模擬和智能技術的幾種算法

①神經網絡

神經網絡是智能技術的典型算法，多個并行的神經單元構成了神經網絡，與自然界的生物神經系統同出一轍，各個神經單元之間的連接強度決定了神經網絡的連接函數.一般情況下，通過對神經元之間的連接強度進行適當調整，使得網絡輸出值與網絡輸入值盡量相符，從而實現訓練神經網絡的目的。神經網絡是一種隱性的數學機制，可被應用于映射A維空間到B維空間的非線性關系，而這一應用需要依靠對神經網絡進行訓練方可實現。隨著神經網絡的迅速發展，神經網絡在社會生活的各個領域得到了廣泛的應用，且在圖像處理、系統辨識和自動控制領域的應用最為廣泛。在神經網絡中，多層前向網絡得到了廣泛應用，該神經網絡建立在誤差反向傳播的基礎上，實踐研究表明，90%以上的神經網絡是建立在多層前向神經網絡基礎之上。多層前向神經網絡通過給定任意函數f，ε大于0，建立三層前向神經網絡，使得ε的平方值無限接近函數f，由此可知，神經網絡映射的為網絡輸入值和輸出值在任意精度上的連續函數。

②模糊邏輯

模糊邏輯是基于模糊控制理論的一種算法，為了提升數學建模的精確性，通過結合人腦的特點，對其進行智能化處理，進而演化成一種新型的智能控制方法。1965年，模糊集理論的誕生標志著模糊邏輯算法的產生。模糊控制由模糊推力、模糊化、去模糊化和規則庫等模塊構成。為了實現模糊控制，通常應用非模糊量描述模糊程度，通過將非模糊量轉化為模糊量，實現模糊化，反之，若模糊推理的值為模糊值，需要將模糊值轉化為非模糊量，這一過程被稱為去模糊化。規則庫是指專家的專業知識和操作人員的操作經驗，是模糊推理建立的基礎。規則庫能夠將專家的專業知識和操作人員的操作經驗轉化為模糊控制規則，充分體現人為控制的特點。

③遺傳算法

遺傳算法是基于達爾文生物進化論基礎之上的，通過模仿生物體的遺傳和變異，實現對外部環境的良好適應，實現優勝劣汰的目的，形成較為優化的算法。遺傳算法通過模擬即將搜索問題的解空間，將其映射為遺傳空間，對求解的問題進行編碼，將每一個解表示為具體的向量，稱為染色體，向量的基本元素稱為基因，隨機產生一個種群，依據一定的目標評價每個染色體，根據評價結果給出適應度值，遺傳算法的計算規則依據適應度值合理選擇染色體產生新的種群，對種群進行重新評價，以此類推，促使種群中染色體的適應度值不斷提升，直至達到最優，方可停止迭代，計算結束。

（2）智能技術在船舶操縱運動模擬中的應用實例分析

①用于操縱性水動力系數的預測

建立船舶操縱運動模型是獲悉船舶在運動過程中網絡控制輸入的關鍵，有利于求解船舶操縱運動模擬的前提條件，能夠為設計自動舵奠定良好基礎。本文應用船舶操縱性水動力系數的預測方法對江蘇南通長江大橋船隊的船舶可操縱性進行了濾波、無量綱化和插值處理，求得了試驗船舶操縱性水動力系數，水動力系數的值分為為：X1=-0.0039，X2=-0.3221，X3=0.0247，Y1=-0.0298，Y2=0.0156，Y3=-0.0165，將上述水動力系數分別代入穩定性指數公式中，可求得穩定性知識C>0，由此表明江蘇南通長江大橋船隊的船舶具有較為穩定的航向。利用辨識的水動力系數對船舶操縱運動進行模擬，將模擬結果與實際船舶的操縱結果進行比較發現，模擬結果與實際試驗結果具有一致性，表明本次水動力系數的預測符合工程的實際需求。

②用于模擬船舶操縱運動

2016年，某科研機構在大連的旅順港附近進行了實際船舶的操縱試驗，目的是為計算船隊和海輪過橋的航跡帶寬度，為建立船舶操縱運動模擬模型提供科學的數據支持，同時，也能給為合理規劃航線提供可靠的參考依據。為了提升試驗結果的精確性，本次研究選取了1.6萬噸、功率為972×2kw的長江22018作為試驗船舶，考慮到潮流的影響，將船舶操縱試驗的時間定于2016年7月26日下午3時，為了確保航船的航行安全，避免過往船只對航船造成的不利影響，將試驗的地點定在旅順聯檢錨地。同時，本次研究還選取的海輪船長度為220m，寬約32.24m，主機額定功率為10800kw，為了提升試驗模型的準確性，對進行了濾波、無量綱化和插值處理。在選擇實際船舶樣本訓練神經網絡的過程中，剔除掉操舵階段，使用訓練完畢的神經網絡對操舵階段進行模擬發現，在操舵階段出現了跳躍現象。于是，研究人員提出操舵階段的神經網絡實現回轉角速度的模擬，然后再用神經網絡模擬船舶運動，跳躍現象消失，表明跳躍現象與船舶操縱運動的線性方程之間存在密切的關系。在模擬船舶操縱運動的過程中，通過加上操舵階段，相當于在船舶操縱運動的線性方程分別加上了非線性項，跳躍現象會消失。

4.結論

通過以上研究發現，在加強智能技術在船舶操縱運動模擬應用過程中，通過運用神經網絡模型，能夠實現對船舶操縱性水動力系數的預測，還能夠實現對船舶操縱運動的模擬。因此，在船舶操縱運動模擬過程中應用智能技術，可以借鑒上述方法。

參考文獻：

[1]張心光，王巖松.基于支持向量回歸機和粒子群算法的船舶操縱運動模型辨識[J].船舶力學，2016，2011：1427-1432.

[2]吳興亞，高霄鵬.全回轉槳初始安裝偏角對船舶操縱性的影響[J].船海工程，2016，4506：9-14.

[3]戴財龍.船舶操縱要素在避讓中的應用實踐微探[J].科技創新與應用，2016，27：56.endprint