基于實船冰區加速度監測的破冰顛震識別與分析

馬 群 李 放 崔 濛 高 處 周 利 丁仕風

（1. 江蘇科技大學 船舶與海洋工程學院 鎮江 212003； 2. 上海交通大學 船舶海洋與建筑工程學院 上海 200240；3. 中國船舶及海洋工程設計研究院 上海 200011）

0 引 言

隨著對極地的不斷探索，極地航線日益繁忙，極地地區蘊藏的豐富戰略資源也被不斷發掘。極地考察船作為探索極地的重要裝備，已經成為各國研發的熱門船型。極地考察船在航行過程中會不斷與海冰發生接觸（包括碰撞、擠壓、摩擦等）。在冰載荷作用下，船體發生運動和振動響應，對船舶結構安全和船載設備運行性能均產生重要影響。有別于局部范圍內的結構振動，本文將船體在冰區航行時發生的全局性垂向運動和振動響應統稱為破冰顛震。此類響應對于船載設備的正常工作具有較大影響，可能導致緊固件松動、運動部件阻塞、光學設備偏移及其他各類問題。顛震關鍵參數的確定在極地考察船的設計和運營中具有重要意義。

加速度測量在研究船舶運動和振動方面起著重要作用。通過測量船舶在不同方向上的加速度，可以了解船體在破冰過程中的動態響應，從而優化設計、改進船舶性能。目前對于船舶加速度測量結果主要通過傅里葉變換、短時傅里葉變換（short-time Fourier transform, STFT）、小波變換和Wigner-Ville分布等方法進行分析，而目前對于船舶加速度的分析研究則主要針對船舶在波浪中的加速度數據。KIM 等[1]利用Morlet 小波在不同尺度上的相互關聯，從時域船體響應測量中提取顫振響應，用于區分柔性船舶自由衰減的振動屬性。OMER 等[2]在船體中放置加速度傳感器，利用STFT 生成時頻圖，將波浪砰擊以線性特征展現。JESSLYN 等[3]利用小波變換簡化時頻圖，通過檢測閾值的方法識別波浪砰擊次數。DESSI 等[4]利用機器學習模型識別和提取傳感器數據中撞擊的時長。WANG 等[5]利用STFT 和小波對非平穩脈沖特征和變速工況下的振動與噪聲進行分析，識別非穩定脈沖信號中的異常點。破冰過程中的顛震與船舶在波浪砰擊的響應具有相似的特征，均會引起全局性的運動和振動響應。BELOV等[6]利用小波變換對時序的冰載荷進行拆分，提出了加速度信號在不同頻段對應的激勵源劃分。YUE等[7]利用STFT 在時域和頻域中分析了導致結構產生振動的冰力。HEYN 等[8]利用Wigner-Ville 分布法分析了Frej 號破冰船北極水域航行期間收集的加速度數據，證明了振動的激勵頻率與主要破冰機制、船舶與冰碰撞的速度，以及相互作用位置有關，而且船的固有頻率也會因其周圍海冰狀況的變化而略有改變。該項研究證明了船上的分布式加速度計可以為監測系統提供有關冰封水域作業中的破冰機制、周圍冰情及船體與冰相互作用位置的額外信息，從而為冰區水域作業提供了一個有效的監控工具。

然而，以上研究均是針對特定船-冰接觸事件所開展的加速度頻域分析，未針對顛震進行研究和量化，在給定加速度測量信號的情況下，仍缺少能夠自動、快速識別顛震事件的有效方法，對于不同冰況和航行狀況下的顛震量化研究也相對缺乏。

本文對“雪龍2”號多個測點的加速度數據進行分析和判斷，利用隨船海冰圖像和GPS 信號，篩選具有典型性的數據進行后續分析和識別；利用STFT等方法，得出加速度信號的時頻圖。在此基礎上，提出一種改進的單點目標檢測（single shot multibox detector, SSD）模型對破冰顛震自動識別，進而分析破冰顛震事件，提取不同冰況條件下的顛震關鍵特征，探究不同冰況和航速下對顛震關鍵參數的影響。

1 分布式加速度測量

1.1 原型測量數據

本文所用數據來自“雪龍2”號極地考察破冰船于2019-2023 年南北極航行期間在冰區航行時隨船測量的加速度。“雪龍2”號極地考察船目前共安裝了8 個加速度測量點，分布在船舶的各個位置，具體布置如表1 所示。

表1 加速度測點位置

加速度傳感器分布情況見圖1。“雪龍2”號船體監測系統原有加速度測點為5 ～ 8，采樣頻率為150 Hz，布置位置見圖1（a）；2022 年后，“雪龍2”號又新加裝測點1 ～ 4，采樣頻率為200 Hz，布置位置見圖1（b）。本文所分析的數據均來自于原有測點。

圖1 加速度傳感器分布情況

此外，船上配備多臺攝像機進行海冰冰況觀測，并通過GPS 對船舶航速和航跡進行記錄，所收集的數據信息主要包括時間、三自由度加速度、對地航向、對地航速、經度、緯度和隨船海冰圖像等。

圖2 為某時段內船首和船舯各測點位置處的加速度信號對比。總體來看，船首部位所受環境載荷（尤其是冰載荷）影響較大，易于識別；相對而言，船舯部位的數據加速度幅值則較小。測點6、7 處的加速度幅值較相似，而測點8 處雖然在沿船長位置上與測點6、7 相似，但加速度量級與測點5 相似，由此可推斷測點8 處船體局部振動響應較大。因此在本文后續分析中，選擇測點5、7 進行研究。

圖2 “雪龍2”號垂向加速度

1.2 數據篩選

為了較全面地覆蓋海冰冰況和航行狀況，需要從大量實測數據中篩選典型案例。本文利用隨船海冰圖像進行冰厚和海冰密集度識別，并借助GPS信號確定船舶的航速。為保證所選案例具備典型性，需選擇冰況和船速相對穩定的時段，以5 ～ 15 min為1 組典型案例。根據冰況和航速，篩選出16 組典型案例，參見表2。

表2 典型案例

冰況主要分為浮冰和層冰（參見圖3），分析過程中，還加入1 組碎冰航道進行對比，船速以5 kn 為界限劃分為低速和高速，后續破冰顛震分析將以基于這些數據來開展。作為對比，在分析中加入了1 個沖撞破冰案例。這種情況下的航速在短時間內變化較大，因此在表2 中并不對航速進行定義。

圖3 層冰和浮冰冰況下的實拍照片

2 破冰顛震識別與分析方法

2.1 加速度測量信號預處理

利用小波濾波的方法，可以在去除噪聲的同時，較完整地保留數據特征，從而為后續的數據分析提供基礎。小波濾波的原理是將原始信號分解成不同頻率的子信號，通過選取1 個合適的閥值，將大于閥值的小波系數視作有信號產生且應予以保留，而后將濾波后的子信號合并，并最終得到濾波后的信號。信號經小波分解后，可使小波系數變得較大。因噪聲的小波系數較小，故本文選用小波閾值，去除低于閾值的小波并進行濾波，得到如圖4 所示結構[10]。

圖4 小波濾波結構圖

本文使用Daubechies 4 小波基函數，實現信號去噪，小波濾波后的效果如圖5 所示。

圖5 小波濾波效果

2.2 加速度時頻分析

為分析極地船舶破冰顛震特性，本項研究采用STFT 方法，對不同測點處所測得的垂向加速度信號進行深入分析，提取出破冰顛震的特征。

STFT 是一種將信號分解成時間和頻率2 個維度的方法，它將信號分成若干個時間段，對每個時間段進行傅里葉變換，得到該時間段內信號的頻率分布情況。這樣可以得到信號在時間和頻率上的變化情況，從而分析信號的時頻特性。

當下，現實主義創作并沒有完結，現實主義創作道路還有很長的路要走。幾十年來，現實主義創作經歷了風雨洗禮和各種思想運動的考驗，已經成為代表中華民族國情的文藝創作主流形式，取得了豐碩的藝術成果——經驗和成就同步前進，堅守和開拓并存發展。

本文將STFT 的窗口長度設為0.5 s，為更加清楚地展示每個時間段之間幅值的區別，先將窗口的重疊長度設為0.2 s，所得到的時頻圖如下頁圖6所示。其中能量密度越高則顏色更深。

圖6 STFT 變換后的時頻圖

從圖6 中可以看出，破冰情況下加速度時頻圖上呈現線狀特征，即在激勵下產生寬頻的振動響應，進而產生周期性的能量集中，如30 s 左右在頻域上的分布和變化。本研究將基于這一觀察，通過圖像處理使線狀特征更加突顯，從而基于圖像識別實現破冰顛震的自動識別。

將時頻圖的y軸縮放到0 ～ 10 Hz，并固定顏色軸范圍，優化后的圖像見下頁圖7。經過優化后，破冰顛震在時頻圖上的線狀分布特征更加明顯，便于自動識別。

圖7 優化后的時頻圖

2.3 顛震自動識別

通過短時傅里葉變換將原本的一維加速度信號轉化為二維圖像，本文利用圖像識別算法對垂向加速度信號中的顛震進行自動識別。SSD 是目前主流的圖像識別網絡，其原理是均勻地在圖片不同位置進行密集抽樣，利用卷積神經網絡提取特征，并進行分類回歸。其識別速度快，可以滿足實時顛震識別的需求[11]，但數據集需求較多，模型準確率稍低。雖然SSD 算法在傳統數據集上表現優異，但因其設計主要致力于小目標檢測，且相對較低的層數可能導致特征提取不足[12]。

基于深度卷積和點卷積框架的MobileNetV2 網絡可解決SSD 模型在特征提取上的不足，從而顯著降低計算復雜度、減小模型規模，同時提高準確度。其設計理念是先進行升維操作，然后進行降維操作，該過程如下頁圖8 所示。

圖8 MobileNetV2 結構

此外，MobileNetV2 針對其倒殘差（inverted residuals）結構中的最后1 個卷積層，采用線性激活函數代替ReLU 激活函數，能有效防止非線性操作對信息的過度破壞[13]。本研究選擇了改進的SSD算法，用于識別極地船舶加速度數據的時頻圖，以提高識別的精度。極地船舶的破冰顛震事件在時間序列上不會出現重疊現象，因此需要消除識別過程中出現的重疊檢測，本文在模型中添加非極大值抑制（non maximum suppression, NMS）算法。NMS 算法對所有圖片進行循環，選中得分大于門限函數的框，以減少框的數量[14]。其對最后一個維度里的內容進行修改，從而對重疊的顛震識別進行消除。

2.4 顛震關鍵參數提取

為研究破冰顛震對船舶的影響，以降低局部振動的干擾，需要拆解出顛震數據。如圖9 所示，俄羅斯學者BELOV 等[6]根據頻段的不同，將破冰船的垂向加速度分為4 個部分：一階船體振動（2 ～ 4 Hz）；螺旋槳二階旋轉頻率引起的局部振動（3 ～ 6 Hz）；螺旋槳葉頻及上層建筑固有頻率范圍內的船體局部振動（8 ～ 12 Hz）；高階螺旋槳諧振、低速主機引起的局部振動（16 ～ 35 Hz）。

圖9 船舶加速度信號分離

VON BOCK 等[15]在芬蘭阿爾托大學冰實驗水池通過模型實驗，測量了船舶在破冰工況下的加速度時間歷程，并對所得信號進行頻譜分析，結果顯示：破冰工況下船體運動加速度主要分布范圍為0.5 ～ 4 Hz，換算成實船后為0.09 ～ 0.71 Hz。由此可見，破冰激勵下的船舶運動頻段在一階振動頻段之下。因此，本研究將船舶運動和一階振動響應之和定義為破冰顛震，認為其主要分布頻段為0 ～ 4 Hz。兩者均為船舶的全局響應，可作為船舶關鍵設備的使用環境輸入。

圖10 為所測得的“雪龍2”號駕駛室位置加速度信號功率譜。

圖10 “雪龍2”號駕駛室位置加速度信號功率譜分析

根據前期有限元計算以及在靜水中加速度時頻分析，確定本船一階振動頻率約為2.5 Hz。基于以上推理，考慮適度余量，可假設0 ～ 4 Hz 頻段為顛震頻段，主要成分為剛體運動（0 ～ 2 Hz）和一階振動（2 ～ 4 Hz），通過濾波器過濾掉高階振動和局部振動成分，可將船舶破冰顛震成分提取出來。其他頻段則被認為是局部結構振動和噪聲，以表2 中案例13 的船舯數據為例，不同頻段的數據如圖11 所示。通過這種方法，可相對合理地分離顛震成分。因采用了頻帶提取方法，故顛震分析結果將偏于保守，對于設備使用環境的定義也相對更安全。

圖11 濾波后的不同加速度頻段信號

3 識別結果與顛震分析

3.1 顛震識別結果

對“雪龍2”號的垂向加速度中顛震部分時頻圖中的顛震進行識別，提取船舶每分鐘顛震次數。本次實驗共使用320 張時頻圖，從中隨機挑選了32 張為測試集、259 張為訓練集、29 張為驗證集，利用labelimg 對圖像手動標注標簽，如下頁圖12 所示。

圖12 對時頻圖進行顛震標定

利用型號為NVIDIA RTX 3080 Ti 的GPU 進行訓練，訓練時平均速度為200 epoch/h。本次實驗中訓練迭代500 次，耗時約2.5 h。模型的識別效果如圖13所示，所識別的顛震次數結果如表3所示。識別結果對于識別顛震次數精度達到81.99%，滿足實際工程應用需求。

圖13 顛震識別效果

表3 顛震次數識別結果 次

3.2 顛震分析

針對不同冰況和船速，本文對16 組數據進行了詳細分析，確定了顛震事件，對錨機間和駕駛室的顛震峰值加速度以及每分鐘發生次數進行了統計。

文中對不同冰況和航速的設定見表4，并通過對冰況、航速進一步整合，將16 個分析案例歸并為如表5 所示5 種工況。為了便于更加直觀地展示，故以如圖14 所示柱狀圖形式進行分析。

圖14 “雪龍2”號垂向加速度時頻分析柱狀圖

表4 不同冰況和航速的設定

表5 “雪龍2”號垂向加速度的時頻分析

通過以上對于極地考察船加速度時頻信號的分析，可得到以下結論：

（1）對比船首和船舯的幅值，可看出船首顛震幅值約為船舯位置的3 ～ 4 倍。

（2）對比不同航速和冰況下顛震次數，可以發現最嚴重顛震發生在中等密集度海冰冰況，且以較高速度行駛的狀態；而在厚冰中，由于速度很低，顛震反而不明顯。

（3）對比不同航速下的顛震次數和幅值，可見速度對顛震影響明顯，航速越快、顛震次數越多、幅值越大；而冰厚對顛震的直接影響不明顯，主要是通過影響船速來影響顛震。

4 結 語

本文提出一種改進的SSD 模型，對破冰顛震個數進行自動識別。通過頻譜分析，本文成功分離出“雪龍2”號多次南極航行數據中的顛震信號，進而提取了顛震事件加速度幅度和發生頻率，從而形成破冰顛震的識別與分析方法。通過此改進的SSD 模型識別時頻圖中的顛震次數，精度可達到81.99%。

基于該方法，文中進一步對各種典型場景下的破冰顛震數據進行研究，并分析了海冰環境、船舶航速、測量位置等因素對船舶顛震關鍵參數的影響。通過對比分析發現，船首顛震的幅值大約為船舯位置的3 ～ 4 倍。顛震最嚴重情況通常出現在中等海冰密集度的冰況及以較高速度行駛的狀態下；而在厚冰環境下，盡管冰況較差，但由于航速降低，顛震現象反而不明顯。

受限于訓練集的規模以及標注準確率的制約，模型仍有進一步提升和優化的空間。在未來的研究中，可通過將更多數據納入訓練集，并對數據集進行更精確的標校，以提升模型識別準確性；同時，也將逐步細化船舶速度、冰況和導航數據等因素的分析，以深入探究這些環境變量如何影響破冰顛震，從而使模型在實際應用中更具針對性和效率。