论文部分内容阅读
由于受到海洋风、浪、流等环境因素的影响,舰船会不断产生六个自由度的摇荡运动,对舰船海上作业造成严重威胁。舰船运动在线预报能够实时地估计舰船未来几秒到几十秒内的运动姿态,为舰船海上作业的精确控制和最优作业时机的选择提供决策信息,进而提高海上作业的安全性和效率。舰船运动在线预报中,时长在几秒以内的预报称为极短期预报,通常用于海洋作业的精确控制;而时长在十秒到几十秒的预报一般应用于海上作业时机优选,称为安稳期预报。时间序列分析是极短期预报方法的基础。传统的极短期预报方法基于假定的时间序列模型如自回归模型、自回归滑动平均模型、神经网络模型等。本文基于海洋浮体在波浪中运动的记忆特性,创新性地提出了一种波浪效应自回归(Wave Effect Auto-regressive,WEAR)预报模型,在保证预报精度的同时,大幅提高了模型辨识效率,降低了预报结果对采样频率的敏感性。针对实际舰船运动中存在的非线性非平稳性特征,研究分析了传统傅里叶分析方法的不足,引入了经验模态分解(Empirical Mode Decomposition,EMD)及 Hilbert-Huang变换对非线性非平稳信号进行处理,并基于EMD方法展开分析了非线性非平稳特征对极短期预报模型的影响。结果表明:非线性特征是导致线性模型预报结果中产生幅值偏差的主要因素,而非平稳特性则是引起线性模型和非线性模型预报结果中产生相位偏差的主要因素。且非线性非平稳特征对模型预报性能的影响与预报时长有关,当时长较短时,非线性是引起预报误差的主要因素,而随着预报时长的增加,非平稳性对预报误差的影响逐渐增强,当时长超过一定的阀值后,非平稳性影响成为引起预报误差的主要成分。EMD方法能够有效处理时间序列中的非线性非平稳性特征,在预报模型中引入EMD处理是提高非线性非平稳舰船运动预报精度的重要手段。但预报过程中,在线EMD处理通过克服非线性非平稳性为预报结果带来预报精度增益的同时,也引入了在线端点效应,引起预报精度损失。这种预报精度损失表现为预报时历结果的不光滑、局部存在明显“跳跃”。当预报精度损失大于预报精度增益时,引入在线EMD处理会使预报结果变差。为了抑制在线端点效应所引起的预报精度损失同时提高在线分解的实时性,本文创新性地提出了一种中值回归经验模态分解(Midpoint and Regression-based Empirical Mode Decomposition,MREMD)方法。研究结果表明:相比于传统EMD方法,MREMD方法在保证分解精度的同时具有更高的分解效率,有效改善了分解过程中的端点效应,在线预报结果的精度得到明显提高。针对安稳期预报问题,文中基于时间序列方法展开研究。相比而言,安稳期预报更关注舰船运动的幅值范围而不是准确运动时历,但其对预报时长的要求较高,一般在10～15秒以上。考虑到运动时历直接预报方法在预报时长上的局限性,本文研究分析了运动时历特征对预报时长的影响,提出了基于运动时历包络预报的间接安稳期预报方法。结果表明:基于运动时历包络的间接安稳期预报方法能够大幅提高预报时长和预报结果的可靠性,为舰船安稳期预报研究提供了一种可行的途径。