一种基于Transformer时序预测的船舶螺旋桨全工况多目标智能调控方法与流程

摘要: 本发明涉及船舶与海洋工程装备,尤其涉及一种基于transformer时序预测的船舶螺旋桨全工况多目标智能调控方法。背景技术:1、船舶螺旋桨作为船舶推进系统的核心...
一种基于Transformer时序预测的船舶螺旋桨全工况多目标智能调控方法与流程

本发明涉及船舶与海洋工程装备,尤其涉及一种基于transformer时序预测的船舶螺旋桨全工况多目标智能调控方法。

背景技术:

1、船舶螺旋桨作为船舶推进系统的核心功能部件,其运行工况直接决定船舶航行的经济性能、运行安全与乘坐舒适性能。调距桨(cpp)可在主机输出转速保持恒定的前提下实时调整桨叶螺距角,能够灵活匹配多变航行条件,现已在沿海运输商船、海洋工程船舶、远洋货船等各类主流船型中得到大规模推广应用。

2、船舶实际航行全程持续受到风浪流耦合扰动、船舶吃水与载货载荷动态变化、船体海洋生物污损、螺旋桨盘面伴流场畸变等多重复杂非稳态因素干扰。现有螺旋桨调控手段难以实现全海况、全载荷工况下的协同最优控制,长期存在推进效率损耗严重、船舶燃油消耗量大、螺旋桨易发生空泡剥蚀、船体尾部振动与水下噪声超标等行业共性技术难题。在船舶智能化、绿色低碳化发展的行业大背景下,依托人工智能算法实现调距桨智能优化调控,已成为船舶与海洋工程装备领域的重点研发方向。

3、当前船舶螺旋桨智能调控领域存在四类主流现有技术,各自存在明显技术缺陷:

4、第一类为传统控制技术,为目前实船商用的主流技术,基于螺旋桨敞水特性曲线构建固定map图开环调控,或采用pid单变量闭环控制,仅能适配预设的理想设计工况。该技术无法同时兼顾效率、空泡抑制等多目标;同时控制滞后性强,属于事后反馈控制,无工况预判能力,极端海况下无法提前规避螺旋桨空泡、主机过载等风险。

5、第二类为传统机器学习调控方案,基于svm、随机森林、bp神经网络的参数优化方法,通过历史航行数据训练模型,实现螺旋桨螺距角与主机转速的静态优化。该技术无法捕捉航行工况的时序变化规律,仅能实现静态工况的参数优化;同时多源数据融合能力弱,无法有效融合海洋环境、螺旋桨状态、不同采样频率的异构数据。

6、第三类为循环神经网络调控技术,基于循环神经网络构建时序预测模型,捕捉航行工况的时序变化规律,实现螺旋桨动态调控。该技术对长周期航行工况预判精度低,无法捕捉长时序海况变化规律;同时该模型训练难度大、模型稳定性差,容易出现过拟合。

7、第四类为transformer 相关应用技术,现有研究将transformer应用于船舶轨迹预测、设备故障诊断等单一任务。该技术尚未形成针对螺旋桨实时调控的完整闭环工程化方案,仅用于单一的航速或工况预测;同时原始transformer模型参数量大、计算复杂度高,未做轻量化处理,无法在船载边缘设备上实现实时推理,仅能停留在实验室仿真阶段。

8、综上,现有各类螺旋桨调控技术分别存在多目标协同优化能力缺失、无长时序工况预判能力、异构数据融合效果差、长周期预测精度不足、模型无法船载实时部署等多重缺陷,行业亟需一套可实现全工况、多目标协同优化,且适配船载边缘硬件的船舶调距桨智能闭环调控方案。

技术实现思路

1、本发明提供一种基于transformer时序预测的船舶螺旋桨全工况多目标智能调控方法,基于轻量化informer时序预测模型ship-linformer输出的未来工况及推进响应预测结果,将预测结果作为滚动时域模型预测控制的输入,在满足螺距角、主机转速、功率、扭矩、空泡安全裕度及执行机构响应能力等约束条件下,联合求解螺旋桨螺距角与主机转速的最优控制量,并通过“预测--优化--执行--反馈--离线迭代”的闭环机制,实现船舶螺旋桨全工况多目标智能调控。解决现有技术中存在的长时序依赖建模能力不足、长周期预判精度低、串行计算推理速度慢以及仅用于单一航速预测,无法适配船舶多源异构数据的问题。

2、本发明解决其技术问题所采用的技术方案是,一种基于transformer时序预测的船舶螺旋桨全工况多目标智能调控方法,包括:

3、s1:构建基于informer中probsparse稀疏注意力机制的轻量化编码器式多步时序预测模型ship-linformer模型并训练,所述ship-linformer模型包括输入特征映射层、时序序列位置编码层、若干层probsparse稀疏多头自注意力编码器层以及多步预测输出层;

4、s2:以固定采用频率采集船舶航行全维度数据,构建原始时序数据集并进行异常值剔除、时序对齐、归一化处理以及滑动窗口构造;

5、s3:通过所述输入特征映射层将输入特征映射至模型特征维度获得特征嵌入序列,并通过时序序列位置编码层生成位置编码矩阵,将位置编码矩阵与特征嵌入序列逐元素相加获得输入序列;

6、s4:确定若干维候选控制量,生成候选控制序列,经归一化后映射至模型特征空间并与所述输入序列共同输入至probsparse稀疏多头自注意力编码器层,预测未来多个时间步内除候选控制量之外的非控制响应预测结果,所述非控制响应预测结果经反归一化后与候选控制序列组合为未来综合预测序列;

7、s5:基于未来综合预测序列,采用滚动时域模型预测控制,以推荐效率、空泡风险、振动噪声和主机工况平稳性为多目标,在每个控制周期内求解候选控制序列并获取最优控制序列;

8、s6:将所述最优控制序列中的第一个控制量作为当前控制周期的执行指令发送至船舶执行控制单元,完成调控动作,回退至步骤s2形成闭环。

9、作为上述方案的一种优选方案,每日采集24小时实船运行数据、控制指令数据以及调控效果数据,构建增量训练数据集,在离线计算环境中对ship-linformer模型进行增量训练,离线增量训练完成后,依次进行验证集测试、历史航行数据回放测试、典型海况仿真测试和安全边界校验,当增量模型满足预设预测误差阈值、控制稳定性阈值和安全约束条件时,将更新后的模型权重部署至船载边缘计算模块。

10、作为上述方案的一种优选方案,步骤s1中,所述probsparse稀疏多头自注意力编码器层包括probsparse多头自注意力子层和前馈神经网络子层,所述probsparse多头自注意力子层和所述前馈神经网络子层后分别引入残差连接与层归一化操作;第层所述probsparse稀疏多头自注意力编码器层表示为:

11、

12、其中,表示第层经过probsparse多头自注意力、残差连接和层归一化后的中间特征;表示第层编码器输出特征;表示层归一化操作;为第层probsparse多头自注意力子层的输出;为第层前馈神经网络子层的输出。

13、作为上述方案的一种优选方案,步骤s2中,所述船舶航行全维度数据包括:

14、船舶航行状态数据:航速、纵倾、横倾、艏艉吃水、;

15、海洋环境数据:风速、风向、有效波高、波浪周期、流向、流速;

16、主机运行数据:转速、功率、扭矩、燃油消耗率、冷却水温度;

17、螺旋桨运行数据:转速、螺距角、推力、扭矩;

18、安全与舒适性数据:艉部三轴振动加速度,水下噪声级、螺旋桨盘面压力脉动。

19、作为上述方案的一种优选方案,步骤s3中,所述输入序列表示为:

20、

21、其中,e为映射后的特征嵌入序列,,为输入特征,为输入特征映射层的权重矩阵,为输入特征映射层的偏置向量;为位置编码矩阵。

22、作为上述方案的一种优选方案,步骤s4中,所述候选控制量包括未来螺距角与主机转速,在当前时间步下,候选控制量定义为:

23、

24、候选控制序列定义为:

25、

26、其中,表示控制时域长度;当时,候选控制量保持为第个控制步的取值:

27、

28、生成候选控制序列后,对候选控制序列扩展为长度为的预测用控制序列:

29、

30、其中:

31、

32、

33、作为上述方案的一种优选方案,所述非控制响应预测结果表示为:

34、

35、式中,表示ship-linformer时序预测模型;表示模型全部可训练参数;表示归一化尺度下的除候选控制量外多维未来非控制响应预测结果,为给定历史输入窗口,为预测用控制序列归一化后经输入特征映射层映射后的嵌入控制序列,,为归一化后的预测用控制序列,为输入特征映射层权重矩阵,为输入特征映射层偏置向量;

36、所述非控制响应预测结果经反归一化后表示为:

37、

38、其中,表示逐元素乘法;分别表示除候选控制量外多维非控制响应变量在训练集中的最小值和最大值;表示物理量尺度下的除候选控制量外多维未来非控制响应预测结果;

39、所述未来综合预测序列表示为:

40、

41、其中,表示将除候选控制量外多维未来非控制响应预测结果与候选控制量按照预设特征顺序合并为多维未来综合预测序列。

42、作为上述方案的一种优选方案,步骤s5中,滚动时域模型的优化问题定义为:

43、

44、其中,未来预测时域累计目标函数为:

45、

46、式中,表示当前时间步下的滚动时域累计目标函数;表示时间折扣因子,满足;、、、表示各子目标权重系数;表示第个未来时间步的推进效率子目标;表示第个未来时间步的空泡风险子目标;表示第个未来时间步的振动噪声子目标;表示第个未来时间步的主机工况平稳性子目标。

47、作为上述方案的一种优选方案,各子目标函数定义如下:

48、

49、

50、

51、

52、其中,为平滑惩罚函数,;为预判工况下螺旋桨的实时推进效率;为该工况下螺旋桨的设计额定推进效率;为旋桨盘面处的最小空泡数;为螺旋桨的临界空泡数;为预判工况下的空泡发生概率;为船舶设计的额定振动加速度阈值;为预判工况下的水下噪声级;为船舶设计的额定噪声阈值;为预判工况下的主机转速;为当前时间步的主机实际转速;预判工况下的主机功率;为当前时间步的主机实际功率;

53、螺旋桨实时推进效率根据螺旋桨敞水特性曲线计算得到:

54、

55、

56、式中,表示第个未来时间步的进速系数;表示螺旋桨盘面处的进速;表示螺旋桨转速;表示螺旋桨直径;表示推力系数;表示扭矩系数;表示第个未来时间步的螺旋桨推进效率;

57、空泡发生概率由空泡风险估计函数根据未来预测得到的压力脉动、水下噪声和艉部三轴振动加速度计算得到:式中,表示第个未来时间步的螺旋桨盘面压力脉动预测值;表示水下噪声级预测值。

58、作为上述方案的一种优选方案,步骤s6中,所述船舶执行控制单元在执行前对执行指令进行限幅和平滑处理:

59、

60、其中,表示限幅函数。

61、本发明的优点是:采用基于informer中probsparse稀疏注意力机制的轻量化编码器式多步时序预测模型ship-linformer模型,可有效捕捉未来长时间内船舶航行状态、海洋环境、主机运行与螺旋桨运行之间的动态耦合变化规律,提高工况预判精度;ship-linformer模型采用并行化稀疏注意力计算结构,显著降低长序列推理延迟,使推理速度较lstm提升40%以上,满足实船实时滚动调控要求;ship-linformer模型针对船舶25维多源异构航行数据设计轻量化输入映射层、probsparse编码器结构和多步预测输出层,可在船载边缘计算设备上稳定运行,解决了普通transformer模型参数量大、计算复杂度高、难以实船实时部署的问题;构建了覆盖船舶航行状态、海洋环境、主机运行、螺旋桨运行、安全舒适性5大类25维特征的全维度数据集,覆盖影响螺旋桨运行状态的主要因素,实现了多源数据的有效融合,为模型预判与优化提供了全面的输入信息,大幅提升了模型的泛化能力;提出“预判-优化-调控-反馈”的闭环调控策略,基于未来工况的预判结果进行主动调控,解决了传统控制的滞后性问题,可提前规避极端海况下的螺旋桨空泡、过载等风险;设计了可配置权重的多目标优化函数,同时兼顾多个核心优化目标,解决了传统调控的痛点,实现了螺旋桨全工况下的多目标协同最优控制。