基于物理信息神经网络的水下动态建模方法及装置与流程

本技术涉及水下航行器动力学建模，尤其涉及基于物理信息神经网络的水下动态建模方法及装置。

背景技术：

1、水下无人航行器（unmanned underwater vehicle，uuv）在海洋资源勘探、水下基础设施监测、环境监测甚至国防安全等领域都发挥着日益重要的作用。而高精度的实时动力学模型是实现uuv精确轨迹规划、稳定运动控制和成功执行任务的核心基础，也是构建其数字孪生体的关键。该模型需要在复杂的环境中，根据控制输入准确预测航行器的速度、姿态等状态变化。

2、目前，水下无人航行器动力学建模通常采用基于流体力学原理的物理模型或纯数据驱动的神经网络模型。物理模型虽具备明确的物理可解释性，但难以精确表征高攻角流场分离、推进器交互、生物附着等复杂未建模动态；纯数据驱动模型虽能拟合非线性特性，但缺乏物理约束，易产生违背力学规律的非物理解，且在训练数据覆盖范围外泛化能力显著下降。近年来，物理信息神经网络通过将物理方程嵌入损失函数以兼顾数据拟合与物理一致性，但现有方法多采用静态训练模式，模型参数在部署后不再更新。由于海洋环境具有强时变性，且航行器自身特性会因载荷变化、表面污损等因素发生缓慢漂移，导致训练数据与实际运行数据之间持续存在分布偏移，静态模型的预测误差随任务时间延长而累积放大，难以满足长周期自主作业对高精度、高可靠性动力学预测的需求。

技术实现思路

1、本技术的主要目的在于提供一种基于物理信息神经网络的水下动态建模方法及装置，旨在解决目前动力学建模存在的静态物理信息神经网络模型在时变海洋环境下预测精度衰减的技术问题。

2、为实现上述目的，本技术提出一种基于物理信息神经网络的水下动态建模方法，所述基于物理信息神经网络的水下动态建模方法包括：

3、获取水下航行器在不同海洋环境工况和多种航行机动状态下的历史运行数据、预构建的混合动力学模型和加权联合损失函数；

4、对所述历史运行数据进行预处理，构建标准训练样本集；

5、以所述标准训练样本集为输入，以最小化所述加权联合损失函数为目标，对所述混合动力学模型进行离线训练，得到目标混合动力学模型；

6、将所述目标混合动力学模型部署至水下航行器，对所述水下航行器进行加速度预测。

7、在一实施例中，获取预构建的混合动力学模型的步骤包括：

8、构建用于计算标称加速度的物理模型；

9、构建用于计算残差加速度的神经网络残差模型；

10、根据所述物理模型和所述神经网络残差模型得到混合动力学模型。

11、在一实施例中，所述构建用于计算标称加速度的物理模型的步骤包括：

12、获取水下航行器的物理参数样本数据；

13、根据所述物理参数样本数据构建动力学方程；

14、根据所述动力学方程构建用于计算标称加速度的物理模型。

15、在一实施例中，所述构建用于计算残差加速度的神经网络残差模型的步骤包括：

16、获取由水下航行器的六维速度数据和三维姿态角数据组成的十二维状态数据；

17、对所述十二维状态数据进行特征提取，得到十二维状态向量；

18、根据所述十二维状态向量配置输入层，所述输入层用于接收所述十二维状态向量；

19、设置隐藏层的神经元以及激活函数对所述十二维状态向量进行处理；

20、设置输出层的线性激活函数，所述输出层用于接收所述隐藏层处理后的十二维状态向量并进行处理，输出六维残差加速度；

21、根据设置的所述输入层、所述隐藏层以及所述输出层构建神经网络残差模型。

22、在一实施例中，获取预构建的加权联合损失函数的步骤包括：

23、获取历史实测加速度与历史预测加速度之间的均方误差；

24、根据所述均方误差设置数据拟合损失项；

25、将所述历史预测加速度代入动力学方程，得到方程残差；

26、对所述方程残差进行二范数运算，得到动力学物理残差损失项；

27、设置所述数据拟合损失项和所述动力学物理残差损失项的权重系数，并根据所述权重系数、所述数据拟合损失项以及所述动力学物理残差损失项构建加权联合损失函数。

28、在一实施例中，所述以所述标准训练样本集为输入，以最小化所述加权联合损失函数为目标，对所述混合动力学模型进行离线训练，得到目标混合动力学模型的步骤包括：

29、配置所述混合动力学模型的训练超参数，所述训练超参数包括优化器类型、初始学习率、批大小以及梯度裁剪阈值；

30、将所述标准训练样本集输入所述混合动力学模型，利用所述优化器根据所述加权联合损失函数计算梯度，并对所述混合动力学模型的参数进行更新；

31、在训练过程中执行学习率调度策略，当验证集损失在预设轮次内不再下降时，自动降低学习率；

32、在训练过程中执行梯度裁剪操作，当梯度范数超过所述梯度裁剪阈值时，对梯度进行缩放；

33、监测验证集损失的变化，当所述验证集损失达到预设迭代终止条件时，停止训练，得到目标混合动力学模型。

34、在一实施例中，获取水下航行器在不同海洋环境工况和多种航行机动状态下的历史运行数据的步骤包括：

35、控制水下航行器在预设的不同海洋环境工况下，执行多种航行机动状态测试；

36、在所述多种航行机动状态测试的执行过程中，通过搭载于所述水下航行器上的传感器，实时采集所述水下航行器的历史六维速度数据、历史三维姿态角数据、历史控制输入数据以及由惯性测量单元测得的历史实测加速度数据；

37、对采集到的所述六维速度数据、三维姿态角数据、控制输入数据以及实测加速度数据进行时间戳对齐，得到水下航行器在不同海洋环境工况和多种航行机动状态下的历史运行数据。

38、在一实施例中，所述对所述历史运行数据进行预处理，构建标准训练样本集的步骤包括：

39、对所述历史运行数据进行平滑降噪，得到平滑降噪后的数据；

40、对所述平滑降噪后的数据进行归一化处理，得到标准训练样本集。

41、在一实施例中，所述将所述目标混合动力学模型部署至水下航行器，对所述水下航行器进行加速度预测的步骤包括：

42、将所述目标混合动力学模型部署至水下航行器，并采集在所述水下航行器运行过程中的实时六维速度数据和实时三维姿态角数据；

43、将所述实时六维速度数据和所述实时三维姿态角数据输入所述目标混合动力学模型，得到所述目标混合动力学模型中的物理模型输出的标称加速度以及所述目标混合动力学模型中的神经网络残差模型输出的残差加速度；

44、将所述标称加速度与所述残差加速度进行线性叠加，得到水下航行器的实时预测加速度。

45、此外，为实现上述目的，本技术还提出一种基于物理信息神经网络的水下动态建模装置，所述基于物理信息神经网络的水下动态建模装置包括：

46、获取模块，用于获取水下航行器在不同海洋环境工况和多种航行机动状态下的历史运行数据、预构建的混合动力学模型和加权联合损失函数；

47、预处理模块，用于对所述历史运行数据进行预处理，构建标准训练样本集；

48、训练模块，用于以所述标准训练样本集为输入，以最小化所述加权联合损失函数为目标，对所述混合动力学模型进行离线训练，得到目标混合动力学模型；

49、预测模块，用于将所述目标混合动力学模型部署至水下航行器，对所述水下航行器进行加速度预测。

50、此外，为实现上述目的，本技术还提出一种基于物理信息神经网络的水下动态建模设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的基于物理信息神经网络的水下动态建模方法的步骤。

51、此外，为实现上述目的，本技术还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的基于物理信息神经网络的水下动态建模方法的步骤。

52、此外，为实现上述目的，本技术还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的基于物理信息神经网络的水下动态建模方法的步骤。

53、本技术提出的一个或多个技术方案，至少具有以下技术效果：

54、1）通过采集涵盖多工况、多机动状态的历史运行数据，能够全面反映水下航行器在复杂海洋环境下的动态特性，为后续模型训练提供丰富且具有代表性的数据基础；预构建的混合动力学模型结合了物理机理与数据驱动优势，加权联合损失函数则兼顾数据拟合精度与物理规律约束。数据预处理能够消除原始数据中的噪声干扰与量纲差异，标准训练样本集的构建保证了模型训练数据的规范性与一致性，提升了模型训练的稳定性。离线训练方式避免了在线训练对水下航行器实时运算资源的占用，加权联合损失函数的优化目标使模型既能够精准拟合实测数据，又能够严格遵循水下动力学物理规律，有效解决了纯数据驱动模型物理一致性差、纯物理模型参数辨识难的问题，提升了模型的泛化能力与预测精度。部署后的模型能够实时输出高精度的加速度预测值，为水下航行器的姿态控制、轨迹跟踪与故障诊断提供可靠的动力学参数支撑，提升了水下航行器在复杂海洋环境下的航行稳定性与控制精度。

55、2）通过构建用于计算标称加速度的物理模型，并构建用于计算残差加速度的神经网络残差模型，再根据两者得到混合动力学模型。物理模型基于成熟的水下航行器动力学机理构建，能够准确描述航行器的标称运动特性，具备明确的物理意义与良好的可解释性；神经网络残差模型则能够自适应学习物理模型无法涵盖的非线性干扰、未建模动态及环境扰动等残差项。 两者结合形成的混合动力学模型，既保留了物理模型的机理优势，又利用神经网络弥补了物理模型的精度不足，实现了机理与数据的深度融合，显著提升了模型对水下航行器复杂动态特性的表征能力，解决了单一模型难以兼顾精度与物理一致性的技术难题。

56、3）通过获取历史实测加速度与历史预测加速度之间的均方误差设置数据拟合损失项，将历史预测加速度代入动力学方程得到方程残差，经二范数运算得到动力学物理残差损失项，再设置权重系数构建加权联合损失函数。数据拟合损失项以均方误差衡量模型预测值与实测值的偏差，确保模型对实测数据的拟合精度；动力学物理残差损失项通过约束模型输出满足水下动力学方程，保证模型的物理一致性，避免出现违背物理规律的预测结果；权重系数的设置能够灵活调节数据拟合与物理约束的权重占比，适配不同工况下的建模需求。加权联合损失函数的构建使模型在训练过程中既追求数据拟合精度，又遵循物理机理约束，有效解决了纯数据驱动模型易出现过拟合、物理一致性差的问题，提升了模型的泛化能力与可靠性。