基於貝葉斯動態模態分解的船舶運動數位孿生即時預測

核心概念

本文提出了一種基於貝葉斯動態模態分解的船舶運動即時預測方法，並探討了其在船舶數位孿生中的應用。

摘要

文獻類型

這是一篇研究論文。

研究目標

• 本文旨在開發一種基於數據驅動的簡化模型，用於預測波浪中船舶的運動，並利用物理系統的輸入數據持續更新模型。
• 研究目標是評估貝葉斯動態模態分解方法在船舶運動即時預測中的有效性，並探討其在船舶數位孿生中的應用。

方法

• 本文採用了漢克爾動態模態分解（Hankel-DMD）方法，並結合貝葉斯推斷進行船舶運動預測。
• 研究使用了三種不同計算流體力學（CFD）求解器（TEMPEST、ShipMo3D 和 CFDShip-Iowa）模擬的船舶運動數據，模擬場景為 5415M 船模在橫浪和隨浪 irregular waves 中的航向保持。
• 研究比較了確定性漢克爾動態模態分解和貝葉斯漢克爾動態模態分解的預測性能，並使用歸一化均方誤差（NRMSE）、歸一化平均最小/最大絕對誤差（NAMMAE）和延森-香農散度（JSD）等指標評估預測精度。

主要發現

• 研究結果表明，與確定性方法相比，貝葉斯漢克爾動態模態分解方法顯著提高了預測精度。
• 貝葉斯方法還提供了預測的不確定性量化，可以深入了解預測的置信水平。
• 分析顯示，預測精度和不確定性之間存在顯著的相關性。

主要結論

• 基於貝葉斯動態模態分解的船舶運動即時預測方法在船舶數位孿生中具有潛在應用價值。
• 該方法能夠準確預測船舶在波浪中的運動，並提供預測的置信度信息，有助於海上作業的安全和效率提升。

研究意義

• 本研究為船舶運動預測提供了一種新的數據驅動方法，並證明了貝葉斯推斷在提高預測精度和提供不確定性量化方面的優勢。
• 研究結果有助於推動船舶數位孿生技術的發展，為海上作業的安全和決策提供支持。

局限性和未來研究方向

• 未來研究可以考慮不同的操作和環境條件，以評估和提高 DMD 預測方法的穩健性，特別是在瞬態操縱情況下。
• 可以探索其他 DMD 擴展方法（例如，帶控制的 DMD）或與人工神經網絡方法相結合，以進一步提高預測性能。

統計資料

模擬數據包括來自 CFDShip-Iowa 的 72,057 個時間步長，涵蓋 8 次模擬運行中的 212 個遭遇波浪；來自 TEMPEST 的數據來自 49 次模擬，跨越 294,000 個時間步長，大約 1000 個遭遇波浪；最後，ShipMo3D 的數據來自單次模擬，包含 25,001 個時間步長，超過 175 個遭遇波浪。
所有 DMD 分析均基於標準化數據，具體而言，使用 Z 分數；因此，通過該過程評估均值為零、方差為 1 的時間序列。
DMD 分析中使用的狀態向量 x 由船舶的升沉 x3、三個剛體旋轉橫搖 φ、縱搖 θ 和偏航 ψ、舵角 α 以及縱蕩和橫蕩速度 v1 和 v2 組成。
貝葉斯算法的訓練時間歷史長度被視為一個概率變量，在 1 到 5 個遭遇波周期之間均勻分佈，ltr/ ˆT ∼U(1, 5)。此外，對於 ltr 的每個實現，ld 也被視為一個概率變量，在區間 ld ∼U(1/2ltr, 3/4ltr) 內均勻分佈（實際的 nd 取為相應的整數部分）。
算法執行時間方面，對涉及最大 A 矩陣的超參數配置（ltr/ ˆT = 5 和 ld/ ˆT = 5）進行了統計分析，在配備第 12 代 Intel(R) Core(TM) i5-1235U 的筆記本電腦上重複運行 MATLAB 2023a 實現 50 次。獲得預測所需的時間（數據已組織在 bX 和 bX' 矩陣中）在 t = [0.04s, 0.0717s] 範圍內，平均值為 µt = 0.0523s，標準差為 σt = 0.0064s。

引述

“所有模型都是錯誤的，但有些是有用的”
“最佳可用模型、傳感器信息和輸入數據，用於在其相應物理孿生的整個生命周期中反映和預測活動/性能”

從以下內容提煉的關鍵洞見

Bayesian dynamic mode decomposition for real-time ship motion digital twinning

by Giorgio Palm... 於 arxiv.org 11-25-2024

https://arxiv.org/pdf/2411.14839.pdf

深入探究

除了船舶運動預測，貝葉斯動態模態分解方法還可以用於哪些其他海事應用？

貝葉斯動態模態分解 (BDDMD) 作為一種數據驅動的降階模型方法，除了船舶運動預測外，還具有廣泛的海事應用潛力，包括：

海況預測： BDDMD 可以分析波浪、海流等海洋環境數據，識別其中的主要動態模式和演化規律，進而預測未來海況。
船舶操縱性預測： BDDMD 可以用於分析船舶在不同海況和操縱條件下的運動數據，建立船舶操縱性模型，預測船舶的操縱性能，例如迴旋半徑、航向穩定性等。
結構健康監測： BDDMD 可以分析船舶結構在波浪載荷作用下的響應數據，識別結構的模態特性和損傷徵兆，用於船舶結構健康監測和預測。
推進系統優化： BDDMD 可以分析船舶推進系統的運行數據，例如螺旋槳轉速、扭矩、推力等，識別影響推進效率的因素，並進行優化。
航線規劃： 結合海況預測和船舶性能預測，BDDMD 可以用於優化航線規劃，降低航行時間和燃料消耗，提高航行安全。
總之，BDDMD 作為一種數據驅動的分析方法，具有廣泛的應用前景，可以應用於各種海事領域，提高船舶設計、建造、營運和維護的效率和安全性。

如果船舶在運行過程中發生故障或損壞，該方法是否仍然可以準確預測船舶運動？

如果船舶在運行過程中發生故障或損壞，BDDMD 方法的預測準確性可能會受到影響，因為故障或損壞可能會改變船舶的動態特性，而 BDDMD 是基於船舶正常運行數據訓練得到的模型。
以下是一些可能影響預測準確性的因素：

故障或損壞的嚴重程度： 輕微的故障或損壞可能只會對船舶的動態特性產生輕微影響，而嚴重的故障或損壞可能會導致模型失效。
故障或損壞的類型： 影響船舶水動力性能的故障或損壞 (例如，舵損壞、螺旋槳損壞) 比影響船舶質量分布的故障或損壞 (例如，貨物移動) 更可能影響 BDDMD 的預測準確性。
訓練數據的多樣性： 如果 BDDMD 模型的訓練數據包含了船舶在不同故障或損壞情況下的數據，則模型對這些情況的預測準確性會更高。
為了提高 BDDMD 方法在船舶故障或損壞情況下的預測準確性，可以考慮以下措施：

在訓練數據中加入故障數據： 通過數值模擬或模型試驗獲取船舶在不同故障或損壞情況下的數據，並將其加入到 BDDMD 模型的訓練數據中。
採用自適應學習算法： 使用自適應學習算法，例如在線學習或遷移學習，使 BDDMD 模型能夠根據新的數據不斷更新，提高其對船舶動態特性變化的適應能力。
結合基於物理的模型： 將 BDDMD 方法與基於物理的模型相結合，例如利用基於物理的模型預測故障或損壞對船舶動態特性的影響，并将预测结果用于修正 BDDMD 模型。
總之，BDDMD 方法在船舶故障或損壞情況下的預測準確性是一個需要關注的問題。通過採取適當的措施，可以提高模型的魯棒性和可靠性，使其在更廣泛的應用場景中發揮作用。

如何將這種基於數據驅動的預測方法與基於物理的模型相結合，以構建更強大的船舶數位孿生系統？

將基於數據驅動的預測方法 (如 BDDMD) 與基於物理的模型相結合，可以充分利用兩者的優勢，構建更強大的船舶數位孿生系統。這種結合可以體現在以下幾個方面：

數據同化與模型修正： BDDMD 可以利用實時監測數據對基於物理的模型進行修正，例如更新模型參數、邊界條件等，提高模型的預測精度。反之，基於物理的模型可以為 BDDMD 提供數據中難以觀察到的物理量，例如流場信息、結構應力等，擴展 BDDMD 的應用範圍。
混合建模： 對於船舶系統中難以用精確物理方程描述的部分，例如複雜的流體動力學現象、結構疲勞累積等，可以使用 BDDMD 建立數據驅動的子模型，并将其與基於物理的模型耦合，構建混合模型，實現對船舶系統更全面、更精確的描述。
模型降階與加速： 基於物理的模型通常計算量较大，難以滿足實時性要求。BDDMD 可以用於提取基於物理的模型中的主要動態模式，構建降階模型，在保證一定精度的前提下大幅提高計算效率，使其更適合於實時應用。
以下是一些具體的結合方法：

基於卡尔曼滤波的數據同化： 利用卡尔曼滤波将 BDDMD 的预测结果与基于物理的模型的预测结果进行融合，得到更准确的状态估计。
基於機器學習的模型修正： 利用機器學習算法，例如神经网络，建立基於物理的模型参数与 BDDMD 预测误差之间的映射关系，并利用该映射关系对模型参数进行修正。
多保真度建模： 根据不同的应用场景和精度要求，构建不同保真度的模型，例如高保真度的基於物理的模型、低保真度的 BDDMD 模型等，并根据需要进行模型切换或融合。
通過將基於數據驅動的預測方法與基於物理的模型相結合，可以構建更強大的船舶數位孿生系統，提高船舶設計、建造、營運和維護的效率和安全性。