CC BY
84
ЭКСПЛУАТАЦИЯ ВОДНОГО ТРАНСПОРТА,
СУДОВОЖДЕНИЕ
УДК. 656.61.052 В. В. Дерябин
НЕЙРОСЕТЕВЫЕ СИСТЕМЫ ПРОГНОЗА СКОРОСТИ ДРЕЙФА СУДНА
Рассматривается построение нейросетевых систем прогноза скорости дрейфа судна для ведения счисления его пути. Синтезированы системы трёх типов. В каждом случае нейронная сеть принимает на вход величины, характеризующие параметры движения судна, силы со стороны движительно-рулевого комплекса, ветра и волнения, а также силы сопротивления. Выходным сигналом является скорость дрейфа судна. Формирование образцов для обучения сетей выполняется при помощи компьютерного моделирования условий проведения натурного эксперимента для сухогрузного судна среднего тоннажа. Технология тестирования нейронных сетей предполагает рассмотрение модельных ситуаций с различным уровнем и характером изменения действующих на судно управляющих и возмущающих воздействий. Проверка работоспособности синтезированных систем позволяет сделать вывод об их приемлемой для навигационных целей средней точности.
Ключевые слова: нейронная сеть, скорость дрейфа судна, счисление, компьютерное моделирование, тестирование.
ОЛЬШОЕ количество современных судов морского флота оборудовано относительным лагом, измеряющим только продольную составляющую его скорости, и гирокомпасом. При ведении счисления с использованием указанных приборов возникает задача учёта скорости дрейфа судна. Существующие традиционные методы её решения имеют не всегда приемлемую точность, так как не учитывают многие закономерности движения судна, чувствительны к погрешностям исходных данных, часто представляют собой слишком упрощённые линейные алгоритмы. Поиски путей повышения точности прогноза скорости дрейфа судна, а, следовательно, и счислимых координат его места, должны учитывать свойства нелинейности процесса счисления и неопределённости исходных данных. Как известно, в условиях нелинейности системы, неопределённости и неполноты исходных данных хорошо работают алгоритмы, основанные на применении искусственных нейронных сетей [1], [2].
Идеи использования нейронных сетей для прогноза параметров движения судна содержатся, например, в работах [3] — [5]. В данных исследованиях нейронная сеть выполняет функцию идентификации модели движения судна. Несколько иной подход к применению нейросетевых технологий для оценки навигационных параметров судна предлагается в статьях [6] — [8], где нейронные сети используются для прогноза траектории, а коррекция их свободных параметров выполняется в режиме реального времени по мере движения судна. Как правило, в большинстве исследований не учитываются внешние факторы: ветер и волнение при построении нейросетевых систем. Кроме того, тестирование сетей выполняется в основном лишь для узких классов стандартных манёвров наподобие «циркуляция» и «зигзаг», а поведение их в других навигационных ситуациях не рассматривается. Использование нейронной сети для прогноза счислимых параметров движения судна предполагает проверку её работоспособности на множестве различных входных сигналов.
В статье рассматривается три варианта построения нейронных сетей, прогнозирующих скорость дрейфа судна в условиях внешних возмущающих факторов. Настройка их свободных параметров выполняется на основе образцов, которые могут быть получены в ходе натурных наблюдений по специальной методике. Синтезированные системы проходят тестирование в различных навигационных ситуациях, характеризующихся определёнными гидрометеорологическими условиями и режимом работы движительно-рулевого комплекса. Излагаемое в данной статье ис-
Выпуск 5(33) 2015.
|Выпуск 5 (33) 2015
следование во многом базируется на положениях работы [9], являясь, в то же время, развитием изложенных в ней идей.
Вначале определим вид входных и выходных сигналов сетей. Входной сигнал Х нейронных сетей имеет различный вид для систем разных типов (табл. 1).
Таблица 1
Вид входных сигналов нейронных сетей
Тип нейросетевой системы
Силовой подход
Непосредственный
подход
Непосредственный подход (статический вариант)
Вид
входного сигнала
- Py1
- Ry1
' vy1
1 Ay1
F
V Wy1
Vxl
8
n
Vr sin a
Pg(h2 / A.)sin у J
f At At
J Vx1dt, J Vy1dt,
0 0 At At
J (Vx1<A)dt, J bdt,
0 0
At At
J ndt, J V^2 sin adt,
0 0
At
J Pg( / ^)inydt
Y
v 0
Примечание. В табл. 1 использована следующая система обозначений: V — продольная составляющая относительной скорости судна; V — скорость дрейфа; ю — угловая скорость поворота; 5 — угол перекладки руля; n — число оборотов винта; VR, a — соответственно скорость и курсовой угол относительного ветра; h, X, у — соответственно высота, длина и курсовой угол регулярного волнения; Fy1 — проекция сил на поперечную ось, а их индексы относятся: v — к силам и моментам вязкостного трения, P — к поперечной силе гребного винта, R — к влиянию руля, A, W — характеризуют воздействие ветра и волнения. Символы g, р обозначают, соответственно, ускорение свободного падения и плотность морской воды, символ At — интервал интегрирования по времени.
Вид входного сигнала нейронных сетей позволяет дать условные названия каждому из вариантов их построения. В случае «силового» подхода пять из шести компонент входного вектора образуют силы, действующие на корпус судна. Их расчёт выполняется на основе известных из теории корабля соотношений, используемых в [10] при создании модели движения судна в горизонтальной плоскости. Перед обучением входные и выходные сигналы масштабируются, для чего необходимо знать их экстремальные значения. При силовом подходе определение границ возможных значений сил, действующих на корпус судна, возможно либо на основе теоретических соображений, либо с использованием результатов имитационного моделирования, как это было проделано в [9]. При непосредственном подходе компоненты входного сигнала составляют величины, характеризующие действие соответствующих сил на корпус судна. В данном случае предполагается, что закон преобразования таких величин в силовые воздействия заложен в структуре и коэффициентах нейронной сети. Вычисление границ возможных значений компонент входного сигнала при непосредственном подходе выполняется на основе данных о маневренных характеристиках судна, ограничениях его движительно-рулевого комплекса, сведениях о предельных значениях характеристик ветра и волнения. При непосредственном подходе (статический вариант нейронной сети) предполагается учёт времени непосредственно во входных сигналах за счёт интегрирования по времени величин, характеризующих силовые воздействия на интервале At, равном 5 мин. Следует отметить, что при формировании набора учебных данных при малой дискретности измерений компоненты входного сигнала статической сети будут мало отличаться в смежные моменты времени. Поэтому необходимо также выбрать интервал At', через который записываются образцы. В настоящем исследовании значение величины At' выбрано равным 2,5 мин — половине At.
ВЕСТНИКД
ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА
МОРСКОГО И РЕЧНОГО ФЛОТА ИМЕН И АДМИРАЛА С, О. МАКАРОВА,
Каждый из трёх указанных ранее подходов имеет свои отличительные особенности. Так, особенностью нейронной сети, реализующей «силовой» подход, является то, что такую сеть можно использовать и для прогноза скорости дрейфа других судов, имеющих близкие по отношению к эталонному судну инерционно-массовые характеристики. Однако вычисление отдельных сил выполняется, так или иначе, на основе определённых соотношений, которые могут быть неадекватны реальной динамике судна и его движительно-рулевого комплекса. Иными словами, в случае «силового» подхода потеря точности возможна уже на этапе вычисления компонент входного сигнала. «Непосредственный» вариант использования нейронной сети лишён указанного недостатка, но основная проблема при его реализации заключается в определении набора входных величин, однозначно определяющих динамику судна в текущих условиях плавания. Особую сложность представляет определение вида величин, характеризующих влияние волнения.
Преимуществом «статического» подхода по отношению к динамическим вариантам нейронных сетей является относительно невысокое количество свободных параметров (весов и порогов), что ускоряет процесс обучения. Тем не менее, учёт времени непосредственно в компонентах входного сигнала требует ответа на вопрос о выборе, в частности, длины промежутка времени интегрирования At.
Рассмотрим теперь архитектуру нейронных сетей. В случае «статического» варианта используется двухслойная нейронная сеть прямого распространения (FFNN — Feed Forward Neural Network), первый слой которой содержит 20 нейронов с сигмоидальными функциями активации в виде гиперболического тангенса, а второй — один нейрон с тождественной функцией активации. Общий вид нейронной сети представлен на рис. 1.
Рис. 1. Общий вид нейронной сети («статический» вариант): 7 — размерность входного сигнала; 20 — число нейронов в скрытом слое; 1 — количество нейронов в выходном слое;
1 — размерность выходного сигнала
В остальных случаях («силовой» и «непосредственный» подход) в структуру нейронной сети добавляются линии единичных задержек как по входному, так и выходному сигналу. Их число составляет пять. Таким образом, используются динамические нейронные сети. Общий их вид изображён на рис. 2.
Рис. 2. Общий вид нейронной сети («силовой» и «непосредственный» подход):
6 — размерность вектора входного сигнала; 20 — число нейронов в скрытом слое; 1 — число нейронов в выходном слое; 1 — размерность вектора выходного сигнала
Выпуск 5(33) 2015.
|Выпуск 5 (33) 2015
Общим для структуры нейронных сетей, используемых для решения задачи прогноза скорости дрейфа судна, является наличие в их структуре нейронов с нелинейными функциями активизации в виде гиперболического тангенса. Выбор нелинейной функции активации обусловлен тем, что преобразование внешних возмущений «через судно» в скорость дрейфа носит качественно нелинейный характер. Тем не менее, в качестве функции активации нейронов могут использоваться и другие нелинейные функции, например, логистическая. В фундаментальном труде по нейронным сетям [2] содержатся эвристические рекомендации по проектированию нейросетевых систем, обучение которых выполняется с использованием алгоритма обратного распространения ошибки. В соответствии с данными рекомендациями использование нечётных сигмоидальных функций, к которым и относится гиперболический тангенс, является более предпочтительным по сравнению с другими вариантами. Так, логистическая функция не удовлетворяет условию нечётности. Выбор нелинейных функций в классе сигмоидальных объясняется их способностью поддерживать баланс между нелинейным и линейным поведением моделируемой системы [2], что характерно для прогноза скорости дрейфа судна в условиях внешних возмущений.
Формирование образцов для обучения нейронных сетей выполнялось на основе имитационного моделирования условий проведения натурного эксперимента для т/х «Инженер Плавинский», имеющего массовое водоизмещение 14300 т при осадке 7 м. Методика проведения эксперимента подробно описана в [9]. Она заключается в создании набора модельных ситуаций, каждая из которых представляет собой плавание судна в течение 3 ч с удерживаемыми в ходе него постоянными значениями угла перекладки руля и числа оборотов винта. Рассматриваются всевозможные комбинации дискретных значений указанных величин. В процессе обучения используется два множества образцов: учебное, на основе которого выполняется настройка сети, и тестовое, образцы которого используются для контроля обобщающих свойств сети по мере обучения. Характеристикой адекватности нейронной сети выбирается наибольшее значение модуля ошибки скорости дрейфа на тестовой выборке e .
* max
При обучении динамических нейронных сетей следует учитывать тот факт, что образцы модельных ситуаций представляют собой независимые друг от друга наборы данных, поэтому при объединении их в одну общую выборку будет нарушена хронологическая последовательность движения судна. Для обхода данного затруднения была использована схема обучения, когда объединение образцов модельных ситуаций в одну общую выборку не происходит, а учебные выборки каждой модельной ситуации подаются последовательно для обучения сети, которое, в свою очередь, происходит в пакетном режиме с одной итерацией. Такой метод обучения может быть назван последовательно-пакетным. Таким образом, эпоха обучения в данном случае есть однократное рассмотрение учебных выборок всех модельных ситуаций с коррекцией коэффициентов для каждой выборки. Для настройки параметров нейронной сети, реализующей «силовой» подход, выбирается метод Левенберга — Марквардта. По мере обучения значение величины emax достигло минимального значения 0,3486 м/с. При обучении нейронной сети, представляющей «непосредственный» подход, в качестве алгоритма обучения использовался метод градиентного спуска с инерционным членом и адаптивным параметром скорости обучения. Следует отметить, что методы обучения второго порядка (Левенберга — Марквардта, сопряжённых градиентов и др.) обнаружили свою неработоспособность: процесс обучения расходился уже на первом цикле. Лучшее состояние сети соответствует величине emax, равной 2,0706 м/с.
Для статической нейронной сети порядок следования образцов на стадии обучения не имеет такого значения, как при обучении динамических сетей, т. е. образцы в обучающем множестве могут быть сгруппированы в произвольном порядке, что существенно облегчает процесс формирования обучающей выборки. Алгоритмом коррекции коэффициентов сети выбран способ Левен-берга — Марквардта. В ходе обучения наименьшее значение величины emax составило 1,0609 м/с.
После обучения нейросетевые системы проходят тестирование по технологии, изложенной в [9], заключающейся в формировании модельных ситуаций по принципу постоянства действующих на судно управляющих и возмущающих воздействий. В программу тестирования входят и
удержание судна на заданном курсе, и движение с фиксированным углом перекладки руля и постоянным числом оборотов винта, и плавание с изменением управляющих воздействий по определённому закону. В ходе тестирования гидрометеорологические условия могут как сохраняться неизменными в течение плавания, так и носить переменный характер. Величины, их характеризующие, принимают значения из возможных диапазонов. Так, например, скорость истинного ветра варьируется от 0 до 30 м/с, высота волнения принимает значения от 0 до 10 м. Было рассмотрено 10000 модельных ситуаций, каждая из которых представляет собой плавание судна в течение четырёх часов.
Из всех вариантов работы нейронных сетей можно выделить два основных. Первый из них наблюдается, когда на временном промежутке плавания все компоненты входного сигнала лежат в пределах, достигнутых в ходе обучения сети, т. е. можно сказать, что сеть работает в режиме «интерполяции». Так как сеть обучалась с использованием образцов, полученных в гидрометеорологических условиях средней интенсивности, в рабочем режиме будут наблюдаться ситуации, когда хотя бы одна компонента входного вектора системы выходит во время плавания за границы значений, установленных на стадии обучения (второй вариант работы нейронных сетей). В таком случае нейронная сеть уже работает в другом режиме — режиме «экстраполяции». В ходе тестирования указанные два режима различались и для каждого из них определялись свои характеристики точности счисления. Результаты тестирования приводятся в табл. 2, где в круглых скобках указаны значения соответствующих величин для режима «интерполяции». Как видно из таблицы, нейронные сети позволяют прогнозировать скорость дрейфа и определять координаты места судна лишь с удовлетворительной для навигационных целей средней точностью. Наибольшие же значения их ошибок достигают существенных величин на временном промежутке плавания. Данный факт можно объяснить несовершенством этапов построения нейросетевых систем, к которым относятся определение вида входного сигнала, выбор архитектуры, а также формирование образцов и обучение сетей. Так, например, на стадии выбора вида компонент входного сигнала не проводилось исследование влияния удельного веса каждой компоненты на погрешность счислимого места судна. Ситуация осложняется также тем, что влияние каждого фактора на скорость дрейфа судна, в общем случае, будет зависеть и от значений других компонент входного сигнала, т. е. от конкретных условий плавания. На этапе выбора архитектуры не исследовались вопросы выбора оптимального количества слоёв сети, нейронов, единичных задержек, времени интегрирования компонент для статического варианта и др.
Таблица 2
Результаты тестирования нейронных сетей
10000 модельных ситуаций, из них «Силовой» подход «Непо средственный» подход «Непосредственный» подход (статический вариант)
Количество ситуаций режима «интерполяции» 2032 857 3547
Наибольший модуль ошибки скорости дрейфа, м/с 10.97 (0.90) 19.90 (4.15) 10.10 (8.2)
Средний модуль ошибки скорости дрейфа, м/с 0.24 (0.10) 0.57 (0.33) 0.45 (0.33)
Наибольший максимум модуля невязки за четыре часа, мили 14.35 (2.76) 23.93 (5.82) 18.36 (8.72)
Средний максимум модуля невязки за четыре часа, мили 0.87 (0.44) 1.81 (0.83) 1.28 (0.84)
Наибольшая точность определения траектории достигается с использованием нейронной сети, реализующей «силовой» подход. Данное обстоятельство можно объяснить тем, что силы есть величины, однозначно определяющие динамику судна в конкретных условиях плавания,
Выпуск 5(33) 2015.
|Выпуск 5 (33) 2015
в то время как вид отдельных компонент входного сигнала для нейронных сетей, реализующих «непосредственный» подход, может вызывать сомнения в плане однозначности их вклада в движение судна. В особенности это относится к составляющей, которая характеризует влияние волнения.
Использование сети в режиме «интерполяции» позволяет получать навигационные параметры судна с большей точностью, чем в режиме «экстраполяции». В случае, когда входные сигналы не превосходят по абсолютной величине наблюдаемые на стадии обучения значения, для нейронной сети, реализующей «силовой» подход, можно даже говорить о приемлемой навигационной точности определения счислимых координат с позиции «максимального» критерия. Вывод о существовании данной закономерности сделан лишь для рассмотренных модельных ситуаций. Количество навигационных ситуаций в режиме «интерполяции» значительно меньше, чем для режима «экстраполяции», что существенно снижает степень уверенности в большей точности «интерполяционных» сигналов при каких бы то ни было условиях плавания. Тем не менее, сформулированный вывод может иметь некоторое эвристическое толкование. Действительно, в рамках известных для сети границ компонент входного сигнала основные закономерности движения судна, в том числе и нелинейности, запоминаются в структуре системы. При выходе входных сигналов за указанные пределы (особенно верхние) характер динамики судна может существенно изменяться, и это изменение уже не может быть учтено нейронной сетью с достаточной точностью.
Результаты тестирования нейронных сетей в рассмотренных модельных ситуациях позволяют сделать ещё один важный вывод, который заключается в том, что прогноз нейронной сетью скорости дрейфа судна и определение на его основе траектории движения представляют собой хоть и близкие по цели, но всё же различные задачи. Действительно, как следует из табл. 2, наиболее точной по определению скорости дрейфа судна является нейронная сеть, реализующая «непосредственный» подход в статическом исполнении. Однако наиболее точной в отношении определения именно счислимых координат является сеть, реализующая «силовой» подход. Указанное обстоятельство может быть объяснено тем, что на пути от скорости дрейфа к координатам лежит алгоритм, в определённых условиях устойчивый к значительным случайным колебаниям ошибки скорости дрейфа судна.
Для контроля обобщающих свойств нейронной сети на стадии обучения в качестве меры её адекватности было выбрано наибольшее значение модуля ошибки скорости дрейфа на тестирующей выборке emax. Рейтинг синтезированных систем по точности определения скорости дрейфа в ходе тестирования не соответствует значениям emax, которые были достигнуты в результате их обучения. В то же время, по точности траектории рейтинг сетей находится в полном соответствии с их распределением по величине emax. Таким образом, по результатам тестирования можно сделать вывод о целесообразности использования наибольшего модуля ошибки скорости дрейфа в качестве меры адекватности нейросетевых систем на стадии обучения.
На основе нейронных сетей синтезированы три системы прогноза скорости дрейфа судна. Каждая из них характеризуется определённым видом входного сигнала, а также типом её архитектуры. Были рассмотрены динамический и статический варианты нейронных сетей. Свободные параметры сетей зависят от характеристик конкретного судна, а сами сети выполняют функцию идентификации модели его движения. Для судна среднего водоизмещения выполнено моделирование условий проведения натурного эксперимента, в ходе которого формируются образцы для обучения указанных сетей. Методика формирования набора учебных данных основана на рассмотрении модельных ситуаций, каждая из которых соответствует определённой комбинации величин, характеризующих управляющие и возмущающие воздействия. Результаты тестирования в 10000 модельных ситуаций, характеризующихся различными условиями плавания, позволяют говорить о приемлемой средней навигационной точности синтезированных систем. Нейросетевые системы имеют различную точность в отношении как прогноза скорости дрейфа, так и определения траектории движения судна. Лучшую точность определения счислимых координат имеет нейронная сеть, которая реализует «силовой» подход к моделированию динамики судна.
ВЕСТНИКД
ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА
МОРСКОГО И РЕЧНОГО ФЛОТА ИМЕН И АДМИРАЛА С, О. МАКАРОВА,
Дальнейшие исследования в области использования нейросетевых технологий для повышения точности счисления пути судна могут вестись в направлении совершенствования методик определения оптимальной структуры нейронных сетей, а также обучения и тестирования синтезированных систем. Технология тестирования должна предусматривать рассмотрение по возможности большего количества разнообразных навигационных ситуаций и, в конечном итоге, быть ориентированной на применении в реальных условиях плавания. В связи с этим возникает проблема исключения из рассмотрения практически эквивалентных модельных ситуаций, которая может быть решена, в частности, на основе классификации вектора входного сигнала. Важное место занимает также разработка методики определения уровня вероятности, с которым синтезированная система прогнозирует счислимые координаты судна в конкретных условиях плавания. Кроме того, перспективным направлением дальнейших исследований является разработка методики построения универсальных нейросетевых систем счисления, которые могут быть использованы для судов различных типов с различными движительно-рулевыми комплексами.
СПИСОК ЛИТЕРАТУРЫ
1. Каллан Р. Основные концепции нейронных сетей / Р. Каллан; пер. с англ. А. Г. Сивак. — М.: Издат. дом «Вильямс», 2003. — 288 с.
2. Хайкин С. Нейронные сети: полный курс / С. Хайкин; пер. с англ. Н. Н. Куссуль, А. Ю. Шелесто-ва. — М.: Издат. дом «Вильямс», 2006. — 1104 с.
3. Ведякова А. О. Идентификация в условиях внешнего возмущения с использованием нейронных сетей / А. О. Ведякова // International Journal of Open Information Technologies. — 2014. — Т. 2. — № 3. —
С. 18-22.
4. EbadaA. Intelligent techniques-based approach for ship maneuvering simulations and analysis (Artificial Neural Networks Application): Doktor-Ing. genehmigte Dissertation; Institute of Ship Technology und Transport Systems / A. Ebada. — Germany. — 2007. — 156 с.
5. MoreiraL. Dynamic model of maneuverability using recursive neural networks / L. Moreira, C. G. Soares // Ocean Engineering. — 2003. — № 30. — С. 1669-1697.
6. Сазонов А. Е. Прогнозирование траектории движения судна при помощи нейронной сети / А. Е. Сазонов, В. В. Дерябин // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. — 2013. — № 3 (22). — С. 6-13.
7. Nguyen. H. M. Improving GPS/INS Integration through Neural Networks / Н. М. Nguyen, Z. Chi // Journal of Telecommunications. — 2010. — № 2 (2). — С. 1-6.
8. Xu T. A Novel Approach for Ship Trajectory Online Prediction Using BP Neural Network Algorithm /
T. Xu, X. Liu, X. Yang // Advances in information Sciences and Service Sciences (AISS). — 2012. — № 4 (11). — С. 271-277.
9. Дерябин В. В. Прогнозирование скорости дрейфа судна на основе нейронной сети / В. В. Дерябин // Транспортное дело России. — 2014. — № 5. — С. 3-7.
10. Дерябин В. В. Модель движения судна в горизонтальной плоскости / В. В. Дерябин // Транспортное дело России. — 2013. — № 6. — С. 60-67.
NEURAL NETWORK BASED VESSEL’S SPEED OF DRIFT PREDICTION SYSTEMS
In the paper the construction of neural network based vessel’s speed of drift prediction systems for dead reckoning purpose is considered. Three types of these systems have been constructed. In each case a neural network takes as input signals variables which characterize vessel motion parameters, forces acting the ship from steering-propulsion complex, wind and waves, and resistance forces so on. Speed of drift of vessel is output signal. Forming neural network training sets is performed with computer modeling of natural experiment conditions for a medium tonnage dry cargo vessel. Testing technology supposes consideration of modeling situations with different level and character changing of disturbances and control actions influencing on vessel. Testing of the constructed systems let us to resume that they have mean accuracy sufficient for navigation.
Key words: network, vessel’s speed of drift, dead reckoning, computer modeling, testing
Выпуск 5(33) 2015.
|Выпуск 5 (33) 2015
REFERENCES
1. Callan, Robert. Essence of neural networks. Prentice Hall PTR, 1998.
2. Haykin, Simon. “A comprehensive foundation.” Neural Networks 2.2004 (2004).
3. Vedyakova, А.О. “Neural network approach for identification under external disturbance.” International Journal of Open Information Technologies 2.3 (2014): 18-22.
4. Ebada, Adel. Intelligent techniques-based approach for ship maneuvering simulations and analysis (Artificial Neural Networks Application): Doktor-Ing. genehmigte Dissertation. Institute of Ship Technology und Transport Systems. 2007.
5. Moreira, L., and C.G. Soares. “Dynamic model of maneuverability using recursive neural networks.” Ocean Engineering 30 (2003): 1669-1697.
6. Sazonov, A.E., and Deryabin V.V. “Forecasting to paths of the motion ship with the help of neyronnoy network.” Vestnik gosudarstvennogo universiteta morskogo i rechnogo flota imeni admirala S.O. Makarova 3(22) (2013): 6-13.
7. Nguyen, H.M., and Z. Chi. “Improving GPS/INS Integration through Neural Networks.” Journal of Telecommunications 2(2) (2010): 1-6.
8. Xu, T., X. Liu, and X. Yang. “A Novel Approach for Ship Trajectory Online Prediction Using BP Neural Network Algorithm.’Advances in information Sciences and Service Sciences (AISS) 4(11) (2012): 271-277.
9. Deryabin, V.V. “Vessel’s drift speed prediction on basis of neural network.” Transport business of Russia 5 (2014): 3-7.
10. Deryabin, V.V. “Model ship traffic above the horizontal plane.” Transport business of Russia 6 (2013):
60-67.
________ИНФОРМАЦИЯ ОБ АВТОРЕ
Дерябин Виктор Владимирович -кандидат технических наук.
Арктический морской институт имени В.И. Воронина -филиал ФГБОУ ВО «Государственный университет морского и речного флота имени адмирала С.О. Макарова» [email protected]
INFORMATION ABOUT THE AUTHOR
Deryabin Victor Vladimirovich -Candidate of Engineering.
Vladimir Voronin Arctic Maritime Institute -Arkhangelsk brunch of the Admiral Makarov State University of Maritime and Inland Shipping [email protected]
УДК [656.052.55+629.5.035]:629.5.018.71:004.4.942 С. А. Агарков
ВЛИЯНИЕ ВЕТРА ПРИ ДВИЖЕНИИ ЛАГОМ НА УПРАВЛЕНИЕ ПО ОТКЛОНЕНИЯМ
Учеными всего мира разрабатываются инновационные способы управления судном с использованием современных средств судовождения для повышения безопасности судовождения и оптимизации затрат времени на проведение судовых ключевых операций. Один из таких способов использован в настоящей работе — это управление судном по отклонениям от линии, называемой прицельной. В данной работе рассмотрено влияние ветра на управление танкером по отклонениям. При этом танкер выполняет третий этап швартовной операции, т.е. движется лагом под действием системы управления по отклонениям. Рассмотрена оценка возможности выполнения такого маневрирования в случае действия траверсного ветра при управлении танкером с помощью носового и кормового подруливающих устройств. На рисунках представлены траектории танкера при различной скорости ветра и различных импульсах тяги.
Ключевые слова: компьютерное моделирование, моделирование движения судна, влияние ветра, моделирование подруливающего устройства, математическая модель.
