主动波浪补偿智能控制算法 LSTM-PINN-NMPC

gkxxw

中山大学谢鹏教授团队在Engineering Applications of Artificial Intelligence期刊发表论文Hybrid physics-informed and data-driven predictive control strategy for active heave compensation in offshore crane-assisted ship-to-ship payload transfer。该研究针对恶劣海况下船载折臂吊机辅助双船负载转运作业的主动升沉补偿(AHC)控制问题，提出了一种融合长短期记忆(LSTM)神经网络与物理信息神经网络(PINN)的智能非线性模型预测控制(NMPC)策略——LSTM-PINN-NMPC。如图 1 所示，该策略通过数据驱动与物理约束相结合的协同训练机制，同步提升系统动力学特性的建模表达精度与外部扰动的前瞻感知能力，为传统模型预测控制方法提供更为可靠的机理模型表征与扰动信息支撑，从而有效缓解其在模型失配情形下易出现的在线优化效率下降与闭环稳定性劣化等关键问题。

图 1 LSTM-PINN-NMPC控制策略原理示意图

如图2所示，研究依托OrcaFlex-Python-MATLAB/Simulink-AMESim联合仿真平台，系统对比了级联BPID、基于ARIMA扰动感知的级联NMPC以及基于LSTM扰动感知的级联DNN-NMPC控制方案。结果表明，在典型海况激励条件下LSTM-PINN-NMPC在轨迹跟踪精度、升沉解耦能力、计算时效性及运行安全性等方面均表现优异，补偿效率达到97%，同时计算成本降低约35%，在满足多重物理约束与作业时序要求的前提下，能够确保转运负载于规定时间窗口内实现安全、可靠且精准的着船交付。

图 2 主动升沉补偿系统联合仿真示意图

重要结果

1. 吊点防摆与转运流程

图3呈现了典型海况激励条件下双船转运作业自初始化、升沉补偿介入直至终端着船的完整流程。如图3(a)-(b)所示，在整个仿真时域(0-180 s)内，折臂吊机吊点防摆机制持续激活，有效维持钢丝绳悬挂点在水平方向的空间稳定性，为后续升沉补偿控制奠定运动学基础。图3(c)进一步揭示了负载垂向转运过程的四阶段演化特征：阶段1(0-20 s)为系统预加载与负载摆动抑制阶段，此时补偿轨迹与未补偿轨迹基本重合，主动控制尚未介入；阶段2(20-40 s)启动绞车反向斜坡加速控制，实现负载与船体升沉运动的初步解耦；阶段3(40-60 s)为转运作业启动阶段，以40 s时刻负载位置为基准，引导补偿后的负载位移逐步跟随接收船卸载点的升沉轨迹，维持稳定的垂向相对间距；阶段4(60-180 s)在持续升沉补偿与目标轨迹跟踪的基础上，调控负载沿规划路径平稳下放，逐步缩小与接收船甲板的垂向距离，最终实现安全、稳定的着船交付。

图 3 船载折臂吊机辅助双船负载转运作业流程示意

2. 扰动抑制与轨迹跟踪

图4与图5展示了四组典型海况下各控制策略在转运作业中的轨迹跟踪与扰动抑制性能。结果表明，三种级联NMPC类控制策略的升沉补偿效率(HCE)均稳定在90%以上，展现出优异的解耦精度与跨海况鲁棒性。其中，融合数据驱动方法的两类改进策略表现更为突出：LSTM-PINN-NMPC在各海况下HCE均超96.85%，轨迹跟踪均方根误差(RMSE)控制在4.47 cm以内；LSTM-DNN-NMPC的HCE稳定在92.98%以上，RMSE低于10.60 cm。数据驱动方法有效提升了系统动力学表征精度与扰动感知能力，使二者相较于传统机理模型NMPC优势显著。反观级联BPID控制策略，受限于误差驱动调节机制，其性能随海况增强持续退化：HCE在81.29%-88.23%之间波动，RMSE扩大至14.36-26.52 cm，控制精度明显劣于NMPC框架下的各类方法。

图 4 不同AHC控制策略的负载-甲板垂向相对距离演化过程

图 5 不同AHC控制策略的目标卸载规划轨迹跟踪误差

3. 工程运行安全性分析

图6(a)通过钢丝绳张力时域响应直观反映了不同控制策略下主动升沉补偿系统的工程运行安全性。根据预设规划轨迹，转运负载应于约171s完成首次着船，但级联BPID与传统NMPC因补偿精度不足，导致负载在168-169s提前接触甲板，引入冲击载荷与二次悬空风险。LSTM-DNN-NMPC虽实现平缓接触，但由于控制过程中存在不稳定调节行为，负载接触甲板后仍处于临界悬挂状态，进而引发钢丝绳张力剧烈振荡。如图6(b)-(d)所示，该现象与液压驱动系统内部控制电压及关键状态变量的非平稳波动密切相关，其根源在于DNN预测模型在滚动时域中的误差累积，削弱了控制序列的稳定性。相比之下，所提出的LSTM-PINN-NMPC策略，通过将系统连续时间ODE约束显式嵌入学习框架，构建了物理信息引导的PINN神经网络，为在线优化提供了精准、稳定的预测支撑，从而生成幅值受控、时序连续的控制序列，最终引导转运负载沿规划轨迹稳定下放并安全完成着船交付。

图 6 不同AHC控制策略作用下工程运行安全性对比分析

引用格式：Chen, S., Xie, P., Wu, X., & Huang, Z. (2026). Hybrid physics-informed and data-driven predictive control strategy for active heave compensation in offshore crane-assisted ship-to-ship payload transfer. Engineering Applications of Artificial Intelligence, 164, 113371.