0 引　言

针对船舶航海技术而言，其需具备船舶大型化、专业化、自动化、智能化、电子化、数字化等特点^[1]。船舶航线自动化控制，是当下航海技术的重要组成部分。船舶航线的自动控制是指采用相应的控制策略，使船舶能够按照参数完成航线自动航行控制，其可降低人员的消耗，提升航行效率^[2]。船舶航线自动控制系统是由船舶行驶感知系统、控制系统以及驱动器等和执行器部分组成，其中感知系统能够获取船舶行驶过程中的相关数据，控制系统则对数据实行分析后获取数据中的关键数据^[3]，并下达行驶线路控制指令，控制船舶按照指定的航线航行。可知，数据的获取和处理是保证航线控制指令可靠性的关键。为保证船舶航线自动控制效果，韩志豪等以深度强化学习为基础，提出相关的船舶航线自动规划方法^[4]；王森杰等依据生成对抗网络，研究船舶航迹预测模型^[5]。上述方法从不同的角度进行航线的控制和规划，但是上述方法在实行过程中，缺少对船舶航行运动学的分析，并且船舶是按照参数完成航线自动航行控制，2种方法对于参数的优化仍需进一步验证。本文研究船舶航线自动控制技术，引入数据挖掘技术，获取船舶航行关键数据，并对控制参数实行优化处理，完成航线优化控制。

1 基于数据挖掘的船舶航线自动控制技术 1.1 构建船舶航行运动学模型

船舶运动学模型是船舶航海运动自动控制的核心，为实现最佳的船舶航线自动控制效果，需构建运动学模型，通过该模型，为自动化控制提供参量输入数据。由于船舶在实际航行过程中的运动极为复杂，因此对于其航线的自动控制而言，构建一个合理、精度符合需求的运动模型尤为重要。结合航海过程中风、海浪以及暗流等环境因素^[6]，构建非线性船舶航海运动模型，以此保证船舶航海模拟的合理性和真实性。船舶在实际航行过程中，通常存在6个自由度，可通过2种坐标系描述，即惯性和附体^[7]。前者的坐标系统内，船舶的运动可通过3个空间位置x₀，y₀，z₀；以及3个姿态角，分别为航向 $ \varphi $ 、横滚 $ \vartheta $ 和俯仰 $ \theta $ 。后者的坐标系统内^[8]，船舶的运动分为跟随、围绕3个附体坐标轴运动，以船舶的3种速度（前进 $ u $ 、横漂 $ v $ 、起伏 $ w $ ）和3种角速度（首摇 $ r $ 、横摇 $ p $ 、纵摇 $ q $ ）进行描述^[9]。D₁和D₂表示6个自由度向量分别为：

$ {D_1} = \left[ {\begin{array}{*{20}{c}} \varphi \\ \vartheta \\ \theta \end{array}} \right] \text{，} {D_2} = \left[ {\begin{array}{*{20}{c}} x \\ y \\ z \end{array}} \right]。$

(1)

式中： $ x $ ， $ y $ ， $ z $ 均表示坐标。

船舶的速度向量分别用 $ {V_1} $ 和 $ {V_2} $ 表示，即

$ {V_1} = \left[ {\begin{array}{*{20}{c}} u \\ v \\ w \end{array}} \right] \text{，} {V_2} = \left[ {\begin{array}{*{20}{c}} p \\ q \\ r \end{array}} \right] 。$

(2)

式中： $ p $ ， $ q $ ， $ r $ 分别对应3个空间方向。

设 $ T $ 和 $ F $ 分别表示船舶的干扰力和驱动力，即

$ T = \left[ {\begin{array}{*{20}{c}} {{T_p}} \\ {{T_q}} \\ {{T_r}} \end{array}} \right] \text{，} F = \left[ {\begin{array}{*{20}{c}} {{F_x}} \\ {{F_y}} \\ {{F_z}} \end{array}} \right]。$

(3)

可知，2种坐标系统中的变量存在一定关联，则对6个自由度实行综合简化处理后，可采用 $ w $ ， $ p $ ， $ q $ 完成船舶运动描述；并且结合绝对风速 $ {U_R} $ 、波浪周期 $ {T_W} $ 和波浪高度 $ H $ ，构建船舶运动方程，其公式为：

$ \left\{ {\begin{array}{*{20}{l}} {M \cdot \left( {p - q \cdot w - {A_G} \cdot {w^2}} \right){U_R}{T_W}H = A } ，\\ {M \cdot \left( {q + p \cdot w + {A_G} \cdot w} \right){U_R}{T_W}H = B } ，\\ {{I_{zz}} \cdot w + M \cdot {A_G} \cdot \left( {p + p \cdot w} \right){U_R}{T_W}H = {N_G} + {B_\tau } \cdot {A_c}} 。\end{array}} \right. $

(4)

式中： $ G $ 为船舶重心； $ \psi $ 表示航向角； $ \delta $ 表示舵角； $ M $ 表示质量； $ {A_G} $ 表示船舶的中心和重心之间距离； $ {I_{zz}} $ 表示惯量； $ A $ 和 $ B $ 均表示分量，均属于流体动力； $ N $ 表示力矩； $ \tau $ 表示船体粘性项；A_c表示中轴坐标值。

1.2 船舶航线自动控制参量和关键数据挖掘

采用数据挖掘完成相应参量和关键数据的采集。w(k)表示位姿扰动向量，对应船舶航行过程中，目标线路姿态用u_i(k)表示，两者之间存在关联性特征，该特征的分布函数表达公式为：

$ \left\{\begin{array}{l}E\left\{w\left(k\right){u}_{i}^{{\rm{T}}}\left(k\right)\right\}\eta ABN={\gamma }_{i}\left(k\right),\underset{}{}i=1,2,\cdots ,m，\\ E\left\{{u}_{i}\left(k\right){u}_{j}^{T}\left(k\right)\right\}\eta ABN={\lambda }_{ij}\left(k\right),\underset{}{}i,j=1,2,\cdots m,且i\ne j。\end{array}\right. $

(5)

式中： $ {\gamma _i}\left( k \right) $ 和 $ {\lambda _{ij}}\left( k \right) $ 均表示分布函数，前者对应w(k)，后者对应u_i(k)； $ E $ 表示增益系数； $ \eta $ 表示非线性系数。

对应初始状态x(0)，且属于均对应船舶航行目标。差动舵、纵向力矩、航向 $ \varphi $ 、横滚 $ \vartheta $ 和俯仰 $ \theta $ 等，均属于关键数据，且对应船舶航线控制过程中^[10]，这些数据独立于w(k)和u_i(k)，其中， $ i = 1,2, \cdots ,m $ 。为获取船舶航行过程中的侧向偏航角、速度矢量信息，采用陀螺仪装置完成，该装置的数量为 $ m $ ，采集公式为：

$ x\left( {k + 1} \right) = {\left( k \right)^2}\left( {Ax + \varGamma w} \right) ，$

(6)

$ {d_i}\left( k \right) = {B_i}{\left( k \right)^2}{B_i}x + {u_i}\left( k \right) .$

(7)

式中：x(k)表示二元矢量模型，其对应横滚定角的信息采集；A(k)和B(k)均表示转移矩阵，对应船舶状态；w(k)均值等于0，其方差则等于特征性路径条件Q(k)的高斯白噪声； $ \Gamma \left( k \right) $ 表示动力驱动矩阵，对应船舶姿态传感器；d_i(k)表示测量值，其由第 $ i $ 个传感器获取。

为获取Q(k)，需完成采集信息的特征融合，且该特征属于船舶航线自动控制的关键数据，需控制船舶航线位姿状态^[11]，其通过自适应信息融合方法完成，则融合特征公式为：

$ \left\{ {\begin{array}{*{20}{l}} E\left\{ {{{\left( k \right)}^2}wv_i^{\rm{T}}} \right\}\eta = {B_i}\left( k \right)，\\ {E\left\{ {{{\left( k \right)}^2}{v_i}v_i^{\rm{T}}} \right\}\eta = R_\upsilon ^i\left( k \right) = \left( k \right)\left( {{A_i} + R_q^i + \bar R_q^i} \right)}，\\ {E\left\{ {{{\left( k \right)}^2}{v_i}v_j^{\rm{T}}} \right\}\eta = {A_{ij}}\left( k \right),\mathop {}\limits_{} i,j = 1,2, \cdots m,i \leqslant j} 。\end{array}} \right. $

(8)

式中， $ {R_\upsilon }\left( k \right) $ 表示实对矩阵。

依据扩展卡尔曼滤波完成 $ {R_\upsilon }\left( k \right) $ 的求解，即

$ {R_\upsilon }\left( k \right) = {\left( k \right)^3}LR{L^{\rm{T}}}\eta。$

(9)

式中： ${R_\upsilon }\left( k \right) = {\rm{diag}}\left\{ {{r_1}\left( k \right),{r_2}\left( k \right) \cdots {r_{Nq}}\left( k \right)} \right\}$ 表示对角阵；L(k)表示方差估计值，对应船舶航海状态参量。

基于上述公式即可得出Q(k)。

1.3 航线自动控制优化

为实现最佳的航线自动控制，采用蚁群优化算法对Q(k)实行寻优，并且引入障碍物识别功能^[12]，获取最佳的航线控制结果。如果Q(k)形成的种群中含有个体数量为 $ z $ ，则可采用第 $ n $ 个个体当下位置状态描述船舶航海线路的初始方位向量，其为 $ {\kappa _n} = \left( {{\kappa _{n1}},{\kappa _{n2}}, \cdots ,{\kappa _{nF}}} \right) $ ；同理， $ {b_n} = \left( {{b_{n1}},{b_{n2}}, \cdots ,{b_{nF}}} \right) $ 表示速度向量，属于Q(k)中，完成最佳的线路自动控制求解，其公式为：

$ \left\{ {\begin{array}{*{20}{l}} {b_{nf}^{y + 1} = {U_R}{T_W}H\left[ {\xi b_{nf}^y{\text{ + }}{v_1}{t_1}\left( {{o_{nf}} - \kappa _{nf}^y} \right) + {v_2}{t_2}\left( {{o_{hf}} - \kappa _{nf}^y} \right)} \right]} ，\\ {\kappa _{nf}^{y + 1} = {U_R}{T_W}H\left( {\kappa _{nf}^y + b_{nf}^{y + 1}} \right)} 。\end{array}} \right. $

(10)

式中： $ \xi $ 表示控制系数； $ {o_{nf}} $ 表示目标方位向量。

为获取Q(k)中最佳的航海位置和速度估计参量，采用转换尺度对其实行线路自动控制优化，以此可获取最佳的加权量系数。

采用尺度转换方式对全局关系量计算过程实行寻优，且处于计算末端时。为保证寻优的全局性，设定v₁和v₂的值，前者取较小值，后者则取其相反值，依据卡尔曼增益控制，得出船舶航海线路组合修正函数，其公式为：

$ \left\{ {\begin{array}{*{20}{l}} {b_{nf}^{y + 1} = {U_R}{T_W}H\left[ {\xi \kappa _{nf}^y{\text{ + }}\left( {{o_{sf}} - \kappa _{nf}^y} \right)\left( {{v_1}{t_1} + {v_2}{t_2}} \right)} \right]} ，\\ {{o_{sf}} = {U_R}{T_W}H\dfrac{1}{z}\displaystyle\sum\limits_{n = 1}^z {{o_{nf}}} } 。\end{array}} \right. $

(11)

式中，o_sf表示修正后目标方位向量。

如果寻优过程中，航行速度可通过个体计算速度表示，则最优速度函数 $ b_{nf}^y $ 为：

$ b_{nf}^y = {U_R}{T_W}H\left( {b_{nf}^{y - 1} + \left( {\kappa _{nf}^y - \kappa _f^ * } \right) \cdot {g_n}} \right)。$

(12)

式中： $ b_{nf}^y $ 和 $ b_{nf}^{y - 1} $ 均表示迭代参量，前者对应航行过程中，后者对应位移变换情况下；g_n表示频率，对应向角修正。

采用融合和求解后，可获取船舶的最佳航行姿态航向角，在l+1的时刻下，第n个个体的坐标计算公式为：

$ {\kappa _n}\left( {l + 1} \right) = {U_R}{T_W}H{\kappa _n}\left( l \right) + d\left( {\frac{{l\left( {{\kappa _k} - {\kappa _n}} \right)}}{{\left\| {l\left( {{\kappa _k} - {\kappa _n}} \right)} \right\|}}} \right) 。$

(13)

式中： $ d $ 表示距离，对应障碍物与船舶之间。

在设定的理想角度下，即可获取船舶航行的自动控制偏转角参量，基于此可确定航线最优自动控制融合误差，其计算公式为：

$ \varepsilon = \sum\limits_{k = 1}^w {{\varepsilon _k}/\left( {w \cdot l} \right)where{\varepsilon _k}} = {U_R}{T_W}H\sum\limits_l {{{\left( {{f_l} - {v_l}} \right)}^2}}。$

(14)

式中： $ w $ 表示角度参量； $ {\phi _l} $ 表示权值感应量； $ {f_l} $ 表示参量，对应垂直距离。

获取最佳的航线控制结果公式为：

$ {\kappa _{\min ,k}} = \max \left\{ {{\kappa _{\min ,k}},{\kappa _{f,k}} - \sigma \left( {{\kappa _{\max ,k}} - {\kappa _{\min ,k}}} \right)} \right\}，$

(15)

$ {\kappa _{\max ,k}} = \min \left\{ {{\kappa _{\max ,k}},{\kappa _{f,k}} - \sigma \left( {{\kappa _{\max ,k}} - {\kappa _{\min ,k}}} \right)} \right\} 。$

(16)

式中，σ表示矢量误差。

求出σ在寻优尺度转换过程中的补偿函数σ(y)，完成船舶航线关联信息参量的融合处理以及控制参量的优化，从而完成航线的自动优化控制。

2 测试结果与分析

为测试该技术在船舶航线自动控制中的应用性和控制效果，实验采用MatlabR2018软件完成，模拟的船舶航道为双向航道，航道东侧为青山夹水道，并且该侧有淤泥堆积以及暗礁，船舶航行过程中航向控制的转弯半径为130 rad，航行速度为25 km/h，大数据蚁群的种群规模为20，最大迭代次数为50次。

为衡量该技术对于船舶航线控制关键数据的挖掘效果，获取该技术在不同的起伏速度下，航向 $ \varphi $ 、横滚 $ \vartheta $ 和俯仰 $ \theta $ 的数据采集结果，并将采集的结果与实际结果作对比，以此分析该技术的数据挖掘效果，结果见图1。分析可知，该技术在不同的起伏速度下，对于航向 $ \varphi $ 、横滚 $ \vartheta $ 和俯仰 $ \theta $ 关键数据的挖掘结果与实际结果的吻合程度较高，表示该技术具备可靠的船舶航线挖掘性能，其挖掘的数据能够为航线的优化控制提供可靠依据。

为深入分析该技术对航海线路自动控制效果，在MatlabR2018软件内设置不同位置的暗礁4处和其他航行船舶3艘，采用该技术控制船舶航行，获取该技术控制下，船舶对于暗礁和其他船舶的躲避结果，见图2。分析可知，在该技术的控制下，船舶在航行中，均能够完全避开所有暗礁和其他行驶船舶。这是由于该技术在实行航线自动控制优化时，结合障碍物识别功能，并引入障碍物和船舶的距离参数，因此，采用该技术对航线实行自动控制后，船舶能够避开全部障碍物，保证航行的安全。

船舶航行过程中，航线的自动控制是对船舶的行驶姿态实行有效控制从而实现航行方向的控制，在MatlabR2018软件内，获取该技术控制后，船舶在行驶过程中，在3个空间位置x₀，y₀，z₀分别对应方向上的矢量误差结果，见图3。分析可知，该技术对航海线路实行自动控制后，不同的航速下，在3个空间位置x₀，y₀，z₀方向上的矢量误差值分别为4.5°，6°，7.5°，该结果均低于设定的上限值10°，因此，该技术的自动控制效果良好，能够精准地完成船舶航行姿态的控制。

由于航海环境存在一定突发性和多变性，为衡量该技术在不同的航海环境中，对于航线的自动控制效果，获取大雾天气和大风天气下，面临海面上出现移动障碍物时，船舶航线自动控制效果，见图4。分析可知：在2种航行环境中，采用该技术控制后船舶均能够按照设定的航线完成航行，并且当航线中出现移动障碍物时，该技术能够有效避开该障碍物后，重新回到设定的航线上。因此，该技术的航线自动控制效果良好，能够用于船舶航线的自动控制。

3 结　语

本文提出基于数据挖掘的船舶航线自动控制技术，构建船舶航行运动学模型，分析船舶航行的关键数据和控制参量，并采用数据挖掘对其实行挖掘，完成控制参量的优化，获取最佳的航线自动控制结果。采用仿真模拟软件对该技术的自动控制效果实行测试，结果显示，该技术能够准确挖掘出船舶航海关键数据，具备较佳的航线自动控制性能，可获取最佳的航线。在不同的航行环境下，均可有效避开障碍物，完成航线自动控制。