IMU-based sea state estimation using convolutional neural networks for DP vessels

Abstract

Oppgaven utforsker muligheten for sjøtilstandsestimering basert på målt skipsrespons. IMU sensorer installert flere steder på et DP skip muliggjør estimering av akselerasjonene til skipet, som videre kan brukes til å trene modellene for sjøtilstandsestimering.

En 6 DOF simuleringsmodell for modellskipet C/S Arctic Drillship er implementert i Simulink. Dette inkluderer modellering av bølger og medfølgende skipsrespons. Realistiske målinger er modellert fra fire IMUer, og en sensor fusjons algoritme er implementert for estimering av skipets bevegelser i kontrollsenteret. Et DP kontrollsystem er også modellert, basert på en forenklet, 3 DOF kontrolldesign modell som kun handler i det horisontale planet.

Modellen for sjøtilstandsestimering består av tre parallelle nevrale nettverk. To er bygget som regresjonsmodeller for estimering av bølgehøyde og periode, mens det siste er bygget for klassifisering av relativ bølgeretning definert i tolv sektorer på 30 grader. Akselerasjonsdata i heave, roll og pitch fra simulering er først brukt til å finne en generell arkitektur, og deretter optimale hyper parametre for de nevrale nettverkene.

Fire IMUer er installert på det faktiske skipet og testet i et bølgebasseng. Målingene er filtrert og brukt til å estimere 3 DOF akselerasjoner i skipets kontrollsenter.

Modellene er trent og testet på data fra simulering i irregulære bølger, med veldig gode resultater. En gjennomsnittlig feil i signifikant bølgehøyde på 3.133%, en gjennomsnittlig bølgeperiode feil på 0.896% og 100% nøyaktighet for bølgeretning er oppnådd. Tilsvarende gode resultater er oppnådd når modellene er trent på ufiltrert data med støy, hvilket demonstrerer robustheten til modellene.

Sjøtilstandsestimerings modellene er deretter trent på data fra simulering i regulære bølger, før de er testet på den ekperimentelle dataen fra lab. Resultatene er gode for estimert bølgeperiode, men verre for bølgehøyde of retning. Dette er forventet som følge av de naturlige forskjellene mellom modellert of faktisk skipsrespons. Resultatene viser likevel potensial for bruken av nevrale nettverk for sjøtilstandsestimering for DP skip.

The thesis explore feasibility of sea state estimation based on measured vessel motion. Spatially distributed IMU sensors installed on a DP vessel enables the accelerations of the vessel to be estimated, which is further used to train the sea state estimation models.

A 6 DOF simulation model for the 1:90 model vessel C/S Arctic Drillship is implemented in Simulink. This includes modeling of long-crested regular and irregular waves and the corresponding vessel response. Realistic measurements are modeled from four spatially distributed IMUs, and a sensor fusion algorithm is applied for estimation of the vessel motion in the center of control. A motion control system is also modeled, including a guidance module, a model-based DP controller, and a model-based nonlinear passive observer. The motion control system is designed based on a simplified 3 DOF control design model, only acting in the horizontal plane.

The sea state estimation model consists of three convolutional neural networks implemented in parallel. Two are built as regression models for estimating specific wave height and peak wave period. The last is a classification model for estimating relative wave direction defined in twelve sectors of 30 degrees. The labeled acceleration data in heave, roll, and pitch from the simulation is firstly used to find the general architecture and secondly the optimal hyperparameters for the neural networks.

Four IMUs are installed on the actual vessel and tested in the Marine Cybernetics Laboratory with long-crested regular waves generated in the basin. The measurements are filtered and used to estimate the 3 DOF accelerations in the vessel center of control.

The models are trained and tested on labeled data from simulation in long-crested irregular waves, producing very satisfactory results. A mean significant wave height error of 3.133%, a mean peak period error of 0.896%, and 100% accuracy for wave direction is achieved. Similarly satisfying results are found when the models are trained on unfiltered data with noise and bias, demonstrating the robustness of the end-to-end models.

The sea state estimation models are then trained on simulation data in long-crested regular waves before they are tested on the experimental data from the lab. The estimation results are good for the wave period model but worse for wave height and direction. This is, however, as expected due to the natural discrepancies between modeled and actual motion. It still shows the potential for using convolutional neural networks for sea state estimation for DP vessels.