Data-driven sea state estimation for a DP vessel based on distributed inertial measurement units

Abstract

I denne oppgaven blir en metode for å estimere parameterne i en sjøtilstand baser på akselerasjonsmålinger fra et skip på dynamisk posisjonering, uten foroverhastighet. IMU sensurere fordelt rundt i skipet gjør det mulig å estimere akselerasjonene til skipet. Disse målingene kan igjen brukes til å lære opp estimeringsmodellene. De presenterte algoritmene er lært opp på eksperimentell og simulert data fra en modellbåt. En simulasjonsmodell av modellbåten C/S Artic Drillship er laget i Simulink. Denne modellen er brukt til å innhente opplæringsdata for sjøtilstandsestimeringsmodellene. Denne simuleringsmodellen inneholder modellering av langkammede regulære og irregulære bølger, og den tilhørende responsen fra skipet. Målinger fra modellen er siden brukt til å modellere fire IMUer. Dataen fra IMUene er igjen matet inn i en sensorfusjonsalgoritme for å estimere bevegelsene ved skipets origo. Omfattende arbeid i det Marin kybernetikklaboratoriet ved NTNU ble utført for å samle inn realistisk data. Fire IMUer ble installert på 1:90 modellskalabåten C/S Artic Drillship. Båten ble holdt i ro ved hjelp av et dynamisk posisjonering system, og langkammede regulære og irregulære bølger laget av en bølgemaskin. Sensor data og skipsresponsen var så loggført. Modellen for estimering av sjøtilstanden består av tre konvolusjonelle nevrale nettverk i parallell. To er bygget som regresjonsmodeller for estimering av signifikant bølgehøyde og bølgeperioden. Det siste nettverket er en klassifiseringsmodell for estimering av den relative bølgeretningen. Klassifiseringen er delt inn i sektorer på enten 30, 45 eller 90 grader. Modellene er opplært på både eksperimentell og syntetisk merket data. Syntetisk data fra simulatoren er først brukt til å etablere den generelle oppbygningen til nettverkene og til å justere hyperparametrene. Grunnet den relativt lave mengden eksperimentell data er nettverkene først opplært på syntetisk data, siden på eksperimentell. Modellene som ble opplært på syntetisk merket data fra langkammede irregulære bølger gav meget gode resultater. For modellen trent på 30 graders sektorer og fem sjøtilstander, ble signifikant bølgehøyde estimert med en feil på 3.266%, bølgeperioden med en feil på 0.996% og 89.1% nøyaktighet for den relative bølgeretningen. Andre modeller trent på mindre kompleks data viste noe bedre resultat. Resultatene fra nettverk trent videre på eksperimentell data var mindre tilfredse, men viser fortsatt potensialet i metodikken. En pseudo-direkte estimeringsmiljø var laget i Simulink for å verifisere effektiviteten av å bruke nevrale nettverk til å estimere sjøtilstanden til et skip. Modellene testet her gav tilsvarende nøyaktighet som de oppnådd under treing, og kravene til beregningskraften nødvendig viste seg å være minimal.

This thesis presents a method for estimating sea state parameters based on acceleration measurements of a vessel in station keeping operation with no forward speed. Spatially distributed IMU sensors installed on a DP vessel enables accelerations of the vessel to be estimated, which in turn were used to train the models. The proposed algorithms are trained on experimental and simulation data of a scale model vessel. A simulation model of the scale model C/S Artic Drillship is created in Simulink. This model is used to acquire training data for the sea state estimation models. The simulation model includes modeling of long-crested regular and irregular waves and the corresponding response of the vessel. Measurements from the model are used in turn used to model four spatially distributed IMUs. The IMU data are fed through a sensor fusion algorithm to estimate the vessel motion at the center of control. An extensive experimental campaign was executed in order to acquire more accurate data. Four IMUs were installed on the 1:90 scale model vessel C/S Artic Drillship and tested in the Marine Cybernetics laboratory. The vessel was kept in DP operations, and long-crested regular and irregular waves were generated in the basin, and the response was logged. The sea state estimation model consists of three convolutional neural networks 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 sectors of 30, 45, or 90 degrees. The models are trained and tested on labeled data from both the synthetic and experimental data. The synthetic data was first used to decide the hyperparameters and the general architecture of the networks. Due to the relatively low quantity of experimental data, the networks first trained on the synthetic data and later trained the experimental data. The models trained and tested on synthetic labeled data in long-crested irregular waves produced very satisfactory results. For the models trained in data with twelve 30deg sectors and five sea states, a mean significant wave height error of 3.266%, a mean peak period error of 0.996%, and 89.1% accuracy for wave direction were achieved. Other networks with less complex tasks achieved slightly better results. The results obtained through transfer learning with the experimental data are less satisfying but good non the less. These results were expected due to the natural discrepancies between modeled and actual motion. A pseudo online sea state estimation model was also created in Simulink to verify the efficiency of neural networks used in sea state estimation. The networks predicted the sea state with similar results as those achieved through training, and the computation required minimal.