Детальная информация

Выпускная квалификационная работа посвящена разработке алгоритмов автоматизированной настройки параметров фильтрации навигационных данных с целью повышения точности калибровки системы курсовой устойчивости и динамического позиционирования судна на базе платформы DP5000. Основное внимание уделено предсказанию корректирующих коэффициентов, влияющих на расчёт силы тяги двигателей, по данным GPS и модельным оценкам сил взаимодействия. - представлена математическая модель движения судна в трёх степенях свободы и модель GPS-наблюдений; - описаны этапы предобработки данных, включая интерполяцию, БПФ-фильтрацию и численное дифференцирование; - сформулирована регрессионная задача по предсказанию параметров калибровки; - исследованы и реализованы модели SVR, Random Forest, Decision Tree, Gaussian Process, XGBoost и LightGBM; - выполнена настройка гиперпараметров моделей с помощью библиотеки Optuna; - проведён сравнительный анализ качества моделей по метрикам MAE, MSE, R^2 и устойчивости предсказаний. Полученные результаты демонстрируют эффективность методов машинного обучения для задач калибровки DP-систем и позволяют сократить потребность в натурных испытаниях при настройке судовой автоматизированной навигации.

This masters thesis focuses on the development of algorithms for automated tuning of navigation data filtering parameters to improve the calibration accuracy of a ships heading and dynamic positioning (DP) system based on the DP5000 platform. The core task involves predicting correction coefficients that adjust the engine thrust estimation using GPS measurements and model-based force estimates. - a mathematical model of ship motion in three degrees of freedom and a corresponding GPS observation model; - data preprocessing steps such as interpolation, FFT-based spectral filtering, and derivative calculation; - formulation of a regression task for predicting calibration parameters; - implementation and evaluation of regression methods including SVR, Random Forest, Decision Tree, Gaussian Process, XGBoost, and LightGBM; - hyperparameter optimization using the Optuna framework; - comparative performance assessment of the models based on MAE, MSE, R^2, and prediction stability metrics. The results confirm the applicability of machine learning techniques for enhancing DP system calibration, offering a reduction in the need for costly full-scale testing during system setup and adjustment.

• ВВЕДЕНИЕ
• ГЛАВА 1. ОБЗОР СИСТЕМЫ DP5000 И ТЕОРЕТИЧЕСКИЕ ОСНОВЫ КУРСОВОЙ УСТОЙЧИВОСТИ И ДИНАМИЧЕСКОГО ПОЗИЦИОНИРОВАНИЯ.
  • 1.1 Назначение и области применения систем динамического позиционирования
  • 1.2 Принцип работы DP-системы
  • 1.3 Архитектура системы DP5000
  • 1.4 Навигационные и инерциальные сенсоры в системе динамического позиционирования DP5000
  • 1.5 Классификация и методы фильтрации сенсорных данных
• ГЛАВА 2. ПОСТАНОВКА ЗАДАЧИ НАСТРОЙКИ ПАРАМЕТРОВ ФИЛЬТРА DP5000 И ВЫБОР АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ
  • 2.1 Текущий порядок калибровки системы на примере калибровки тяги по оси X
  • 2.2 Формализация этапов калибровки
  • 2.3 Выбор регрессии и описание используемых моделей
• ГЛАВА 3. ПРЕДОБРАБОТКА ДАННЫХ И ФОРМИРОВАНИЕ ОБУЧАЮЩЕЙ ВЫБОРКИ
  • 3.1 Исходные данные
  • 3.2 Предобработка данных
  • 3.3 Выделение и конструирование признаков для регрессии
  • 3.4 Объём и репрезентативность выборки
  • 3.5 Разбиение на обучающую, валидационную и тестовую выборки
• ГЛАВА 4. РАЗРАБОТКА И ВАЛИДАЦИЯ АЛГОРИТМОВ
  • 4.1 Инструментарий для реализации
  • 4.2 Разработка и реализация алгоритмов подбора f_max и предсказания коэффициента калибровки
  • 4.3 Метрики оценки качества
  • 4.4 Сравнительный анализ результатов
• ЗАКЛЮЧЕНИЕ
• СПИСОК ЛИТЕРАТУРЫ
• ПРИЛОЖЕНИЕ
  • Приложение A. Подбор порога скорости, весовых коэффициентов для каждого окна и f_max для каждого теста.
  • Приложение Б. Подбор признаков с помощью SHAP, обучение и оценка моделей регрессии.