本申请涉及水下作业装置，尤其是一种基于神经网络的水下作业装置耦合力预测方法。
背景技术：
1、各类无人、载人潜水器是目前常见的水下平台，通过给水下平台搭载机械臂可以构成水下作业装置，水下作业装置可以用于执行海底开发、打捞和救生等复杂的水下作业任务，从而成为当前对海洋进行勘探研究和资源开发的主要工具之一，也是海洋开发的前沿和制高点之一。
2、相比陆地上的作业装置，水下作业装置的作业过程是水动力学和多体动力学的复杂融合，系统在运动学上存在耦合特性和自由度的冗余，这就导致水下作业装置在进行作业时，机械臂会给水下平台的悬停定位带来扰动力，扰动力包括机械臂和水下平台的耦合特性造成的耦合力。因此研究水下作业装置在锚系设施负载下所受耦合力对于水下作业装置的稳定运动具有重要意义，但是如上所述，水下作业装置在锚系设施负载下所受耦合力是复杂的非线性动力，通过构建数学算法来运算的难度较大且准确性也不高。
技术实现思路
1、本申请针对上述问题及技术需求，提出了一种基于神经网络的水下作业装置耦合力预测方法，本申请的技术方案如下：
2、一种基于神经网络的水下作业装置耦合力预测方法，该水下作业装置耦合力预测方法包括：
3、根据水下作业装置的结构构建作业装置模型，将作业装置模型和锚链置于循环水槽中，锚链的一端通过第一拉压力传感器连接水面上的浮球，锚链的另一端通过第二拉压力传感器连接循环水槽底部的锚，并利用作业装置模型中的机械臂通过第三拉压力传感器抓取锚链的中部，搭建得到的循环水槽试验系统；
4、基于循环水槽试验系统在不同试验工况下进行试验，得到每个试验工况下的耦合力实际值包括通过三个拉压力传感器采集到的拉力；
5、以每个试验工况的工况参数为输入、试验工况下的耦合力实际值作为输出，基于神经网络回归模型结合粒子群算法训练得到耦合力预测模型；
6、利用得到的耦合力预测模型基于水下作业装置所在工况的工况参数，得到水下作业装置所受耦合力的预测结果。
7、其进一步的技术方案为，每个试验工况的工况参数包括作业装置模型的位姿参数以及循环水槽中的流体雷诺数，作业装置模型的位姿参数包括作业装置模型的偏航角和俯仰角。
8、其进一步的技术方案为，基于循环水槽试验系统在每个试验工况下进行试验得到耦合力实际值包括：
9、按照当前试验工况下的位姿参数调整作业装置模型的位姿，调整循环水槽中流体的来流速度以调节得到当前试验工况下的流体雷诺数，机械臂的拉力方向沿着循环水槽中流体的来流方向；在当前试验工况下，通过浮球、锚和机械臂的作用使得锚链产生预定变形，并通过第一拉压力传感器测得浮球对锚链的拉力、通过第二拉压力传感器测得锚对锚链的拉力、通过第三拉压力传感器测得机械臂对锚链的拉力，得到当前试验工况下的耦合力实际值。
10、其进一步的技术方案为，基于神经网络回归模型结合粒子群算法训练得到耦合力预测模型包括：
11、以每个试验工况的工况参数为输入、试验工况下的耦合力实际值作为输出，基于神经网络回归模型进行训练，直至达到最大训练次数时得到初始预测模型；
12、使用粒子群算法对训练好的初始预测模型进行参数寻优，通过反向传播和梯度下降优化初始预测模型的权重参数后得到耦合力预测模型。
13、其进一步的技术方案为，用于训练得到初始预测模型的神经网络回归模型包括输入层、隐藏层和输出层，且使用的激活函数为relu函数，使用的损失函数包括均方误差、平均绝对误差、huber函数，使用的优化器为随机梯度下降函数。
14、其进一步的技术方案为，神经网络回归模型中隐藏层的节点数为6。
15、其进一步的技术方案为，在使用粒子群算法对训练好的初始预测模型进行参数寻优时，每个粒子的位置表示初始预测模型的一组权重参数，并在每次迭代时根据适应度函数计算每个粒子的适应度值，其中，n是用于模型训练的试验工况的总数，yi是初始预测模型在当前粒子表示的权重参数下基于第i试验工况的工况参数得到的耦合力的预测结果，yi是第i试验工况的工况参数对应的耦合力实际值。
16、其进一步的技术方案为，水下作业装置耦合力预测方法还包括：
17、根据湍流模型和水洞实验对构建的作业装置模型进行水动力性能测试，优化作业装置模型直至作业装置模型的水动力性能测试结果达到预定要求。
18、其进一步的技术方案为，根据湍流模型和水洞实验对构建的作业装置模型进行水动力性能测试包括：
19、采用水洞进行piv实验并结合湍流模型，获取作业装置模型在不同位姿下的流体速度、涡量、湍动能和雷诺应力，以及得到作业装置模型在尾流上的速度轮廓曲线验证仿真结果。
20、其进一步的技术方案为，水下作业装置耦合力预测方法还包括：
21、确定若干个俯仰角、若干个偏航角以及若干个流体雷诺数，对所有俯仰角、偏航角和流体雷诺数进行全排列组合构建得到多个不同试验工况的工况参数。
22、本申请的有益技术效果是：
23、本申请公开了一种基于神经网络的水下作业装置耦合力预测方法，该方法通过进行一定量不同参数的水动力数值仿真获得数据集，然后利用神经网络回归模型基于数据集进行训练和测试学习更加多样、全面的水动力学特征，进一步利用粒子群寻优算法进行参数优化，从而可以得到具有较高预测精度的耦合力预测模型，然后利用耦合力预测模型即可快速预测水下作业装置所受耦合力，该方法具有原理简单、可操作性强、设计灵活、可靠性高及适用面广等特点，对水下作业装置的水动力预测研究具有重要指导和借鉴意义。
1.一种基于神经网络的水下作业装置耦合力预测方法，其特征在于，所述水下作业装置耦合力预测方法包括：
2.根据权利要求1所述的水下作业装置耦合力预测方法，其特征在于，每个试验工况的工况参数包括作业装置模型的位姿参数以及循环水槽中的流体雷诺数，作业装置模型的位姿参数包括作业装置模型的偏航角和俯仰角。
3.根据权利要求2所述的水下作业装置耦合力预测方法，其特征在于，基于所述循环水槽试验系统在每个试验工况下进行试验得到耦合力实际值包括：
4.根据权利要求1所述的水下作业装置耦合力预测方法，其特征在于，基于神经网络回归模型结合粒子群算法训练得到耦合力预测模型包括：
5.根据权利要求4所述的水下作业装置耦合力预测方法，其特征在于，用于训练得到初始预测模型的神经网络回归模型包括输入层、隐藏层和输出层，且使用的激活函数为relu函数，使用的损失函数包括均方误差、平均绝对误差、huber函数，使用的优化器为随机梯度下降函数。
6.根据权利要求5所述的水下作业装置耦合力预测方法，其特征在于，神经网络回归模型中隐藏层的节点数为6。
7.根据权利要求3所述的水下作业装置耦合力预测方法，其特征在于，在使用粒子群算法对训练好的初始预测模型进行参数寻优时，每个粒子的位置表示初始预测模型的一组权重参数，并在每次迭代时根据适应度函数计算每个粒子的适应度值，其中，n是用于模型训练的试验工况的总数，yi是初始预测模型在当前粒子表示的权重参数下基于第i试验工况的工况参数得到的耦合力的预测结果，yi是第i试验工况的工况参数对应的耦合力实际值。
8.根据权利要求1所述的水下作业装置耦合力预测方法，其特征在于，所述水下作业装置耦合力预测方法还包括：
9.根据权利要求8所述的水下作业装置耦合力预测方法，其特征在于，根据湍流模型和水洞实验对构建的作业装置模型进行水动力性能测试包括：
10.根据权利要求2所述的水下作业装置耦合力预测方法，其特征在于，所述水下作业装置耦合力预测方法还包括：
