基于方差補償卡爾曼與限定記憶最小二乘對uuv水動力參數的組合辨識方法
【專利摘要】基于方差補償卡爾曼與限定記憶最小二乘對UUV水動力參數的組合辨識方法，涉及一種UUV水動力參數的組合辨識方法。為了解決傳統的水動力參數的辨識方法穩定性及辨識結果的準確性低的問題。包括：步驟一：UUV進行定深平面運動和垂直面運動，采集觀測數據；步驟二：對觀測數據用方差補償卡爾曼進行初步辨識，獲得初步辨識的參數值；步驟三：將參數值作為限定記憶最小二乘法的初始值，對采集的觀測數據，進行二次辨識，獲得UUV水動力參數；步驟四：根據水動力參數，進行螺旋下潛或螺旋上升仿真運動，獲得的軌跡與UUV實航軌跡對比和驗證，驗證為準確的作為最終的UUV水動力參數。本發明用于確定UUV的運動方程模型。
【專利說明】
基于方差補償卡爾曼與限定記憶最小二乘對UUV水動力參數 的組合辨識方法
技術領域
[0001] 本發明涉及一種UUV水動力參數的組合辨識方法，特別涉及一種基于方差補償卡 爾曼與限定記憶最小二乘對UUV水動力參數的組合辨識方法。
【背景技術】
[0002] 目前，各國對于海洋領土的關注程度日益加強，近年來中國對于海洋開發與海洋 戰略的關注與投入更是逐年加大力度。海洋開發、維護海洋領土權益不再是一句口號，公要 善其事，必先利其器，要維護其權益就要擁有得力的海洋裝備。因 MH370飛機失事以及美國 海軍藍鰭金槍魚-21型水下無人航行器(UUV)的大力搜救，使得水下無人航行器其重要的軍 事和戰略意義得以顯現，更為廣大群眾所熟知。要獲得UUV良好的控制性能和仿真結果，其 運動方程模型的獲得是關鍵，而水動力參數是運動方程模型的靈魂。這些參數決定著UUV水 中受力、運動軌跡和姿態并對于其控制起到骨架作用，因此一些西方國家如英國、法國、烏 克蘭、德國和美國等長期致力于UUV水動力參數的研究上。
[0003] 通常水動力參數的獲得方法主要是通過船體模型試驗以及實船航行對水動力參 數的辨識試驗，相比于船體模型方法水動力參數辨識實驗對于實驗資金、試驗設備、試驗時 間、試驗場地的要求低很多。但傳統的水動力參數的辨識方法單一，實驗方法不能突出某些 水動力參數的影響，造成辨識過程的穩定性及辨識結果的準確性都有很大降低。
【發明內容】
[0004] 本發明的目的是為了解決傳統的水動力參數的辨識方法穩定性及辨識結果的準 確性低的問題，本發明提供一種基于方差補償卡爾曼與限定記憶最小二乘對UUV水動力參 數的組合辨識方法。
[0005] 本發明的基于方差補償卡爾曼與限定記憶最小二乘對UUV水動力參數的組合辨識 方法，所述方法包括如下步驟：
[0006] 步驟一:UUV進行定深平面運動和垂直面運動，采集觀測數據；
[0007] 步驟二:對采集的觀測數據用方差補償卡爾曼進行初步辨識，獲得初步辨識的參 數值；
[0008] 步驟三:初步獲得辨識的參數值作為限定記憶最小二乘法的初始值，對采集的觀 測數據，進行二次辨識，獲得UUV水動力參數；
[0009] 步驟四：根據獲得的UUV水動力參數，進行螺旋下潛或螺旋上升仿真運動，獲得的 軌跡與UUV實航軌跡對比，驗證步驟三獲得的水動力參數的準確性，驗證為準確的作為最終 的UUV水動力參數。
[0010] 所述步驟二中，方差補償卡爾曼為用動態噪聲的方差陣補償法對卡爾曼濾波中的 誤差協方差矩陣進行動態修正。
[0011] 所述步驟一中，定深平面運動包括固定垂直舵角運動和Sin正弦緩慢打舵運動；
[0012]所述垂直面運動包括固定水平舵角運動和正弦緩慢打舵運動。
[0013] 所述步驟二為:對采集的觀測數據進行降噪平滑;對降噪平滑后的觀測數據用方 差補償卡爾曼進行初步辨識，獲得初步辨識的參數值。
[0014] 所述步驟二中，對采集的觀測數據進行降噪平滑的方法為:對采集的觀測數據使 用小波算法進行降噪和3次插值擬合平滑數據除去野值，獲得降噪平滑后的觀測數據。
[0015] 步驟四中，驗證步驟三獲得的水動力參數的準確性的方法為通過旋轉半徑偏差率 α、螺距偏差率β和旋轉圈數偏差率γ驗證水動力參數的準確性，具體為：
[0016] ? = &!，!?為UUV實航的半徑，f為仿真運動的旋轉半徑，α用于衡量水動力參數 R 中旋轉半徑的準確性，α越小準確性越高，判定α準確的取值范圍為[0,0. 5];
[0017] 0 = ^為仿真運動中UUV垂直面運動高度值，H為實航高度值，β用于衡量水 η 動力參數中每圈下潛高度的準確性，β越小準確性越高，判定β準確的取值范圍為[0，0. 5];
[0018] 為仿真運動中螺旋下潛或螺旋上升運動旋轉圈數，η為實航旋轉圈數， η γ用于衡量水動力參數中UUV平面運動旋轉角速度的準確性，γ越小準確性越高，判定γ準 確的取值范圍為[0,0.5]。
[0019] 本發明的有益效果在于，本發明的方差補償卡爾曼具有辨識快速收斂性、平穩及 對噪聲自適應的優點，限定記憶最小二乘法具有辨識準確、消除數據飽和現象的優點，因而 使用兩種方法對UUV水動力參數進行組合辨識。與傳統單一辨識方法相比此種組合辨識不 僅提高了辨識的準確度，同時也提高了收斂速度，消除了數據飽和現象，對于不平滑的觀測 數據辨識具有較好的魯棒性。
【附圖說明】
[0020] 圖I UUV的大地固定坐標系與UUV運動坐標系的原理示意圖。
[0021 ]圖2【具體實施方式】中步驟二的原理示意圖。
[0022]圖3【具體實施方式】中步驟二和步驟三的原理示意圖。
[0023]圖4 UUV在定深平面，Sin正弦慢打舵運動的原理示意圖。
[0024] 圖5 UUV在垂直面，Sin正弦慢打舵運動的原理示意圖。
[0025]圖6螺旋下潛運動的驗證原理示意圖。
【具體實施方式】
[0026] 結合圖1至圖6說明本實施方式，本實施方式所述的基于方差補償卡爾曼與限定記 憶最小二乘對UUV水動力參數的組合辨識方法，包括如下步驟：
[0027] 步驟一 :UUV運動涉及到六個自由度，為了方便辨識把其運動分為定深平面和垂直 面各三個自由度，并根據推導的運動方程來確定出要采集的觀測數據，進而確定需要辨識 方程中水動力參數ar"a5br"b7cr"C9。
[0028]
[0029]
[0030]
[0031]
[0032]
[0033]
[0034]
[0035]
[0036]
[0037]
[0038] 根據圖1中大地固定坐標系與UUV運動坐標系圖示可知：
[0039]其中，N為轉艏力矩(N · m)，X為水動力在X軸分量(N)，m為UUV質量(kg)，Y為水動力 在y軸分量(N)，P為水密度(kg/m3)，L為UUV艇長(m) Jr為垂直舵角(rad)，u為速度在X軸分量 (m · S^1)，v為速度在y軸分量(m · S^1)，r為繞z軸角速度(rad · S^1)，Yf為等式部分值(N)， Xprcip為推進器推力(N) 對?的導數(N · πΓ1 · s)轉艏力矩對/導數(N · S2)，匕為Y 對f的導數(N · πΓ1 · s)，Iz為繞z軸轉動慣量(kg · m2)，yc為重心在y軸坐標(m);
[0040] X**代表X軸受力對下標參數的導數，Y**代表y軸受力對下標參數的導數，N**代表z 軸受力矩對下標參數的導數；
[0041] 定深平面運動方程中的&1~8513^七7(31~〇9是待辨識的水動力參數，其他運動姿態 和軌跡位置的相關參數為UUV實航實驗中需要觀測到的數據或根據觀測到的數據計算獲
得。
[0042] (F
[0043]
[0054] 根據圖1中大地固定坐標系與UUV運動坐標系圖示可知：[0055] w為速度在z軸方向分量(kn · JT1Kq為艇體下潛角速度(rad · JT1KIy為UUV繞z軸 轉動慣量(kg · m2)，Z為水動力在z軸分量(N)，M為水動力矩在Y軸方向分量(N · m) 對 由的導數(N · πΓ1 · S2)%為M對4的導數(N · m · S2 · racT1)，Zf為Z軸方向受到部分力(N)，5S 為下潛舵角(rad);
[0044]
[0045]
[0046]
[0047]
[0048]
[0049]
[0050]
[0051]
[0052]
[0053]
[0056] Y**代表y軸受力對下標參數的導數，N**代表z軸受力矩對下標參數的導數；
[0057] 垂直面運動方程中的3廣_3513廣_1311(31"_(311是待辨識的水動力參數，其他運動姿態 和軌跡位置的相關參數為UUV實航實驗中需要觀測到的數據或根據觀測到的數據計算獲 得。
[0058] 步驟二:選擇空曠平穩水域進行UUV實航實驗來采集運動姿態和軌跡位置。設定定 深平面和垂直面兩個平面的運動方式。在定深平面和垂直面都分別涉及到三個運動方程， 如步驟一中的。在定深平面包括固定垂直舵角運動和Sin正弦慢打舵運動，試驗中可以設定 推力500牛固定舵角為10°和幅值10°的正弦慢打舵運動，如圖4所示。在垂直面包括推力500 牛固定水平舵角為5°和幅值7°的正弦慢打舵運動，如圖5所示。在試驗中每隔固定時間采集 一次必要的姿態和位置數據，作為觀測數據，定深平面運動和垂直面運動各辨識出一組水 動力參數，如圖2所示。
[0059] 步驟三:對采集的觀測數據使用小波算法進行降噪和3次插值擬合平滑數據除去 野值;對降噪平滑后的觀測數據用方差補償卡爾曼進行初步辨識，獲得初步辨識的參數值， 如圖3所示。
[0060] 方差補償擴展卡爾曼濾波算法是針對傳統擴展卡爾曼的改進，提出用動態噪聲的 方差陣補償法對卡爾曼濾波中的誤差協方差矩陣進行修正，它避免了在濾波中因動態噪聲 不準或不容易確定而導致濾波發散的現象。
[0061]傳統卡爾曼計算方法如下，方差補償擴展卡爾曼是把待辨識參數擴展到狀態變量 中，
[0062] Ifew = 向量預測值；
[0063]巧,,卜,二+I總-對―丨狀態向量預測方差；
[0064] Q1^1為動態噪聲方差；
[0065] 尤=尤, +々(A -巧名狀態向量估計值；
[0066] Pk= (I-JkHk) Pk/k-i狀態向量估計值方差矩陣；
[0067] Λ 蹲+4)-I為濾波增益矩陣，取為觀測噪聲方差矩陣；
[0068] 在根據上述遞推公式進行卡爾曼濾波計算時需要確定動態系統的初始狀態向量 I0和方差矩陣4,并假設初始狀態向量具有統計特性= =丨々〃 ·(〇，
[0069] 且I。與動態噪聲Wk和觀測噪聲Vk不相關。對于常線性系統，則有Fk/k-i = F，Hk = H， 即它們都是常數矩陣;如果動態噪聲和觀測噪聲都是平穩隨機序列，則Qk、Rk都是常數矩陣。 在這種情況下，常增益的卡爾曼濾波是漸進穩定的。
[0070] 假設動態噪聲Wk和觀測噪聲Vk為正態序列，為正態向量。定義1步預測差值為
有
[0074]
[0072][0073] 假定Qk+1-i在觀測時間段tk+1，tk+2，…，t k+N上為常值對角陣，即
[0075] 其中，nk+i為零均值隨 機變量，l = l，2，…，N。于是f丨!h,J^+,=?r[^S^H).] + %h?可以寫為Ek+l=Ak/ldiagQ+ηk+l，
[0076] 則有E=AdiagQ+ri。
[0077]上式為關于diagQ的線性方程組。當N2 r時有唯一解。記diagQ的最小二乘估計為 = 對于N步以后的估計可用遞推算法。記圪= OfW1
[0078]
[0079]
[0080] 上述狀態向量估計值尤二?Μ)是每次運算得到的辨識結果， 即：在定深平面運動中初步辨識出的水動力參數值jtj ::= 1??…..:.?}或在垂直 面運動中初步辨識出水動力參數值二…義/^ ···/>" C1
[0081 ]步驟四：把步驟三中獲得初步辨識的參數值作為限定記憶最小二乘法的初值，對 觀測數據進行二次辨識，獲得水動力參數，如圖3所示。限定記憶最小二乘法是為了防止在 辨識過程中出現數據飽和現象而對傳統最小二乘進行的改進，它設定了一個數據窗，窗口 大小根據實驗數據的平穩性進行設定，在數據更新的同時削弱老舊數據的影響。
[0082]限定記憶法推到公式如下：
[0083] 第一組：
[0084]
[0085]
[0086]
[0087]
[0088]
[0089]
[0090]
[0091 ] ?+ΛΓ?為第i+Ι次迭代獲得的水動力參數，當i =0時的^ 為步驟三中獲得初步辨識 的參數值；K1 + N,1 + 1為i + Ι次迭代時的增益矩陣；yi表示線性方程觀測值矩陣；矩陣 =爐/供表示線性方程轉移矩陣，i表示迭代的次數，i的最大取值表示數據窗的寬 度，N為記憶數據串口長度，I表示單位矩陣。
[0092]第一組用來增加數據信息，后第二組則用于去掉老數據的信息；這樣數據更新時 始終保持著固定不變的數據的長度，以防止老數據的信息淹沒了新的數據的信息。辨識算 法就是在迭代中將第一組和第二組交替使用，來對水動力參數進行估計的，獲得水動力參 數I
[0093]步驟五:整理辨識的參數結果，對于涉及轉角速度和舵角的參數要著重考慮Sin正 弦慢舵角運動的辨識結果。
[0094 ]根據獲得的UU V水動力參數，進行螺旋下潛或螺旋上升仿真運動，獲得的軌跡與 UUV實航軌跡對比，螺旋下潛運動的驗證原理示意圖如圖6所示，驗證步驟三獲得的水動力 參數的準確性，驗證為準確的作為最終的UUV水動力參數。在螺旋運動中涉及到的其他部分 水動力參數一般對UUV整體運動趨勢影響較小，可以根據水動力參數敏感性指數適當取舍。
[0095] 驗證步驟三獲得的水動力參數的準確性的方法為通過旋轉半徑偏差率α、螺距偏 差率β和旋轉圈數η偏差率γ驗證水動力參數的準確性，具體為：
[0096] (6 = ，R為UUV實航的半徑，f為仿真運動的旋轉半徑，α用于衡量水動力參數 R 中旋轉半徑的準確性，α越小準確性越高，判定α準確的取值范圍為[0，0. 5 ];
[0097] 當f = R則a = 0，代表我測的水動力參數和真實值相同。因此f越接近R，測的參數 和真值間誤差越小，a越趨近于0準確性越高。當f = 1.5R，a = 0.5，此時f >1.5R測量結果不 可用，可以定義為測量錯誤。
[0098] # = 為仿真運動中UUV垂直面運動高度值，H為實航高度值，β用于衡量水 h 動力參數中每圈下潛高度的準確性，β越小準確性越高，判定β準確的取值范圍為[0，0. 5];
[0099] 為仿真運動中螺旋下潛或螺旋上升運動旋轉圈數，η為實航旋轉圈數， η γ用于衡量水動力參數中UUV平面運動旋轉角速度的準確性，γ越小準確性越高，判定γ準 確的取值范圍為[0,0.5]。
【主權項】
1. 一種基于方差補償卡爾曼與限定記憶最小二乘對uuv水動力參數的組合辨識方法， 其特征在于，所述方法包括如下步驟： 步驟一:UUV進行定深平面運動和垂直面運動，采集觀測數據； 步驟二:對采集的觀測數據用方差補償卡爾曼進行初步辨識，獲得初步辨識的參數值； 步驟Ξ:初步獲得辨識的參數值作為限定記憶最小二乘法的初始值，對采集的觀測數 據，進行二次辨識，獲得UUV水動力參數； 步驟四：根據獲得的UUV水動力參數，進行螺旋下潛或螺旋上升仿真運動，獲得的軌跡 與UUV實航軌跡對比，驗證步驟Ξ獲得的水動力參數的準確性，驗證為準確的作為最終的 UUV水動力參數。2. 根據權利要求1所述的基于方差補償卡爾曼與限定記憶最小二乘對UUV水動力參數 的組合辨識方法，其特征在于，所述步驟二中，方差補償卡爾曼為用動態噪聲的方差陣補償 法對卡爾曼濾波中的誤差協方差矩陣進行動態修正。3. 根據權利要求1或2所述的基于方差補償卡爾曼與限定記憶最小二乘對UUV水動力參 數的組合辨識方法，其特征在于，所述步驟一中，定深平面運動包括固定垂直艙角運動和 Sin正弦緩慢打艙運動； 所述垂直面運動包括固定水平艙角運動和正弦緩慢打艙運動。4. 根據權利要求3所述的基于方差補償卡爾曼與限定記憶最小二乘對UUV水動力參數 的組合辨識方法，其特征在于，所述步驟二為:對采集的觀測數據進行降噪平滑;對降噪平 滑后的觀測數據用方差補償卡爾曼進行初步辨識，獲得初步辨識的參數值。5. 根據權利要求4所述的基于方差補償卡爾曼與限定記憶最小二乘對UUV水動力參數 的組合辨識方法，其特征在于，所述步驟二中，對采集的觀測數據進行降噪平滑的方法為： 對采集的觀測數據使用小波算法進行降噪和3次插值擬合平滑數據除去野值，獲得降噪平 滑后的觀測數據。6. 根據權利要求5所述的基于方差補償卡爾曼與限定記憶最小二乘對UUV水動力參數 的組合辨識方法，其特征在于，步驟四中，驗證步驟Ξ獲得的水動力參數的準確性的方法為 通過旋轉半徑偏差率α、螺距偏差率β和旋轉圈數偏差率γ驗證水動力參數的準確性，具體 為：R為UUV實航的半徑，r為仿真運動的旋轉半徑，α用于衡量水動力參數中旋 轉半徑的準確性，α越小準確性越高，判定α準確的取值范圍為[0，0.5 ];Η/為仿真運動中UUV垂直面運動高度值，Η為實航高度值，β用于衡量水動力 參數中每圈下潛高度的準確性，β越小準確性越高，判定扮隹確的取值范圍為[0,0.5];η/為仿真運動中UUV螺旋下潛或螺旋上升旋轉圈數，η為實航旋轉圈數，丫用于 衡量水動力參數中UUV平面運動旋轉角速度的準確性，γ越小準確性越高，判定γ準確的取 值范圍為[0,0.5]。
【文檔編號】G06F17/50GK105843983SQ201610141653
【公開日】2016年8月10日
【申請日】2016年3月14日
【發明人】張偉, 張吉楠, 滕彥斌, 孫希勛, 高立峰, 李娟 , 嚴浙平
【申請人】哈爾濱工程大學