BR102013015502A2 - Architecture and dynamic positioning system for a maritime vessel - Google Patents

Abstract

arquitetura e sistema de posicionamento dinâmico para uma embarcação marítima a presente invenção refere-se a uma arquitetura para fusão de dados, mais especificamente a combinação de dados ou medições de duas ou mais fontes. a arquitetura compreende uma pluralidade de sensores (41, 42 4m), cada sensor suprindo dados de medição e estando associado a dados de precisão indicativos da precisão dos dados de medição supridos; cada sensor (41, 42 4m) sendo associado a meios (81, 82 8m) para a derivação de primeiras estimativas da variabilidade dos dados de medição supridos pelo respectivo sensor pelo processamento dos dados de medição supridos pelo respectivo sensor, meios (121, 122 12m e 141, 142 14m) para a derivação de segundas estimativas da variabilidade dos dados de medição supridos pelo respectivo sensor pelo processamento dos dados de precisão associados ao respectivo sensor, e meios (161, 162 16m) para a combinação das primeiras e segundas estimativas para a derivação de estimativas gerais da variabilidade dos dados de medição supridos pelo respectivo sensor; e meios (2) para a combinação dos dados de medição supridos por cada sensor (41, 42 4m) e as estimativas gerais para cada sensor.

Description

ARQUITETURA DE FUSÃO DE DADOS

Campo Técnico A invenção se refere a uma arquitetura para fusão de dados, isto é, a combinação de dados ou medições de duas ou mais fontes. A arquitetura pode ser usada como parte de qualquer sistema o qual requeira a combinação de dados a partir de uma pluralidade de sensores, incluindo um sistema de posicionamento dinâmico (DP) para embarcações marítimas em que empurradores são usados para manutenção da posição de uma embarcação na vizinhança de um ponto de referência e estabilização de seu aproamento, em oposição a forças ambientais, tais como vento e corrente. 0 termo "embarcações marítimas" é pretendido para incluir navios, sondas de perfuração e quaisquer outras embalagens de superfície ou plataformas ou embarcações submersíveis (submarinas). Técnica Antecedente Os componentes fundamentais de um sistema de posicionamento dinâmico (DP) são: um ou mais sistemas de referência de posição para medição da posição da embarcação e aproamento; empurradores para aplicação de uma ação de controle; e um controlador para a determinação dos empuxos requeridos. 0 objetivo de um sistema de DP não é manter a embarcação absolutamente estacionária, mas manter seu posicionamento em limites aceitáveis. A magnitude da variação de posição permitida é dependente da aplicação e de preocupações operacionais. Em muitas aplicações, uma perda de posição além dos limites aceitáveis pode ter impacto severo na segurança do pessoal ou do equipamento, ou no meio-ambiente. É vital, portanto, que medidas adequadas sejam tomadas para manutenção da integridade do sistema de DP tanto quanto for razoavelmente possível. 0 sistema de DP combina todas as medições disponíveis de posição, a partir de qualquer fonte que seja, para uma estimativa única de posição de embarcação. 0 processo de combinação das medidas disponíveis pode ser referido como 'fusão de dados'.

As fontes de medições podem incluir uma ampla variedade de equipamento de medição de posição (PME), tais como bússolas giroscópicas (as quais oferecem uma medição compacta, confiável e acurada de aproamento de embarcação (guinada), independentemente de perturbações externas), cabos tensionadores, sistemas de navegação por satélite (os quais incluem sistemas de posicionamento global (GPS) e GPS diferencial (DGPS)), sistemas de navegação inercíal (INS) e sistemas de posicionamento hidroacústico.

Diferentes PME tipicamente proveem acurácia diferente de dados de medição. A diferença principal é o nível de ruído nos dados de medição. Por exemplo, um sistema de DGPS poderia prover medições de posição com ruído de desvio padrão de 0,3 m, ao passo que um sistema de posicionamento hidroacústico poderia prover medições de posição com ruído de 5 m de desvio padrão. Devido ao fato de o sistema de DP normalmente ser necessário para uso de todos os dados de medição disponíveis, para fins de redundância, deve ser realizado um processo de fusão de dados. Tipicamente, o processo de fusão de dados usará alguma forma de atribuição de peso com base na acurácia dos dados de medição providos por meio de cada PME. Isto assegura que um PME que provê dados de medição de qualidade mais baixa (isto é, um PME com ruído) tenha menos efeito sobre a estimativa de posição derivada pelo processo de fusão de dados do que um PME que proveja dados de medição de qualidade mais alta. A acurácia dos dados de medição providos por um PME em particular nem sempre pode ser constante. Por exemplo, o ruído nas medições de posição por um DGPS dependerá do número e do espalhamento dos satélites que forem visíveis para o receptor em qualquer tempo em particular. 0 ruído nas medições de posição providas por um sistema ■de posicionamento hidroacústico dependerá da profundidade da água e do número de transponders empregados no leito do mar. Os sistemas de DP conhecidos, portanto, mantêm uma estimativa da acurácia dos dados de medição providos por meio de cada PME, de modo a se determinarem as atribuições de peso relativas para o processo de fusão de dados. Esta estimativa de acurácia tipicamente é calculada usando-se dados de medição coletados por um período de um minuto ou mais. Devido ao fato de se basear em medições de posição prévias, a estimativa de acurácia é lenta para responder a mudanças súbitas no comportamento do PME, por exemplo, quando o receptor de um sistema de DGPS perder a visão de um número de satélites, devido ao sombreamento.

Sumário da Invenção A presente invenção provê uma arquitetura melhorada, compreendendo: uma pluralidade de sensores, cada sensor suprindo dados de medição e estando associado aos dados de acurácia indicativos da acurácia dos dados de medição supridos; cada sensor sendo associado a meios para a derivação de primeiras estimativas da variabilidade dos dados de medição supridos pelo respectivo sensor pelo processamento dos dados de medição supridos pelo respectivo sensor, meios para a derivação de segundas estimativas da variabilidade dos dados de medição supridos pelo respectivo sensor pelo processamento dos dados de acurácia associados ao respectivo sensor, e meios para a combinação das primeiras e segundas estimativas para a derivação de estimativas gerais da variabilidade dos dados de medição supridos pelo respectivo sensor; e meios para a combinação dos dados de medição supridos por meio de cada sensor e das estimativas gerais para cada sensor, por exemplo, em um processo de fusão de dados.

Conforme descrito em maiores detalhes abaixo, as estimativas gerais para cada sensor são usadas pelos meios de combinação para a determinação da atribuição de peso relativa dada aos dados de medição providos por meio de cada sensor, isto é, como parte do processo de fusão de dados.

Cada sensor tipicamente proverá medições individuais em um intervalo de atualização em particular, por exemplo, uma medição por segundo. Os dados de medição tipicamente são providos para uma unidade de processamento por cabos, frequentemente usando-se um enlace serial entre a unidade de processamento e uma unidade de medição que inclui os vários sensores. A unidade de processamento rodará um software que é usado para a derivação das estimativas gerais. A unidade de processamento tipicamente derivará as estimativas gerais em seu próprio intervalo de atualização, o qual é determinado pelo software. Em outras palavras, as estimativas gerais são derivadas como uma função do tempo e tipicamente são usadas no processo de fusão de dados no mesmo intervalo de atualização. Frequentemente, o intervalo de atualização de unidade de medição (isto é, o intervalo de atualização dos sensores) e o intervalo de atualização da unidade de processamento serão os mesmos, mas eles também podem ser diferentes. A unidade de processamento pode usar dados de medição armazenados, isto é, medições prévias que foram supridas para a unidade de processamento e armazenadas em um buffer, bem como a medição mais recente que foi suprida pelo respectivo sensor.

Os dados de acurácia também podem ser providos em um intervalo de atualização em particular. Os dados de acurácia que são indicativos da acurácia das medições podem ser supridos diretamente pelo respectivo sensor ou por outros meios. Por exemplo, os dados de acurácia podem ser supridos por um sensor que é diferente do sensor que supre os dados de medição, mas o qual pode prover uma indicação de certas condições ambientais as quais poderíam afetar o ruído nos dados de medição. 0 processo de fusão de dados pode combinar diferentes tipos de dados de medição. Por exemplo, um filtro de Kalman pode ser usado para a combinação das medições de velocidade e posição. A arquitetura proposta poderia usar, portanto, sensores que proveríam diferentes tipos de dados de medição.

Um ou mais dos sensores podem ser o equipamento de medição de posição (PME). A arquitetura é adequada para uso com uma faixa ampla de PME incluindo, entre outras coisas, sistemas de posicionamento hidroacústicos provendo medições de posição de linha de base longa (LBL) e/ou medições de posição de linha de base ultracurta (USBL), sistemas de navegação por satélite provendo medição de posição por GPS ou GPS diferencial (DGPS), sistemas baseados em laser, sistemas baseados em rádio, sistemas baseados em radar, sistemas mecânicos (cabo tensionador) , etc. As medições de posição providas pelo PME poderíam ser em latitude / longitude, rumo norte / rumo leste, visada / marcação azimutal, ou qualquer outro formato adequado. A arquitetura pode usar uma combinação de tipos diferentes de PME (ou outros sensores) e diferentes formatos de dados de medição de posição. A arquitetura pode fazer parte de um sistema maior que use a saída do processo de fusão de dados. Por exemplo, a arquitetura pode fazer parte de um sistema de posicionamento dinâmico (DP) para uma embarcação marítima, onde a saída' do processo de fusão de dados é usada para controle de empurradores para manutenção da posição da embarcação marítima na vizinhança de um ponto de referência e estabilizar seu aproamento, em oposição a forças ambientais, tais como vento e corrente. A arquitetura pode fazer parte de um sistema de navegação, opcionalmente para uso em aeronaves, onde as posições em três dimensões (latitude, longitude e altitude) e atitude em três eixos (arfagem, rolamento e guinada) podem ser providas por diferentes sensores, por exemplo, GPS, sistemas de navegação inercial e bússolas giroscópicas. A arquitetura pode fazer parte de um sistema de medição, opcionalmente para a medição de níveis de líquido em um tanque a bordo de uma embarcação marítima, onde as medições poderíam ser providas por diferentes sensores, por exemplo, sensores de pressão e sensores ultrassônicos.

Primeiras estimativas de variabilidade Os meios para a derivação das primeiras estimativas podem calcular, por exemplo, o desvio padrão de uma série de medições supridas pelo respectivo sensor. Em outras palavras, a variabilidade dos dados de medição pode ser estimada em termos de seu desvio padrão, o que, será prontamente apreciado, provê uma indicação de como as medições individuais se desviam da média. 0 meio para a derivação das primeiras estimativas pode ser implementado como uma função de bloco da unidade de processamento. As primeiras estimativas da variabilidade dos dados de medição podem ser geradas pelo bloco de função no intervalo de atualização da unidade de processamento.

Medições prévias providas por cada sensor podem ser armazenadas ou salvas em um buffer, antes de serem processadas pelo bloco de função.

Para um sensor í que provê medições em intervalos de atualização regulares espaçados δ segundos, então, no tempo t, o desvio padrão Si(t) das N últimas medições Xi (t) . . . Xi (t-(N-l) δ) pode ser calculado usando-se a equação padrão a seguir: (EQ1) onde m±[t) é a média das N últimas medições: (EQ2) N poderia ser qualquer valor maior do que 1 e dependerá de quão rapidamente é requerido que a estimativa mude. Valores maiores de N reduzem a variabilidade das primeiras estimativas s±(t) , mas aumentam o tempo para as primeiras estimativas reagirem a mudanças no ruído nas medições supridas pelo respectivo sensor i.

Outras equações também podem ser usadas. Por exemplo, a equação para a derivação das primeiras estimativas poderia remover valores discrepantes (isto é, uma medição a qual se desvia notadamente das outras medições) ou eliminar outros fatores, tais como o movimento de uma embarcação marítima, conforme descrito em maiores detalhes abaixo. .

Uma forma de remoção desses valores discrepantes é calcular o desvio padrão em um processo em duas etapas. Inicialmente, um primeiro buffer é usado para o armazenamento das N’ últimas medições. 0 primeiro processo usa a equação EQ1 para a derivação de um primeiro desvio padrão s'i(t) e a equação EQ2 para a derivação de uma primeira média m'i(t) de todas as medições no primeiro buffer. Todas as medições no primeiro buffer então são comparadas com a primeira média m'i(t) e quaisquer que difiram disto por menos do que um dado múltiplo g do primeiro desvio padrão s'i(t) são copiadas para um segundo buffer. Um segundo desvio padrão s±(t) que é usado como a primeira estimativa da variabilidade dos dados de medição então é derivado em um segundo processo a partir das medições no segundo buffer, cujo comprimento é N, onde N é menor do que ou igual a Ν’. Desta forma, o segundo buffer inclui apenas aquelas medições as quais satisfazem à desigualdade: Para a remoção do movimento de baixa frequência de uma embarcação marítima, por exemplo, as medições supridas pelo respectivo sensor podem ser passadas através de um filtro de passa alta, o qual não tem efeito sobre as variações de frequência alta. As medições filtradas então podem ser armazenadas no buffer e processadas pelo bloco de função. Para um sistema de DP, então, a frequência de corte desse filtro de passa alta podería ser de em torno de 0,1 rad/s.

Se a arquitetura for para ser usada com um sistema de DP, então, o bloco de função tipicamente derivaria estimativas da variabilidade de medições de posição no plano horizontal. Por exemplo, as primeiras estimativas poderíam ser o desvio padrão das medições de posição supridas pelo respectivo PME em dois eixos, tais como latitude e longitude, direções norte e leste ou visada e azimute, ou o tamanho e a orientação de uma elipse de erro para as medições de posição.

Cada sensor ainda pode ser associado a meios para a derivação de uma versão filtrada das primeiras estimativas da variabilidade dos dados de medição. Esses meios podem ser implementados em qualquer forma adequada na unidade de processamento, por exemplo, como um filtro de passa baixa. No caso das equações EQ1 e EQ2 acima, então, os meios para a derivação de uma versão filtrada das primeiras estimativas para o sensor i proveríam uma versão filtrada sf± dos desvios padrões s±.

Segundas estimativas de variabilidade A arquitetura requer que cada sensor i proveja dados de acurácia H± indicativos da acurácia dos dados de medição que ele supre, ou que a acurácia dos dados de medição providos por meio de cada sensor possa ser inferida a partir de ou provida por outros meios. Muitos sensores são capazes de proverem dados de acurácia diretamente. Por exemplo, a mensagem de NMEA (National Marine Electronics Association) de padrão marítimo para posições de GPS designadas GGA inclui dados sobre diluição horizontal de precisão (HDOP), o que é uma indicação do efeito da geometria de satélite prevalecente sobre a acurácia da fixação. A mensagem de LBP de padrão NMEA para sistemas de posicionamento hidroacústicos de linha de base longa inclui dados para o eixo maior de elipse de erro, o eixo menor e a orientação. Os dados de acurácia também podem ser inferidos a partir de outros meios, incluindo medições providas por outros sensores. Por exemplo, se a arquitetura fizer parte de um sistema de medição para a medição de níveis de líquido em um tanque a bordo de uma embarcação marítima, então, a acurácia das medições será reduzida, quando a embarcação marítima estiver em mares bravios e seu movimento fizer com que o líquido bata dentro do tanque. Neste caso, uma indicação da acurácia dos dados de medição pode ser inferida a partir de medições separadas da atitude (arfagem e rolamento) da embarcação marítima. Em outras palavras, as medições da atitude da embarcação marítima providas por outros sensores podem ser usadas como os dados de acurácia para o sistema de medição, opcionalmente após um pré-processamento ou uma filtração ter sido aplicada.

Os dados de acurácia de atuação rápida permitem que a arquitetura derive segundas estimativas que levam em conta quaisquer mudanças súbitas na acurácia ou na qualidade dos dados de medição sendo supridos por meio de cada sensor. Contudo, será prontamente apreciado que a arquitetura também leva em conta mudanças de prazo mais longo na acurácia pelo uso dos dados de medição para a derivação das primeiras estimativas, conforme descrito acima.

Os dados de acurácia Ηχ não podem ser usados diretamente para a determinação da atribuição de peso relativa dada aos dados de medição supridos por meio de cada sensor, porque os valores dos dados de acurácia frequentemente são baseados em unidades diferentes, as quais nem sempre são conhecidas pelo usuário final. Por exemplo, os dados de HDOP não têm unidades e são baseados na geometria dos satélites visiveis, ao passo que a elipse de erro é expressa, às vezes, como uma elipse 1-sigma e, às vezes, como uma elipse 2-sigma. Isto significa que os dados de acurácia precisam ser 'normalizados'.

Os meios para a derivação das segundas estimativas podem ser implementados na unidade de processamento. As segundas estimativas da variabilidade dos dados de medição podem ser geradas no intervalo de atualização da unidade de processamento.

Os meios para derivação das segundas estimativas podem incluir meios para a derivação de uma versão filtrada Hfi dos dados de acurácia e meios para a divisão dos dados de acurácia (isto é, os dados de acurácia não filtrados Hi) pela versão filtrada dos dados de acurácia, para a derivação das segundas estimativas Hn±. As segundas estimativas Hn± podem ser consideradas, portanto, como uma versão filtrada, normalizada dos dados de acurácia associados ao respectivo sensor.

Os meios para a derivação de uma versão filtrada Hfi dos dados de acurácia podem ser implementados em qualquer forma adequada na unidade de processamento, por exemplo, em um filtro de passa baixa.

Para um sensor i que provê os dados de acurácia Hir então, no tempo t, as segundas estimativas podem ser calculadas usando-se a equação a seguir: Em um arranjo, os filtros de passa baixa que são usados para derivação da versão filtrada das primeiras estimativas e para a derivação das segundas estimativas podem ter substancialmente as mesmas características de filtro, incluindo ordem, constante de tempo, etc.

Se o valor dos dados, de acurácia não mudar entre os intervalos de atualização, então, a saída dos meios para derivação da segunda estimativa será 1. Se o valor dos dados de acurácia aumentar subitamente (indicando que a acurácia dos dados de medição subitamente deteriorou pela mesma razão), então, a saída de modo similar aumenta subitamente e reduz lentamente de volta para 1 a uma taxa determinada pelas características do filtro de passa baixa assumindo que não haja outras mudanças. Isto é descrito em maiores detalhes abaixo com referência à figura 2. Estimativas gerais de variabilidade As estimativas gerais σ± são obtidas pela multiplicação das primeiras e segundas estimativas para o respectivo sensor e são providas em unidades que são adequadas para uso no processo de fusão de dados, mas o que leva em consideração os dados de acurácia atualizados que estão associados aos sensores.

Para um sensor í, então, no tempo t, as estimativas gerais podem ser calculadas usando-se a equação a seguir: &,(*) = s,(t)x Hn,(t) ou dependendo de as primeiras estimativas serem subsequentemente filtradas ou não.

Processo de fusão de dados Os meios de combinação podem usar quaisquer técnicas de fusão de dados adequadas. Por exemplo, os meios de combinação podem ser um filtro de Kalman ou outro algoritmo adequado, ou pode usar uma técnica de média ponderada.

No caso de um filtro de Kalman, as estimativas gerais <Ti são usadas para preenchimento de uma matriz de covariância de ruído de medição padrão pela conversão de desvios padrões em variâncias (isto é, variância = desvio padrão ao quadrado).

No caso em que o meio de combinação usa uma técnica de média ponderada, então, para dados de medição em uma dimensão Kí provida por M sensores, onde i = 1...M, a média ponderada x derivada pelo meio de combinação no tempo t é dada por: (EQ3) e onde as atribuições de peso relativas são dadas por: (EQ4) No caso em que os dados de medição são medições de posição providas em duas dimensões (por exemplo, para o plano horizontal), as equações precisam mudar para a incorporação de diferentes estimativas de variabilidade gerais em cada eixo, mas também devem refletir a correlação entre os eixos. Cada medição de posição >ç=[fy- ξ]Γ é agora um vetor (por exemplo, as direções norte e leste) com estimativas de variabilidade gerais em cada eixo σχΝ e σχΕ e a média ponderada X derivada pelo meios de combinação no tempo té: (EQ5) onde W; são matrizes de atribuição de peso 2x2 dadas por: (EQ6) em que Vj_ é a matriz de covariância dada por: σ±ΝΕ é a covariância das medições nos dois eixos, o que dá uma indicação da correlação do ruido nos dois eixos. Não é afetada pela presente invenção.

Desenhos A figura 1 é um diagrama de blocos de uma arquitetura de acordo com a presente invenção; e a figura 2 é uma série de gráficos mostrando como os sinais internos de arquitetura variam ao longo do tempo.

Uma arquitetura melhorada para um sistema de posicionamento dinâmico (DP) para uma embarcação marítima será explicada, agora, com referência à figura 1.

Um sistema DP inclui um filtro de Kalman 2 (rotulado 'fusão de dados') para combinação de medições de posição para a derivação de uma estimativa da posição e do aproamento da embarcação marítima. A saída X do filtro de Kalman 2 é suprida para uma unidade de controle de embarcação (não mostrada) que extrai um sinal para os empurradores para fazer com que eles levem a posição da embarcação para mais perto de uma posição de referência desejada.

As medições de posição são supridas por uma pluralidade de sensores 4lf 42...4W (em que M^2) ou equipamento de medição de posição (PME) localizado na embarcação marítima. Os sensores Αχ, Α2.·ΛΜ podem ser do mesmo tipo ou de diferentes tipos incluindo, entre outras coisas, sistemas de posicionamento hidroacústicos provendo medições de posição de linha de base longa (LBL) e/ou medições de posição de linha de base ultracurta (USBL), sistemas de navegação por satélite provendo medição de posição por GPS ou GPS diferencial (DGPS), sistemas baseados em laser, sistemas baseados em rádio, sistemas baseados em radar, sistemas mecânicos (cabo tensionado), etc.

Cada sensor 4%, 42...4M provê uma série de medições de posição em duas dimensões, por exemplo, in latitude / longitude, rumo norte / rumo leste, visada / marcação azimutal, ou qualquer outro formato adequado. As medições de posição são providas em intervalos de atualização regulares espaçados δ segundos. Conforme mostrado na figura 1, o filtro de Kalman 2 recebe medições de posição x\, x2-Xm a partir de cada sensor, as quais são combinadas em conjunto para a derivação de uma estimativa de posição X na forma de um vetor. 0 filtro de Kalman 2 também recebe estimativas gerais cri, σ2...σΜ da variabilidade das medições de posição χχ, x2...xM e as quais também são usadas no processo de fusão de dados para a derivação da estimativa de posição X . 0 filtro de Kalman 2 pode usar técnicas padronizadas conforme descrito em Gelb, A., Applied Optimal Estimation, MIT Press, Cambridge, MA, USA, 1974. A forma pela qual as estimativas gerais σχ, σ2...σΜ são derivadas será descrita, agora, em maiores detalhes. A arquitetura inclui uma unidade de processamento a qual inclui uma série de unidades de subprocessamento βχ, 62.. .6M. Pode ser visto que cada sensor está associado a sua própria unidade de subprocessamento. Em outras palavras, um primeiro sensor 4χ está associado a uma primeira unidade de subprocessamento 6χ que deriva primeiras estimativas gerais σι para o primeiro sensor, um segundo sensor 42 está associado a um segundo subprocessador que deriva segundas estimativas gerais σ2 para o segundo sensor, e assim por diante. A unidade de processamento deriva as estimativas gerais σχ, σ2...σΜ em seu próprio intervalo de atualização o qual é determinado pelo software que implementa a arquitetura.

Cada unidade de subprocessamento βχ, 62...6M inclui um bloco de função 8χ, 82...8M (rotulado 'desvio padrão'), o qual deriva primeiras estimativas sx, s2.,sM e um filtro de passa baixa de primeira ordem 10χ, 102...10w (rotulado 'filtro de passa baixa'} o qual filtra as primeiras estimativas para a derivação de uma versão filtrada sfXr sf2.„sfM.

Cada unidade de subprocessamento βχ, 62...6M também inclui um filtro de passa baixa de primeira ordem 12χ, 122.. .12w o qual deriva uma versão filtrada Hfír Hf2-..HfM dos dados de acurácia Hlf provida pelo respectivo sensor 4 x, 42...4m. A versão filtrada Hfx, Hf2...HfM dos dados de acurácia então é normalizada por um divisor 14χ, 142...14M o qual provê uma versão normalizada HnXr Hn2...HnM· A versão normalizada Hn\, Ηη2..·ΗηΜ dos dados de acurácia então é multiplicada pela versão filtrada das primeiras estimativas sflr sf2,„sfM em um multiplicador Ιβχ, 162...16W para a derivação das estimativas gerais σχ, σ2...σΜ para os respectivos sensores. Será prontamente apreciado que as unidades de subprocessamento 61, S2...6M rodam em paralelo com cada uma derivando estimativas gerais com base nas medições de posição e nos dados de acurácia que são supridos pelo sensor associado. A operação de uma unidade de subprocessamento 61 será descrita, agora, em maiores detalhes. 0 sensor associado 4χ provê uma série de medições de posição xi como uma função do tempo (isto é, em um intervalo de atualização regular) para o bloco de função 81 o qual calcula uma série de desvio padrão si usando N medições de posição armazenadas, por exemplo, usando as equações EQ1 e EQ2. Os desvios padrões si calculados pelo bloco de função 81 então são filtrados pelo filtro de passa baixa de primeira ordem 10i para a derivação de versões filtradas sf\ dos desvios padrões s%. A atribuição de peso de longo prazo para cada sensor 4χ, 42..AM, portanto, ainda é baseada na variabilidade das medições de posição que ele provê. 0 sensor 4χ também provê uma série dos dados de acurácia Ηχ indicativa da acurácia da série de medições de posição χχ. A série dos dados de acurácia Ηχ é provida para o filtro de passa baixa de primeira ordem 12χ o qual deriva uma versão filtrada Hfx dos dados de acurácia. 0 divisor 14χ então é usado para a divisão dos dados de acurácia não filtrados Ηχ pela versão filtrada dos dados de acurácia Hfx para a derivação de segundas estimativas de variabilidade Ηηχ. Os desvios padrões Si (isto é, as primeiras estimativas da variabilidade das medições de posição χχ) e as segundas estimativas Ηηχ da variabilidade das medições de posição são multiplicadas em conjunto pelo multiplicador 16i para a derivação da série de estimativas gerais σχ for o sensor 4χ como uma função do tempo.

Se o valor dos dados de acurácia Ηχ providos pelo sensor Αχ não mudar, então, a saida do divisor 14i será 1. Se o valor dos dados de acurácia Ηχ dobrar subitamente, então, a saida do divisor 14χ também dobrará e lentamente reduzirá de volta para 1 a uma taxa determinada pelas características do filtro de passa baixa 12χ.

Com referência à figura 2, então, no começo dos gráficos, o desvio padrão verdadeiro do sensor 4χ é de 20 metres e o valor dos dados de acurácia Ηχ é de 2. No tempo t = 50 segundos, o desvio padrão verdadeiro do sensor 4χ aumenta subitamente para 38 metres.

Pode ser visto que a versão filtrada do desvio padrão sfx aumenta lentamente a partir de 20 (t < 50 segundos) para 38.

Os dados de acurácia Ηχ providos pelo sensor 4χ também aumenta subitamente em t = 50 segundos de 2 para 3,8 em linha com o aumento súbito no desvio padrão verdadeiro do sensor. A versão filtrada Hfx dos dados de acurácia aumenta lentamente a partir de 2 (t<50 segundos) para 3,8, enquanto a versão normalizada Ηηχ aumenta subitamente a partir de 1 para 1,9 e, então, lentamente reduz de volta para 1, uma vez que os dados de acurácia Ηχ não muda de novo.

Finalmente, as estimativas gerais σχ para o sensor 4χ aumentam subitamente de 20 (t < 50 segundos) para 38 e se assemelham proximamente ao desvio padrão verdadeiro. Geralmente, é preferível que a resposta do filtro de passa baixa 12χ seja tão próxima quanto possível da resposta da combinação do processo de estimativa de desvio padrão e do filtro de passa baixa 10χ.

REIVINDICAÇÕES

Claims (15)

1. Arquitetura, caracterizada pelo fato de compreender: uma pluralidade de sensores (4íf 42...4¾) , cada sensor suprindo dados de medição e estando associado a dados de acurácia indicativos da acurácia dos dados de medição supridos; cada sensor (4lr 42...4W) sendo associado a meios (81, 82-8M) para a derivação de primeiras estimativas da variabilidade dos dados de medição supridos pelo respectivo sensor pelo processamento dos dados de medição supridos pelo respectivo sensor, meios (12i, 122...12¾ e 14χ, 142-..14¾) para a derivação de segundas estimativas da variabilidade dos dados de medição supridos pelo respectivo sensor pelo processamento dos dados de acurácia associados ao respectivo sensor, e meios (I61, 162...16¾) para a combinação das primeiras e segundas estimativas para a derivação de estimativas gerais da variabilidade dos dados de medição supridos pelo respectivo sensor; e meios (2) para a combinação dos dados de medição supridos por cada sensor (4lr 42...4W) e as estimativas gerais para cada sensor.

2. Arquitetura, de acordo com a reivindicação 1, caracterizada pelo fato de a pluralidade de sensores incluir uma combinação de tipos diferentes de sensores e/ou tipos diferentes de formatos de dados de medição.

3. Arquitetura, de acordo com a reivindicação 1 ou 2, caracterizada pelo fato de os meios (81, 82-8¾) para a derivação das primeiras estimativas derivarem estimativas da variabilidade dos dados de medição no plano horizontal.

4. Arquitetura, de acordo com a reivindicação 3, caracterizada pelo fato das primeiras estimativas serem o desvio padrão dos dados de medição supridos pelo respectivo sensor nos dois eixos, ou o tamanho e a orientação de uma elipse de erro para os dados de medição.

5. Arquitetura, dè acordo com qualquer uma das reivindicações 1, 2, 3 ou 4, caracterizada pelo fato de cada sensor ser adicionalmente associado a meios (10i, 102...10w) para a derivação de uma versão filtrada das primeiras estimativas.

6. Arquitetura, de acordo com a reivindicação 5, caracterizada pelo fato de os meios para a derivação de uma versão filtrada das primeiras estimativas serem um primeiro filtro de passa baixa (10i, 102-10M) .

7. Arquitetura, de acordo com qualquer uma das reivindicações 1, 2, 3, 4, 5 ou 6, caracterizada pelo fato de o meio para a derivação das segundas estimativas incluir um meio (121, 122-12¾) para a derivação de uma versão filtrada dos dados de acurácia supridos pelo respectivo sensor e meios (14χ, 142-14¾) para divisão dos dados de acurácia pela versão filtrada dos dados de acurácia.

8. Arquitetura, de acordo com a reivindicação 7, caracterizada pelo fato de as segundas estimativas serem uma versão filtrada, normalizada dos dados de acurácia supridos pelo respectivo sensor.

9. Arquitetura, de acordo com a reivindicação 7 ou 8, caracterizada pelo fato de o meio para a derivação de uma versão filtrada dos dados de acurácia ser um segundo filtro de passa baixa (12i, 122—12w) .

10. Arquitetura, de acordo com a reivindicação 6, caracterizada pelo fato de o meio para a derivação das segundas estimativas incluir um segundo filtro de passa baixa (12χ, 122...12M) para a derivação de uma versão filtrada dos dados de acurácia associados ao respectivo sensor e um meio (14i, 142...14M) para divisão dos dados de acurácia pela versão filtrada dos dados de acurácia, os primeiros e segundos filtros de passa baixa (10i, 102-10¾ e 12χ, 122-..12¾) tendo substancialmente as mesmas características de filtro.

11. Arquitetura, de acordo com qualquer uma das reivindicações 1, 2, 3, 4, 5, 6, 7, 8, 9 ou 10, caracterizada pelo fato de o meio para a combinação dos dados de medição supridos por cada sensor e das estimativas gerais para cada sensor ser um filtro de Kalman (2).

12. Arquitetura, de acordo com qualquer uma das reivindicações 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 ou 11, caracterizada pelo fato de o meio para a combinação dos dados de medição supridos por cada sensor e das estimativas gerais para cada sensor usar uma técnica de média ponderada.

13. Arquitetura, de acordo com qualquer uma das reivindicações 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11 ou 12, caracterizada pelo fato de os sensores (4i, 42-AM) serem um equipamento de medição de posição.

14. Sistema de posicionamento dinâmico para uma embarcação marítima caracterizado por usar arquitetura, de qualquer uma das reivindicações 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 ou 13.

15. Sistema de posicionamento dinâmico, de acordo com a reivindicação 14, caracterizado pelo fato de ainda incluir um meio para a remoção dos efeitos de um movimento de frequência baixa da embarcação marítima sobre os dados de medição de posição providos pelo respectivo sensor, antes de os dados de medição de posição serem providos para o meio para derivação das primeiras estimativas.