CN103838970B - 面向深海船舶动力定位的高精度实时状态估计方法及系统 - Google Patents

Abstract

本发明涉及一种面向深海船舶动力定位的高精度实时状态估计方法及系统，该方法包括：将由一阶波浪力引起的高频信号从低频船舶运动信号中分离出来，得到高频运动分量和低频运动分量；在边缘化粒子滤波框架之下分别对所述高频运动分量和低频运动分量进行参数估计和状态估计；将所述参数估计和状态估计的结果作为下一周期参数估计和状态估计的输入，重复上述步骤直至结束。本方法充分考虑高频线性运动与低频非线性运动之间的差异，提出了分别适用于高频和低频运动的噪声参数估计方法，并在此基础上提出了基于边缘化粒子滤波、面向船舶动力定位的状态估计方法，使得在提高状态估计精度的同时又兼顾实时性。

Description

面向深海船舶动力定位的高精度实时状态估计方法及系统

技术领域

本发明属于船舶与海洋工程领域，具体涉及一种面向深海船舶动力定位的高精度实时状态估计方法及系统。

背景技术

当今世界各国面临着严重的能源短缺问题，而海洋中蕴藏着丰富的资源，因此世界各国都竞相将战略重心转移到海洋领域，投入大量的人力和物力进行海洋地质考察、油气开采、水产捕捞、海洋调查以及水下考古等研究工作。我国召开的党的十八大也将建设海洋强国提高到国家战略层面。发展先进的海洋技术和装备对于开发海洋资源，维护国家海洋权益等起到极其重要的作用。

船舶动力定位系统广泛的应用于深海钻井船、海底铺缆船等许多重要的深海作业船舶，已经成为不可缺少的支持系统。从国内外研究的现状来看，船舶动力定位系统主要集中在控制系统的设计上，却忽视信息处理方面的研究。然而，信息处理对于船舶定位系统的精确定位也起到至关重要的作用。作为信息处理的核心部分——状态估计滤波器，通过对传感器信号进行滤波，移除噪声干扰信号，并对船舶的运动状态和参数进行最优估计，从而为控制系统提供精确的输入。因此，状态估计滤波器在整个动力定位系统中扮演着不可或缺的角色。

但是，现有船舶动力定位系统所使用的状态估计滤波器存在以下问题：经典的卡尔曼滤波器仅适用于线性系统的状态估计；扩展卡尔曼滤波器虽然能够应用到非线性系统中，但是其存在较大的估计误差，因此状态估计的精度无法满足实际应用需求；尽管非线性无源观测器很好的克服了扩展卡尔曼滤波器的缺点，成功的应用于非线性系统的状态估计，但是，在通常情况下，当由一阶波浪力引入的噪声参数不能准确估计的情况下，会导致波浪频率的估计存在较大误差，使得滤波精度下降甚至发散。虽然，滚动时域估计和粒子滤波在状态估计的性能上都有了较大的提升，但是如何减少算法的计算复杂度仍然是个问题。另外，无论对于经典卡尔曼滤波、扩展卡尔曼滤波还是粒子滤波，噪声参数对滤波性能的影响极为明显。由于低频非线性运动模型较为复杂，现有的算法侧重于对高频线性运动模型中的参数进行估计，就单个参数估计算法而言，基于预测误差估计的方法存在估计精度不高，算法易发散的问题；基于极大似然估计的方法难以处理带有缺失数据的参数估计问题。

发明内容

本发明目的在于克服上述现有技术的不足而提供一种面向深海船舶动力定位的高精度实时状态估计方法及系统，该方法充分考虑高频线性运动与低频非线性运动之间的差异，提出了分别适用于高频和低频运动的噪声参数估计方法，并在此基础上提出了基于边缘化粒子滤波的状态估计方法，使得在提高状态估计精度的同时又兼顾实时性。

实现本发明目的采用的技术方案是一种面向深海船舶动力定位的高精度实时状态估计方法，该方法包括：

将由一阶波浪力引起的高频信号从低频船舶运动信号中分离出来，得到高频运动分量和低频运动分量；

分别对所述高频运动分量和低频运动分量进行参数估计和状态估计；

将所述参数估计和状态估计的结果作为下一周期参数估计和状态估计的输入，重复上述步骤直至结束。

本发明还提供一种面向深海船舶动力定位的高精度实时状态估计系统，该系统包括：

高低频信号分离模块，用于将由一阶波浪力引起的高频信号从低频船舶运动信号中分离出来，得到高频运动分量和低频运动分量；

高频线性参数估计模块，用于对所述高频运动分量进行高频噪声参数估计；

边缘化粒子滤波模块中的卡尔曼滤波子模块，用于利用所述高频线性参数估计模块估计的噪声参数实现高频运动分量的状态估计，并将估计结果作为下一周期高频线性参数估计模块的输入；

低频非线性参数估计模块，用于对所述低频运动分量进行低频参数估计；以及

边缘化粒子滤波模块中的粒子滤波子模块，用于利用所述低频非线性参数估计模块估计得到的低频噪声参数，实现低频运动分量的状态估计，并将估计结果作为下一周期低频线性参数估计模块的输入。

附图说明

图1为本发明面向深海船舶动力定位的高精度实时状态估计系统的结构框图。

图2为本发明面向深海船舶动力定位的高精度实时状态估计方法的流程图。

图3为针对高频线性运动模型的参数估计流程图。

图4为针对低频非线性运动模型的参数估计流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明。

如图1所示，本发明面向深海船舶动力定位的高精度实时状态估计系统包括：传感器数据预处理模块100、高低频信号分离模块200、高频线性参数估计模块300、低频非线性参数估计模块400和边缘化粒子滤波模块500。

考虑到船舶动力定位系统本身的特性以及深海环境下的定位需求，本发明采用边缘化粒子滤波的方法，将卡尔曼滤波与粒子滤波相结合对船舶的运动状态进行协同估计。利用卡尔曼滤波得到高频线性运动状态的最优估计，同时将粒子滤波应用到低频运动中，发挥其在处理非线性系统上的优势。相对于粒子滤波，边缘化粒子滤波在保证算法性能的前提下，减少了粒子滤波状态估计的维数，节省了大量计算，提高了算法的实时性。

边缘化粒子滤波模块500主要由卡尔曼滤波子模块501和粒子滤波子模块502两部分组成。两个子模块的功能描述如下：

1)卡尔曼滤波子模块501：通过与高频线性参数估计模块300相结合完成高频模型的参数估计和状态估计。该模块利用高频线性参数估计模块300输出的高频噪声参数对船舶的高频位置与艏向进行估计，并将估计结果作为下一周期高频线性参数估计模块300的输入。

2)粒子滤波子模块502：由于粒子滤波不需要对系统状态作任何先验性假设，因此，它非常适合于解决船舶动力定位低频运动模型中的非线性状态估计问题。利用低频非线性参数估计模块400估计得到的较为准确的低频噪声参数，可以很大程度上提高粒子滤波子模块502的精度。另外，边缘化粒子滤波模块500将卡尔曼滤波子模块501和粒子滤波子模块502有机结合在一起，一方面，保持了状态估计的准确性；另一方面，又降低了非线性状态估计部分的维度，从而有效的提高了系统的实时性。

如图2所示，上述系统进行面向深海船舶动力定位的高精度实时状态估计包括以下步骤：

S100、初始化系统参数，置初始时刻k=0。

S200、传感器数据预处理模块100对传感器测量信号进行预处理。

由于船舶易受海洋工作环境（如风、海浪、海流、气压、温度、湿度和电磁波干扰等）的影响，从而使得传感器测量得到的信号中存在变化异常的测量值。其次，传感器自身特性的影响会导致测量信号中包含有噪声。再者，因为动力定位系统中通常为每个测量系统配备多个传感器以达到数据冗余，而不同传感器的采样频率不一定相同，传感器采用的参考坐标系也不尽相同，所以需要通过时空对准将测量信号经过坐标变换之后统一到同一个坐标系，再经过数据拟合之后统一到同一采样频率下。最后，为了最大限度的发挥多传感器的优势，并利用不同传感器之间的互补性，准确完善的获得船舶的状态信息，需要对校验后的测量信息进行数据融合。因此，传感器数据预处理模块100对传感器信号进行以下处理:1）数据校验，主要包括：取值范围测试、方差测试和野值测试等；2）常规滤波，如均值滤波、中值滤波和最小二乘拟合等；3）时空对准；4）数据融合。

S300、高低频信号分离模块200将由一阶波浪力引起的高频信号从低频船舶运动信号中分离出来，得到高频运动分量和低频运动分量。

为了分别实现对高频和低频信号的参数估计，需要初步将由一阶波浪力引起的高频振荡信号从低频船舶运动信号中分离出来。本发明在不同海域的波浪进行的大量实验结果的基础上，根据现有的海浪资料进行统计分析，得到波浪谱的谱峰频率范围。由于船舶在风、二阶波浪力、流以及推进器的共同作用下产生的低频运动，其频率远低于波浪谱峰频率，因此，通过高低频分离模块200利用高通滤波将由一阶波浪力引起的高频信号从船舶运动信号中初步分离出来，从而分别得到高频信号和低频信号，即得到高频运动分量和低频运动分量。

S400、分别利用高频线性参数估计模块对高频运动分量进行参数估计；利用低频非线性参数估计模块对低频运动分量进行参数估计，从而分别得到高频和低频噪声参数估计值。

其中，高频线性参数估计模块300将序贯期望最大算法与卡尔曼滤波相结合对高频运动分量进行参数估计。

为了实现序贯期望最大算法，先设系统中的未知参数θ为待求的噪声参数，将待估计的系统状态x_k={x(1),x(2),…,x(k)}看做是隐藏变量，然后将隐藏变量和量测数据y_k={y(1),y(2),…,y(k)}组成完备数据C_k={x_k,y_k}，所述的量测数据是指传感器测量得到的位置与艏向，位置通过GPS传感器测量，艏向通过电罗经传感器测量。

高频线性参数估计模块300的算法流程图如图3所示，具体实施过程如下：

S411、置初始时刻k=0，初始化状态变量和误差协方差，以及未知噪声参数θ⁰；

S412、计算初始完备数据C⁰的条件概率密度函数，并对其对数似然函数求条件期望，得到Γ₀(θ，θ⁰)；

S413、期望步：

S4131、根据上一时刻的状态估计值、噪声参数估计值θ^k-1，以及当前时刻的测量值y(k)，利用卡尔曼滤波子模块501估计当前时刻状态；

S4132计算系统状态变量的转移条件概率密度、量测变量的条件概率密度；

S4133、根据步骤S4132计算所得的条件概率密度计算当前时刻完备数据的条件期望增益ξ_k(θ，θ^k-1)；

S414、最大化步：通过最大化对数似然函数的条件期望及增益，得到k时刻的参数估计增益ζ_k(θ^k-1)；利用θ^k=θ^k-1+ζ_k(θ^k-1)更新待估计噪声参数；将估计得到的噪声参数θ^k，输出给卡尔曼滤波子模块501。令k=k+1，返回步骤S413循环执行，直至结束。

卡尔曼滤波子模块501根据所得到的噪声参数θk得到位置与艏向的高频状态估计。

一阶波浪力对船体的冲击力是产生船舶高频振荡的主要原因，由于船舶所处的海洋环境变幻莫测，受此影响，一方面高频噪声总是处于实时的变动之中，另一方面传感器信号的丢失使得测量信号表现为不完全数据，这使得传统的参数估计方法难以准确的估计高频运动的噪声参数。对船舶动力定位系统而言，由一阶波浪力引起的高频运动的状态方程可以看作是线性的，这就要求其算法对噪声参数的估计尽可能准确，以及对状态的估计力求最优，以免影响低频运动模型中的参数估计与状态估计。另外，还要求算法简单易实现，且能够快速收敛，从而满足实时性要求。

本发明高频线性参数估计模块300将卡尔曼滤波融入到序贯期望最大算法（Sequential Expectation Maximum）框架中，充分发挥两者的优势，在进行系统状态估计的同时也进行噪声参数估计。首先，期望最大算法对船舶动力定位系统中经常出现的缺损数据具有很好的适应能力，从而可以有效的提高参数估计的准确性；其次，在初始参数选取合适的情况下，期望最大算法能够保证待估计噪声参数的似然度不断增大，直至收敛到似然空间的一个稳定点，而噪声参数估计的收敛可以很大程度上防止卡尔曼状态估计的发散；最后，由于系统参数估计和状态估计的过程中均采用递推的方式实现，而且序贯期望最大算法的收敛速度快，因此，该方法在降低计算复杂度的同时也节省了系统的存储空间。

期望最大算法分为两步，即求期望（Expectation Step，E步）和最大化（Maximum Step，M步）。E步是利用隐藏变量的现有估计值，计算极大似然估计的期望；M步是最大化在E步求得的极大似然值的期望，来计算未知参数的点估计；最后，M步中得到的参数估计值将被用于下一个E步中，实现迭代运算。序贯期望最大算法则是利用递推的方式实现期望最大算法，它不需要接收到完整的数据后再进行处理，而是在数据接收的过程中递推的进行，因此，非常适合于需要实时进行参数估计的应用场合。

从以上高频参数估计的原理不难发现，该步骤不但提高了噪声参数估计的精度，而且避免了状态估计的发散，同时算法简单易实现，收敛速度快。

低频非线性参数估计模块400对低频运动分量进行参数估计的算法流程图如图4所示，具体过程描述如下：

S421、初始化滑动窗口大小M和循环平移量H；置小波变换尺度j=1，噪声小波系数计数器N=0；

S422、获得当前时刻k到前M-1时刻的低频滑动窗口数据；

S423、将窗口内的信号循环平移H位，并对平移之后的信号进行(j+1）阶平移不变小波变换，获得小波变换系W(j,i)和W(j+1,i)，其中i=(k-M+1),…,(k-1),k；

S424、对尺度j下每一个小波变换系数循环进行如下操作：首先，计算规约化相关系数NCor(j,i)；然后，比较小波系数与规约化相关系数绝对值大小，辨别该小波系数是否由噪声信号控制，如果有|NCor(j,k)|≥|W(j,k)|，则该系数由有用信号控制，将其置为0；否则该系统由噪声信号控制，此时保持系数不变，计数器N加1；

S425、计算尺度j下N个噪声小波系数的能量PW(j)，进而估计噪声方差σ²；

S426、将计数器N清零，令k=k+1，滑动窗口前移1位，返回步骤S423循环执行，直至结束。

粒子滤波子模块502用上述步骤中低频非线性参数估计模块400估计得到的低频噪声参数（即估计所得的噪声方差σ²），得到位置与艏向、速度及环境力的低频状态估计。

现有的船舶动力定位系统往往直接借用高频运动模型中的方法，来解决低频噪声参数估计问题。然而，低频运动模型固有的非线性特性使得这类方法很难保证参数的无偏估计，从而导致状态估计算法产生较大的偏差甚至发散。另外，针对非线性系统的参数估计算法一般复杂度较高，难以达到实时性处理要求。为了消除现有方法中存在的诸多弊端，本发明低频非线性参数估计模块400利用基于平移不变小波变换的加窗实时噪声参数估计方法进行低频模型的噪声参数估计。

由于小波变换对信号具有很强的去相关性，因此，本发明利用小波变换的去相关性，根据有用信号与噪声信号的小波系数在不同尺度上对应点处的相关性不同来对噪声的参数进行估计。小波系数在不同尺度上的相关性可以通过规约化相关系数来度量。定义k时刻点处相邻尺度j和j+1上的规约化相关系数为NCor(j,k)，用W(j,k)表示k时刻点在尺度j下的小波系数。由于在相同的尺度下，小波系数与规约化相关系数具有相同的能量，因此，通过比较小波系数与规约化相关系数的大小来辨别该系数对应的是有用信号还是噪声信号。

如果有|NCor(j,k)|≥|W(j,k)|，则意味着相关运算的结果使该点所对应的小波变换的幅值增大，从而认为时刻k点处的小波变换是由有用信号控制的；否则，该点处的小波系数是由噪声信号控制的。通过将该尺度下所有由有用信号控制的小波系数置为0，余下的小波系数便是由噪声信号控制的。然后，通过噪声信号的能量便可以得到该尺度下噪声方差σ_j ²的无偏估计。根据小波分解算法，每个尺度下噪声信号的小波系数为噪声信号与小波滤波器函数的卷积，由此，便可以得到原始信号中噪声方差的无偏估计。

由于常见的小波变换过程存在只能离线批量处理，而不能递推进行的弱点。本发明提出了基于平移不变小波变换的加窗实时噪声参数估计方法，以满足船舶动力定位系统的实时处理要求。考虑到船舶动力定位系统中的低频运动具有慢变特性，我们将滑动窗口技术引入到小波变换中。为了估计当前时刻k的噪声参数，仅考虑当前时刻k到前M-1时刻窗口内的数据点，也即x(k),x(k-1),…,x(k-M+1)。在处理过程中，窗口大小保持不变，但随着时间的推移而向前滑动。同时，为了消除小波变换在滑动窗口处的边界效应，我们利用平移不变小波变换（Shift Invariant DWT，SIDWT）先对含噪信号进行循环平移，再进行参数估计，从而提高噪声参数估计的准确性。

由于小波变换是线性正交变换，不涉及特定优化问题的求解，因此不会出现噪声参数估计算法中经常出现的发散问题。其次，由于该方法仅需要进行小波分解而不需要进行小波重建，因此大大节省了处理时间。同时，考虑到低频运动模型中由环境力引起的噪声的慢变特性，本发明利用滑动窗口技术进一步提高了算法的实时性。

S400、在边缘化粒子滤波框架下，边缘化粒子滤波模块500中的卡尔曼滤波子模块501在高频线性参数估计模块300输出的高频噪声参数的基础上，对高频运动状态进行估计；再利用边缘化粒子滤波模块500中的粒子滤波子模块502在得到的低频噪声参数的基础上进行低频运动状态的估计；

S500、令k=k+1，返回步骤S200循环执行，直至结束。

本发明的面向深海船舶动力定位的高精度实时状态估计方法及系统具有以下优点及效果：

（1）对于高频运动分量的参数估计和状态估计，本发明将卡尔曼滤波与期望最大算法相结合，充分发挥期望最大算法在处理不完全数据方面的优势和卡尔曼滤波在处理无约束线性系统的状态估计上的最优特性，通过序贯的方式在状态估计的同时进行参数估计。该方法不但提高了噪声参数估计的精度，而且避免了状态估计的发散，同时算法简单易实现，收敛速度快；

（2）对于低频运动分量的参数估计，本发明利用有用信号与噪声信号经小波变换之后的小波系数在不同尺度上对应点处的相关性不同，实现对噪声参数的无偏估计。由于参数估计的过程中不涉及特定优化问题的求解，因此不会出现发散问题。此外，充分利用低频运动模型中噪声的慢变特性，将滑动窗口技术与平移不变小波变换相结合，既降低了算法的复杂度，又提高了参数估计的精度。

（3）本发明从船舶动力定位系统的数学模型出发，通过分析高频运动模型和低频运动模型之间的差异，在充分考虑两者不同特性的基础之上，利用波浪频率的固有特性将高频运动信号分离出来；在边缘化粒子滤波框架下，结合期望最大算法与卡尔曼滤波，可以满足高频线性模型的参数估计与状态估计的准确性和实时性要求；然后将基于平移不变小波变换的参数估计算法与粒子滤波相结合应用于低频非线性运动模型，既提高了状态估计的精度，又不引入较高的计算复杂度；最终，组成完整的面向深海船舶动力定位系统的状态估计算法。该算法在估计精度和计算复杂度之间取得了折衷，从而能够满足整体性能和效率的需求。

Claims (4)

1.一种面向深海船舶动力定位的高精度实时状态估计方法，其特征在于，包括：

通过高通滤波将由一阶波浪力引起的高频信号从低频船舶运动信号中分离出来，得到高频运动分量和低频运动分量；

分别对所述高频运动分量和低频运动分量进行参数估计和状态估计；对所述高频运动分量进行参数估计包括：

(1)将待估计的系统状态x_k＝{x(1),x(2),…,x(k)}作为隐藏变量，然后将隐藏变量和量测数据y_k＝{y(1),y(2),…,y(k)}组成完备数据C_k＝{x_k,y_k}；置初始时刻k＝0，初始化状态变量、误差协方差，以及未知噪声参数θ⁰；

(2)计算初始完备数据C⁰的条件概率密度函数，并对其对数似然函数求条件期望，得到Γ₀(θ，θ⁰)；

(3)根据上一时刻的状态估计值、噪声参数估计值θ^k-1，以及当前时刻的测量值y(k)，利用卡尔曼滤波估计当前时刻状态；

计算系统状态变量的转移条件概率密度、量测变量的条件概率密度以及当前时刻的条件期望增益ξ_k(θ，θ^k-1)；

(4)通过最大化对数似然函数的条件期望及增益，得到k时刻的参数估计增益ζ_k(θ^k-1)；利用θ^k＝θ^k-1+ζ_k(θ^k-1)更新待估计噪声参数θ^k；

(5)将估计得到的高频噪声参数θ^k输出给卡尔曼滤波子模块；令k＝k+1，返回步骤(3)循环执行，直至结束；

对所述低频运动分量进行参数估计包括：

(1)初始化滑动窗口大小M和循环平移量H；置小波变换尺度j＝1，噪声小波系数计数器N＝0；

(2)获得当前时刻k到前M-1时刻的低频滑动窗口数据，将窗口内的信号循环平移H位；

(3)对平移之后的信号进行(j+1)阶平移不变小波变换，获得小波变换系数W(j,i)和W(j+1,i)，其中i＝(k-M+1),…,(k-1),k；

(4)对尺度j下每一个小波变换系数循环进行如下操作：首先，计算规约化相关系数NCor(j,i)；然后，比较小波系数与规约化相关系数绝对值大小，辨别该小波系数是否由噪声信号控制，如果有|NCor(j,k)|≥|W(j,k)|，则该系数由有用信号控制，将其置为0；否则由噪声信号控制，保持该系数不变，计数器N加1；

(5)计算尺度j下N个噪声小波系数的能量PW(j)，进而估计低频噪声方差σ²；

(6)将计数器N清零，令k＝k+1，滑动窗口前移1位，返回第(2)步循环执行，直至结束；

将所述参数估计和状态估计的结果作为下一周期参数估计和状态估计的输入，重复上述步骤直至结束。

2.根据权利要求1所述的面向深海船舶动力定位的高精度实时状态估计方法，其特征在于：利用边缘化粒子滤波将卡尔曼滤波和粒子滤波相结合对船舶的高频运动状态和低频运动状态进行协同估计。

3.根据权利要求2所述面向深海船舶动力定位的高精度实时状态估计方法，其特征在于，所述卡尔曼滤波根据所述高频噪声参数θ^k得到位置与艏向的高频状态估计。

4.根据权利要求2所述面向深海船舶动力定位的高精度实时状态估计方法，其特征在于：所述粒子滤波根据所述低频噪声参数σ²得到位置与艏向、速度及环境力的低频状态估计。