CN109240289B - 波浪滑翔器艏摇信息自适应滤波方法 - Google Patents

Abstract

波浪滑翔器艏摇信息自适应滤波方法涉及波浪滑翔器的运动控制领域，具体涉及波浪滑翔器艏摇信息自适应滤波方法。波浪滑翔器艏摇信息自适应滤波方法，包括浮体艏摇响应自适应滤波方法和潜体艏摇响应自适应滤波方法，二者并行运行。本发明提供的一种波浪滑翔器艏摇信息自适应滤波方法，根据波浪滑翔器实际航行的动态数据修正数据模型，实现自适应滤波，能够同时估计波浪滑翔器的浮体和潜体的艏向角与转艏角速度，在不确定性环境干扰和模型参数摄动的影响下仍然能够达到良好的滤波效果。本发明结构简单，易于实现，具有较好的自适应性，应用于波浪滑翔器运动控制系统中能够有效改善控制效果。

Description

波浪滑翔器艏摇信息自适应滤波方法

技术领域

本发明涉及波浪滑翔器的运动控制领域，具体涉及波浪滑翔器艏摇信息自适应滤波方法。

背景技术

波浪滑翔器是一种新型无人海洋探测平台，利用“浮体-脐带-潜体”刚柔混合多体结构将海洋波浪能直接地转化为自身的前进动力，同时依靠上甲板搭载的太阳能电池板为各电气负载供电，可以在广阔的海洋上进行长期自主的航行，还可充当通信中继与其他类型的探测平台进行指令和数据交换，为海洋观测技术提供了新思路，有着十分广阔的发展前景。

然而，波浪滑翔器在海洋环境中运动时，浮体和潜体的艏摇运动均存在震荡，且由于传感器噪声的影响，使得艏摇运动信息存在较大震荡，给动力学分析和控制器设计带来不利影响。此外，波浪滑翔器的动力学十分困难，且在实际航行过程中存在不确定性环境干扰力和模型摄动的影响，使得基于模型的滤波方法在实际中难以应用。

王磊峰等提出的发明《舰船用多回路无模型自适应艏向控制方法》，申请号：201810602151.2，其中包含利用动态线性化模型进行滤波的思想，然而，该方法仅能够应用于单体航行器，如无人艇、自主水下机器人等，且该方法中必须以舵角为系统输入，而波浪滑翔器为多体系联结构，浮体与潜体均存在艏摇运动，且浮体的艏摇力矩来源于脐带张力而非舵力，因此该方法无法应用于波浪滑翔器。

北京航空航天大学赵龙等在论文《新型自适应Kalman滤波算法及其应用》中提出一种自适应Kalman滤波算法，该算法通过在线调整噪声的统计特性实现自适应滤波，并未使用基于动态线性化模型进行滤波。

发明内容

本发明的目的在于提供控制效果较好的波浪滑翔器艏摇信息自适应滤波方法。

波浪滑翔器艏摇信息自适应滤波方法，包括浮体艏摇响应自适应滤波方法和潜体艏摇响应自适应滤波方法，二者并行运行，其中，浮体艏摇响应自适应滤波方法包括以下步骤：

(1)将波浪滑翔器的浮体的艏摇响应模型在每一时刻等价为以浮体艏摇响应系数表示的动态线性化模型；

(2)初始化所述浮体艏摇响应系数；

(3)根据基于浮体艏摇响应系数的波浪滑翔器浮体艏摇响应动态线性化模型，建立状态传递方程，由所述状态传递方程完成状态一步预测；

(4)根据卡尔曼滤波方法估计浮体的艏向角和角速度；

(5)利用动态数据对所述浮体艏摇响应系数进行实时修正，得到所述浮体艏摇响应系数的估计值，返回步骤(3)；

潜体艏摇响应自适应滤波方法包括以下步骤：

(1)将波浪滑翔器的潜体的艏摇响应模型在每一时刻等价为以潜体艏摇响应系数表示的动态线性化模型；

(2)初始化所述潜体艏摇响应系数；

(3)根据基于潜体艏摇响应系数的波浪滑翔器潜体艏摇响应动态线性化模型，建立状态传递方程，由所述状态传递方程完成状态一步预测；

(4)根据卡尔曼滤波方法估计潜体的艏向角和角速度；

(5)利用动态数据对所述潜体艏摇响应系数进行实时修正，得到所述潜体艏摇响应系数的估计值，返回步骤(3)。

浮体艏摇响应自适应滤波方法的步骤(1)中的动态线性化模型，以浮体与潜体艏向差的正弦值作为输入，以浮体的转艏角速度作为输出。

潜体艏摇响应自适应滤波方法的步骤(1)中的动态线性化模型，以舵角作为输入，以潜体的转艏角速度作为输出。

浮体艏摇响应自适应滤波方法步骤(4)中，浮体艏摇响应系数的修正过程包含以下步骤：

(1)设置准则函数，准则函数包括：极小化浮体转艏角速度的滤波器估计值

与浮体艏摇响应动态线性化模型计算的浮体转艏角速度的预测值

之差的平方，极小化当前时刻所述浮体艏摇响应系数估计值

与上一时刻浮体艏摇响应系数估计值

之差的平方，其中，浮体转艏角速度的滤波器估计值

与浮体艏摇响应动态线性化模型计算的浮体转艏角速度的预测值

之差的平方与当前时刻所述浮体艏摇响应系数估计值

与上一时刻浮体艏摇响应系数估计值

之差的平方的相对权重由权重系数μ^F调节，所述权重系数μ^F大于0；

(2)准则函数关于当前时刻浮体艏摇响应系数的估计值

求极值，加入步长因子η^F，得到递推形式的当前时刻浮体艏摇响应系数的估计值

所述步长因子η^F在0-1之间。

潜体艏摇响应自适应滤波方法步骤(4)中潜体艏摇响应系数的修正过程的特征是，分为以下步骤：

(1)设置准则函数，所述准则函数包括：极小化潜体转艏角速度的滤波器估计值

与潜体艏摇响应动态线性化模型计算的潜体转艏角速度的预测值

之差的平方，极小化当前时刻所述潜体艏摇响应系数估计值

与上一时刻潜体艏摇响应系数估计值

之差的平方，其中，潜体转艏角速度的滤波器估计值

与潜体艏摇响应动态线性化模型计算的潜体转艏角速度的预测值

之差的平方与当前时刻所述潜体艏摇响应系数估计值

与上一时刻潜体艏摇响应系数估计值

之差的平方的相对权重由权重系数μ^G调节，所述权重系数μ^G大于0；

(2)所述准则函数关于当前时刻浮体艏摇响应系数的估计值

求极值，加入步长因子η^G，得到递推形式的当前时刻浮体艏摇响应系数的估计值

所述步长因子η^G在0-1之间。

本发明的有益效果在于：

根据波浪滑翔器实际航行的动态数据在线实时修正数据模型，实现自适应滤波，能够同时估计波浪滑翔器的浮体和潜体的艏向角与转艏角速度，在不确定性环境干扰和模型参数摄动的影响下仍然能够达到良好的滤波效果，应用于波浪滑翔器运动控制系统中能够有效改善控制效果。

附图说明

图1是波浪滑翔器艏摇信息自适应滤波方法的流程图；

图2是波浪滑翔器多体艏向示意图；

图3是波浪滑翔器示意图。

具体实施方式

下面结合附图对本发明做进一步描述。

结合图3说明波浪滑翔器及其硬件结构。波浪滑翔器由浮体1、潜体2和脐带3构成，浮体1与潜体2通过脐带3连接。波浪滑翔器的舵机4安装于潜体2，通过舵板5的舵力，可直接控制潜体2的转向，浮体1的转艏力矩来源于脐带3的张力，浮体1与潜体2分别安装一个艏向传感器，安装于浮体的艏向传感器6和安装于潜体的艏向传感器7分别测量浮体艏向ψ^F和潜体艏向ψ^G。

结合图2说明坐标系的建立。只考虑波浪滑翔器在水平面的运动，建立水平面大地坐标系ξ-E-ζ。一般地，Eξ向北为正，Eζ向东为正。波浪滑翔器浮体与潜体由柔软的脐带连接，脐带无法直接传递扭矩，因此波浪滑翔器浮体和潜体的艏向一般情况下并不一致，如图2所示，ψ^F为浮体的艏向，ψ^G为潜体的艏向。δ为舵角。

结合图1说明本发明提供的波浪滑翔器艏摇信息自适应滤波方法的流程：

波浪滑翔器艏摇信息自适应滤波方法，包括浮体艏摇响应自适应滤波方法和潜体艏摇响应自适应滤波方法，其中，浮体艏摇响应自适应滤波方法包括以下步骤：

(1)将波浪滑翔器的浮体的艏摇响应模型在每一时刻等价为以浮体艏摇响应系数表示的动态线性化模型，其中所述的动态线性化模型以浮体与潜体艏向差的正弦值作为输入，以浮体的转艏角速度作为输出。具体而言，所述动态线性化模型为：

Δr^F(k+1)＝φ^F(k)Δu^F(k)

其中，k为离散控制系统的运行时刻；u^F(k)为浮体艏摇响应动态线性化模型的输入，即浮体与潜体艏向差的正弦值，u^F(k)＝sin(ψ^G(k)-ψ^F(k))，ψ^G(k)为潜体的艏向，ψ^F(k)为浮体的艏向；r^F(k)浮体艏摇响应动态线性化模型的输出，即浮体的转艏角速度；Δu^F(k)为浮体艏摇响应动态线性化模型的输入的变化，Δu^F(k)＝u^F(k)-u^F(k-1)；Δr^F(k+1)为浮体艏摇响应动态线性化模型的输出的变化，即浮体的转艏角速度的变化，Δr^F(k+1)＝r^F(k+1)-r^F(k)。

(2)初始化所述浮体艏摇响应系数；

初始的浮体艏摇响应系数根据经验选取。例如，可在某一工况下进行回转试验，将初始的浮体艏摇响应系数取为浮体与潜体艏向差的正弦值除平均浮体转艏角速度。

(3)根据基于浮体艏摇响应系数的波浪滑翔器浮体艏摇响应动态线性化模型，建立状态传递方程，由所述状态传递方程完成状态一步预测；

基于浮体艏摇响应系数的波浪滑翔器浮体艏摇响应动态线性化模型，可得到状态传递方程如下：

其中，T_s为控制系统的步长；y^F(k)为浮体艏摇响应系统的观测值，即浮体的艏向。

系统的状态变量为X^F＝[ψ^F(k) r^F(k)]^T，则系统的状态传递矩阵为

系统的观测矩阵为

H^F＝[1 0]

状态一步预测为

(4)根据卡尔曼滤波方法估计浮体的艏向角和角速度，具体过程如下：

1.观测值一步预测

2.协方差阵一步预测

P^F(k|k-1)＝G^FP^F(k|k-1)(G^F)^T

3.滤波增益矩阵

K^F(k)＝P^F(k|k-1)×(H^F×P^F(k|k-1)×(H^F)^T+R^F)^-1

其中R^F为观测噪声，即浮体艏向传感器的噪声方差

4.状态更新

5.协方差矩阵更新

P^F(k|k)＝(I_2×2-K^F(k))P^F(k|k-1)

其中I_2×2为二维的单位阵。

浮体艏向的估计值为

与浮体转艏角速度的估计值

分别为

的第一个和第二个元素。

(5)利用动态数据对所述浮体艏摇响应系数进行实时修正，得到所述浮体艏摇响应系数的估计值

返回步骤(3)；

所述的浮体艏摇响应系数的修正过程，分为以下步骤：

1.设置准则函数，所述准则函数包括：极小化浮体转艏角速度的滤波器估计值

与浮体艏摇响应动态线性化模型计算的浮体转艏角速度的预测值

之差的平方，极小化当前时刻所述浮体艏摇响应系数估计值

与上一时刻浮体艏摇响应系数估计值

之差的平方，其中，二者的相对权重由权重系数μ^F调节，所述权重系数μ^F大于0。具体而言，所述准则函数为

其中，

μ^F＞0，是权重因子。

(2)所述准则函数关于当前时刻浮体艏摇响应系数的估计值

求极值，加入步长因子η^F，得到递推形式的当前时刻浮体艏摇响应系数的估计值

所述步长因子η^F在0-1之间。具体而言，得到递推关系式如下：

其中，η^F∈(0,1]为步长因子，加入步长因子修正的目的在于使该算法具有更强的灵活性和一般性。

潜体艏摇响应自适应滤波方法包括以下步骤：

(1)将波浪滑翔器的潜体的艏摇响应模型在每一时刻等价为以潜体艏摇响应系数表示的动态线性化模型，其中所述的动态线性化模型以舵角作为输入，以潜体的转艏角速度作为输出。具体而言，所述动态线性化模型为：

Δr^G(k+1)＝φ^G(k)Δu^G(k)

其中，k为离散控制系统的运行时刻；u^G(k)为潜体艏摇响应动态线性化模型的输入，即舵角，u^G(k)＝δ(k)，其中δ(k)为舵角；r^G(k)潜体艏摇响应动态线性化模型的输出，即潜体的转艏角速度；Δu^G(k)为潜体艏摇响应动态线性化模型的输入的变化，Δu^G(k)＝u^G(k)-u^G(k-1)；Δr^G(k+1)为潜体艏摇响应动态线性化模型的输出的变化，即潜体的转艏角速度的变化，Δr^G(k+1)＝r^G(k+1)-r^G(k)。

(2)初始化所述潜体艏摇响应系数；

初始的潜体艏摇响应系数根据经验选取。例如，可在某一工况下进行回转试验，将初始的潜体艏摇响应系数取为舵角除平均潜体转艏角速度。

(3)根据基于潜体艏摇响应系数的波浪滑翔器潜体艏摇响应动态线性化模型，建立状态传递方程，由所述状态传递方程完成状态一步预测；

基于潜体艏摇响应系数的波浪滑翔器潜体艏摇响应动态线性化模型，可得到状态传递方程如下：

其中，T_s为控制系统的步长；y^G(k)为潜体艏摇响应系统的观测值，即潜体的艏向。

系统的状态变量为X^G＝[ψ^G(k) r^G(k)]^T，则系统的状态传递矩阵为

系统的观测矩阵为

H^G＝[1 0]

状态一步预测为

(4)根据卡尔曼滤波方法估计潜体的艏向角和角速度，具体过程如下：

1.观测值一步预测

2.协方差阵一步预测

P^G(k|k-1)＝G^GP^G(k|k-1)(G^G)^T

3.滤波增益矩阵

K^G(k)＝P^G(k|k-1)×(H^G×P^G(k|k-1)×(H^G)^T+R^G)^-1

其中R^G为观测噪声，即潜体艏向传感器的噪声方差

4.状态更新

5.协方差矩阵更新

P^G(k|k)＝(I_2×2-K^G(k))P^G(k|k-1)

其中I_2×2为二维的单位阵。

潜体艏向的估计值为

与潜体转艏角速度的估计值

分别为

的第一个和第二个元素。

(5)利用动态数据对所述潜体艏摇响应系数进行实时修正，得到所述潜体艏摇响应系数的估计值

返回步骤(3)；

所述的潜体艏摇响应系数的修正过程，分为以下步骤：

1.设置准则函数，所述准则函数包括：极小化潜体转艏角速度的滤波器估计值

与潜体艏摇响应动态线性化模型计算的潜体转艏角速度的预测值

之差的平方，极小化当前时刻所述潜体艏摇响应系数估计值

与上一时刻潜体艏摇响应系数估计值

之差的平方，其中，二者的相对权重由权重系数μ^G调节，所述权重系数μ^G大于0。具体而言，所述准则函数为

其中，

μ^G＞0，是权重因子。

(2)所述准则函数关于当前时刻潜体艏摇响应系数的估计值

求极值，加入步长因子η^G，得到递推形式的当前时刻潜体艏摇响应系数的估计值

所述步长因子η^G在0-1之间。具体而言，得到递推关系式如下：

其中，η^G∈(0,1]为步长因子，加入步长因子修正的目的在于使该算法具有更强的灵活性和一般性。

本发明的目的在于提供一种波浪滑翔器艏向信息的自适应滤波方法，根据波浪滑翔器实际航行的动态数据修正数据模型，实现自适应滤波，能够同时估计波浪滑翔器的浮体和潜体的艏向角与转艏角速度。

本发明的目的是这样实现的：

波浪滑翔器的舵机安装于潜体，通过舵板的舵力，可直接控制潜体的转向，浮体的转艏力矩来源于脐带的张力，浮体与潜体分别安装一个艏向传感器，安装于浮体的艏向传感器和安装于潜体的艏向传感器分别测量浮体艏向ψ^F和潜体艏向ψ^G。

波浪滑翔器艏摇信息自适应滤波方法，包括浮体艏摇响应自适应滤波方法和潜体艏摇响应自适应滤波方法，其中，浮体艏摇响应自适应滤波方法包括以下步骤：

(1)将波浪滑翔器的浮体的艏摇响应模型在每一时刻等价为以浮体艏摇响应系数表示的动态线性化模型，其中所述的动态线性化模型以浮体与潜体艏向差的正弦值作为输入，以浮体的转艏角速度作为输出。具体而言，所述动态线性化模型为：

Δr^F(k+1)＝φ^F(k)Δu^F(k)

其中，k为离散控制系统的运行时刻；u^F(k)为浮体艏摇响应动态线性化模型的输入，即浮体与潜体艏向差的正弦值，u^F(k)＝sin(ψ^G(k)-ψ^F(k))，ψ^G(k)为潜体的艏向，ψ^F(k)为浮体的艏向；r^F(k)浮体艏摇响应动态线性化模型的输出，即浮体的转艏角速度；Δu^F(k)为浮体艏摇响应动态线性化模型的输入的变化，Δu^F(k)＝u^F(k)-u^F(k-1)；Δr^F(k+1)为浮体艏摇响应动态线性化模型的输出的变化，即浮体的转艏角速度的变化，Δr^F(k+1)＝r^F(k+1)-r^F(k)。

(2)初始化所述浮体艏摇响应系数；

初始的浮体艏摇响应系数根据经验选取。例如，可在某一工况下进行回转试验，将初始的浮体艏摇响应系数取为浮体与潜体艏向差的正弦值除平均浮体转艏角速度。

(3)根据基于浮体艏摇响应系数的波浪滑翔器浮体艏摇响应动态线性化模型，建立状态传递方程，由所述状态传递方程完成状态一步预测；

基于浮体艏摇响应系数的波浪滑翔器浮体艏摇响应动态线性化模型，可得到状态传递方程如下：

其中，T_s为控制系统的步长；y^F(k)为浮体艏摇响应系统的观测值，即浮体的艏向。

系统的状态变量为X^F＝[ψ^F(k) r^F(k)]^T，则系统的状态传递矩阵为

系统的观测矩阵为

H^F＝[1 0]

状态一步预测为

(4)根据卡尔曼滤波方法估计浮体的艏向角和角速度，具体过程如下：

1.观测值一步预测

2.协方差阵一步预测

P^F(k|k-1)＝G^FP^F(k|k-1)(G^F)^T

3.滤波增益矩阵

K^F(k)＝P^F(k|k-1)×(H^F×P^F(k|k-1)×(H^F)^T+R^F)^-1

其中R^F为观测噪声，即浮体艏向传感器的噪声方差

4.状态更新

5.协方差矩阵更新

P^F(k|k)＝(I_2×2-K^F(k))P^F(k|k-1)

其中I_2×2为二维的单位阵。

浮体艏向的估计值为

与浮体转艏角速度的估计值

分别为

的第一个和第二个元素。

(5)利用动态数据对所述浮体艏摇响应系数进行实时修正，得到所述浮体艏摇响应系数的估计值

返回步骤(3)；

所述的浮体艏摇响应系数的修正过程，分为以下步骤：

1.设置准则函数，所述准则函数包括：极小化浮体转艏角速度的滤波器估计值

与浮体艏摇响应动态线性化模型计算的浮体转艏角速度的预测值

之差的平方，极小化当前时刻所述浮体艏摇响应系数估计值

与上一时刻浮体艏摇响应系数估计值

之差的平方，其中，二者的相对权重由权重系数μ^F调节，所述权重系数μ^F大于0。具体而言，所述准则函数为

其中，

μ^F＞0，是权重因子。

(2)所述准则函数关于当前时刻浮体艏摇响应系数的估计值

求极值，加入步长因子η^F，得到递推形式的当前时刻浮体艏摇响应系数的估计值

所述步长因子η^F在0-1之间。具体而言，得到递推关系式如下：

其中，η^F∈(0,1]为步长因子，加入步长因子修正的目的在于使该算法具有更强的灵活性和一般性。

潜体艏摇响应自适应滤波方法包括以下步骤：

(1)将波浪滑翔器的潜体的艏摇响应模型在每一时刻等价为以潜体艏摇响应系数表示的动态线性化模型，其中所述的动态线性化模型以舵角作为输入，以潜体的转艏角速度作为输出。具体而言，所述动态线性化模型为：

Δr^G(k+1)＝φ^G(k)Δu^G(k)

其中，k为离散控制系统的运行时刻；u^G(k)为潜体艏摇响应动态线性化模型的输入，即舵角，u^G(k)＝δ(k)，其中δ(k)为舵角；r^G(k)潜体艏摇响应动态线性化模型的输出，即潜体的转艏角速度；Δu^G(k)为潜体艏摇响应动态线性化模型的输入的变化，Δu^G(k)＝u^G(k)-u^G(k-1)；Δr^G(k+1)为潜体艏摇响应动态线性化模型的输出的变化，即潜体的转艏角速度的变化，Δr^G(k+1)＝r^G(k+1)-r^G(k)。

(2)初始化所述潜体艏摇响应系数；

初始的潜体艏摇响应系数根据经验选取。例如，可在某一工况下进行回转试验，将初始的潜体艏摇响应系数取为舵角除平均潜体转艏角速度。

(3)根据基于潜体艏摇响应系数的波浪滑翔器潜体艏摇响应动态线性化模型，建立状态传递方程，由所述状态传递方程完成状态一步预测；

基于潜体艏摇响应系数的波浪滑翔器潜体艏摇响应动态线性化模型，可得到状态传递方程如下：

其中，T_s为控制系统的步长；y^G(k)为潜体艏摇响应系统的观测值，即潜体的艏向。

系统的状态变量为X^G＝[ψ^G(k) r^G(k)]^T，则系统的状态传递矩阵为

系统的观测矩阵为

H^G＝[1 0]

状态一步预测为

(4)根据卡尔曼滤波方法估计潜体的艏向角和角速度，具体过程如下：

1.观测值一步预测

2.协方差阵一步预测

P^G(k|k-1)＝G^GP^G(k|k-1)(G^G)^T

3.滤波增益矩阵

K^G(k)＝P^G(k|k-1)×(H^G×P^G(k|k-1)×(H^G)^T+R^G)^-1

其中R^G为观测噪声，即潜体艏向传感器的噪声方差

4.状态更新

5.协方差矩阵更新

P^G(k|k)＝(I_2×2-K^G(k))P^G(k|k-1)

其中I_2×2为二维的单位阵。

潜体艏向的估计值为

与潜体转艏角速度的估计值

分别为

的第一个和第二个元素。

(5)利用动态数据对所述潜体艏摇响应系数进行实时修正，得到所述潜体艏摇响应系数的估计值

返回步骤(3)；

所述的潜体艏摇响应系数的修正过程，分为以下步骤：

1.设置准则函数，所述准则函数包括：极小化潜体转艏角速度的滤波器估计值

与潜体艏摇响应动态线性化模型计算的潜体转艏角速度的预测值

之差的平方，极小化当前时刻所述潜体艏摇响应系数估计值

与上一时刻潜体艏摇响应系数估计值

之差的平方，其中，二者的相对权重由权重系数μ^G调节，所述权重系数μ^G大于0。具体而言，所述准则函数为

其中，

μ^G＞0，是权重因子。

(2)所述准则函数关于当前时刻潜体艏摇响应系数的估计值

求极值，加入步长因子η^G，得到递推形式的当前时刻潜体艏摇响应系数的估计值

所述步长因子η^G在0-1之间。具体而言，得到递推关系式如下：

其中，η^G∈(0,1]为步长因子，加入步长因子修正的目的在于使该算法具有更强的灵活性和一般性。

波浪滑翔器的浮体与潜体分别安装一个艏向传感器，安装于浮体的艏向传感器和安装于潜体的艏向传感器分别测量浮体的艏向和潜体的艏向。

Claims (5)

1.波浪滑翔器艏摇信息自适应滤波方法，其特征是包括浮体艏摇响应自适应滤波方法和潜体艏摇响应自适应滤波方法，二者并行运行，其中，浮体艏摇响应自适应滤波方法包括以下步骤：

(1)将波浪滑翔器的浮体的艏摇响应模型在每一时刻等价为以浮体艏摇响应系数表示的动态线性化模型；

(2)初始化所述浮体艏摇响应系数；

(3)根据基于浮体艏摇响应系数的波浪滑翔器浮体艏摇响应动态线性化模型，建立状态传递方程，由所述状态传递方程完成状态一步预测；

(4)根据卡尔曼滤波方法估计浮体的艏向角和角速度；

(5)利用动态数据对所述浮体艏摇响应系数进行实时修正，得到所述浮体艏摇响应系数的估计值，返回步骤(3)；

潜体艏摇响应自适应滤波方法包括以下步骤：

(1)将波浪滑翔器的潜体的艏摇响应模型在每一时刻等价为以潜体艏摇响应系数表示的动态线性化模型；

(2)初始化所述潜体艏摇响应系数；

(3)根据基于潜体艏摇响应系数的波浪滑翔器潜体艏摇响应动态线性化模型，建立状态传递方程，由所述状态传递方程完成状态一步预测；

(4)根据卡尔曼滤波方法估计潜体的艏向角和角速度；

(5)利用动态数据对所述潜体艏摇响应系数进行实时修正，得到所述潜体艏摇响应系数的估计值，返回步骤(3)；

所述的动态线性化模型以浮体与潜体艏向差的正弦值作为输入，以浮体的转艏角速度作为输出，所述动态线性化模型为：

Δr^F(k+1)＝φ^F(k)Δu^F(k)

其中，k为离散控制系统的运行时刻；u^F(k)为浮体艏摇响应动态线性化模型的输入，即浮体与潜体艏向差的正弦值，u^F(k)＝sin(ψ^G(k)-ψ^F(k))，ψ^G(k)为潜体的艏向，ψ^F(k)为浮体的艏向；r^F(k)浮体艏摇响应动态线性化模型的输出，即浮体的转艏角速度；Δu^F(k)为浮体艏摇响应动态线性化模型的输入的变化，Δu^F(k)＝u^F(k)-u^F(k-1)；Δr^F(k+1)为浮体艏摇响应动态线性化模型的输出的变化，即浮体的转艏角速度的变化，Δr^F(k+1)＝r^F(k+1)-r^F(k)；

其中所述的动态线性化模型以舵角作为输入，以潜体的转艏角速度作为输出，所述动态线性化模型为：

Δr^G(k+1)＝φ^G(k)Δu^G(k)

其中，k为离散控制系统的运行时刻；u^G(k)为潜体艏摇响应动态线性化模型的输入，即舵角，u^G(k)＝δ(k)，其中δ(k)为舵角；r^G(k)潜体艏摇响应动态线性化模型的输出，即潜体的转艏角速度；Δu^G(k)为潜体艏摇响应动态线性化模型的输入的变化，Δu^G(k)＝u^G(k)-u^G(k-1)；Δr^G(k+1)为潜体艏摇响应动态线性化模型的输出的变化，即潜体的转艏角速度的变化，Δr^G(k+1)＝r^G(k+1)-r^G(k)。

2.根据权利要求1所述的波浪滑翔器艏摇信息自适应滤波方法，其特征在于：所述的浮体艏摇响应自适应滤波方法的步骤(1)中的动态线性化模型，以浮体与潜体艏向差的正弦值作为输入，以浮体的转艏角速度作为输出。

3.根据权利要求1所述的波浪滑翔器艏摇信息自适应滤波方法，其特征在于：所述的潜体艏摇响应自适应滤波方法的步骤(1)中的动态线性化模型，以舵角作为输入，以潜体的转艏角速度作为输出。

4.根据权利要求1所述的波浪滑翔器艏摇信息自适应滤波方法，其特征在于：所述的浮体艏摇响应自适应滤波方法步骤(4)中，浮体艏摇响应系数的修正过程包含以下步骤：

(1)设置准则函数，准则函数包括：极小化浮体转艏角速度的滤波器估计值

与浮体艏摇响应动态线性化模型计算的浮体转艏角速度的预测值

之差的平方，极小化当前时刻所述浮体艏摇响应系数估计值

与上一时刻浮体艏摇响应系数估计值

之差的平方，其中，浮体转艏角速度的滤波器估计值

与浮体艏摇响应动态线性化模型计算的浮体转艏角速度的预测值

之差的平方与当前时刻所述浮体艏摇响应系数估计值

与上一时刻浮体艏摇响应系数估计值

之差的平方的相对权重由权重系数μ^F调节，所述权重系数μ^F大于0；

(2)准则函数关于当前时刻浮体艏摇响应系数的估计值

求极值，加入步长因子η^F，得到递推形式的当前时刻浮体艏摇响应系数的估计值

所述步长因子η^F在0-1之间。

5.根据权利要求1所述的波浪滑翔器艏摇信息自适应滤波方法，其特征在于：所述的潜体艏摇响应自适应滤波方法步骤(4)中潜体艏摇响应系数的修正过程的特征是，分为以下步骤：

(1)设置准则函数，所述准则函数包括：极小化潜体转艏角速度的滤波器估计值

与潜体艏摇响应动态线性化模型计算的潜体转艏角速度的预测值

之差的平方，极小化当前时刻所述潜体艏摇响应系数估计值

与上一时刻潜体艏摇响应系数估计值

之差的平方，其中，潜体转艏角速度的滤波器估计值

与潜体艏摇响应动态线性化模型计算的潜体转艏角速度的预测值

之差的平方与当前时刻所述潜体艏摇响应系数估计值

与上一时刻潜体艏摇响应系数估计值

之差的平方的相对权重由权重系数μ^G调节，所述权重系数μ^G大于0；

(2)所述准则函数关于当前时刻浮体艏摇响应系数的估计值

求极值，加入步长因子η^G，得到递推形式的当前时刻浮体艏摇响应系数的估计值

所述步长因子η^G在0-1之间。

Images