CN109737955A - 一种海浪补偿系统的姿态预测方法 - Google Patents

Abstract

本发明公开了一种海浪补偿系统的姿态预测方法，包括以下步骤：先以采样频率f从固定于船体上的惯性导航系统中采集船体的姿态角和加速度数据，获得姿态角信号和加速度信号，并将姿态角转换为欧拉角形式；之后对加速度信号进行滤波处理；然后对加速度信号进行频谱分析，并对频谱进行带通滤波，获取有效频段的加速度信号；之后对有效频段的加速度信号进行频域积分，获取速度和位移；最后将姿态角和位移作为神经网络的输入进行训练，获得姿态预测模型，根据所述姿态预测模型即能完成姿态预测。本发明的方法不依赖于船舶运动状态方程，只需要利用船舶运动的历史数据便可以完成实时预报，方法简单且成本低廉。

Description

一种海浪补偿系统的姿态预测方法

技术领域

本发明属于海基平台波浪补偿系统领域，特别是一种海浪补偿系统的姿态预测方法。

背景技术

由于受到风、浪、流的作用，海上作业浮式生产系统不可避免的产生摇荡和升沉运动，给海上作业带来了许多不便和危险。虽然当前有专业的姿态检测传感器，但由于传感器本身的延时，控制算法的数据处理时间以及大惯性环节的滞后性，严重影响了补偿的精度，因此需要引入预测算法，提前对姿态进行预测。

船舶存在六个自由度的运动，角度信息通过惯性测量系统能够直接获得，而位移一般是采用传统的时域与频域积分技术进行获取，但由于积分误差的累积作用，加速度数据中的直流分量，低频分量，高频分量和积分常数项，将导致积分严重偏离正常值。

针对船舶运动的短期预报的研究，目前主要的方法有卷积法，卡尔曼滤波法，谱估计方法以及时间序列方法，可以概括为频域分析法以及时域分析法。频域分析法需要知道船舶运动的状态方程，而由于船舶运动的复杂性，很难得到精确的状态方程。而基于神经网络的预测方法作为时序方法的一种，最大的优点是不用知道任何先验知识和船舶运动状态方程，只利用船舶运动的历史数据便可以完成实时预报，但是如何进一步提高基于神经网络预测法的精度是当前一直研究的热点。

发明内容

本发明所要解决的技术问题在于提供一种不需要获知船舶运动的状态方程即可预测海浪补偿系统姿态的预测方法。

实现本发明目的的技术解决方案为：一种海浪补偿系统的姿态预测方法，包括以下步骤：

步骤1、以采样频率f从固定于船体上的惯性导航系统中采集船体的姿态角和加速度数据，获得姿态角信号和加速度信号，并将姿态角转换为欧拉角形式；

步骤2、对所述加速度信号进行滤波处理；

步骤3、对滤波处理后的加速度信号进行频谱分析，并结合姿态角信号或加速度信号的周期T₁对频谱进行带通滤波，获取有效频段的加速度信号；

步骤4、对步骤3获得的有效频段的加速度信号进行频域积分，获取速度和位移；

步骤5、将步骤1获得的姿态角、步骤4获得的位移作为神经网络的输入进行训练，获得姿态预测模型，根据所述姿态预测模型即能完成姿态预测。

本发明与现有技术相比，其显著优点为：1)本发明的方法成本低廉，不需要加入GPS传感器进行测量；2)本发明使用频域积分的方法求解位移，相比于时域积分耗时短，简单方便；3)本发明的方法不依赖于船舶运动状态方程，只需要利用船舶运动的历史数据便可以完成实时预报。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明海浪补偿系统的姿态预测方法的流程图。

图2为本发明实施例中通过固连于船体的惯性导航系统以200Hz的输出频率获取的6400组原始的三轴加速度数据，以及三轴姿态角数据曲线图，其中(a)为横滚角θ_α随时间变化的曲线图，(b)俯仰角θ_β随时间变化的曲线图，(c)为偏航角θ_γ随时间变化的曲线图，(d)为x轴加速度a_x随时间变化的曲线图，(e)为y轴加速度a_y随时间变化的曲线图，(f)为z轴加速度a_z随时间变化的曲线图。

图3为本发明实施例中以x轴加速度a_x为例，经过五点平均法做滑动加权平均滤波后加速度a_x随时间变化的曲线图。

图4为本发明实施例中以x轴加速度a_x为例，进行离散傅里叶变换后的幅值-频率曲线图。

图5为本发明实施例中以x轴加速度a_x为例，经过带通滤波器滤波后加速度a_x随时间变化的曲线图。

图6为本发明实施例中以x轴加速度a_x为例，进行频域积分后获得的速度、位移随时间变化的曲线图，其中图(a)为一次积分后的速度随时间变化的曲线图，(b)为两次积分后位移随时间变化的曲线图。

图7为本发明实施例中以x轴位移x_x为例，经过Elman神经网络预测后以及实际测试值随时间变化的对比曲线图。

具体实施方式

结合图1，本发明一种海浪补偿系统的姿态预测方法，包括以下步骤：

步骤1、以采样频率f从固定于船体上的惯性导航系统中采集船体的姿态角和加速度数据，获得姿态角信号和加速度信号，并将姿态角转换为欧拉角形式。

进一步地，姿态角包括横滚角θ_α，俯仰角θ_β和偏航角θ_γ，加速度包括OX，OY，OZ三个方向的加速度分别为a_x,a_y,a_z；其中原点O为船体甲板上的某一固定点，X轴正向指向右舷，Y轴正向指向船艏，Z轴垂直向上。

步骤2、对所述加速度信号进行滤波处理。

进一步地，对加速度数据进行滤波处理为滑动加权滤波处理，具体为：

滑动加权滤波的公式为：

式中，i＝1，2，…，m，m为数据点数，x为从采样数据，y为平滑处理后的结果，2N+1为平均点数，h为加权平均因子；

则对加速度数据进行滤波处理为：

式中，a_x,a_y,a_z为步骤1获取的加速度，h为加权平均因子，a'_x,a'_y,a'_z为滑动加权滤波处理后的加速度值。

步骤3、对滤波处理后的加速度信号进行频谱分析，并结合姿态角信号或加速度信号的周期T₁对频谱进行带通滤波，获取有效频段的加速度信号。

进一步地，对滤波处理后的加速度信号进行频谱分析具体为对加速度信号进行离散傅里叶变换。

进一步地，结合姿态角信号或加速度信号的周期T₁对频谱进行带通滤波，获取有效频段的加速度信号，具体为：

步骤3-1、将姿态角信号或加速度信号的周期T₁转换为频率f₁；

步骤3-2、从频谱图中获取最靠近频率f₁的峰值点对应的频率f₂；

步骤3-3、将频谱图中频率f₂左侧第一个峰值对应的频率记为f₃，频率f₂右侧第一个峰值对应的频率记为f₄；

确定带通滤波的低频截止频率f_L为f_L＞f₃；

确定带通滤波的高频截止频率f_H为f_H＜f₄；

步骤3-4、以低频截止频率f_L、高频截止频率f_H对频谱进行带通滤波，获取有效频段的加速度信号。

步骤4、对步骤3获得的有效频段的加速度信号进行频域积分，获取速度和位移。

进一步地，对步骤3获得的有效频段的加速度信号进行频域积分，获取速度和位移，具体为：

步骤4-1、对有效频段的加速度信号进行一次积分，之后进行傅里叶逆变换获得速度V_x,V_y,V_z；

步骤4-2、对有效频段的加速度信号进行二次积分，之后进行傅里叶逆变换获得位移X_x,Y_y,Z_z。

步骤5、将步骤1获得的姿态角、步骤4获得的位移作为神经网络的输入进行训练，获得姿态预测模型，根据所述姿态预测模型即能完成姿态预测。

进一步地，步骤5具体为：

步骤5-1、将步骤4积分后的位移X_x,Y_y,Z_z以及步骤1获得的姿态角θ_α，θ_β，θ_γ，均分别划分为训练样本集Train以及测试样本集Test；

步骤5-2、针对训练样本集或者测试样本集，选择相邻的i个数据为一个样本，其中前i-1个数据设为自变量n；第i个数据作为目标函数值n进行预测；

步骤5-3、将归一化后的训练样本集Train输入Elman神经网络进行训练，获得训练后的网络模型；

步骤5-4、将归一化后的测试样本集Test输入步骤5-3训练后的网络模型中进行测试，之后将输出值进行反归一化，即获得训练数据对应的预测值，完成姿态预测。

实施例

本实施例在船舶作业过程中，以200hz的输出频率从安装在船体上的惯性导航系统中读取6400组对应时长为32s的数据。安装惯性导航系统时确保X轴正向指向右舷，Y轴正向指向船艏，Z轴垂直向上。

6400组数据包括3轴姿态角θ_α，θ_β，θ_γ以及3轴加速度信息a_x,a_y,a_z，如图2所示。为了去除姿态角信号和加速度信号中的毛刺信号，对每4个数据取平均值，作为待处理的数据。之后再使用滑动加权平均滤波的方法对加速度信号进行滤波处理为：

式中，a_x,a_y,a_z为获取的加速度值，h为加权平均因子，本实施例中采用五点平均法进行了三次平滑，取

接着对滤波处理后的加速度a'_x,a'_y,a'_z做频域分析，将加速度信号做离散傅里叶变换公式为：式中：ω_N＝e^(-2πj)/N，N为采样数1600。

结合图3，可以看出x轴的加速度信号成分主要集中在1Hz附近，选择带通滤波器的上下限频率分别为0.5Hz以及2Hz，进行滤波处理。以上述滤波过程，可以分别获得信号中有效的加速度信号a”_x,a”_y,a”_z。

对离散傅里叶变换后的加速度信号分别作一次与二次频域积分得到速度以及位移的频域信号。

加速度一次积分的计算公式如下：

加速度二次积分的计算公式如下：

式中，k，r取值分别为0,1,2…N-1，A(k)为加速度时域信号的傅里叶变换，Δf为频率分辨率，N为采样数。本实施例中，N＝1600，Δf＝50/1600Hz。将位移的频域积分信号通过傅里叶逆变换便可以获得位移的时域信号x_x(n),x_y(n),x_z(n)，n的取值为1,2…,N。

三个方向的位移信号x_x(n),x_y(n),x_z(n)，以及三个方向的姿态角信号θ_α,θ_β,θ_γ，构成了船舶运动的六自由度信息。将位移信号以及姿态角信号的1600个数据，按9比1的比例划分为训练集{x_x(n),x_y(n),x_z(n),θ_α,θ_β,θ_γ}_train以及测试集合{x_x(n),x_y(n),x_z(n),θ_α,θ_β,θ_γ}_test，选择相邻的10个数据，以前9个数据作为自变量，第10个数据为目标函数值，依次类推，训练样本集最终被分成1431个样本，同样测试样本集被分成151个测试样本。

在matlab中设置Elman神经网络的输入层、隐层、承接层和输出层神经元的个数为5-15-15-4，隐层神经元激活函数为Sigmod函数，输入层、承接层和输出层神经激活函数为线形函数。神经元之间的连接权值取(-1,1)范围内的随机数。网络训练主要参数设置如下：训练次数为500，学习速率为0.01，网络性能目标为1e-8；当训练次数或性能指标达到设置要求时，网络训练停止。以x轴位移为例，最终获得测试集的数均方误差为0.002019，满足姿态预测的精度要求。

综上可知，本发明的方法简单方便，成本低廉，相对于时域积分耗时短，且该方法不依赖于船舶运动状态方程，只需要利用船舶运动的历史数据便可以完成实时预报。

Claims (7)

1.一种海浪补偿系统的姿态预测方法，其特征在于，包括以下步骤：

步骤1、以采样频率f从固定于船体上的惯性导航系统中采集船体的姿态角和加速度数据，获得姿态角信号和加速度信号，并将姿态角转换为欧拉角形式；

步骤2、对所述加速度信号进行滤波处理；

步骤3、对滤波处理后的加速度信号进行频谱分析，并结合姿态角信号或加速度信号的周期T₁对频谱进行带通滤波，获取有效频段的加速度信号；

步骤4、对步骤3获得的有效频段的加速度信号进行频域积分，获取速度和位移；

步骤5、将步骤1获得的姿态角、步骤4获得的位移作为神经网络的输入进行训练，获得姿态预测模型，根据所述姿态预测模型即能完成姿态预测。

2.根据权利要求1所述的海浪补偿系统的姿态预测方法，其特征在于，步骤1所述姿态角包括横滚角θ_α、俯仰角θ_β和偏航角θ_γ，加速度包括OX轴、OY轴、OZ轴三个方向的加速度分别为a_x,a_y,a_z；其中原点O为船体甲板上的某一固定点，X轴正向指向右舷，Y轴正向指向船艏，Z轴垂直向上。

3.根据权利要求2所述的海浪补偿系统的姿态预测方法，其特征在于，步骤2所述对加速度信号进行滤波处理为滑动加权滤波处理，具体为：

滑动加权滤波的公式为：

式中，i＝1，2，…，m，m为数据点数，x为从采样数据，y为平滑处理后的结果，2N+1为平均点数，h为加权平均因子；

则对加速度信号进行滤波处理为：

式中，a_x,a_y,a_z为步骤1获取的加速度，h为加权平均因子，a'_x,a'_y,a'_z为滑动加权滤波处理后的加速度值。

4.根据权利要求1所述的海浪补偿系统的姿态预测方法，其特征在于，步骤3所述对滤波处理后的加速度信号进行频谱分析具体为对加速度信号进行离散傅里叶变换。

5.根据权利要求1或4所述的海浪补偿系统的姿态预测方法，其特征在于，步骤3所述结合姿态角信号或加速度信号的周期T₁对频谱进行带通滤波，获取有效频段的加速度信号，具体为：

步骤3-1、将姿态角信号或加速度信号的周期T₁转换为频率f₁；

步骤3-2、从频谱图中获取最靠近频率f₁的峰值点对应的频率f₂；

步骤3-3、将频谱图中频率f₂左侧第一个峰值对应的频率记为f₃，频率f₂右侧第一个峰值对应的频率记为f₄；

确定带通滤波的低频截止频率f_L为f_L＞f₃；

确定带通滤波的高频截止频率f_H为f_H＜f₄；

步骤3-4、以低频截止频率f_L、高频截止频率f_H对频谱进行带通滤波，获取有效频段的加速度信号。

6.根据权利要求5所述的海浪补偿系统的姿态预测方法，其特征在于，步骤4所述对步骤3获得的有效频段的加速度信号进行频域积分，获取速度和位移，具体为：

步骤4-1、对有效频段的加速度信号进行一次积分，之后进行傅里叶逆变换获得速度V_x,V_y,V_z；

步骤4-2、对有效频段的加速度信号进行二次积分，之后进行傅里叶逆变换获得位移X_x,Y_y,Z_z。

7.根据权利要求6所述的海浪补偿系统的姿态预测方法，其特征在于，步骤5所述将步骤1获得的姿态角、步骤4获得的位移作为神经网络的输入进行训练，获得姿态预测模型，根据所述姿态预测模型即能完成姿态预测，具体为：

步骤5-1、将步骤4积分后的位移X_x,Y_y,Z_z以及步骤1获得的姿态角角θ_α，θ_β，θ_γ均分别划分为训练样本集Train以及测试样本集Test；

步骤5-2、针对训练样本集或者测试样本集，选择相邻的i个数据为一个样本，其中前i-1个数据设为自变量n；第i个数据作为目标函数值n进行预测；

步骤5-3、将归一化后的训练样本集Train输入Elman神经网络进行训练，获得训练后的网络模型；

步骤5-4、将归一化后的测试样本集Test输入步骤5-3训练后的网络模型中进行测试，之后将输出值进行反归一化，即获得训练数据对应的预测值，完成姿态预测。