CN109917151A - 一种基于动态权值分配的船舶相对风融合算法 - Google Patents

Abstract

本发明公开了一种基于动态权值分配的船舶相对风融合算法，该算法把分布于船舶上不同位置的多个传感器测量值的加权系数分为静态加权因子和动态加权因子两部分，由各观测时刻的测量数据实时计算各个传感器的权值，本发明所公开的融合算法能够有效地去粗取精并提高测量精度。试验数据验证表明该算法能够实时动态调整权重，有效降低加权融合值的误差，从而为船舶气象仪相对风的测量提供了一种有效且实现简单的数据融合算法。

Description

一种基于动态权值分配的船舶相对风融合算法

技术领域

本发明涉及海洋测量技术领域，特别涉及一种基于动态权值分配的船舶相对风融合算法。

背景技术

风速、风向是船舶气象仪观测的两个重要气象要素，对船舶的安全航行起着重要的保障作用。相对风是指以船舶为参考，相对于系泊或航行船舶观测到的风，真风是指以大地正北为参考的自然界实际风。船舶等移动平台上相对风和真风的测量精度，与多种因素有关，包括传感器技术指标、安装位置、船舶姿态等等。胡桐等采用计算机流体力学仿真方法分析船体周围钝体绕流气流场的分布情况，建立了相对风偏差校正模型。王国峰等分析了船舶运动状态下传感器倾角的变化对测风结果的影响，提出了一种基于空间模型的测量误差补偿算法。李志乾等分析了船舶相对风和航速航向误差对真风计算的影响，提出了真风解算误差的修正方法。周扬等采用模块化设计方法，通过软硬件结合，自动识别两种测风传感器和两种航向来源实现真风解算。周亦武等分析了船舶摇摆状态下测风误差产生的机理，提出了基于多变量非线性数据拟合及动态补偿的校正方法。郭颜萍等采用基于小波变换和最小二乘支持向量机相结合的方法估算船面风速和风向。

上述研究分别从不同方面，针对船舶相对风或真风测量误差，提出了改进的方法并进行了仿真试验验证，但并未涉及通过融合算法提高船舶气象仪相对风的测量精度。实际上，相对风对于提高真风解算准确性和保障船舶的安全航行意义重大。由于船体本身以及其上的建筑物和其他设备的影响，船体各处的风速、风向的分布值是复杂和不均匀的，单只传感器测得的数据不全面，只能代表局部。大型船舶通常选择两个或两个以上的监测点安装测风传感器，与单传感器系统相比，多传感器系统具有增强系统生存能力、扩展空间覆盖范围、提高信息可信度等优点，特别是可以通过对来自多个传感器的信息加以有效融合，取长补短，从而有效提高信息探测性能。

发明内容

为解决上述技术问题，本发明提供了一种基于动态权值分配的船舶相对风融合算法，以达到使风速数据更加合理和准确的目的。

为达到上述目的，本发明的技术方案如下：

一种基于动态权值分配的船舶相对风融合算法，该算法把分布于船舶上不同位置的多个传感器测量值的加权系数分为静态加权因子和动态加权因子两部分，由各观测时刻的测量数据实时计算各个传感器的权值，最终得到k时刻的融合值的计算公式如下：

其中，i代表第i个传感器；

n代表传感器的个数；

w_iS和w_iD分别代表第i个传感器的静态加权因子和动态加权因子，且满足以下条件：

代表第i个传感器在k时刻的测量值。

上述方案中，所述静态加权因子w_iS与传感器的自身误差成反比，动态加权因子的确定基于参与融合的传感器测量值与参考基准值的偏差，并与这个偏差成反比。

上述方案中，所述静态加权因子w_iS的计算公式如下：

其中，传感器的自身误差△_i＝[δ₁δ₂…δ_m]^T，δm代表测量值向量在第m维的误差分量，m代表向量的维数；

r为调整系数，

上述方案中，所述动态加权因子w_iD的计算公式如下：

其中，代表第i个传感器在k时刻的测量值；

r为调整系数，

为当前参考基准值，取系统中参与融合的各传感器测量值的算数平均值作为

进一步的，静态加权因子w_iS的取值不局限于公式(3),动态加权因子w_iD的取值不局限于公式(5)，在满足某些经验条件下，所述多个传感器中某一个或某几个传感器测量值的加权系数可以为0，即w_is+w_iD＝0，这种情况适合于在发现某一个或者某几个传感器存在明显的测量偏差的情况下，需要把该传感器的测量数值舍弃，可将该传感器的加权系数设置为0，但是多个传感器总体仍然满足公式(2)的条件。

通过上述技术方案，本发明提供的基于动态权值分配的船舶相对风融合算法把分布于船舶上不同位置的多个传感器测量值的加权系数分为静态加权因子和动态加权因子两部分，由各观测时刻的测量数据实时计算各个传感器的权值，从而能够实现权值的动态分配，破除权值分配的绝对化。该算法先将测量值进行优劣判断再据此对权值进行有所倚重的分配，因而能够有效地去粗取精并提高测量精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1为相对风分解示意图；

图2为算数平均融合算法的风速曲线图；

图3为算数平均融合算法的风向误差图；

图4为动态权值融合算法的风速曲线图；

图5为动态权值融合算法的风向误差图；

图6为算数评价融合算法和动态权值融合算法的风速曲线比较图；

图7为算数评价融合算法和动态权值融合算法的风向误差比较图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本发明提供了一种基于动态权值分配的船舶相对风融合算法，具体实施例如下：

根据世界气象组织建议，安装测风传感器时应尽量靠近安装平台前部并且具有一定的高度，据此在船上选择风场开阔区域安装三台测风传感器。在主桅杆上部横杆两侧对称安装两台螺旋桨式测风传感器，分别称为左舷测风传感器、右舷测风传感器，记作S₁、S₂。在艏甲板的开阔区域，艏艉中心线上焊接一基座，基座上安装一根支撑杆，其高度与主桅杆上部横杆与艏甲板的垂直高度相等。超声波测风传感器安装于该支撑杆上，称为船艏测风传感器，记作S₃。船艏测风传感器距离左舷和右舷测风传感器的水平距离约为13米。三台传感器距离海平面的垂直距离均约25米。

三台测风传感器精度如表1所示。表1中V均为实测风速值。在船舶正常航行条件下，分别采集三台测风传感器的相对风速和相对风向，采样周期均为2秒。抽取2016年3月实船航行的测风数据进行试验验证与分析。

表1各传感器的精度

传感器编号	风速误差(m/s)	风向误差(°)
			S<sub>1</sub>	0.5+0.05V	±5
S<sub>2</sub>	0.5+0.05V	±5
			S<sub>3</sub>	0.02V	±2

如图1所示，以船舶艏艉线为Y轴，船艏为正向，与其垂直的横向为X轴，右舷为正向，在船舶所在的水平面内建立直角坐标系，分别将三台传感器S₁、S₂、S₃的相对风数据沿X轴、Y轴进行分解，得到X轴方向的三个风速分量：W_1X、W_2X、W_3X；以及Y轴方向的三个风速分量W_1Y、W_2Y、W_3Y。

对比例算法：采用算术平均融合算法。

第一步采用式(7)求出W_1X、W_2X、W_3X的平均值W_X；第二步采用式(7)求出W_1Y、W_2Y、W_3Y的平均值W_Y；第三步利用矢量法则求出W_X和W_Y的合成风速、合成风向。图2和图3展示了算数平均融合算法的风速曲线图和风向误差图。从图中可以看出，算术平均融合后，风速始终位于三条测量曲线中间；风向误差小于误差最大的传感器S₁，但是与表现较好的传感器还有一定差距。分析可知，采用算术平均融合算法，虽然综合了三个传感器的测量值，改善了测量误差相对大的传感器的测量效果，但是由于没有区分测量值的优劣进而倚重更有利的测量信息，因此其融合后的误差仍然较大。

本实施例算法：

试验数据处理包括三个步骤：第一步采用融合算法公式即用公式(1)求出W_1X、W_2X、W_3X的平均值W_X；第二步采用融合算法公式求出W_1Y、W_2Y、W_3Y的平均值W_Y；第三步利用矢量法则求出W_X和W_Y的合成风速、合成风向，即融合值。为了便于分析融合效果，分别绘制风速曲线图和风向误差图进行对比。其中风速直接比大小看趋势较为直观，而风向由于在一、四象限来回波动时不易直接比较，因此将风向与标准值作差并取180°以内的夹角作为误差再进行对比，这里将S₃所测的风向视作标准值，因为其本身精度高，且位于船艏，所处风场更为开阔，船舶航行过程中始终处于迎风状态。

图4和图5展示了动态权值融合算法的风速曲线图和风向误差图。从图中可以看出，动态权值融合后，风速起初趋近于S₁，然后与S₁渐行渐远，逐渐趋近于趋势一致的S₂和S₃；风向误差较算数平均融合算法进一步降低，不仅小于误差最大的传感器S₁，而且小于表现较好的S₂。分析可知，动态权值融合避免了权值均分固定不变的绝对化，每次融合计算之前，把当前时刻各个传感器的加权平均值作为基准值，将传感器的测量值与这个基准值比较，并根据比较结果的优劣算出该传感器参与融合计算的权值，这样准确度高的数据将分配到更多的权重，因此融合精度得到改善。

图6和图7展示了两种融合算法的风速曲线图和风向误差图。从风速曲线图可以看出，算数平均融合算法的风速曲线只是不偏不倚地保持在三条测量曲线之间，而动态权值融合算法的风速曲线则更趋近于数据接近的两条测量曲线。结合实船测量数据分析可知，当实际环境由左舷来风变为右舷来风时，左舷传感器因为船上设备或建筑物的遮挡会有较大偏差，而右舷传感器的风速测量值更为可靠，此时动态权值融合算法由倚重左舷的S₁转为倚重右舷的S₂，显然更为合理。

表2误差数据比较

类别	风向均方根误差(°)
		S1风向测量值	8.9
S2风向测量值	4.0
		S3风向测量值	0
动态权值融合风向	4.6
		算数平均融合风向	2.8

表2列出了传感器S₁、S₂、S₃风向测量值，以及两种算法的风向融合值相对标准值的均方根误差。从表中可以看出，算术平均算法融合后，风向均方根误差为4.6°，动态权值融合后，风向均方根误差为2.8°，较算术平均融合误差减小1.8°。表2的计算结果和图7的风向误差图均表明，动态权值融合算法的风向误差较算数平均融合算法进一步降低。由以上分析可知，动态权值融合算法明显优于算术平均融合算法。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种基于动态权值分配的船舶相对风融合算法，其特征在于，该算法把分布于船舶上不同位置的多个传感器测量值的加权系数分为静态加权因子和动态加权因子两部分，由各观测时刻的测量数据实时计算各个传感器的权值，最终得到k时刻的融合值的计算公式如下：

其中，i代表第i个传感器；

n代表传感器的个数；

w_iS和w_iD分别代表第i个传感器的静态加权因子和动态加权因子，且满足以下条件：

代表第i个传感器在k时刻的测量值。

2.根据权利要求1所述的一种基于动态权值分配的船舶相对风融合算法，其特征在于，所述静态加权因子w_iS与传感器的自身误差成反比，动态加权因子的确定基于参与融合的传感器测量值与参考基准值的偏差，并与这个偏差成反比。

3.根据权利要求2所述的一种基于动态权值分配的船舶相对风融合算法，其特征在于，所述静态加权因子w_iS的计算公式如下：

其中，传感器的自身误差△_i＝[δ₁δ₂…δ_m]^T，δm代表测量值向量在第m维的误差分量，m代表向量的维数；

r为调整系数，

4.根据权利要求2所述的一种基于动态权值分配的船舶相对风融合算法，其特征在于，所述动态加权因子w_iD的计算公式如下：

其中，代表第i个传感器在k时刻的测量值；

r为调整系数，

为当前参考基准值，取系统中参与融合的各传感器测量值的算数平均值作为

5.根据权利要求1所述的一种基于动态权值分配的船舶相对风融合算法，其特征在于，在发现某一个或者某几个传感器存在明显的测量偏差的情况下，其加权系数为0，即w_is+w_iD＝0。