CN110333667A - 一种基于非线性新息辨识模型的船舶运动仿真及控制方法 - Google Patents

一种基于非线性新息辨识模型的船舶运动仿真及控制方法 Download PDF

Info

Publication number
CN110333667A
CN110333667A CN201910751017.3A CN201910751017A CN110333667A CN 110333667 A CN110333667 A CN 110333667A CN 201910751017 A CN201910751017 A CN 201910751017A CN 110333667 A CN110333667 A CN 110333667A
Authority
CN
China
Prior art keywords
ship
function
identified parameters
model
sampling samples
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910751017.3A
Other languages
English (en)
Inventor
张显库
祝慧颖
张国庆
梁才磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201910751017.3A priority Critical patent/CN110333667A/zh
Publication of CN110333667A publication Critical patent/CN110333667A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于非线性新息辨识模型的船舶运动仿真及控制方法，包括：获取少量船舶的实验参数抽样样本；用非线性函数对系统辨识算法的抽样样本进行处理；将所述抽样样本代入处理后的系统辨识算法获得辨识参数；采用所述辨识参数建立船舶模型，并根据所述船舶模型对船舶进行仿真或用于船舶运动控制器设计。本申请通过提高辨识参数的精度提高了船舶仿真和控制系统的精度。辨识模型方法具有更好的普适性，从而实现了船舶模型的快速和准确辨识。

Description

一种基于非线性新息辨识模型的船舶运动仿真及控制方法
技术领域
本发明涉及船舶运动数据处理技术领域，尤其涉及一种基于非线性新息辨识模型的船舶运动仿真及控制方法。
背景技术
近年来，系统辨识理论已被广泛应用于船舶运动数学模型的建立，常用的系统辨识算法主要有最小二乘法、梯度辨识法、辅助模型辨识法等，他们的特点都是利用辨识数据的有用信息(新息)进行系统的参数辨识。多新息辨识是系统辨识的一种重要分支，新息是能够改善参数估计精度或状态估计精度的有用信息。
新船出厂后，只按国际标准做满舵回转实验和部分Z型实验。用此少量的船舶试验数据进行系统辨识研究，获得的船舶运动数学模型的参数，其精度无法满足系统仿真或控制器设计的要求。
发明内容
本发明提供一种基于非线性新息辨识模型的船舶运动仿真及控制方法，以克服上述技术问题。
本发明基于非线性新息辨识模型的船舶运动仿真及控制方法，包括：
获取船舶的实验数据抽样样本；
用非线性函数对系统辨识算法的抽样样本进行处理；
将处理后的所述抽样样本代入处理后的系统辨识算法获得辨识参数；
采用所述辨识参数建立船舶模型，并根据所述船舶模型进行船舶的仿真和控制器设计。
进一步地，所述非线性函数包括：正弦函数、反正切函数、正切函数、双曲正切函数、幂函数、指数函数或者S函数。
进一步地，所述对系统辨识算法的辨识参数用非线性函数进行处理，包括：
根据公式
对系统辨识算法的辨识参数进行处理，其中为k步辨识参数，C为系数矩阵，A为正弦函数幅值，k为第k个样本值，ω为正弦函数角频率，Ud(k+1)为抽样样本，为需要辨识的参数矩阵k+1步值，其中
进一步地，所述将所述抽样样本代入处理后的系统辨识算法获得辨识参数，包括：
采用公式
其中，K为船舶旋回性指数，T为船舶追随性指数，ψ为船舶首向角，α、β为非线性项系数，δ为舵角。
进一步地，所述A的取值范围为0.5-2，所述ω的取值范围为0.5-2。
进一步地，所述系统辨识算法包括：最小二乘法、梯度辨识法或者辅助模型辨识算法。
本申请将多新息辨识算法和非线性反馈控制的思想精髓相结合，通过船舶模型的快速和准确辨识，从而提高辨识参数的精度进而提高了船舶仿真的精度。
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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明基于非线性新息辨识模型的船舶运动仿真及控制方法流程图；
图2是本发明与现有技术最小二乘法结果比对图；
图3是本发明与现有技术最小二乘法结果另一比对图；
图4是本发明与现有技术最小二乘法结果另一比对图；
图5是本发明与现有技术最小二乘法结果另一比对图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明基于非线性新息辨识模型的船舶运动仿真及控制方法流程图，如图1所示，本实施例的方法可以包括：
步骤101、获取船舶的实验数据抽样样本；
具体而言，建立船舶运动仿真模型需要采集大量船舶实验数据作为模型辨识的输入输出值。但是新船在出厂后，一般只按国际标准要求做满舵回转实验和部分Z型实验。该两个实验采集的数据做为船舶模型参数辨识中的少量数据。直接采用该少量数据作为抽样样本获得的船舶运行模型其精度与采用经验公式估算的精度相似。从而无法适用于对船舶运动仿真模型精度要求较高的仿真系统。
步骤102、用非线性函数对系统辨识算法的抽样样本进行处理；
进一步地，所述非线性函数包括：正弦函数、反正切函数、正切函数、双曲正切函数、幂函数、指数函数及S函数。本发明适用于除船舶模型以外的其他数据样本少的参数辨识系统。
本实施例采用常规的最小二乘法(Least square，以下简称LS)，如式(1)所示。
u＝φθ (1)
其中，u为辨识模型的输出，相当于δ，φ＝[φ1 φ2 … φN]＝[r r3]是辨识模型输入数据行向量，且θ＝[θ1 θ2 … θN]T＝[α β]T为辨识参数列向量。将数据集合中的每一个数据对{r(k),r3(k),δ(k)}，k＝1,2,…p分别代入式(1)，得到式(2)。
U＝Φθ (2)
其中，U∈Rp是依据输入数据算出的输出向量；Φ＝[r(k),r3(k)]T∈Rp×2是数据矩阵，且已知目标向量就可应用最小二乘算法辨识出模型参数，其算法可描述为式(3)。
多新息最小二乘法(Muli-innovation Least Square，以下简称MILS)，将最小二乘递推算法中每次递推使用的单新息标量扩展为一定长度的多新息向量，从而在保证辨识精度的前提下提高参数在线辨识的收敛速度，本实施例在其基础上将新息进行非线性处理。
根据公式
对系统辨识算法的辨识参数进行处理，其中为第k步辨识参数，C为系数矩阵，A为正弦函数幅值，k为第k个样本值，ω为正弦函数角频率，其中Ud(k+1)为抽样样本，本实施例为舵角向量，为第k+1步需要辨识的参数矩阵。该抽样样本在梯度辨识算法中为样本误差。进一步地，所述A的取值范围为0.5-2，所述ω的取值范围为0.5-2。A，ω取该范围有利于辨识算法的准确性。
步骤103、将处理后的所述抽样样本代入处理后的系统辨识算法获得辨识参数；
具体而言，本实施例采用公式
其中，K为船舶旋回性指数，T为船舶追随性指数，ψ为船舶首向角，α、β为非线性项系数，δ为舵角。
步骤104、采用所述辨识参数建立船舶模型，并根据所述船舶模型进行船舶的仿真和控制器设计。
具体而言，本实施例以教学实习船“育鲲”轮为仿真对象，利用VB开展计算机仿真实验。表1为“育鲲”轮的船舶参数表。从左满舵到右满船每隔2.5°做一次回转试验，最小舵角为±5°，获得26组仿真数据用于验证辨识算法的准确性。该26组仿真数据为实验中的少量抽样样本。“育鲲”轮的非线性Nomoto模型参数的真值可根据表1给出的参数通过理论计算或其他方法获得，用于验证辨识出的参数是否准确(只α和β参与辨识)。
表1
采用公式
式中K＝0.31,T＝62.38，α＝14.22,β＝22444.52，在模型实验时δ加了幅值为0.1随机数干扰，ψ加了幅值为0.5的随机数干扰。在船舶稳定回转后，公式(6)中的r为常数，为0，公式(6)可以简化为δ＝αr+βr3。
如图2所示，上述实验条件下的实验结果图。其中，曲线1(实线)现有技术最小二乘法的辨识结果为α＝15.94，与真值14.22相比，误差为12.08％；本申请曲线2(虚线)的辨识结果为α＝14.61，与真值相比，误差为2.75％，精度提高了9.33％。如图3所示，其中，曲线1(实线)为现有技术最小二乘法，辨识结果为β＝17220.810，与真值22444.52相比，误差为-23.27％；曲线2(虚线)为非线性新息改进算法，结果为β＝22327.73，与真值相比，误差为-0.52％，提高了22.75％。本申请的平均误差为1.64％，即参数辨识的精度平均为98.36％，系统参数的辨识精度比原最小二乘法平均提高16.0％。
本实例将船舶参数换为另外一艘教学实习船“育鹏”轮的船舶运行参数，“育鹏”轮的模型参数真值为K＝0.21,T＝107.78，α＝13.17,β＝16323.89，其他与“育鲲”轮相同。采用本申请方法进行参数辨识。辨识结果如图4和图5所示，辨识出来的曲线(实线)非线性参数为α＝13.40,β＝16185.52平均误差为1.30％，即结果的精度为98.70％，比现有技术的最小二乘法(虚线)提高了15.5％，与“育鲲”船的参数辨识精度提高了16.0％相近。
通过上述仿真实验，并同已有研究进行对比，可知本发明的有益效果为：
本申请通过采用该少量数据作为抽样样本即可提高船舶运行模型的精度。从而满足了少量数据输入的情况下对船舶运动仿真模型精度要求较高的仿真系统。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.一种基于非线性新息辨识模型的船舶运动仿真及控制方法，其特征在于，包括：
获取船舶的实验数据抽样样本；
用非线性函数对系统辨识算法的抽样样本进行处理；
将处理后的所述抽样样本代入处理后的系统辨识算法获得辨识参数；
采用所述辨识参数建立船舶模型，并根据所述船舶模型进行船舶的仿真和控制器设计。
2.根据权利要求1所述的方法，其特征在于，所述非线性函数包括：正弦函数、反正切函数、正切函数、双曲正切函数、幂函数、指数函数或者S函数。
3.根据权利要求2所述的方法，其特征在于，所述对系统辨识算法的辨识参数用非线性函数进行处理，包括：
根据公式
对系统辨识算法的辨识参数进行处理，其中为k步辨识参数，C为系数矩阵，A为正弦函数幅值，k为第k个样本值，ω为正弦函数角频率，Ud(k+1)为抽样样本，为需要辨识的参数矩阵k+1步值，其中
4.根据权利要求3所述的方法，其特征在于，所述将所述抽样样本代入处理后的系统辨识算法获得辨识参数，包括：
采用公式
其中，K为船舶旋回性指数，T为船舶追随性指数，ψ为船舶首向角，α、β为非线性项系数，δ为舵角。
5.根据权利要求1所述的方法，其特征在于，所述A的取值范围为0.5-2，所述ω的取值范围为0.5-2。
6.根据权利要求1所述的方法，其特征在于，所述系统辨识算法包括：最小二乘法、梯度辨识法或者辅助模型辨识算法。
CN201910751017.3A 2019-08-14 2019-08-14 一种基于非线性新息辨识模型的船舶运动仿真及控制方法 Pending CN110333667A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910751017.3A CN110333667A (zh) 2019-08-14 2019-08-14 一种基于非线性新息辨识模型的船舶运动仿真及控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910751017.3A CN110333667A (zh) 2019-08-14 2019-08-14 一种基于非线性新息辨识模型的船舶运动仿真及控制方法

Publications (1)

Publication Number Publication Date
CN110333667A true CN110333667A (zh) 2019-10-15

Family

ID=68149624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910751017.3A Pending CN110333667A (zh) 2019-08-14 2019-08-14 一种基于非线性新息辨识模型的船舶运动仿真及控制方法

Country Status (1)

Country Link
CN (1) CN110333667A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111611745A (zh) * 2020-05-19 2020-09-01 大连海事大学 基于差分进化算法的无人船模型参数辨识方法及系统
CN112685974A (zh) * 2020-12-31 2021-04-20 哈尔滨工程大学 一种基于cfd的船舶参数辨识方法
CN113536463A (zh) * 2021-07-20 2021-10-22 大连海事大学 一种基于改进梯度下降法的神经网络船舶整体模型逼近方法
CN113703454A (zh) * 2021-08-26 2021-11-26 大连海事大学 一种基于四自由度的无人船动力参数实时辨识方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101587328A (zh) * 2008-05-23 2009-11-25 朱豫才 非线性过程动态模型辨识装置
CN103064282A (zh) * 2012-05-04 2013-04-24 浙江大学 非线性参数变化模型辨识方法（npv）
CN105425587A (zh) * 2015-11-16 2016-03-23 北京理工大学 迟滞非线性电机辨识与控制方法
CN107065575A (zh) * 2017-06-09 2017-08-18 武汉理工大学 基于人工蜂群算法的无人艇航向控制模型的参数辨识方法
CN107144793A (zh) * 2017-05-03 2017-09-08 山东大学 一种动力电池的分数阶KiBaM模型参数辨识方法及系统
JP2017178052A (ja) * 2016-03-30 2017-10-05 東京計器株式会社 船舶用自動操舵装置
CN107727088A (zh) * 2017-10-13 2018-02-23 河南工业大学 一种基于非线性自适应控制的全主动磁轴承系统惯性轴辨识方法
CN108846207A (zh) * 2018-06-15 2018-11-20 哈尔滨工程大学 一种基于非线性模型辨识的船舶运动预报装置及其预报方法
CN109194225A (zh) * 2018-09-30 2019-01-11 江南大学 一种双馈电机参数在线辨识方法
CN109271652A (zh) * 2018-07-12 2019-01-25 哈尔滨工程大学 基于多目标进化算法的船舶横向三自由度运动参数辨识方法
CN110032068A (zh) * 2019-04-02 2019-07-19 杭州国辰正域科技有限公司 一种在线的船舶运动姿态预报方法与系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101587328A (zh) * 2008-05-23 2009-11-25 朱豫才 非线性过程动态模型辨识装置
CN103064282A (zh) * 2012-05-04 2013-04-24 浙江大学 非线性参数变化模型辨识方法（npv）
CN105425587A (zh) * 2015-11-16 2016-03-23 北京理工大学 迟滞非线性电机辨识与控制方法
JP2017178052A (ja) * 2016-03-30 2017-10-05 東京計器株式会社 船舶用自動操舵装置
CN107144793A (zh) * 2017-05-03 2017-09-08 山东大学 一种动力电池的分数阶KiBaM模型参数辨识方法及系统
CN107065575A (zh) * 2017-06-09 2017-08-18 武汉理工大学 基于人工蜂群算法的无人艇航向控制模型的参数辨识方法
CN107727088A (zh) * 2017-10-13 2018-02-23 河南工业大学 一种基于非线性自适应控制的全主动磁轴承系统惯性轴辨识方法
CN108846207A (zh) * 2018-06-15 2018-11-20 哈尔滨工程大学 一种基于非线性模型辨识的船舶运动预报装置及其预报方法
CN109271652A (zh) * 2018-07-12 2019-01-25 哈尔滨工程大学 基于多目标进化算法的船舶横向三自由度运动参数辨识方法
CN109194225A (zh) * 2018-09-30 2019-01-11 江南大学 一种双馈电机参数在线辨识方法
CN110032068A (zh) * 2019-04-02 2019-07-19 杭州国辰正域科技有限公司 一种在线的船舶运动姿态预报方法与系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIANKU ZHANG: "Design of ship course-keeping autopilot using a sine function-based nonlinear feedback technique", 《THE JOURNAL OF NAVIGATION》 *
丁锋: "信号建模(3)_多频信号模型的递推参数估计", 《青岛科技大学学报（自然科学版）》 *
马超: "基于指数函数非线性反馈的船舶航向保持控制", 《船舶工程》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111611745A (zh) * 2020-05-19 2020-09-01 大连海事大学 基于差分进化算法的无人船模型参数辨识方法及系统
CN111611745B (zh) * 2020-05-19 2022-10-04 大连海事大学 基于差分进化算法的无人船模型参数辨识方法及系统
CN112685974A (zh) * 2020-12-31 2021-04-20 哈尔滨工程大学 一种基于cfd的船舶参数辨识方法
CN113536463A (zh) * 2021-07-20 2021-10-22 大连海事大学 一种基于改进梯度下降法的神经网络船舶整体模型逼近方法
CN113536463B (zh) * 2021-07-20 2024-04-02 大连海事大学 一种基于改进梯度下降法的神经网络船舶整体模型逼近方法
CN113703454A (zh) * 2021-08-26 2021-11-26 大连海事大学 一种基于四自由度的无人船动力参数实时辨识方法
CN113703454B (zh) * 2021-08-26 2024-05-07 大连海事大学 一种基于四自由度的无人船动力参数实时辨识方法

Similar Documents

Publication Publication Date Title
CN110333667A (zh) 一种基于非线性新息辨识模型的船舶运动仿真及控制方法
CN107561503B (zh) 一种基于多重渐消因子的自适应目标跟踪滤波方法
CN104567871B (zh) 一种基于地磁梯度张量的四元数卡尔曼滤波姿态估计方法
CN107728138B (zh) 一种基于当前统计模型的机动目标跟踪方法
CN102645649A (zh) 基于雷达目标距离像时频特征提取的雷达目标识别方法
CN112668104B (zh) 一种高超声速飞行器气动参数在线辨识方法
CN110865334B (zh) 一种基于噪声统计特性的多传感器目标跟踪方法及系统
CN104978582B (zh) 基于轮廓弦角特征的遮挡目标识别方法
CN109583485A (zh) 一种基于反馈训练的有监督深度学习方法
CN111815681A (zh) 基于深度学习和判别式模型训练的目标跟踪方法及存储器
CN108845303B (zh) 一种非线性稳健子空间真假目标特征提取方法
CN105354594B (zh) 一种针对欠定盲源分离的混合矩阵估计方法
CN107976296A (zh) 一种基于回溯自适应算法的飞行器气动特性在线辨识方法
CN109799513B (zh) 一种基于二维激光雷达数据中直线特征的室内未知环境定位方法
CN112651173B (zh) 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统
CN105046072B (zh) 基于压缩感知理论的二维到达角估计方法
CN110288026A (zh) 一种基于度量关系图学习的图像分割方法及装置
CN111914471B (zh) 一种基于快速核独立成分分析的精馏塔故障检测方法
CN106485739B (zh) 一种基于l2距离的点集配准方法
CN108985315A (zh) 一种距离映射模式分类方法
CN106599391B (zh) 基于三角形角度值动态加权的关联向量机软测量建模方法
CN108592860A (zh) 用于机载光电观瞄系统基轴对准操作后的瞄准线输出角度计算方法
CN116437290A (zh) 一种基于csi指纹定位的模型融合方法
CN108319806A (zh) 一种机动弹道间空域冲突检测方法
CN110441748A (zh) 一种基于幅度信息的α-β滤波方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191015

WD01 Invention patent application deemed withdrawn after publication