CN111413886B - 一种基于系统辨识的实船操纵性指数辨识方法及装置 - Google Patents

Abstract

本发明公开一种基于系统辨识的实船操纵性指数辨识方法及装置，属于船舶工程、航海科学与技术领域，包括硬件系统和软件系统两部分组成，其辨识方法步骤包括实船输入输出数据采集、数据处理、启动辨识与结果输出。本发明采用并联形式采集数据，并对系统模型公式进行优化减少响应时间、抗干扰能力强、可获得更加精确稳定的结果，而模块化封装设计使结构与流程清晰明了，可用于船舶运动建模、校核，完成了从理论到实际应用的转化，使船舶运动建模步骤简化、效率更高、数据采集更加准确迅速，同时减少了大量繁琐的人工操作方式方法，大大降低人力成本及时间成本，减少出错率，并能够实现人机交互、适合各种海况、操作便捷、普及性高。

Description

一种基于系统辨识的实船操纵性指数辨识方法及装置

技术领域

本发明属于船舶工程、航海科学与技术领域，具体涉及一种基于系统辨识的实船操纵性指数辨识方法及装置。

背景技术

船舶操纵运动数学模型具有广泛的使用需求和技术标准，为推进船舶运动模型、船舶运动建模技术的研究与发展，以满足理论需要和工程需要，对船舶运动建模工作任务、工作内容、工作质量、工作效率与技术手段等提出了要求。在实际工作中发现，专门针对船舶运动建模与分析的自动化、智能化技术和应用系统较少，船舶运动建模步骤繁琐、效率较低且不能很好的适应多样化海况。建模与参数辨识的算法多是在理论层面的应用，未形成方便实用的应用系统，使得船舶运动建模、校核缺乏操作便捷的工具，工作中仍需大量人工操作，存在任务多、环节多、效率低的现象。本发明为解决上述问题提出一种基于系统辨识的实船操纵性指数辨识方法及装置，其集软件与硬件于一体，对满足船舶操纵性预报、船舶运动自动控制系统优化以及航海或海事仿真系统的建设等具有重要作用。

发明内容

本发明的目的在于提供一种基于系统辨识的实船操纵性指数辨识方法及装置，可用于船舶运动建模、校核，解决了船舶运动建模与分析的自动化、智能化技术和应用系统较少的情况，并对系统模型公式进行优化减少响应时间、抗干扰能力强、可获得更加精确稳定的结果；采用并联形式获取实船操纵运动输入输出数据，处理功能综合模块化设计、封装复杂算法、结构与流程清晰、人工交互便于操作，简化船舶运动建模步骤、操作便捷、效率更高、适合各种海况，同时解决了大量繁琐的人工操作方式，减少出错率，大大降低人力及时间成本。

本发明为实现上述目的所采取的技术方案为：一种基于系统辨识的实船操纵性指数辨识的方法包括如下步骤：

步骤一：实船输入输出数据采集

数据采集系统基于与实船并联的传感器设备自动对实船运动状态数据进行采集并存储于上位机存储器。

步骤二：数据处理

上位机处理器对步骤一存储数据进行预处理，处理数据作为上位机软件系统辨识的输出数据；系统根据运动模型类别确定船舶操纵待辨识参数；并采用蝙蝠算法进行参数辨识，待辨识参数的目标函数J为：

式中，ω_k为误差扰动权重系数，k为观测时刻，n为观测样本数量，ψ_O为观测的系统输出，

为使用辨识所得参数的模型输出。

步骤三：启动辨识及结果输出

对步骤二系统进行初始设置及辨识过程控制，使辨识过程及结果可视化并保存于上位机存储器中，远程发送相关数据控制实船操纵状态。

该方法采用新公式确定误差准则和参数辨识结果，使所得辨识结果响应时间大大缩短，快速达到稳定状态，且采用该新公式与传统最小二乘原理所得结果相比抗干扰能力强、相对更加精确稳定，有利于船舶实时控制。

作为优选，步骤一定义并使用如下两个坐标系：

惯性坐标系即固定坐标系：指满足牛顿二定律的坐标系，任意选定固定在地球表面的点O₀(通常在t＝0时选船舶重心G所在位置)为坐标原点，静水面内任意O₀X₀为X轴(通常为船舶总的运动方向)，X轴一经选定相对于地球是固定的。O₀Y₀轴选择为在静水表面内从O₀X₀轴方向顺时针旋转90°的方向。O₀Z₀轴垂直于静水表面，以指向地心为正。该定义的坐标系构成一个固定于地球表面的右旋直角坐标系。

附体坐标系：取船体上一点O为坐标原点(通常可以取在船舶重心G处)，一经取定，它相对于船舶是固定的，随船一起在空间运动。OX轴取为垂直于船舶中横剖面，以指向船首为正。OY轴取为垂直于中纵剖面，以指向右舷为正。OZ轴取为垂直于水线面，以指向龙骨为正。该定义的坐标系构成一个右旋的直角坐标系统，其正方向服从右手定则。

参考刚体动力学原理，船舶具有6个自由度的运动。在附体坐标系内考察，这种运动包括跟随3个附体坐标轴的移动及围绕3个附体坐标轴的转动，前者以前进速度u、横漂速度v、起伏速度w表述，后者以艏摇角速度r、横摇角速度p及纵摇角速度q表述；在惯性坐标系内考察，船舶运动可以用它的3个空间位置x₀,y₀,z₀(或3个空间运动速度

)和3个姿态角即方位角、横倾角、纵倾角(或3个角速度/>

)来描述，/>

称为欧拉角。以上定义的运动参数，均以指向坐标轴正向为正。

设定实船在一定水域、气象、水文等客观环境下，上位机系统基于行业实验操作规范产生或基于M序列格式产生操纵指令激励实船进行操纵试验，并输出实船的状态数据。通过对船舶施加多样化操纵输入信号激励试验船舶，以充分展示动态系统的特征，使辨识结果具有较好的泛化能力。实验时，数据采集系统基于与实船并联的传感器设备自动进行实船运动系统数据采集并存储于上位机存储器中，需要采集的数据包括船舶运动时附体坐标系下的转动角度、角速度和固定坐标系下的位置、速度以及风、浪、流等环境因素指标。

作为优选，步骤二中预处理包括离散采样和优化处理，其优化处理方式如下：

1)异常数据替换

对采样点异常数据采用移动平均方式对其予以替换，公式为：

式中，k表示当前采样时刻，单位为秒；i表示距离当前采用时刻的时间长度，单位为秒。

2)插值补全

对间隔不均匀时的数据，采用三次样条插值对其进行补全，将离散数据转为连续数据。

3)等间隔截取

对某段时间内的采样取固定时间间隔△t对该段时间内的连续数据进行采样，将等间隔采样后的数据用于系统辨识。等间隔截取数据的方式分别为：

航向方面，对以高频率采集的船舶航向，将ψ(t)、ψ(t+△t)作为辨识所采用的输出数据；位置方面，对以高频率采集的船舶位置，将

作为辨识所采用的输出数据。其中：ψ(t)为t时刻航向；p_s(t)为t时刻相对于水所产生的位移。

4)坐标转换

坐标转换的方式为：

p₀(t+△t)＝p_s(t+△t)+V_c(t)△t

其中：

式中，V_c为航道流速，ψ_c为航道流向。航道流向指自固定坐标系下正北方向顺时针旋转至水流方向的角度，考虑航道水流以均匀流。计算得p_s(t)、p_s(t+△t)。

预处理后的船舶数据可直接作为上位机软件系统辨识所采用的输出数据，以便获得稳定的数据来源，并通过多方式综合或单独作用，自主筛选完成数据库获得更加可靠的数据，减少异常处理时间及对准确度的影响，且经坐标转换后的数据更加直观、简洁易懂。

作为优选，步骤二3)中等间隔截取数据的方式中设定水流为均匀流，船舶对地位移分解为对水位移和水流作用产生位移之和。

作为优选，步骤二中，运动模型类别采用以下四种响应型模型结构：

一阶线性响应型模型：

一阶非线性响应型模型：

二阶线性响应型模型：

二阶非线性响应型模型：

四种模型中，K、T为船舶操纵性指数，T还包括T₁、T₂、T₃；r为船舶转艏角速度，

ψ为航向角；δ为当前实际舵角；α为非线性项系数。K、T、α即为待辨识参数。

响应型船舶操纵运动模型用来描述船舶的操纵运动状态，船舶操纵性指数是响应型船舶操纵运动数学模型中的主要参数，在忽略横漂速度后以船舶动态的主要脉络为主，所获的微分方程仍可保留非线性影响因素，且可以把风浪干扰作用折合成为一种干扰舵角构成一种输入信号与实际舵角一道进入船舶模型，便于输出准确数据。该模型结构综合了线性与非线性响应模型，可进行适应性选择对其参数进行变换处理，并结合步骤二经优化后的误差准则进行快速辨识，基于辨识结果快速响应进行船舶航向控制、适合各种海况。

作为优选，步骤二中，蝙蝠算法基于最小二乘原理的误差准则进行参数辨识，将参数辨识问题转化为目标函数J优化问题。基于新的误差准则进行快速准确辨识，所得辨识结果响应时间短，能够快速达到稳定状态，且采用新公式所得结果抗干扰能力强、相对更加精确稳定，有利于实时控制。

作为优选，步骤二中误差准则采用观测时刻的差值系数乘以多次采样数据权重系数与最小化输出误差平方和乘积的和，对其进一步优化减少误差扰动，最小化输出误差平方和即最小化航向误差平方和，误差准则公式如下：

式中，ω_k为误差扰动权重系数，k为观测时刻，n为观测样本数量，ψ_O为观测的系统输出，

为使用辨识所得参数的模型输出。基于步骤二经优化后的误差准则进行快速准确辨识并输出辨识结果，所得辨识结果响应时间大大缩短，能够快速达到稳定状态，且采用该新公式与传统最小二乘原理所得结果相比抗干扰能力强、相对更加精确稳定，有利于船舶实时控制。

作为优选，步骤二中蝙蝠算法将目标函数J最优时所对应的参数值作为参数的辨识值，得到合理的辨识值。蝙蝠算法控制参数包括种群规模即蝙蝠数量NP、搜索脉冲频率范围[F_min F_max]、脉冲响度范围[A_min A_max]、脉冲响度衰减系数α、脉冲发射频度范围[r_minr_max]、脉冲发射频度增强系数γ、搜索空间维数即自变量个数D。

作为优选，误差扰动权重系数ω_k(k＝1…n)为步骤二3)多个采样时间段内的间隔采样点数据航向误差平方和计算权重，对总体进行权重分配计算减小误差值。

作为优选，步骤三包括辨识过程及结果的可视化与保存，相关数据远程发送，具体涉及以下过程：

1)辨识条件：数据、模型类及待辨识参数、误差准则、辨识算法设置保存。

2)辨识过程：参数辨识过程的显示与保存；辨识过程控制，包括启动、暂停及终止。

3)辨识结果：参数辨识结果、模型输出与观测输出对比、模型拟合优度检验统计指标、模型误差相关性检验统计指标的显示与保存。

4)生成文档：辨识过程及结果生成文档并保存于上位机存储器。

本发明还涉及一种基于系统辨识的实船操纵性指数辨识的装置，用于实现上述方法，包括硬件系统和软件系统，硬件系统包括传感器、主控单元、电源及数据收发单元；软件系统包括数据采集及处理与优化、模型类及参数、误差准则、辨识算法、输出、显示与保存。该装置进行模块化设计、可实现人机交互、使用难度低。

作为优选，传感器设备包括风或浪或流观测器、六自由度姿态传感器、GPS及高清摄像机。传感器设备以中国国家法定计量单位自动对船舶运动系统输入输出数据进行采集和存储，能够采集多种数据形成较为完善的指标因素集并进行实时响应，考虑综合条件使所得结果更具有保证和参考指示意义。

与现有技术相比，本发明的有益效果为：采用一种基于系统辨识的实船操纵性指数辨识方法及装置，该装置包括硬件系统和软件系统两部分组成，其辨识方法步骤包括实船输入输出数据采集、数据处理、启动辨识与结果输出。本发明采用并联的形式来获取实船操纵运动输入输出数据，对运动建模与参数估计的软件功能进行模块化设计、封装复杂算法、结构与流程简单清晰，通过对系统模型公式进行优化减少响应时间、抗干扰能力强、可获得更加精确稳定的结果，用于船舶运动建模、校核。解决了船舶运动建模与分析的自动化、智能化技术和应用系统较少的情况，并完成从理论到实际应用的转化，使船舶运动建模步骤简化、操作便捷、效率更高、数据更加准确并能进行实时响应控制、适合各种海况，同时人机交互式设计解决了大量繁琐的人工操作方式，大大降低人力及时间成本，减少出错率。

附图说明

图1为本发明的船舶运动坐标系及运动参数定义图；

图2为本发明的辨识方法步骤图；

图3为本发明的基于行业实验操作规范进行操纵试验的方案流程图；

图4为本发明的基于M序列进行操纵试验的方案流程图；

图5为本发明的数据采集系统组成、数据传输与存储流程流程图；

图6为本发明的数据采集系统工作界面图；

图7为本发明的旋回实验数据处理图；

图8为本发明的软件系统登录界面；

图9为本发明的软件系统操作界面图；

图10为本发明的硬件系统组成关系图；

图11为本发明的软件系统组成关系图；

图12为本发明的总体操作方案流程图。

具体实施方式

以下结合实施例和附图对本发明作进一步详细描述：

实施例1：

如图1-9所示，本发明的一种基于系统辨识的实船操纵性指数辨识的方法包括如下步骤：

步骤一：实船输入输出数据采集

数据采集系统基于与实船并联的传感器设备自动对实船运动状态数据进行采集并存储于上位机存储器。

步骤二：数据处理

上位机处理器对步骤一存储数据进行预处理，处理数据作为上位机软件系统辨识的输出数据；系统根据运动模型类别确定船舶操纵待辨识参数；并采用蝙蝠算法进行参数辨识，待辨识参数的目标函数J为：

式中，ω_k为误差扰动权重系数，k为观测时刻，n为观测样本数量，ψ_O为观测的系统输出，

为使用辨识所得参数的模型输出。

步骤三：启动辨识及结果输出

对步骤二系统进行初始设置及辨识过程控制，使辨识过程及结果可视化并保存于上位机存储器中，远程发送相关数据控制实船操纵状态。

该方法采用新公式确定误差准则和参数辨识结果，使所得辨识结果响应时间大大缩短，快速达到稳定状态，且采用该新公式与传统最小二乘原理所得结果相比抗干扰能力强、相对更加精确稳定，有利于船舶实时控制。

步骤一定义并使用如下两个坐标系：

惯性坐标系即固定坐标系：指满足牛顿二定律的坐标系，任意选定固定在地球表面的点O₀(通常在t＝0时选船舶重心G所在位置)为坐标原点，静水面内任意O₀X₀为X轴(通常为船舶总的运动方向)，X轴一经选定相对于地球是固定的。O₀Y₀轴选择为在静水表面内从O₀X₀轴方向顺时针旋转90°的方向。O₀Z₀轴垂直于静水表面，以指向地心为正。该定义的坐标系构成一个固定于地球表面的右旋直角坐标系。

附体坐标系：取船体上一点O为坐标原点(通常可以取在船舶重心G处)，一经取定，它相对于船舶是固定的，随船一起在空间运动。OX轴取为垂直于船舶中横剖面，以指向船首为正。OY轴取为垂直于中纵剖面，以指向右舷为正。OZ轴取为垂直于水线面，以指向龙骨为正。该定义的坐标系构成一个右旋的直角坐标系统，其正方向服从右手定则。

参考刚体动力学原理，船舶具有6个自由度的运动。在附体坐标系内考察，这种运动包括跟随3个附体坐标轴的移动及围绕3个附体坐标轴的转动，前者以前进速度u、横漂速度v、起伏速度w表述，后者以艏摇角速度r、横摇角速度p及纵摇角速度q表述；在惯性坐标系内考察，船舶运动可以用它的3个空间位置x₀,y₀,z₀(或3个空间运动速度

)和3个姿态角即方位角、横倾角、纵倾角(或3个角速度/>

)来描述，/>

称为欧拉角。以上定义的运动参数，均以指向坐标轴正向为正。船舶运动坐标系及运动参数定义如图1所示。

设定实船在一定水域、气象、水文等客观环境下，上位机系统基于行业实验操作规范产生或基于M序列格式产生操纵指令激励实船进行操纵试验，并输出实船的状态数据。通过对船舶施加多样化操纵输入信号激励试验船舶，以充分展示动态系统的特征，使辨识结果具有较好的泛化能力。操作方式选择如下：

1)基于行业实验操作规范产生激励

基于行业实验操作规范操纵船舶开展实验的类型有旋回实验、Z型实验、螺旋实验、停车实验。基于行业实验操作规范进行操纵试验的具体方案见图3；

2)基于M序列产生激励

基于M序列进行操纵试验的方案见图4。

在进行实船操纵实验时，数据采集系统基于与实船并联的传感器设备自动对步骤一实船运动系统数据进行采集并存储于上位机存储器中，需要采集的数据包括船舶运动时附体坐标系下的转动角度、角速度和固定坐标系下的位置、速度以及风、浪、流环境因素指标，并以中国国家法定计量单位自动对船舶运动系统输入输出数据进行采集和存储。数据采集设备系统组成、数据传输与存储流程如图5所示，数据采集系统工作界面如图6所示。

在每一个采样点，数据采集系统自动记录O₀-X₀Y₀Z₀坐标系下的船舶位置、船舶速度、在O-XYZ坐标系下的船舶运动姿态角度和运动姿态角速度等。其中，每一个采样点都用一个ID来标识。数据采集与处理系统记录数据的格式见表1。

表1数据采集与处理系统记录数据的格式

步骤二中预处理包括离散采样和优化处理，其优化处理方式如下：

1)异常数据替换

对采样点异常数据采用移动平均方式对其予以替换，公式为：

式中，k表示当前采样时刻，单位为秒；i表示距离当前采用时刻的时间长度，单位为秒。

2)插值补全

对间隔不均匀时的数据，采用三次样条插值对其进行补全，将离散数据转为连续数据。

3)等间隔截取

对某段时间内的采样取固定时间间隔△t对该段时间内的连续数据进行采样，将等间隔采样后的数据用于系统辨识。等间隔截取数据的方式分别为：

航向方面，对以高频率采集的船舶航向，将ψ(t)、ψ(t+△t)作为辨识所采用的输出数据；位置方面，对以高频率采集的船舶位置，将

作为辨识所采用的输出数据。其中，ψ(t)为t时刻航向；p_s(t)为t时刻相对于水所产生的位移。

4)坐标转换

坐标转换的方式为：

p₀(t+△t)＝p_s(t+△t)+V_c(t)△t

其中：

式中，V_c为航道流速，ψ_c为航道流向。航道流向指自固定坐标系下正北方向顺时针旋转至水流方向的角度，考虑航道水流以均匀流。计算得p_s(t)、p_s(t+△t)。

预处理后的船舶数据可直接作为上位机软件系统辨识所采用的输出数据，以便获得稳定的数据来源，并通过多方式综合或单独作用，自主筛选完成数据库获得更加可靠的数据，减少异常处理时间及对准确度的影响，且经坐标转换后的数据更加直观、简洁易操作。

步骤二3)中等间隔截取数据的方式中设定水流为均匀流，船舶对地位移分解为对水位移和水流作用产生位移之和。

步骤二中，运动模型类别采用以下四种响应型模型结构：

一阶线性响应型模型：

一阶非线性响应型模型：

二阶线性响应型模型：

二阶非线性响应型模型：

四种模型中，K、T为船舶操纵性指数，T还包括T₁、T₂、T₃；r为船舶转艏角速度，

ψ为航向角；δ为当前实际舵角；α为非线性项系数。K、T、α即为待辨识参数。

响应型船舶操纵运动模型用来描述船舶的操纵运动状态，船舶操纵性指数是响应型船舶操纵运动数学模型中的主要参数，在忽略横漂速度后以船舶动态的主要脉络为主，所获的微分方程仍可保留非线性影响因素，且可以把风浪干扰作用折合成为一种干扰舵角构成一种输入信号与实际舵角一道进入船舶模型，便于输出准确数据。该模型结构综合了线性与非线性响应模型，可进行适应性选择对其参数进行变换处理，并结合步骤二经优化后的误差准则进行快速辨识，基于辨识结果快速响应进行船舶航向控制、适合各种海况。

步骤二中，蝙蝠算法基于最小二乘原理的误差准则进行参数辨识，将参数辨识问题转化为目标函数J优化问题。基于新的误差准则进行快速准确辨识，所得辨识结果响应时间短，能够快速达到稳定状态，且采用新公式所得结果抗干扰能力强、相对更加精确稳定，有利于实时控制。

步骤二中误差准则采用观测时刻的差值系数乘以多次采样数据权重系数与最小化输出误差平方和乘积的和，对其进一步优化减少误差扰动，最小化输出误差平方和即最小化航向误差平方和，误差准则公式如下：

式中，ω_k为误差扰动权重系数，k为观测时刻，n为观测样本数量，ψ_O为观测的系统输出，

为使用辨识所得参数的模型输出。基于步骤二经优化后的误差准则进行快速准确辨识并输出辨识结果，所得辨识结果响应时间大大缩短，能够快速达到稳定状态，且采用该新公式与传统最小二乘原理所得结果相比抗干扰能力强、相对更加精确稳定，有利于船舶实时控制，图7所示为360°旋回实验数据曲线图，优化后的曲线比优化前响应更快，曲线更接近于直线，所得数据更加准确稳定。

步骤二中蝙蝠算法将目标函数J最优时所对应的参数值作为参数的辨识值，得到合理的辨识值。以下采用多维目标函数的优化为例阐述蝙蝠算法数学模型和执行步骤，设多维目标函数f(x)，优化目标为寻找该函数的最小值，待优化的控制向量为X＝(x₁ x₂ x₃… x_D)，其中，D为待优化的控制向量的维数。此时，执行蝙蝠算法对该目标函数进行优化的数学模型、算法实施过程步骤如下。

步骤6.1算法参数设置

使用蝙蝠算法时需设定的参数有：种群规模即蝙蝠数量NP、搜索脉冲频率范围[F_min F_max]、脉冲响度范围[A_min A_max]、脉冲响度衰减系数α、脉冲发射频度范围[r_min r_max]、脉冲发射频度增强系数γ、搜索空间维数即自变量个数D、搜索精度e或最大迭代次数I_max。

步骤6.2解的初始化

随机初始化每个蝙蝠的位置x_i；计算各个蝙蝠的适应度，然后根据适应度的优劣，将适应度最高的蝙蝠的位置作为当前的最优解x_*。

步骤6.3进入主循环，最优解更新

若算法执行过程中未满足设定的最优解条件，或者未达到设置的最大迭代次数，则对种群中蝙蝠进行最优解更新，过程如下：

1)整个蝙蝠种群在进化即开展搜索的过程中，每下一个时刻时的蝙蝠搜索脉冲频率、蝙蝠飞行速度和蝙蝠所在位置按下式进行更新：

F_i＝F_min+(F_max-F_min)β

式中：β∈[0 1]，是一个随机变量；F_i是第i只蝙蝠的搜索脉冲频率，F_i∈[F_minF_max]；F_min表示声波频率的最小值、F_max表示声波频率的最大值；

分别表示第i只蝙蝠在t+1和t时刻的速度；/>

分别表示第i只蝙蝠在t+1和t时刻的位置；x_*表示目前为止所有蝙蝠的最优位置即最优解。

2)生成一个均匀分布随机数η，其中η∈[0 1]。根据条件，如果η>R(i)成立，则按下式对当前最优解进行随机扰动，产生一个新的解，并对新的解进行越界处理。如果η>R(i)不成立，则保持为步骤6.3中1)的更新。

x_new＝x_*+εAV^t

其中，AV^t表示当前蝙蝠种群脉冲响度的平均值响度均值；ε为属于[-1 1]的D维随机向量。

3)根据目标函数值判断是否接受新解：如果f(x_new)<f(x_i)，则接受该新解。这可以被理解成局部搜索，即在选择的解临近区域产生一个新解。

4)针对步骤6.3的1)中产生的新解，生成均匀分布随机数λ，λ∈[0 1]，按照表达式λ>A(i)且f(x_new)<f(x_i)的真假来判断是否接受该新解。如果λ>A(i)且f(x_new)<f(x_i)，则接受产生的新解。

5)按下式对蝙蝠发射脉冲的频度R(i)和响度A(i)进行更新：

A^t+1(i)＝αA^t(i)

R^t+1(i)＝R⁰(i)×[1-e^-γt]

其中：α为脉冲响度的衰减系数，0<α<1；γ为发射脉冲的频度的增强系数，γ>0。α、γ均为常量。

按该式更新后，对发射脉冲的频度R(i)和脉冲响度A(i)进行越界处理。即判断R(i)和A(i)是否越界，对越界的，采用以下两式进行校正：

蝙蝠发射脉冲的频度R(i)和脉冲响度A(i)的更新要随着迭代的进行而进行。通常，在不断靠近最优解时，响度会逐渐降低，脉冲发射的速率会逐渐提高，A(i)＝0时表明第i只蝙蝠正好搜索到一个最优解，不再发出探测信号。

步骤6.4达到设定的条件，循环结束，根据蝙蝠适应度的排序，输出目标函数J的全局最优值和最优解，并将目标函数J最优时所对应的参数值为参数的辨识值。

基于误差准则，使用蝙蝠算法进行辨识时，目标函数J为待辨识参数的函数，公式如下：

式中，ω_k为误差扰动权重系数，k为观测时刻，n为观测样本数量，ψ_O为观测的系统输出，

为使用辨识所得参数的模型输出。

误差扰动权重系数ω_k(k＝1…n)为步骤二3)多个采样时间段内的间隔采样点数据航向误差平方和计算权重，用于对总体进行权重分配计算减小误差值，基于步骤二经优化后的误差准则进行快速准确辨识并输出辨识结果。

步骤三包括辨识过程及结果的可视化与保存，相关数据远程发送，具体涉及以下过程：

1)辨识条件：数据、模型类及待辨识参数、误差准则、辨识算法设置保存。

2)辨识过程：参数辨识过程的显示与保存；辨识过程控制，包括启动、暂停及终止。

3)辨识结果：参数辨识结果、模型输出与观测输出对比、模型拟合优度检验统计指标、模型误差相关性检验统计指标的显示与保存。

4)生成文档：辨识过程及结果生成文档并保存于上位机存储器。

如图10-11所示，一种基于系统辨识的实船操纵性指数辨识的装置，用于实现上述方法，包括硬件系统和软件系统，硬件系统包括传感器、主控单元、电源及数据收发单元，如图10所示；软件系统包括数据采集及处理与优化、模型类及参数、误差准则、辨识算法、输出、显示与保存，如图11所示。该装置进行模块化设计、可实现人机交互、使用难度低。

传感器设备包括风或浪或流观测器、六自由度姿态传感器、GPS及高清摄像机。传感器设备以中国国家法定计量单位自动对船舶运动系统输入输出数据进行采集和存储，能够采集多种数据形成较为完善的指标因素集并进行实时响应，考虑综合条件使所得结果更具有保证和参考指示意义。

硬件部分的主要功能包括：

1)对外界扰动信号采集：采用风速风向仪、流速流向仪，获取外界环境扰动的数字化输入信号；

2)船舶操纵控制输入信号采集：使用高清摄像头，安放于驾驶台车、舵位置，对车、舵仪表拍摄照片、视频；使用图像识别技术，从拍摄的图像中提取得到操车、操舵等数字化的操纵控制输入信号；

3)船舶位置、速度信号采集：采用高精度卫星导航设备进行测量，获取船舶运动位置、速度等数字化的状态输出信号；

4)船舶运动姿态角度、角速度信号采集：采用惯性导航系统的姿态传感器来感知船舶位置、速度、船舶运动姿态角度、角速度。

软件部分的主要功能包括：

1)数据采集及处理与优化：实现数据采集；采用数据异常检测替换、数据拟合曲线、时刻对准与数据采样间隔一致化对原始数据进行优化处理；

2)模型类：模型结构及辨识参数设置；

3)误差准则：采用优化后的最小化输出误差平方和作为误差准则；

4)辨识算法：基于最优化问题的求解，参数估计使用蝙蝠算法进行计算；

5)辨识过程控制：基于选择的模型结构、使用算法，控制辨识过程，主要包括：辨识初始设置，如模型类、误差准则与目标函数、蝙蝠算法控制参数；过程控制，如启动、暂停、终止；

6)可视化与保存：包括辨识过程及结果可视化与保存，相关数据远程发送。

实施例2：

如图12所示，本发明的一种基于系统辨识的实船操纵性指数辨识方法及装置实际使用时，该装置采用如下方法步骤进行：

步骤一：实船输入输出数据采集

数据采集系统基于与实船并联的传感器设备自动对实船运动状态数据进行采集并存储于上位机存储器。

步骤二：数据处理

上位机处理器对步骤一存储数据进行预处理，处理数据作为上位机软件系统辨识的输出数据；系统根据运动模型类别确定船舶操纵待辨识参数；并采用蝙蝠算法进行参数辨识，待辨识参数的目标函数J为：

式中，ω_k为误差扰动权重系数，k为观测时刻，n为观测样本数量，ψ_O为观测的系统输出，

为使用辨识所得参数的模型输出。

步骤三：启动辨识及结果输出

对步骤二系统进行初始设置及辨识过程控制，使辨识过程及结果可视化并保存于上位机存储器中，远程发送相关数据控制实船操纵状态。

该装置包括硬件系统和软件系统两部分组成，采用并联形式来实现实船操纵性指数辨识功能，其辨识方法步骤包括实船输入输出数据采集、数据处理、启动辨识与结果输出。通过对系统模型公式进行优化减少响应时间、增加抗干扰能力、获得更加精确稳定的结果，模块化及封装复杂算法的设计使得本发明方法步骤及其应用装置具有结构清晰、辨识结果响应迅速、有效减少干扰获得更准确的数据并能够进行实船航向校核、具有较好的泛化能力、使用方便的优点，可为船舶运动建模与辨识工作等提供有效支持，减少出错率的同时大大提高工作效率及准确度，具有较高的普及性。

上述实施例中的常规技术为本领域技术人员所知晓的现有技术，故在此不再详细赘述。

以上实施方式仅用于说明本发明，而并非对本发明的限制，本领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此，所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (9)

1.一种基于系统辨识的实船操纵性指数辨识的方法，其特征在于：所述方法包括如下步骤：

步骤一：实船输入输出数据采集

数据采集系统基于与实船并联的传感器设备自动对实船运动状态数据进行采集并存储于上位机存储器；

步骤二：数据处理

上位机处理器对步骤一存储数据进行预处理，所述处理数据作为上位机软件系统辨识的输出数据；所述系统根据运动模型类别确定船舶操纵待辨识参数；并采用蝙蝠算法进行参数辨识，所述蝙蝠算法基于最小二乘原理的误差准则进行参数辨识，将参数辨识问题转化为目标函数J优化问题，待辨识参数的目标函数J为：

式中，ω_k为误差扰动权重系数，k为观测时刻，n为观测样本数量，ψ_O为观测的系统输出，

为使用辨识所得参数的模型输出；

所述蝙蝠算法将目标函数J最优时所对应的参数值作为参数的辨识值，得到合理的辨识值；

步骤三：启动辨识及结果输出

对步骤二所述系统进行初始设置及辨识过程控制，使辨识过程及结果可视化并保存于上位机存储器中，远程发送相关数据控制实船操纵状态。

2.根据权利要求1所述的一种基于系统辨识的实船操纵性指数辨识的方法，其特征在于：步骤二中，所述预处理包括离散采样和优化处理，其中优化处理方式如下：

1)异常数据替换

对采样点异常数据采用移动平均方式对其予以替换，公式为：

式中，k表示当前采样时刻，单位为秒；i表示距离当前采用时刻的时间长度，单位为秒；

2)插值补全

对间隔不均匀时的数据，采用三次样条插值对其进行补全，将离散数据转为连续数据；

3)等间隔截取

对某段时间内的采样取固定时间间隔Δt对该段时间内的连续数据进行采样，将等间隔采样后的数据用于系统辨识，等间隔截取数据的方式分别为：

航向方面，对以高频率采集的船舶航向，将ψ(t)、ψ(t+Δt)作为辨识所采用的输出数据；

位置方面，对以高频率采集的船舶位置，将

作为辨识所采用的输出数据；

其中：ψ(t)为t时刻航向；p_s(t)为t时刻相对于水所产生的位移；

4)坐标转换

坐标转换的方式为：

p₀(t+Δt)＝p_s(t+Δt)+V_c(t)Δt

其中：

式中，V_c为航道流速，ψ_c为航道流向，航道流向指自固定坐标系下正北方向顺时针旋转至水流方向的角度，考虑航道水流以均匀流，计算得p_s(t)、p_s(t+Δt)。

3.根据权利要求2所述的一种基于系统辨识的实船操纵性指数辨识的方法，其特征在于：所述步骤二3)中等间隔截取数据的方式中设定水流为均匀流，船舶对地位移分解为对水位移和水流作用产生位移之和。

4.根据权利要求1所述的一种基于系统辨识的实船操纵性指数辨识的方法，其特征在于：步骤二中，所述运动模型类别采用以下四种响应型模型结构：

一阶线性响应型模型：

一阶非线性响应型模型：

二阶线性响应型模型：

二阶非线性响应型模型：

所述四种模型中，K、T为船舶操纵性指数，T还包括T₁、T₂、T₃；r为船舶转艏角速度，

ψ为航向角；δ为当前实际舵角；α为非线性项系数；K、T、α即待辨识参数。

5.根据权利要求1所述的一种基于系统辨识的实船操纵性指数辨识的方法，其特征在于：所述误差准则采用观测时刻的差值系数乘以多次采样数据权重系数与最小化输出误差平方和乘积的和，对其进一步优化减少误差扰动，所述最小化输出误差平方和即最小化航向误差平方和，误差准则公式如下：

式中，ω_k为误差扰动权重系数，k为观测时刻，n为观测样本数量，ψ_O为观测的系统输出，

为使用辨识所得参数的模型输出。

6.根据权利要求1所述的一种基于系统辨识的实船操纵性指数辨识的方法，其特征在于：所述蝙蝠算法将所述目标函数J最优时所对应参数值作为参数辨识值。

7.根据权利要求1或5或6所述的一种基于系统辨识的实船操纵性指数辨识的方法，其特征在于：所述误差扰动权重系数ω_k(k＝1…n)为步骤二3)中多个采样时间段内的间隔采样点数据航向误差平方和计算权重，对总体进行权重分配计算减小误差值。

8.一种基于系统辨识的实船操纵性指数辨识的装置，其特征在于：用于实现权利要求1所述方法的装置，所述装置包括硬件系统和软件系统，所述硬件系统包括传感器、主控单元、电源及数据收发单元；所述软件系统包括数据采集及处理与优化、模型结构及待辨识参数、误差准则、辨识算法、输出、显示与保存。

9.根据权利要求8所述的一种基于系统辨识的实船操纵性指数辨识的装置，其特征在于：所述传感器设备与实船并联，包括风或浪或流观测器、六自由度姿态传感器、GPS及高清摄像机。

Images