CN114275134B - 一种无人船螺旋桨防水底水草缠绕的方法 - Google Patents
一种无人船螺旋桨防水底水草缠绕的方法 Download PDFInfo
- Publication number
- CN114275134B CN114275134B CN202111623355.2A CN202111623355A CN114275134B CN 114275134 B CN114275134 B CN 114275134B CN 202111623355 A CN202111623355 A CN 202111623355A CN 114275134 B CN114275134 B CN 114275134B
- Authority
- CN
- China
- Prior art keywords
- unmanned ship
- current
- rotating speed
- weed
- propulsion motor
- 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.)
- Active
Links
Images
Abstract
本发明提供一种无人船螺旋桨防水底水草缠绕的方法,包括如下步骤:步骤S1、在无人船行驶过程中采集推进电机的定子电压、电流和转速;步骤S2、根据当前时段内的定子电压、电流和转速的采集数据构建多个输入向量,输入到预先训练好的神经网络中,辨别所述无人船是否进入存在水下水草的水草区域;步骤S3、如果存在,调整所述推进电机的转矩和转速,以及调整舵机方向,避开所述水草区域。本发明无需额外的传感器等外围监测设备,能够快速辨识出水底水草区域,以便于调整无人船航线规划,避开障碍物,保证无人船行驶的安全性。
Description
技术领域
本发明涉及无人船技术领域,特别涉及一种无人船螺旋桨防水底水草缠绕的方法、电子设备及计算机可读存储介质。
背景技术
无人船艇包括具有自主规划、自主航行、自主环境感知能力的全自主型无人船艇,以及非自主航行的遥控型无人船艇和按照内置程序航行并执行任务的无人船艇。
无人船在航行时,如遇水面下水草,舵机和螺旋桨将被水草缠绕,特别是在靠近岸边区域,水草可能更加多。无人船如未能及时发现水面下水草,并及时预警处理,舵机和螺旋桨被水草越绕越紧,螺旋桨失去了动力,并且可能损坏螺旋桨和船舶。因此,如何提前快速辨别水面下的水草,避免螺旋桨被水面下水草缠绕,保障螺旋桨的安全性,保障无人船的安全可靠航行,是一项亟待解决的问题。
现有技术较少涉及无人船螺旋桨的水底水草防缠绕的识别,已有的部分技术相关主要是通过采集水底图像以识别是否有水草。然而,现有的图像识别技术,需要安装额外的图像拍摄设备,需要一定的额外成本,并且额外增加的监测设备,也将影响设备整体的可靠性。
发明内容
本发明的目的是提供一种无人船螺旋桨防水底水草缠绕的方法、电子设备及计算机可读存储介质,无需额外的传感器等外围监测设备,能够快速辨识出水面下水草区域,以便于调整无人船航线规划,避开障碍物,保证无人船行驶的安全性。
为了实现以上目的,本发明提供了一种无人船螺旋桨防水底水草缠绕的方法,包括如下步骤:
步骤S1、在无人船行驶过程中采集推进电机的定子电压、电流和转速;
步骤S2、根据当前时段内的定子电压、电流和转速的采集数据构建多个输入向量,输入到预先训练好的神经网络中,辨别所述无人船是否进入存在水下水草的水草区域;
步骤S3、如果存在,调整所述推进电机的转矩和转速,以及调整舵机方向,避开所述水草区域。
进一步的,步骤S1包括:在采集过程中,基于卡尔曼滤波算法对定子电压、电流和转速的采样值进行处理。
进一步的,将采样值与采样系统所允许的最大偏差值进行比较,在最大偏差值范围内的采样值被作为有效采样值,超出最大偏差值范围的采样值则被放弃使用,重新采样。
进一步的,在步骤S1中,所述定子电流和转速通过传感器获得,所述定子电压通过推进电机的PWM控制器的占空比获得。
进一步的,所述预先训练好的神经网络是多输入、单输出的单层线性神经网络模型。
进一步的,所述预先训练好的神经网络根据所述输入向量,辨识所述推进电机的转矩频率特性、幅值、纹波变化,进而辨别所述无人船是否进入存在水下水草的水草区域。
进一步的,所述预先训练好的神经网络按照以下方式训练获得:
获得无人机行驶在水草区域的定子电压、电流和转速的采样值,构建第一类输入向量;
获得无人机行驶在正常区域的定子电压、电流和转速的采样值,构建第二类输入向量;
基于所述第一类输入向量和所述第二类输入向量,训练得到所述神经网络。
为实现上述目的,本发明还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线;其中,处理器、通信接口、存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一无人船螺旋桨防水底水草缠绕的方法的步骤。
为实现上述目的,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一无人船螺旋桨防水底水草缠绕的方法的步骤。
与现有技术相比,本发明具有如下优点:
1、相比图像监测和分析,本发明通过推进电机的定子电压、电流和转速,分析辨识推进电机转矩特性,进而识别水下水草区域,由于推进电机转矩特性是通过推进电机的定子电压、电流和转速直接获得的,因此水底水草辨识的时间短,响应快,使得无人船更加安全、可靠;
2、本发明无需额外的传感器等外围监测设备,成本低,设备简单,可靠性高。
附图说明
为了更清楚地说明本发明的技术方案,下面将对描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图:
图1a为水底无水草时无人船螺旋桨的示意图;
图1b为水底有水草时无人船螺旋桨的示意图;
图2为本发明一实施例提供的无人船螺旋桨防水底水草缠绕的方法的流程示意图;
图3为无人船螺旋桨防水底水草缠绕的快速识别的方案框图;
图4为用于无人船电机转矩特性参数辨识的神经网络模型的示意图;
图5为无人船推进电机转矩变化辨识的硬件方案总体框图;
图6为无人船螺旋桨防水底水草缠绕的快速识别的处理流程图
图7为无人船推进电机在正常区域与水草区域的转矩变化对比示例;
图8为无人船推进电机在正常区域与水草区域的转矩纹波对比示例;
图9为本发明一实施例提供的电子设备的结构图。
具体实施方式
以下结合附图和具体实施方式对本发明提出的方案作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
在实际应用中,水草可能出现在在水面,也可能出现在水底,本发明是用来辨别水底的水草,因为如果水底有水草,但没有提前发现规避,水底的水草会缠绕无人船的螺旋桨,无人船将无法行进,甚至螺旋桨损坏。在实际的测试中,存在无人船螺旋桨被水底的水草缠绕的故障,但是水面看不出水草或者水面水草不明显。水面的水草,不会直接缠绕螺旋桨,即使水面的水草可能会阻碍船舶行进。本发明辨别水面下水草后的目的主要是避开障碍物,调整无人船航线规划。
图1a、1b是基于推进电机转矩变化的无人船螺旋桨防水底水草缠绕的影响对比图,从图中可知正常情况下,在无水草区域,推进电机会有基本的转矩特性,随着无人船进入水底有水草的区域,水底的分布不同,水底阻力特性也不一致,无人船的推进电机转矩也发生变化。本发明利用深度学习的人工神经网络,通过实时跟踪观测推进电机转矩的变化,来解决基于推进电机转矩变化防水底水草缠绕的快速辨识问题。
如图2所示,本发明提供的一种无人船螺旋桨防水底水草缠绕的方法,包括如下步骤:
步骤S1、在无人船行驶过程中采集推进电机的定子电压、电流和转速;
步骤S2、根据当前时段内的定子电压、电流和转速的采集数据构建多个输入向量,输入到预先训练好的神经网络中,辨别所述无人船是否进入存在水下水草的水草区域;为了实现快速辨识,所述当前时段可以设置为当前30秒或1分钟内;
步骤S3、如果存在,调整所述推进电机的转矩和转速,以及调整舵机方向,避开所述水草区域。
图3是无人船螺旋桨防水底水草缠绕的快速识别的方案框图。当无人船航行时,如果进入水下水草区域,可以通过水草防缠绕分析控制模块,快速辨别水底是否有水草,便于通过控制推进电机电流信号调整电机转矩,通过控制推进电机PWM调整电机转速,结合防缠绕情况,可以降低电机转速,为无人船舵机调整方向准备;确认进入水草区域,无人船需及时调整航向,舵机方向调整,规避水草区域,使得无人船进入无水草的安全区域。通过推进电机和舵机的调整,实现无人船螺旋桨防缠绕。
针对步骤S1采集数据的过程中存在各种干扰和噪声可能引起的误差问题,本发明采用基于卡尔曼滤波算法的称重系统实现方案对采集数据进行处理。对推进电机的定子电压、电流和转速的采样值进行阈值判断和防脉冲干扰滤波。将采样值S1与采样系统所允许的最大偏差值进行比较,在最大偏差值范围内的采样值,会被作为有效采样值,超出最大偏差值范围的则被放弃使用,重新采样。最大偏差值的大小设置标准一般根据系统控制信号的要求范围所选取。如果设最大偏差值为P0,则经过阈值算法第N次输出值Y0(N)为
Y0(N)=S1,SN≤P0 (1)
式中:SN为对无人船推进电机的转矩电流信号第N次的采样值。
所述预先训练好的神经网络按照以下方式训练获得:获得无人机行驶在水草区域的定子电压、电流和转速的采样值,构建第一类输入向量;获得无人机行驶在正常区域的定子电压、电流和转速的采样值,构建第二类输入向量;基于所述第一类输入向量和所述第二类输入向量,训练得到所述神经网络。通过在水草区域对应的第一类输入向量和正常区域对应的第二类输入向量训练得到神经网络,由此训练好的的神经网络可以根据任一时段的定子电压、电流和转速的采集数据构建的多个输入向量,来辨别是正常区域还是水草区域。在定子电压、电流和转速三个参数中,定子电流为推进电机转矩变化的主要辨别因素,定子电压和转速为推进电机转矩变化的辅助辨别因素。
本发明中,基于深度学习的人工神经网络主要是对获取无人船推进电机在有水草和无水草状态下的特性参数,将人工神经网络应用到推进电机的转矩特性参数辨识中。基于直流电机的数学模型,建立了多输入(即定子电压对应的输入向量、定子电流应的输入向量、转速对应的输入向量)、单输出(是否为水草区域)的单层线性神经网络模型,神经网络的输入包括直流电机定子电压、电流和转速,定子电流和转速通过传感器获得,定子电压通过PWM控制器的占空比获得,能够辨识出无人船推进电机的转矩特性参数。线性神经网络是一种仅有输入层和输出层的2层人工神经网络,通过参照比较实际输出和期望输出,不断调整网络的权值,达到实际输出与期望输出之间均方误差和最小的目的,从而确定最优的权值矩阵。
图4中的isd,isq是神经网络模型的期望输出,X1,X2,X3,……,X13是神经网络的输入(具体包括三相电压或多相电压对应的多个输入向量、三相电流或多相电流对应的多个输入向量、转速对应的输入向量,还可以包括其他一些衍生输入向量),N1,N2,……,N7是网络的输出偏置。转矩频率特性、幅值、纹波等辨识主要是,经过分析,可以发现在无人船推进电机经过水底水草区域时,推进电流特性变化,频率会变化,电机电流幅值将增大,电机电流纹波的周期也会发生变化,通过记录并分析辨识这些变化,将实现水底水草区域的辨识。
无人船推进电机转矩变化的硬件方案总体框图如图5所示,以电流为例,推进电机工作时的电流,通过电流采样电阻传感器采样后,并将采集值传输至STM32控制器,由控制器算法程序实现滤波、幅值调整,并通过控制器实现人工神经网络算法对水草区域的推进电机转矩特性分析,实现转矩频率特性、幅值、纹波等辨识,辨别水下水草区域,并且通过调整电机转速实现舵机方向调整的闭环控制,调整推进电机的转速和方向,调整路线,规避水草区域,进去安全区域。
图6是无人船螺旋桨防水底水草缠绕的快速识别的流程图。基于推进电机转矩变化,通过该处理流程,能够快速识别水底水草区域,并能结合辨别结果调整推进电机转速、转矩,以及舵机方向,避开水草区域,防止螺旋桨被缠绕。
图7是无人船推进电机转矩在正常情况下与水草区域的转矩对比示意。正常情况下,无人船推进电机转矩是平稳特性。如果进入水草区域,推进电机转矩将出现变化,结合这种变化,可快速辨别是否进入水草区域。
图8是无人船推进电机在正常区域与水草区域的转矩纹波对比示例,从对比示例中可知,在正常区域,无水草,无人船推进电机的纹波幅值较小,频率较高;当进入水草区域后,推进电机受到的水底阻力产生一定的变化,水草区域的纹波幅值变大,频率降低。
基于相同的发明构思,根据上述无人船螺旋桨防水底水草缠绕的方法实施例,本发明还提供了一种电子设备,如图9所示,包括处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信,
存储器303,用于存放计算机程序;
处理器301,用于执行存储器303上所存放的程序时,实现如下步骤:
步骤S1、在无人船行驶过程中采集推进电机的定子电压、电流和转速;
步骤S2、根据当前时段内的定子电压、电流和转速的采集数据构建多个输入向量,输入到预先训练好的神经网络中,辨别所述无人船是否进入存在水下水草的水草区域;
步骤S3、如果存在,调整所述推进电机的转矩和转速,以及调整舵机方向,避开所述水草区域。
上述电子设备提到的通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于上述电子设备与其他设备之间的通信。存储器可以包括随机存取存储器(Random AccessMemory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM)。上述的处理器可以是通用处理器。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述任一无人船螺旋桨防水底水草缠绕的方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一无人船螺旋桨防水底水草缠绕的方法的步骤。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (5)
1.一种无人船螺旋桨防水底水草缠绕的方法,其特征在于,包括如下步骤:
步骤S1、在无人船行驶过程中采集推进电机的定子电压、电流和转速;在采集过程中,基于卡尔曼滤波算法对定子电压、电流和转速的采样值进行处理,将采样值与采样系统所允许的最大偏差值进行比较,在最大偏差值范围内的采样值被作为有效采样值,超出最大偏差值范围的采样值则被放弃使用,重新采样;
步骤S2、根据当前时段内的定子电压、电流和转速的采集数据构建多个输入向量,输入到预先训练好的神经网络中,辨别所述无人船是否进入存在水下水草的水草区域;所述预先训练好的神经网络根据所述输入向量,辨识所述推进电机的转矩频率特性、幅值、纹波变化,进而辨别所述无人船是否进入存在水下水草的水草区域;
步骤S3、如果存在,调整所述推进电机的转矩和转速,以及调整舵机方向,避开所述水草区域;
所述预先训练好的神经网络按照以下方式训练获得:
获得无人机行驶在水草区域的定子电压、电流和转速的采样值,构建第一类输入向量;
获得无人机行驶在正常区域的定子电压、电流和转速的采样值,构建第二类输入向量;
基于所述第一类输入向量和所述第二类输入向量,训练得到所述神经网络。
2.如权利要求1所述的无人船螺旋桨防水底水草缠绕的方法,其特征在于,在步骤S1中,所述定子的电流和转速通过传感器获得,所述定子电压通过推进电机的PWM控制器的占空比获得。
3.如权利要求1所述的无人船螺旋桨防水底水草缠绕的方法,其特征在于,所述预先训练好的神经网络是多输入、单输出的单层线性神经网络模型。
4.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口、存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-3任一所述的无人船螺旋桨防水底水草缠绕的方法的步骤。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-3任一所述的无人船螺旋桨防水底水草缠绕的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111623355.2A CN114275134B (zh) | 2021-12-28 | 2021-12-28 | 一种无人船螺旋桨防水底水草缠绕的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111623355.2A CN114275134B (zh) | 2021-12-28 | 2021-12-28 | 一种无人船螺旋桨防水底水草缠绕的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114275134A CN114275134A (zh) | 2022-04-05 |
CN114275134B true CN114275134B (zh) | 2023-06-30 |
Family
ID=80876931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111623355.2A Active CN114275134B (zh) | 2021-12-28 | 2021-12-28 | 一种无人船螺旋桨防水底水草缠绕的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114275134B (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408772B (zh) * | 2008-11-21 | 2010-09-08 | 哈尔滨工程大学 | Auv智能避碰方法 |
CN108303988A (zh) * | 2018-03-28 | 2018-07-20 | 大连海事大学 | 一种无人船的目标识别追踪系统及其工作方法 |
KR102240839B1 (ko) * | 2018-09-04 | 2021-04-16 | 씨드로닉스(주) | 이미지 세그멘테이션을 이용한 자율 운항 방법 |
CN109189096A (zh) * | 2018-09-30 | 2019-01-11 | 华侨大学 | 基于传感网络的水下机器人控制系统 |
CN109739223B (zh) * | 2018-12-17 | 2020-07-03 | 中国科学院深圳先进技术研究院 | 机器人避障控制方法、装置、终端设备及存储介质 |
CN109738605A (zh) * | 2019-03-04 | 2019-05-10 | 宁波大学 | 一种便携式无人水面移动水质监测装置 |
CN110320805A (zh) * | 2019-07-19 | 2019-10-11 | 山东交通学院 | 一种船舶自动靠泊非线性神经网络控制方法及系统 |
CN110646574B (zh) * | 2019-10-08 | 2022-02-08 | 张家港江苏科技大学产业技术研究院 | 基于无人船的水质电导率自主检测系统及方法 |
CN110794764B (zh) * | 2019-11-28 | 2020-12-18 | 吉林工程技术师范学院 | 一种机器人的运动控制方法 |
CN112070803A (zh) * | 2020-09-02 | 2020-12-11 | 安徽工程大学 | 一种基于ssd神经网络模型的无人船路径跟踪方法 |
CN113763408A (zh) * | 2021-09-29 | 2021-12-07 | 上海海事大学 | 一种无人船航行过程中的图像快速辨别水面下水草的方法 |
-
2021
- 2021-12-28 CN CN202111623355.2A patent/CN114275134B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114275134A (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11770270B2 (en) | Integrated automated driving system for maritime autonomous surface ship (MASS) | |
Xu et al. | Estimation of hydrodynamic coefficients of a nonlinear manoeuvring mathematical model with free-running ship model tests | |
Caccia et al. | A practical approach to modeling and identification of small autonomous surface craft | |
CN113173232B (zh) | 一种基于人机共融的船舶智能辅助驾控系统及方法 | |
CN108227739B (zh) | 水下自动驾驶设备的近距离避障方法及水下自动驾驶设备 | |
Raimondi et al. | A innovative semi-immergible USV (SI-USV) drone for marine and lakes operations with instrumental telemetry and acoustic data acquisition capability | |
EP4104657B1 (en) | Implement management system for implement wear detection and estimation | |
US20210382484A1 (en) | Method for controlling a towing train | |
CN112462786A (zh) | 一种基于模糊控制策略双窗口算法的无人艇避碰方法 | |
CN114275134B (zh) | 一种无人船螺旋桨防水底水草缠绕的方法 | |
EP3420312B1 (de) | Routenoptimierung für ein fluidfahrzeug | |
CN105549589A (zh) | 一种基于前视雷达的无人船避碰方法 | |
CN111862389A (zh) | 一种智能航行感知及增强现实可视化系统 | |
Briere | Iboat: An autonomous robot for long-term offshore operation | |
CN116243683B (zh) | 基于转矩和多头自编码器的推进系统故障诊断方法 | |
Wu et al. | An overview of developments and challenges for unmanned surface vehicle autonomous berthing | |
Less’ ard-Springett et al. | Voter based control system for collision avoidance and sailboat navigation | |
CN111220985B (zh) | 一种靠离泊辅助系统 | |
Paez et al. | Implementation of an unmanned surface vehicle for environmental monitoring applications | |
Hinostroza et al. | Experimental and numerical simulations of zig-zag manoeuvres of a self-running ship model | |
Alessandri et al. | A model-based approach to fault diagnosis in unmanned underwater vehicles | |
Bakaric et al. | Improved basic planar algorithm of vehicle guidance through waypoints by the line of sight | |
Garberoglio et al. | Coordinated asv-uav control for marine collision-free navigation | |
Healey | Analytical redundancy and fuzzy inference in AUV fault detection and compensation | |
CN108646769B (zh) | 涉水机器人自动返航控制方法、装置及涉水机器人 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |