CN115657713B - 一种考虑发射平台沉浮和晃动条件下发射决策控制方法 - Google Patents

Abstract

本发明提出一种考虑发射平台沉浮和晃动条件下发射决策控制方法，首先建立在海况干扰情况下发射平台动力学和运动学模型，在此基础上，采用卡尔曼滤波方法对机载惯性导航系统输出导航信息进行滤波估计，当惯性器件所采集到的数据通过滤波后，得到发射平台的运动状态的估计值；发射控制系统按照当前时刻发射平台运动状态估计值、发射平台所处的海浪高度以及风力信息，利用基于BP神经网络模型离线训练好的专家决策系统给出无人机发射控制指令。

Description

一种考虑发射平台沉浮和晃动条件下发射决策控制方法

技术领域

本发明涉及水面无人机发射决策控制技术领域，具体为一种考虑发射平台沉浮和晃动条件下发射决策控制方法。

背景技术

高海况漂浮态无人机是指利用在水面长期漂浮的发射平台驻留，采用折叠方式筒式垂直冷发射的微型无人飞行器，具有提前布控、低可探测、无依托装置、随机选择发射时机、携带和贮存方便等优势。无人机可通过直升机投放、舰船通用垂直发射装置投放和潜艇发射等方式，动力采用电动螺旋桨动力形式，具备长时间滞空飞行，为水面和水下作战舰艇提供通讯中继、探测、侦察，并具备一定的自主攻击目标的能力，是一种适合于信息化、网络化作战的新概念无人飞行器。

高海况水面垂直发射无人机控制技术是无人机关键技术之一，而高海况水面垂直发射无人机控制技术中针对发射平台沉浮和晃动条件下的发射决策控制技术十分关键。水面垂直发射无人机的发射平台不同于传统的舰船/地面垂直发射武器系统，武器平台直接受到海浪作用，具有更复杂的作战环境，最为突出的就是海浪作用下的平台浮动和晃动问题。在国家通用标准下，海况达到3级时，海面的浪高范围可以达到0.5-1.25米，风力可以达到3-4级，这种状况将对海面发射平台的水平、垂直位置造成剧烈的影响，对发射装置出射角度造成剧烈扰动。为了应对高海况下，海浪对发射装置的影响，在不考虑主动增加漂浮发射装置作为动机构的前提下，必须设置合理的发射策略，尽可能小的降低海况影响对无人机发射影响。

然而，目前尚没有针对高海况水面垂直发射无人机在考虑发射平台沉浮和晃动条件下的发射决策控制进行相关研究。

发明内容

需要解决的技术问题：对于高海况水面垂直发射无人机在考虑发射平台沉浮和晃动条件下的发射决策控制，申请人在实际工程验证过程中发现主要存在以下问题：1、高海况水面发射平台动态特性建模具有一定的复杂性；2、平台的各种位置和速度信息测量受干扰较大，需要对惯性元器件的测量噪声进行滤波；3、在整体动态特性建模下，各种因素具有高度的非线性和不确定性从而导致采用传统方法下所做出快速而准确的决策具有一定的困难。

针对上述问题，本发明提出一种考虑发射平台沉浮和晃动条件下发射决策控制方法，首先建立在海况干扰情况下发射平台动力学和运动学模型，在此基础上，采用卡尔曼滤波方法对机载惯性导航系统输出导航信息进行滤波估计，当惯性器件所采集到的数据通过滤波后，得到发射平台的运动状态的估计值；发射控制系统按照当前时刻发射平台运动状态估计值、发射平台所处的海浪高度以及风力信息，利用基于BP神经网络模型离线训练好的专家决策系统给出无人机发射控制指令。

本发明的技术方案为：

步骤1：建立在海况干扰情况下发射平台动力学和运动学模型，包括：

发射平台平动的动力学方程：

其中，m为发射平台质量，F_x，F_y，F_z为发射平台受到的风力以及海浪沉浮和摇晃运动产生的水动力在发射平台台体坐标系下的三个方向的分量，u,v,w为发射平台运动速度在台体坐标系下的三个分量，a_xt,a_yt,a_zt为平台加速度在台体坐标系下的三个分量，p,q,r为平台绕质心旋转的角速度在台体坐标系下的三个分量；

发射平台平动的运动学方程：

其中，x,y,z为平台质心运动在惯性坐标系下的分量，u,v,w为发射平台运动速度在台体坐标系下的三个分量，θ，ψ，φ分别为因风力以及海浪沉浮和摇晃运动产生的发射平台相对于惯性坐标系的为俯仰角、偏航角和滚转角；

发射平台绕质心转动的运动学方程：

发射平台绕质心转动的动力学方程

其中，θ，ψ，φ分别为因风力以及海浪沉浮和摇晃运动产生的发射平台相对于惯性坐标系的为俯仰角，偏航角和滚转角；

为对应的俯仰角速度，偏航角速度和滚转角速度；p,q,r为平台绕质心旋转的角速度在台体坐标系下的三个分量；I_x,I_y,I_z分别为平台相对质心的转动惯量；M_l,M_m,M_n为发射平台受到的风力以及海浪沉浮和摇晃运动产生的水动力对台体作用力矩在台体坐标系下的三个分量；

步骤2：发射平台上的无人机接到发射任务后，机载惯性导航装置开始工作，在完成初始对准后，进行组合导航，此时机载惯性导航装置敏感发射平台台体的三个方向的角速度p,q,r和三个方向的加速度a_xt,a_yt,a_zt，进行导航解算，并采用卡尔曼滤波方法对导航信息进行处理，得到当前时刻发射平台的真实状态的估计值，包括位置、速度、加速度、姿态、姿态角速度和姿态角加速度信息；

步骤3：根据步骤2得到的当前时刻发射平台的真实状态信息，以及测量得到的当前时刻发射平台海浪高度以及风力数据，利用离线训练好的BP神经网络模型，得到设定时间间隔后的发射平台的状态信息，根据得到的设定时间间隔后的发射平台的状态信息，进行逻辑判断，做出发射决策。

进一步的，步骤3中，所述设定时间间隔为：发射平台从开始决策到实际发射瞬间所需的流程时长，其中决策结果为发射。

进一步的，步骤3中，所述神经网络模型的离线训练过程为：

以发射平台状态信息、海浪高度以及风力数据作为样本数据，通过步骤1中构建的海况干扰情况下发射平台动力学和运动学模型，计算每一组样本数据在设定时间间隔后，对应的发射平台状态信息，以计算得到的设定时间间隔后的发射平台状态信息作为输出标签；利用样本数据以及对应的输出标签，训练神经网络模型；训练好的BP神经网络模型输入为发射平台状态信息、海浪高度以及风力数据，输出为设定时间间隔后的发射平台状态信息：发射平台的速度、加速度、姿态、姿态角速度和姿态角加速度信息。

进一步的，步骤3中，根据得到的设定时间间隔后的发射平台的状态信息，进行逻辑判断，做出发射决策的过程为：

若发射平台的速度、加速度、姿态、姿态角速度和姿态角加速度信息均小于设定阈值，则允许发射，否则不允许发射。

有益效果

本发明提出的考虑发射平台沉浮和晃动条件下发射决策控制方法，首先建立在海况干扰情况下发射平台动力学和运动学模型，在此基础上，采用卡尔曼滤波方法对机载惯性导航系统输出导航信息进行滤波估计，消除海况干扰产生的机载惯性导航系统测量噪声，得到发射平台的真实状态测量数据；最后利用离线训练好的神经网络模型，以当前时刻发射平台的真实状态测量数据、海浪高度和风力数据作为输入，设定时间间隔后的发射平台状态数据作为输出，利用设定时间间隔后的发射平台状态数据进行逻辑判断，从而快速实现高海况条件下的无人机发射决策。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明的流程框架图。

附图2为滤波仿真分析下的组合导航姿态误差。

附图3为滤波仿真分析下的组合导航速度误差。

附图4为滤波仿真分析下的组合导航位置误差。

具体实施方式

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

水面垂直发射无人机的发射平台不同于传统的舰船/地面垂直发射武器系统，武器平台直接受到海浪作用，为了适用于更复杂的作战环境，本实施例面向的是3级海况，也即需要在3级海况下保障无人机正常发射使用。

按照国家通用标准，3级海况定义如下表：

表1通用海况标准

海况等级	海面状况	浪高范围(米)	风力
				0	无浪	0	0级
1	微浪	0-0.1	1级
				2	小浪	0.1-0.5	2级
3	轻浪	0.5-1.25	3-4级

如表所示，当处于3级海况时，发射平台可能处于最大1.25米海浪中，且伴有3-4级风，这种状况将对海面发射平台的水平、垂直位置造成剧烈的影响，对发射装置出射角度造成剧烈非线性扰动。

为了应对高海况下，海浪对发射装置的影响，在不考虑主动增加漂浮发射装置作动机构的前提下，必须设置合理的发射策略，尽可能小的降低海况影响对无人机发射影响。

因此本发明首先建立在海况干扰情况下发射平台动力学和运动学模型，在此基础上，采用卡尔曼滤波方法对机载惯性导航系统输出导航信息进行滤波估计，当惯性元器件所采集到的数据通过滤波后，则可以得到发射平台的真实状态测量数据。发射控制系统按照当前时刻发射平台的真实状态测量数据、发射平台所处的海浪高度以及风力信息，利用基于BP神经网络模型离线训练好的专家决策系统给出无人机发射控制指令，具体过程如图1所示，包括以下步骤：

步骤1：建立在海况干扰情况下发射平台动力学和运动学模型，包括：

发射平台平动的动力学方程：

其中，m为发射平台质量，F_x，F_y，F_z为发射平台受到的风力以及海浪沉浮和摇晃运动产生的水动力在发射平台台体坐标系下的三个方向的分量，u,v,w为发射平台运动速度在台体坐标系下的三个分量，a_xt,a_yt,a_zt为平台加速度在台体坐标系下的三个分量，p,q,r为平台绕质心旋转的角速度在台体坐标系下的三个分量；

发射平台平动的运动学方程：

其中，x,y,z为平台质心运动在惯性坐标系下的分量，u,v,w为发射平台运动速度在台体坐标系下的三个分量，θ，ψ，φ分别为因风力以及海浪沉浮和摇晃运动产生的发射平台相对于惯性坐标系的为俯仰角、偏航角和滚转角；

发射平台绕质心转动的运动学方程：

发射平台绕质心转动的动力学方程

其中，θ，ψ，φ分别为因风力以及海浪沉浮和摇晃运动产生的发射平台相对于惯性坐标系的为俯仰角，偏航角和滚转角；

为对应的俯仰角速度，偏航角速度和滚转角速度；p,q,r为平台绕质心旋转的角速度在台体坐标系下的三个分量；I_x,I_y,I_z分别为平台相对质心的转动惯量；M_l,M_m,M_n为发射平台受到的风力以及海浪沉浮和摇晃运动产生的水动力对台体作用力矩在台体坐标系下的三个分量；

步骤2：发射平台上的无人机接到发射任务后，机载惯性导航装置开始工作，在完成初始对准后，进行组合导航，此时机载惯性导航装置敏感发射平台台体的三个方向的角速度p,q,r和三个方向的加速度a_xt,a_yt,a_zt，进行导航解算，并采用卡尔曼滤波方法对导航信息进行处理，得到当前时刻发射平台的真实状态的估计值，包括位置、速度、加速度、姿态、姿态角速度和姿态角加速度信息。

在高海况条件下，机载惯性导航装置敏感得到的位置、速度、加速度等信息均包含有器件的测量噪声，为了能够得到准确的惯性信息，通过对惯性导航装置的测量噪声进行建模，进而对采集到的数据进行卡尔曼滤波，得到当前时刻发射平台真实状态信息。

在捷联惯导/卫星组合导航中，首先由捷联惯导系统(SINS)和卫星导航系统对载体飞行参数分别进行测量；然后，将捷联惯导和卫星导航系统各自输出的对应导航参数相减作为量测，送入卡尔曼滤波器进行滤波计算，从而获得导航参数误差的最优估计值；接着，利用滤波估计值实时地对捷联惯导系统进行误差校正；最后，将校正后捷联惯导输出的导航参数作为组合导航系统的输出。

考虑到组合导航卡尔曼滤波器的维数不宜太多，故将GPS的测量误差考虑为零均值的白噪声过程，不列入系统状态。因此，仅仅将SINS的系统误差作为组合导航系统的状态。

根据SINS系统误差方程，选取SINS/GPS组合导航系统的状态变量为：捷联惯导平台姿态误差φ_N、φ_U、φ_E，惯导速度误差δv_N、δv_U、δv_E，惯导位置误差δL、δλ、δh，陀螺仪随机常值漂移ε_bx、ε_by、ε_bz，加速度计随机常值误差

因此，SINS/GPS组合导航系统状态向量X_G为

其SINS/GPS组合导航系统的状态方程为：

其中，F_G(t)为系统状态矩阵；G_G(t)为系统噪声驱动阵；系统噪声W_G(t)＝[w_gx,w_gy,w_gz,w_ax,w_ay,w_az]^T，这里w_gx,w_gy,w_gz分别为沿载体x,y,z轴上陀螺仪的白噪声，w_ax,w_ay,w_az分别为沿载体x,y,z轴上加速度计的白噪声，即E[W_G(t)]＝0且

q为W_G(t)的方差强度阵。

选取SINS输出的速度和位置信息与GPS的对应输出信息相减作为量测量，即量测Z_G为

结合状态方程，SINS/GPS组合导航系统的量测方程为：

Z_G＝H_GX_G+V_G

量测矩阵H_G＝[O_6×3 I_6×6 O_6×6]；V_G＝[V_VNG,V_VUG,V_VEG,V_LG,V_λG,V_hG]^T为GPS的量测白噪声阵，其量测噪声方差强度阵为R_G。

获得组合导航系统的状态方程和量测方程以后，为了在导航计算机上实现卡尔曼滤波计算，对系统状态方程和量测方程进行离散化处理

X_k+1＝Φ_k+1,kX_k+W_k

式中，Φ_k+1,k为一步转移矩阵，W_k满足：

一步转移阵Φ_k+1,k的实时计算公式为：

卡尔曼滤波周期为T(T＝t_k+1-t_k)，并记F(t_k)＝F_k。

求出一步转移阵Φ_k+1,k和等效离散系统噪声方差阵Q_k，从而实现对系统状态方程的离散化处理。这时，只须给定状态初值，就可利用下列离散型卡尔曼滤波基本方程进行滤波计算

状态一步预测：

状态估计：

滤波增益：

一步预测均方误差：

估计均方误差：

最终得到当前时刻发射平台真实状态的测量信息。如图2-4所示。

步骤3：根据步骤2得到的当前时刻发射平台的真实状态测量信息，以及测量得到的当前时刻发射平台海浪高度以及风力数据，利用离线训练好的BP神经网络模型，得到设定时间间隔后的发射平台的状态信息，根据得到的设定时间间隔后的发射平台的状态信息，进行逻辑判断，做出发射决策。

在高海况条件下，判断无人机能否发射主要是根据发射平台在实际发射瞬间的状态信息来进行判断，若实际发射瞬间，发射平台的速度、加速度、姿态、姿态角速度和姿态角加速度信息(没有位置信息)超出设定阈值，则不能发射。由于从开始决策到实际发射瞬间，发射平台需要执行发射流程，所以从开始决策到实际发射瞬间，之间存在时间间隔，此处设置时间为5s,因此发射决策实际上是要根据时间间隔后的发射平台状态信息进行决策。

那么如何根据当前发射平台状态信息估计时间间隔后发射平台状态信息，就是进行决策判断的关键过程。

对于这一过程，根据当前发射平台状态信息、当前时刻发射平台海浪高度以及风力数据，是可以利用步骤1中的海况干扰情况下发射平台动力学和运动学模型，通过数值解算的方式求解得到设定时间间隔后的发射平台状态信息的，但这种求解耗费时间较长，无法在线进行，为此本发明采用先离线求解，即利用不同状态信息、不同海浪高度以及不同风力数据，通过数值求解方式，得到在设计时间间隔后的发射平台状态信息，然后以“不同状态信息、不同海浪高度以及不同风力数据”为样本，以对应“设计时间5s间隔后的发射平台状态信息”为输出标签，训练BP神经网络模型，得到训练好的BP神经网络模型。训练好的BP神经网络模型输入为发射平台状态信息、海浪高度以及风力数据，输出为设定时间间隔后的发射平台状态信息。

这样通过训练好的BP神经网络模型，能够快速预测设定时间5s间隔后的发射平台状态信息，从而根据发射平台状态信息决策能否发射。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (4)

1.一种考虑发射平台沉浮和晃动条件下发射决策控制方法，其特征在于：包括以下步骤：

步骤1：建立在海况干扰情况下发射平台动力学和运动学模型，包括：

发射平台平动的动力学方程：

其中，m为发射平台质量，F_x，F_y，F_z为发射平台受到的风力以及海浪沉浮和摇晃运动产生的水动力在发射平台台体坐标系下的三个方向的分量，u,v,w为发射平台运动速度在台体坐标系下的三个分量，a_xt,a_yt,a_zt为平台加速度在台体坐标系下的三个分量，p,q,r为平台绕质心旋转的角速度在台体坐标系下的三个分量；

发射平台平动的运动学方程：

其中，x,y,z为平台质心运动在惯性坐标系下的分量，u,v,w为发射平台运动速度在台体坐标系下的三个分量，θ，ψ，φ分别为因风力以及海浪沉浮和摇晃运动产生的发射平台相对于惯性坐标系的俯仰角、偏航角和滚转角；

发射平台绕质心转动的运动学方程：

发射平台绕质心转动的动力学方程

其中，θ，ψ，φ分别为因风力以及海浪沉浮和摇晃运动产生的发射平台相对于惯性坐标系的俯仰角，偏航角和滚转角；

为对应的俯仰角速度，偏航角速度和滚转角速度；p,q,r为平台绕质心旋转的角速度在台体坐标系下的三个分量；I_x,I_y,I_z分别为平台相对质心的转动惯量；M_l,M_m,M_n为发射平台受到的风力以及海浪沉浮和摇晃运动产生的水动力对台体作用力矩在台体坐标系下的三个分量；

步骤2：发射平台上的无人机接到发射任务后，机载惯性导航装置开始工作，在完成初始对准后，进行组合导航，此时机载惯性导航装置敏感发射平台台体的三个方向的角速度p,q,r和三个方向的加速度a_xt,a_yt,a_zt，进行导航解算，并采用卡尔曼滤波方法对导航信息进行处理，得到当前时刻发射平台的真实状态的估计值，包括位置、速度、加速度、姿态、姿态角速度和姿态角加速度信息；

步骤3：根据步骤2得到的当前时刻发射平台的真实状态信息，以及测量得到的当前时刻发射平台海浪高度以及风力数据，利用离线训练好的BP神经网络模型，得到设定时间间隔后的发射平台的状态信息，根据得到的设定时间间隔后的发射平台的状态信息，进行逻辑判断，做出发射决策。

2.根据权利要求1所述一种考虑发射平台沉浮和晃动条件下发射决策控制方法，其特征在于：步骤3中，所述设定时间间隔为：发射平台从开始决策到实际发射瞬间所需的流程时长，其中决策结果为发射。

3.根据权利要求1所述一种考虑发射平台沉浮和晃动条件下发射决策控制方法，其特征在于：步骤3中，所述神经网络模型的离线训练过程为：

以发射平台状态信息、海浪高度以及风力数据作为样本数据，通过步骤1中构建的海况干扰情况下发射平台动力学和运动学模型，计算每一组样本数据在设定时间间隔后，对应的发射平台状态信息，以计算得到的设定时间间隔后的发射平台状态信息作为输出标签；利用样本数据以及对应的输出标签，训练神经网络模型；训练好的BP神经网络模型输入为发射平台状态信息、海浪高度以及风力数据，输出为设定时间间隔后的发射平台状态信息：发射平台的速度、加速度、姿态、姿态角速度和姿态角加速度信息。

4.根据权利要求1所述一种考虑发射平台沉浮和晃动条件下发射决策控制方法，其特征在于：步骤3中，根据得到的设定时间间隔后的发射平台的状态信息，进行逻辑判断，做出发射决策的过程为：

若发射平台的速度、加速度、姿态、姿态角速度和姿态角加速度信息均小于设定阈值，则允许发射，否则不允许发射。

Images