CN116794984A - 一种面向水面无人船状态方程的辨识方法 - Google Patents

Abstract

本发明公开了一种面向水面无人船状态方程的辨识方法，涉及舰船运动控制技术与仿生智能算法技术领域，该方法包括如下步骤：分别获取目标无人船在船舶坐标系下和固定坐标系下的实测数据，并根据实测数据构建目标无人船的线性运动状态方程；基于线性运动状态方程设计状态观测器，并获取状态观测器的水动力学参数；获取预设时间段内目标无人船的观测航向角和实测航向角，并根据观测航向角和实测航向角确定目标函数；结合目标函数，基于自适应变异粒子群算法对水动力学参数进行处理，获得目标函数取最小值时所对应的最优水动力参数。该方法可以有效保证水面无人船控制算法的鲁棒性和控制品质。

Description

一种面向水面无人船状态方程的辨识方法

技术领域

本发明涉及舰船运动控制技术与仿生智能算法技术领域，更具体的说是涉及一种面向水面无人船状态方程的辨识方法。

背景技术

水面无人船主要用于执行危险以及不适合有人船只执行的任务，比如侦查、搜索、探测、导航和水文地理勘察。其操纵控制系统其任务是保证水面无人船自主航行时满足对航向、航迹以及动态避障的要求，该系统中所涉及的操纵控制律关系到任务成功执行。通常只能测得航向信息，因此需要设计状态观测器对导数分量进行渐进估计。采用基于实测数据修正的状态观测器进行水面无人船操纵控制系统控制律开发，可以提高的控制品质以及进行状态预报实现避障。

由CFD数值仿真获得的模型与实船运动特性存在较大偏差。基于试验数据，采用智能粒子群算法对无人船状态观测器的水动力参数进行辨识，获得最优水动力参数，之后根据最优水动力参数对无人船状态观测器进行修正，从而获得精准的状态观测器，进一步提升无人船航向、航迹以及动态避障的控制品质。目前通过船模实验获取水动力参数的方法不仅周期长、造价高，而且受尺度效应影响与实船差别较大。在此基础上设计的控制策略控制精度低、控制品质差。

因此，如何基于CFD数值仿真技术，保证水面无人船控制算法的鲁棒性和控制品质，达到航向、航迹以及精准动态避障功能，是本领域技术人员亟需解决的问题。

发明内容

鉴于上述问题，本发明提供一种至少解决上述部分技术问题的一种面向水面无人船状态方程的辨识方法。

为了实现上述目的，本发明采用如下技术方案：

一种面向水面无人船状态方程的辨识方法，包括如下步骤：

S1、分别获取目标无人船在船舶坐标系下和固定坐标系下的实测数据，并根据所述实测数据构建所述目标无人船的线性运动状态方程；

S2、基于所述线性运动状态方程设计状态观测器，并获取所述状态观测器的水动力学参数；

S3、获取预设时间段内所述目标无人船的观测航向角和实测航向角，并根据所述观测航向角和实测航向角确定目标函数；

S4、结合所述目标函数，基于自适应变异粒子群算法对所述水动力学参数进行处理，获得所述目标函数取最小值时所对应的最优水动力参数。

进一步地，其特征在于，所述实测数据包括：船舶坐标系下目标无人船的实测横向速度、实测回转角、实测横向加速度和实测回转角加速度；以及固定坐标系下所述目标无人船的实测航向角、实测航向角速度和实测方向舵舵角。

进一步地，所述线性运动状态方程表示为：

其中，v表示实测横向速度；r表示实测回转角；表示实测横向加速度；/>表示实测回转角加速度；/>表示实测航向角；/>表示实测航向角速度；δ_r表示实测方向舵舵角；A₁₁、A₁₂、A₂₁、A₂₂、A₃₂、B₁和B₂均表示水平面状态空间中的水动力参数。

进一步地，所述状态观测器表示为：

其中，表示观测横向加速度；/>表示观测回转角加速度；/>表示观测航向角速度；/>表示观测横向速度；/>表示观测回转角；/>表示观测航向角；g₁、g₂和g₃均表示状态观测器在线性方程中的根。

进一步地，所述目标函数表示为：

其中，M表示目标函数；n表示预设时间段内的数据个数；表示j时刻下的观测航向角；/>表示j时刻下的实测航向角。

进一步地，所述步骤S4具体包括：

S41、对所述水动力学参数进行初始化；

S42、结合所述目标函数，对初始化后的水动力学参数进行位置更新；

S43、对位置更新后的水动力学参数进行自适应变异处理；

S44、重复步骤S42和步骤S43，直至满足预设最大迭代数，获得所述目标函数取最小值时所对应的最优水动力参数。

进一步地，所述步骤S41具体包括：将所述水动力学参数作为粒子的组成，生成N个维度为D的数组；其中，N表示粒子总数；

所述数组中的每个值在对应的CFD数值计算获得的水动力参数经验值的±100％范围内随机生成。

进一步地，在所述步骤S42中，第i个粒子在每个维度中速度和位置按如下公式进行变化：

v_id(t+1)＝w₁v_id(t)+c₁*r₁*(P_bestd(t)-X_id(t))+c₂*r₂*(G_bestd(t)-X_id(t))

X_id(t+1)＝X_id(t)+v_id(t+1)

其中，t表示迭代更新次数；v_id(t+1)表示第t+1次迭代中第i个粒子在d维度的位置更新速度；w₁表示惯性权重；c₁表示调节粒子向自身最优位置飞行步长的正定常数；c₂表示调节粒子向全局最优位置飞行步长的正定常数；r₁和r₂均表示[0，1]范围内的随机数；P_bestd(t)表示第t次迭代中目标函数取最小值时粒子在d维度中的位置；X_id(t)表示第t次迭代时第i个粒子在d维度的实际位置；G_bestd(t)表示整个粒子群迭代历程中目标函数取得最小值时粒子在d维度的位置。

进一步地，在迭代过程中，若粒子的位置更新速度或实际位置超出了预设范围，则将该粒子的位置设为边界值。

进一步地，所述步骤S3具体包括：通过随机函数rand生成一个[0，1]之间的随机数；若所述随机数大于预设值，则对粒子位置进行变异操作；若所述随机数小于或等于预设值，则粒子位置保持不变。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种面向水面无人船状态方程的辨识方法，具有如下有益效果：

本发明采用自适应变异粒子群算法对水面无人船状态观测器水动力参数进行辨识，通过拟合线性状态运动方程观测曲线与试验数据曲线，提高状态方程观测精度。

本发明仅需辨识少量水动力参数，可避免辨识结果陷入局部最优解，提高了辨识精度。

本发明通过水动力参数辨识可以减小模型误差，可进一步提升无人船自主操控系统综合控制品质以及进行状态预报实现避障。

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，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的面向水面无人船状态方程的辨识方法流程示意图。

图2为本发明实施例提供的十度舵角条件下回转率实际值与观测值比较示意图。

图3为本发明实施例提供的目标函数大小随迭代次数增加变化示意图。

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，显然，所描述的实施例仅仅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做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。

参见图1所示，本发明实施例公开了面向水面无人船状态方程的辨识方法，包括如下步骤：

S1、分别获取目标无人船在船舶坐标系下和固定坐标系下的实测数据，并根据实测数据构建目标无人船的线性运动状态方程；

S2、基于线性运动状态方程设计状态观测器，并获取状态观测器的水动力学参数；

S3、获取预设时间段内目标无人船的观测航向角和实测航向角，并根据观测航向角和实测航向角确定目标函数；

S4、结合目标函数，自适应变异粒子群算法对水动力学参数进行处理，获得目标函数取最小值时所对应的最优水动力参数。

接下来，分别对上述步骤进行详细说明。

在上述步骤S1中，实测数据包括：船舶坐标系下目标无人船的实测横向速度v、实测回转角r、实测横向加速度和实测回转角加速度/>以及固定坐标系下目标无人船的实测航向角/>实测航向角速度/>和实测方向舵舵角δ_r；

目标无人船的线性运动状态方程表示为：

其中，A₁₁、A₁₂、A₂₁、A₂₂、A₃₂、B₁和B₂均表示水平面状态空间中的水动力参数。

在上述步骤S2中，状态观测器可以表示为：

其中，u＝δ_r；/>C＝[0 0 1]；/>

基于此，将上述公式(3)展开得到：

其中，表示观测横向加速度；/>表示观测回转角加速度；/>表示观测航向角速度；/>表示观测横向速度；/>表示观测回转角；/>表示观测航向角；g₁、g₂和g₃均表示状态观测器在线性方程中的根。上述观测数据均为通过状态观测器实际观测到的数据。

由于上述公式需收敛，则其特征根S需在复平面的虚轴上，因此可采用极点配置的方法，求出观测器的相应系数，设置极点为b₁,b₂,b₃(其中b₁,b₂,b₃为正实数)，则满足条件：

|SI-A+GC|＝(S+b₁)(S+b₂)(S+b₃) (5)

其中

|SI-A+GC|＝(S+b₁)(S+b₂)(S+b₃) (6)

公式(6)的左边

公式(5)的右边

由此推导出状态观测器在线性方程中的根：

观测器配置好根后观测结果可以收敛，后续才能观测航向角等参数。

在上述步骤S3中，获取预设时间段内目标无人船的观测航向角和实测航向角并根据所述观测航向角/>和实测航向角/>确定目标函数；

该目标函数表示为：

其中，M表示目标函数；n表示预设时间段内的数据个数；表示j时刻下的观测航向角；/>表示j时刻下的实测航向角。

在上述步骤S4中，具体包括：

S41、对水动力学参数进行初始化；具体包括：将水动力学参数作为粒子的组成，生成N个维度为D的数组；其中，N表示粒子总数；该数组中的每个值在对应的CFD数值计算获得的水动力参数经验值的±100％范围内随机生成，即通过CFD或者经验的方式大致获得水动力系数的范围，再通过参数辨识在所设定的范围内寻找最优水动力参数；例如在本发明实施例中，水平面运动粒子总数为50，维度为7，则生成50个7维数组，数组中每个值在CFD数值计算获得的水动力系数经验值的±100％范围内随机生成。

S42、结合目标函数，对初始化后的水动力学参数进行位置更新；

具体包括：记第i个粒子位置表示为向量X_i(X_i1,X_i2…X_iD)，其中，X_iD表示第i个粒子在D维度下的实际位置；记第i个粒子迭代历程中目标函数取得最小值时的位置为P_best(P_best1，P_best2…P_bestD),其中，P_bestD表示局部最优粒子在D维度中的位置；记整个粒子群迭代历程中目标函数取得最小值时的位置为G_best(G_best1，G_best2…G_bestD)；令第i个粒子的位置变化速度为向量v_i(v_i1，v_i2…v_iD)，其中，v_iD表示第i个粒在D维度的位置更新速度；

第i个粒子在每个维度中速度和位置按如下公式进行变化：

其中，t表示迭代更新次数；1≤i≤N；1≤d≤D；v_id(t+1)表示第t+1次迭代中第i个粒子在d维度的位置更新速度；w₁表示惯性权重；c₁表示调节粒子向自身最优位置飞行步长的正定常数；c₂表示调节粒子向全局最优位置飞行步长的正定常数；r₁和r₂均表示[0，1]范围内的随机数；P_bestd(t)表示第t次迭代中目标函数取最小值时粒子在d维度中的位置；X_id(t)表示第t次迭代时第i个粒子在d维度的实际位置；G_bestd(t)表示整个粒子群迭代历程中目标函数取得最小值时，粒子在d维度的位置。

在本发明实施例中，参数选择如下：w₁＝0.8，c₁＝0.5，c₂＝0.5，X_minxd＝0.5X_id，X_maxxd＝1.5X_id，v_minxd＝-0.1X_id，v_maxxd＝0.1X_id。

为了减少在迭代过程中，粒子离开探索空间的可能性，通常第d维的位置变化范围限定在[X_minxd,X_maxxd]内，速度变化范围限定在[v_minxd,v_maxxd]内，即在迭代过程中若v_id和X_id超出了边界，则将其设为边界值；

S43、对位置更新后的水动力学参数进行自适应变异处理；具体包括：通过随机函数rand生成一个[0，1]之间的随机数；若该随机数大于预设值，则对粒子位置进行变异操作；若该随机数小于或等于预设值，则粒子位置保持不变；在本发明实施例中，将上述预设值取为0.75；

具体地，粒子发生在第d维：

d＝Ceil(D*r₃) (12)

其中Ceil为向上取整；

第d维位置变化：

X_id(t+1)＝X_minxd+(X_maxxd-X_minxd)*r₄ (13)

其中r₃，r₄为[0，1]之间的随机数；

S44、重复步骤S42和步骤S43，直至满足预设最大迭代数，获得目标函数取最小值时所对应的最优水动力参数；

在本发明实施例中，确定最大迭代数为100次，重复步骤(6)和步骤(7)直至满足最大迭代数，并输出相应全局最好的位置G_best(G_best1，G_best2…G_best100)。

图2为观测回转率值与实际数据曲线对比图。结果显示，该辨识算法可提高拟合状态观测器与水面无人船运动的相似性，提升状态观测器的观测精度。

图3为目标函数大小随迭代次数增加变化曲线。结果显示，随着迭代次数增加，观测值越来越接近真实值。

综上，本发明提供了一种面向水面无人船状态方程的辨识方法，通过辨识水面无人船的最优水动力参数，可以提升无人船自主操控系统综合控制品质，并且实现精准避障。该方法还可以推广应用于航空领域，用于飞控系统控制律开发。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

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 (10)

1.一种面向水面无人船状态方程的辨识方法，其特征在于，包括如下步骤：

S1、分别获取目标无人船在船舶坐标系下和固定坐标系下的实测数据，并根据所述实测数据构建所述目标无人船的线性运动状态方程；

S2、基于所述线性运动状态方程设计状态观测器，并获取所述状态观测器的水动力学参数；

S3、获取预设时间段内所述目标无人船的观测航向角和实测航向角，并根据所述观测航向角和实测航向角确定目标函数；

S4、结合所述目标函数，基于自适应变异粒子群算法对所述水动力学参数进行处理，获得所述目标函数取最小值时所对应的最优水动力参数。

2.根据权利要求1所述的一种面向水面无人船状态方程的辨识方法，其特征在于，所述实测数据包括：船舶坐标系下目标无人船的实测横向速度、实测回转角、实测横向加速度和实测回转角加速度；以及固定坐标系下所述目标无人船的实测航向角、实测航向角速度和实测方向舵舵角。

3.根据权利要求2所述的一种面向水面无人船状态方程的辨识方法，其特征在于，所述线性运动状态方程表示为：

其中，v表示实测横向速度；r表示实测回转角；表示实测横向加速度；/>表示实测回转角加速度；/>表示实测航向角；/>表示实测航向角速度；δ_r表示实测方向舵舵角；A₁₁、A₁₂、A₂₁、A₂₂、A₃₂、B₁和B₂均表示水平面状态空间中的水动力参数。

4.根据权利要求3所述的一种面向水面无人船状态方程的辨识方法，其特征在于，所述状态观测器表示为：

其中，表示观测横向加速度；/>表示观测回转角加速度；/>表示观测航向角速度；/>表示观测横向速度；/>表示观测回转角；/>表示观测航向角；g₁、g₂和g₃均表示状态观测器在线性方程中的根。

5.根据权利要求1所述的一种面向水面无人船状态方程的辨识方法，其特征在于，所述目标函数表示为：

其中，M表示目标函数；n表示预设时间段内的数据个数；表示j时刻下的观测航向角；表示j时刻下的实测航向角。

6.根据权利要求1所述的一种面向水面无人船状态方程的辨识方法，其特征在于，所述步骤S4具体包括：

S41、对所述水动力学参数进行初始化；

S42、结合所述目标函数，对初始化后的水动力学参数进行位置更新；

S43、对位置更新后的水动力学参数进行自适应变异处理；

S44、重复步骤S42和步骤S43，直至满足预设最大迭代数，获得所述目标函数取最小值时所对应的最优水动力参数。

7.根据权利要求6所述的一种面向水面无人船状态方程的辨识方法，其特征在于，所述步骤S41具体包括：将所述水动力学参数作为粒子的组成，生成N个维度为D的数组；其中，N表示粒子总数；

所述数组中的每个值在对应的CFD数值计算获得的水动力参数经验值的±100％范围内随机生成。

8.根据权利要求7所述的一种面向水面无人船状态方程的辨识方法，其特征在于，在所述步骤S42中，第i个粒子在每个维度中速度和位置按如下公式进行变化：

v_id(t+1)＝w₁v_id(t)+c₁*r₁*(P_bestd(t)-X_id(t))+c₂*r₂*(G_bestd(t)-X_id(t))

X_id(t+1)＝X_id(t)+v_id(t+1)

其中，t表示迭代更新次数；v_id(t+1)表示第t+1次迭代中第i个粒子在d维度的位置更新速度；w₁表示惯性权重；c₁表示调节粒子向自身最优位置飞行步长的正定常数；c₂表示调节粒子向全局最优位置飞行步长的正定常数；r₁和r₂均表示[0，1]范围内的随机数；P_bestd(t)表示第t次迭代中目标函数取最小值时粒子在d维度中的位置；X_id(t)表示第t次迭代时第i个粒子在d维度的实际位置；G_bestd(t)表示整个粒子群迭代历程中目标函数取得最小值时，粒子在d维度的位置。

9.根据权利要求8所述的一种面向水面无人船状态方程的辨识方法，其特征在于，在迭代过程中，若粒子的位置更新速度或实际位置超出了预设范围，则将该粒子的位置设为边界值。

10.根据权利要求6所述的一种面向水面无人船状态方程的辨识方法，其特征在于，所述步骤S3具体包括：通过随机函数rand生成一个[0，1]之间的随机数；若所述随机数大于预设值，则对粒子位置进行变异操作；若所述随机数小于或等于预设值，则粒子位置保持不变。