基于扩张状态卡尔曼原理的海浪滤波算法

针对海浪干扰下船舶控制系统存在的无效舵问题以及风、流干扰下观测器存在的静差问题,提出一种基于扩张状态卡尔曼原理的海浪滤波算法。该方法首先对船舶一阶Nomoto模型进行离散化,基于带遗忘因子的最小二乘法对模型中的参数进行辨识;以海浪二阶传递函数与一阶Nomoto模型建立用于海浪滤波的四阶状态方程,并以Nomoto模型中环境干扰与未建模动态组成的综合干扰项为扩张状态建立五阶状态方程,基于卡尔曼滤波算法设计海浪滤波器,在实现海浪滤波的同时消除干扰环境下状态观测静差问题。仿真结果表明,本文提出的海浪滤波算法能够有效的滤除船舶航向的高频信号并正确的估计出船舶的运动状态,显著减少了船舶航行时的无效舵问题。     

基于改进LSSVM的船舶操纵运动模型在线参数辨识方法

为实现船舶操纵性的在线预报及自适应运动控制,针对Nomoto二阶非线性运动模型参数辨识问题,将最小二乘支持向量机(least squares support vector machines,LSSVM)与多新息方法相结合,提出一种新的多新息在线LSSVM辨识建模方法。试验结果表明,使用所提出的算法辨识的模型进行预报的拟合误差可达到4.76%以下,能准确拟合船舶操纵运动模型。     

基于反馈粒子滤波的船舶模型参数辨识

[目的]近年来,随着船舶朝着大型化、高速化、智能化的方向发展,船舶动力定位技术显得尤为重要。为了在动力定位系统中建立运动数学模型,需要确定模型中各参数的值。[方法]首先,以一艘挖泥船为研究对象,建立船舶运动数学模型,并分离出纵荡运动模型以及横荡与艏摇运动模型;然后,基于系统辨识理论和反馈粒子滤波算法辨识模型中的未知参数,包括2个主推进器和1个侧推进器的推力系数;最后,进行仿真实验,求得待辨识的参数值。[结果]通过与扩展卡尔曼算法的比较,显示反馈粒子滤波算法对参数辨识的效果更好,验证了反馈粒子滤波算法的可靠性。[结论]该方法在船舶动力定位系统中具有良好的应用前景。     

关于船舶Nomoto模型的进一步思考

在教学和科研实践中发现船舶操纵运动方程(Nomoto模型)的推导在数学上不够严密,虽然Nomoto模型作为一种近似方法仍然可以继续使用,但为了科学的严谨,对船舶运动数学模型重新进行了简化,指出了Nomoto模型的适用范围,并给出了小型及快速船舶的Nomoto模型参数的修正方案。     

基于特征模型的船舶运动数学模型

为了获得形式简洁而精度较高的船舶运动数学模型,将航空航天领域的特征模型移植到航海领域.利用部分实船试验数据辨识出特征模型的参数,通过船舶Z形试验验证了在航海领域使用特征模型的可行性.该精度稍高于目前使用的Nomoto模型,且保留了其简洁的形式.     

基于操纵试验的实船运动模型参数辨识实例研究

参数辨识对于构建船舶操纵运动数学模型具有重要意义。为有效、准确估计实船操纵运动模型参数,提出一种基于系统辨识原理、采用递推最小二乘算法进行差分方程型船舶运动模型参数辨识的技术路线。基于操纵试验数据,将技术路线应用于实船舵角-航向差分方程模型的参数辨识。应用研究显示,提出的技术路线在实船操纵运动模型参数辨识的应用中可行性好,辨识出的参数具有较高的精度,模型输出能够较好拟合观测输出。本文中提出的技术路线流程简单,便于工程实现,能够为船舶运动模型参数的自动辨识提供支持。     

基于卡尔曼滤波的船舶侧偏角软测量

船舶在航行过程中会受到外界环境的干扰,对船舶的运动状态产生影响。为了保证行使的安全性需要对船舶的关键状态变量进行控制。本文利用软测量技术对船舶的相关参数进行获取,并且通过卡尔曼滤波技术进行状态估计。最后进行的实船实验结果表明,本文算法能够有效对船舶的侧偏角进行测量,误差控制在10%以内。     

UKF和PF融合算法在动力定位船舶状态估计中的应用研究

针对船舶动力定位状态估计时使用扩展卡尔曼滤波导致模型失配而产生滤波精度不高甚至滤波发散的问题,设计一种融合无迹卡尔曼滤波和粒子滤波的动力定位船舶状态估计算法。该算法以粒子滤波作为整体框架,运用无迹卡尔曼滤波对粒子状态的每次更新进行最优化估计,从而最优化了每个粒子的状态,再根据每个粒子的重要性分布,得出船舶复合运动中的低频状态。Matlab仿真结果表明,该方法能够从含有高频和噪声干扰的测量信息中估计出的船舶低频运动状态,相比于直接使用UKF,该方法的滤波精度更高,滤波性能也比较稳定。     

基于ASNLS算法的智能浮标浮潜模型参数辨识

[目的]针对智能浮标大深度浮潜模型难以精确量化的问题,提出一种抗数据饱和及测量噪声的最小二乘算法（ASNLS）,以实现浮潜多参数识别及深度预测。[方法]首先,在智能浮标浮潜运动灰箱模型中引入其执行机构的非线性动作特性以契合实际模型,并将连续型浮潜运动方程转化为离散模式以匹配实际离散的数据采样方式;然后,将离散型运动方程构造为基于相关函数的表达形式,以减弱噪声对参数辨识的影响;最后,通过调整协方差矩阵的取值,实现该浮潜参数辨识算法的抗数据饱和功能。[结果]基于2021年智能浮标在南海的大深度试验数据,开展了浮潜运动模型参数辨识及深度预测,验证结果表明：相较于传统的最小二乘算法及支持向量机算法,ASNLS算法的收敛速度更快（较最小二乘算法提高了31.8%）、深度预测误差更小（不同深度下的平均绝对百分比误差均小于9%）。[结论]ASNLS算法可为智能浮标的深度控制和预报提供有效的浮潜模型支撑。     

结合状态观测与遗传算法的船舶路径预测控制

为实现具有速度不易测﹑模型不确定﹑受外界因素干扰﹑输入需约束及优化等特点的欠驱动船舶的路径跟踪，提出带状态观测的模型预测控制（MPC）。在限制条件下利用MPC求解性能指标函数，处理舵角优化﹑舵幅与舵速约束问题。设计扩张状态观测器（ESO）对环境干扰和模型不确定项进行估计，提高MPC的性能。通过预测未来估计误差，利用遗传算法在线调节ESO参数，提高估计性能。基于指数函数建立速度观测器，避免速度不易测。稳定性分析和仿真试验结果表明，采用该结合状态观测的MPC船舶路径控制方案，当速度和干扰均未知时，船舶仍能跟踪上参考路径，舵角平滑且始终在约束值内，MPC控制精度和ESO估计精度均得到提高。研究结果说明该方案是可行的、有效的。     

UKF和PF融合算法在动力定位船舶状态估计中的应用研究

针对船舶动力定位状态估计时使用扩展卡尔曼滤波导致模型失配而产生滤波精度不高甚至滤波发散的问题,设计一种融合无迹卡尔曼滤波和粒子滤波的动力定位船舶状态估计算法.该算法以粒子滤波作为整体框架,运用无迹卡尔曼滤波对粒子状态的每次更新进行最优化估计,从而最优化了每个粒子的状态,再根据每个粒子的重要性分布,得出船舶复合运动中的低频状态.Matlab仿真结果表明,该方法能够从含有高频和噪声干扰的测量信息中估计出的船舶低频运动状态,相比于直接使用UKF,该方法的滤波精度更高,滤波性能也比较稳定.     

模型参数辨识在运动控制仿真系统的应用

船舶运动控制仿真系统是船舶开发过程中的辅助系统,能够模拟船舶在多种激励下的运动状态,有助于提高船舶运动控制系统的设计水平。本文研究的重点是一种模型参数辨识技术在船舶运动控制仿真系统的应用,本文首先建立了船舶运动仿真力学模型,利用基于粒子群算法等数学算法,针对船舶运动控制仿真系统的参数辨识等进行了优化与仿真试验。     

基于UKF联邦滤波的动力定位船舶运动状态估计

针对动力定位船舶,采用基于无迹卡尔曼滤波(UKF)的联邦滤波技术,利用多种位置参考系统和电罗经的测量值来实现对船舶运动状态的估计。从传感器测量原理出发,采用非线性的测量方程,实现对多种位置参考系统传感器特征的描述,利用UKF滤波方法和联邦滤波结构将动力定位船舶配备的多个冗余位置参考系统的测量数据进行有效融合,从而提高对船舶运动状态估计的精度和可靠性。仿真结果表明,采用基于UKF的联邦滤波方法可以有效实现对动力定位船舶相关运动状态的估计。     

基于混合深度学习的燃气轮机动态过程关键参数在线辨识北大核心CSCD

[目的]为克服燃气轮机非线性时变特性对动态控制及性能监测的影响,通过长短期记忆神经网络(LSTM)的时序记忆、非线性关系表达与高斯过程回归(GPR)的区间概率估计能力三者的结合,提出一种基于LSTM-GPR混合深度学习模型的关键动态参数在线辨识算法。[方法]首先,建立燃气轮机的动态机理模型,以燃料热值、压气机效率及负载电力矩为待辨识参数,生成大量训练数据;然后,构建LSTM-GPR参数辨识网络模型,并输入训练数据进行网络训练和权重系数学习;最后,使用训练好的LSTM-GPR混合模型对燃气轮机动态运行参数进行在线辨识,经分析辨识结果来验证所提算法的有效性。[结果]仿真结果表明,所提算法辨识结果准确,误差小于1%,实时性好,相比于LSTM单一模型能获得更好的均值估计效果,并给出可靠的结果置信区间。[结论]所提算法能有效应用于燃气轮机模型的关键动态参数在线辨识,为进一步应用于实际机组奠定了基础。     

一种电路机理等效的船舶Nomoto模型

为使船舶Nomoto模型方程形象化,用电阻、电容和放大器搭建电路,经推导其传递函数与船舶Nomoto模型相同,通过适当选取电路元件参数,实现"育鲲轮"的电路机理等效模型。将融入旋回降速补偿后的电路仿真实验结果与实船回转试验结果进行比对,证明电路机理模型可以较高精度等效船舶Nomoto模型,对船舶运动半物理仿真具有重要指导意义。     

基于混合深度学习的压气机喘振快速诊断及自抗扰控制方法

[目的]为了提升压气机设备安全、稳定运行的水平,提出一种基于混合深度学习参数辨识的喘振状态快速诊断方法,以及一种用于实现压气机退喘的自抗扰控制策略。[方法]首先,采用长短期记忆神经网络（LSTM）处理压气机参数辨识输入输出数据的时序关系,并融入高斯过程回归（GPR）的区间概率估计能力,提出一种基于LSTM和GPR结合（LSTM-GPR）的混合深度学习参数辨识算法,进而实现对压气机喘振状态的快速诊断;然后,基于自抗扰控制方法对压气机的节流阀参数进行控制,通过控制量对压气机节流阀参数的补偿,实现对压气机喘振状态的准确控制。[结果]结果表明,混合深度学习参数辨识算法可以实现对压气机临界Greitzer参数的准确辨识,能快速、准确地判断出压气机是否处于喘振状态,并且基于自抗扰控制的控制策略,可以使压气机有效退出喘振状态,相比传统的PID控制和非线性反馈控制等控制方法,所提方法快速、有效,可保证压气机的工作范围。[结论]提出的参数辨识和自抗扰控制方法能够用于压气机的喘振诊断和主动控制,可提升压气机的安全性与稳定性。     

基于支持向量回归机的船舶操纵运动在线辨识建模

采用滚动时间窗的方法实现支持向量机的在线辨识。以船舶操纵运动响应模型为研究对象,并由10°/10°和15°/15°仿真Z形试验数据构造支持向量机参数辨识所需的训练样本对,应用支持向量机进行船舶操纵运动在线辨识建模,回归操纵运动响应模型中的操纵性指数,并利用建立的响应模型进行Z形试验的数值模拟。将Z形试验数值模拟结果同仿真Z形试验数据进行比较,结果表明,在线式支持向量回归机是一种进行船舶操纵运动在线辨识建模的有效方法。     

一种电路机理等效的船舶Nomoto模型

为使船舶 Nomoto模型方程形象化，用电阻、电容和放大器搭建电路，经推导其传递函数与船舶Nomoto模型相同，通过适当选取电路元件参数，实现“育鲲轮”的电路机理等效模型。将融入旋回降速补偿后的电路仿真实验结果与实船回转试验结果进行比对，证明电路机理模型可以较高精度等效船舶Nomoto模型，对船舶运动半物理仿真具有重要指导意义。     

基于支持向量回归机的船舶操纵运动在线辨识建模

采用滚动时间窗的方法实现支持向量机的在线辨识。以船舶操纵运动响应模型为研究对象,并由10°/10°和15°/15°仿真Z形试验数据构造支持向量机参数辨识所需的训练样本对,应用支持向量机进行船舶操纵运动在线辨识建模,回归操纵运动响应模型中的操纵性指数,并利用建立的响应模型进行Z形试验的数值模拟。将Z形试验数值模拟结果同仿真Z形试验数据进行比较,结果表明,在线式支持向量回归机是一种进行船舶操纵运动在线辨识建模的有效方法。     

Finite-time ship formation control based on extended state observer北大核心CSCD

[目的]为了解决大多数船舶编队控制算法控制周期长和时效性差的问题,提出一种基于扩张状态观测器(ESO)的有限时间控制策略。[方法]采用一种非线性终端滑模算法,通过对控制律分区域设计,克服传统终端滑模存在的奇异性问题;将非线性终端滑模与图论结合,实现有限时间的船舶编队控制;利用扩张状态观测器观测并补偿船舶模型中的不确定性及外界的干扰,以保证船舶编队控制的精确性;运用Lyapunov理论验证船舶编队控制律的稳定性。[结果]仿真结果表明,采用所提控制策略使整个编队系统误差在5 s左右趋近于0,从而实现了稳定。[结论]该控制策略能有效控制船舶编队,且控制速度快、时效性好。