基于主慣導參數特性的傳遞對準調平方法

楊管金子, 李建辰, 黃 海, 國琳娜

?

基于主慣導參數特性的傳遞對準調平方法

楊管金子, 李建辰, 黃 海, 國琳娜

(中國船舶重工集團公司 第705研究所, 陜西 西安, 710075)

初始對準時間作為一項重要指標, 直接關系到魚雷在戰(zhàn)場上的快速準備性能。傳統(tǒng)對準算法及調平判據由于其內部參數一般固定不變, 一方面使得對準時間過長, 另一方面針對不同對準工況的適應性較差。文中提出一種基于主慣導速度注入參數和水平姿態(tài)角晃動參數特性的對準調平方法, 采用BP神經網絡對該特性進行辨識, 實時自適應對內部特定參數進行在線更新, 在保證對準精度的同時, 以達到較快的濾波器收斂速度和不同工況下的及時調平判定。對比試驗結果表明, 該方法能夠有效地加快失諧角收斂速度, 且根據不同工況自適應設計調平判據, 可達到縮短初始對準時間的目的。

魚雷; 主慣導參數; 傳遞對準; 調平判定; BP神經網絡;

0 引言

魚雷作為重要的反艦反潛水下戰(zhàn)術武器, 在復雜多變的戰(zhàn)爭環(huán)境中, 其需要具備快速反應能力。隨著技術的發(fā)展、戰(zhàn)爭快速性及多變性的升級以及戰(zhàn)術指標的提高, 各國海軍也逐步需要魚雷具備更加敏捷的戰(zhàn)場應變及機動能力。其中, 初始對準過程占據了大部分的射前準備時間, 成為魚雷研制中的一項重要指標。

裝載于水面艦或潛艇等平臺的常規(guī)魚雷, 其射前對準環(huán)境隨著平臺機動及風浪或洋流干擾形成動基座。在此條件下, 針對初始對準技術的研究, 一般著眼于對濾波算法的選擇及改進, 但不同的濾波算法最終定位于采用自適應的方式對量測噪聲進行在線估計, 以提高對準精度以及縮短對準時間, 研究結果表明, 以上方法相比較標準Kalman濾波而言在一定程度上能夠提高濾波的收斂速度, 但并未對對準結束時刻進行明確說明[1-3]。國內外可檢索到的針對調平判定方法的文獻非常少。

考慮到從主慣導系統(tǒng)(main inertial navigation systems, MINS)獲取的參數包括姿態(tài)、速度及位置信息, 由于現有平臺及子慣導之間的交互存在匹配上的限制, 一般采用速度匹配的對準方式。姿態(tài)信息能夠對外界工況進行一定程度上的實時反映, 在隨著平臺的機動及姿態(tài)晃動過程中, 對準過程中的濾波器收斂速度及精度會隨著外界工況受到影響。

文中針對動基座條件下, 對采用速度匹配方式的對準方法進行研究, 以期進一步縮短對準時間。通過對速度注入參數的特性辨識, 在線優(yōu)化陣取值, 以加快濾波收斂速度; 同時, 充分利用主慣導能夠獲得的姿態(tài)信息, 對敏感到的俯仰、橫滾等水平姿態(tài)角參數晃動特性進行辨識, 以此為基礎, 對滑動窗口閾值進行實時自適應設定, 以在不同工況條件下, 第一時間進行調平判定, 形成一種基于主慣導參數特性分析的傳遞對準調平方法。

1 方法概述

如何縮短對準時間, 一般從兩方面采取措施: 一是加快濾波器收斂速度。在濾波器收斂過程中, 在滿足可觀測性的條件下, 對于特定觀測量而言, 量測噪聲陣的取值對對應狀態(tài)量的收斂速度及收斂誤差起直接作用。一般情況下,陣依靠對觀測量的辨識經驗設定初始值后不再改變, 其無法適應于不同工況下存在的觀測量差異, 在不同工況下有可能造成較大的收斂誤差。采用陣自適應后, 其收斂精度依賴于陣估計精度。要保證收斂精度, 需要一定時間等待陣估計至一定精度, 這將導致濾波器收斂時間增加。二是提前判定調平的時間?，F階段的調平判據主要依靠經驗設定固定調平時間, 該方法為了能確保濾波器在一定時間內完全收斂, 會設計充分的時間余量而造成時間浪費; 或者設定滑動窗口進行濾波器收斂判定, 該方法雖能較早覺察到濾波的收斂, 但其窗口閾值不變, 面對諸多工況間的差異時, 無法進行區(qū)別, 以致以一種判據進行判定并不是一種科學的做法[4-7]。

基于以上問題, 在原本速度匹配傳遞對準基礎上, 充分利用主慣導獲取的速度噪聲特性及姿態(tài)晃動特性, 針對濾波器內部參數及調平判據進行如下設定。

1) 采用陣序貫自適應算法進行濾波估計, 初期設定較小的陣初始值強制加快濾波器的收斂速度, 并對注入參數進行在線實時監(jiān)測辨識。隨后, 根據獲取的速度噪聲特性, 進行陣自適應濾波, 在不失收斂速度的同時, 保證濾波器的平穩(wěn)收斂。

2) 自適應設計調平判據, 即在線根據監(jiān)測的水平角晃動特性, 采用神經網絡預測失諧角收斂誤差, 根據其誤差值按照“由小及大”的原理實時變更相應的滑動窗口判定閾值, 進行調平判據判斷, 一段時間的失諧角誤差成功被“捕獲”進窗口后, 進行調平判定。

1.1 模型建立

文中估計狀態(tài)量采用11維參數, 且

文中主要對北向失諧角及東向失諧角進行估計, 以修正初始姿態(tài)陣, 其中航向角信息采用直接注入方式。系統(tǒng)陣在此不作贅述。

對準方式采用速度匹配方式, 觀測量采用北向速度及東向速度

濾波器采用經典Kalman濾波, 且

1.2 R陣序貫自適應算法

在速度匹配方式基礎上, 為充分利用MINS注入參數特性, 加快濾波收斂速度, 縮短對準時間, 文中采用陣序貫自適應的方法進行濾波估計, 即, 在前期無法預知觀測值噪聲特性的情況下, 強制設計1個較小的陣初值(文中設定=0.1), 使得失諧角估計能盡快進行收斂, 在此階段設計陣固定值估計時間為7.5 s(陣能夠估計到一定精度)。7.5 s后, 根據監(jiān)測的觀測值噪聲特性進行自適應濾波(此時陣初始值設定為較估計值大一些, 以適于陣隨后的估計過程), 以在失諧角收斂階段盡量平穩(wěn)且接近真實值[8]。陣自適應算法參考

式中:e為觀測量誤差;為自適應因子(為了達到較好的自適應估計效果, 取0.96)。

以下對文中設計的陣序貫自適應算法與陣傳統(tǒng)固定值算法及陣自適應算法進行仿真結果比較(如圖1), 以北向失諧角收斂情況及北向速度觀測噪聲估計值為例(文中陣自適應初始值設為2)。

如圖2所示, 從上述仿真結果可見, 序貫自適應方法, 無論是相比傳統(tǒng)固定值方法, 還是純自適應方法, 皆能滿足快速收斂及后期平穩(wěn)收斂至接近真實值的效果。在平臺晃動的條件下, 仿真顯示出同樣的效果, 在此不再贅述。

1.3 神經網絡預測滑動窗口閾值

綜上所述, 平臺機動及風浪或洋流干擾使得平臺產生晃動, 在不同對準工況下, 失諧角收斂精度存在理論上的最高值, 因此單一的設定調平判據會造成不同工況下對準時間的差異及浪費, 甚至在惡劣工況下無法進行調平的情況。為保證不同工況下, 初始對準皆能快速進行調平判定, 以縮短對準時間, 調平判據應實時進行自適應設定, 其需建立在對外界工況的辨識基礎之上。文中針對MINS傳遞水平姿態(tài)角(即俯仰、橫滾方向)的晃動特性, 對滑動窗口閾值的自適應設定進行研究。

一般的, 平臺晃動可以根據MINS傳遞水平姿態(tài)角用周期震蕩形式表征

根據前期仿真結果, MINS傳遞水平姿態(tài)角參數特性中, 幅值及周期(即頻率)對失諧角收斂段誤差影響較大, 文中亦著重研究其與收斂段誤差的關系, 并建立其與失諧角穩(wěn)態(tài)誤差之間的關系, 以作為滑動窗口閾值設定依據。圖3為對隨機2 000個不同周期、幅值得到的失諧角收斂段誤差仿真做出的對應關系曲線圖, 3維圖對應關系為周期-幅值-北向失諧角收斂誤差。

根據圖3顯示, 當幅值和頻率同時增大時, 其北向失諧角收斂誤差顯示出隨兩變量增大的特性。為了建立上述四參量(俯仰、橫滾的幅值及頻率)與二參量(北、東向失諧角穩(wěn)態(tài)誤差)之間的復雜非線性關系, 同時保證輸入輸出之間映射的快速性, 文中考慮采用反向傳播(back propagation, BP)神經網絡進行復雜非線性擬合, 以隱含層作為“黑盒子”通過前期大量數據進行自適應訓練, 快速映射出輸出與輸入之間的關系。圖4為反向傳播(back propagation, BP)神經網絡非線性擬合算法流程, 包括建模、訓練和預測。

在保證較短的訓練時間基礎上, 為提高網絡精度, 通過資料所提出的經驗公式, 及后期大量的試驗驗證, 確定網絡設計為3個隱含層, 隱含層函數為logsig, 輸出層函數為purelin。在 2 000組數中, 選取1 900組作為訓練樣本, 100組作為預測樣本, 圖5為預測樣本與真實樣本的比較[9-11]。

圖6中可見, BP神經網絡經自身訓練后, 其預測輸出誤差大部分不超過0.0015o, 少數也不超過0.003o, 在動基座調平判定中, 該誤差能夠滿足滑動窗口閾值設定精度需求。

參照上述數據庫, 即可根據外界晃動情況, 進行初步的失諧角理論收斂精度的預估。依據該預估值, 結合指標要求, 即可根據外界環(huán)境自適應地設計滑動窗口閾值, 以適應不同工況下的快速調平。

2 仿真結果與分析

文中設計的仿真對比試驗, 根據注入參數水平角變化特性設定滑動窗口閾值, 對序貫自適應方法與陣初始準確設定方法相比較, 仿真結果如下。

2.1 數學仿真

仿真條件: 陀螺常值漂移5o/h; 陀螺隨機噪聲5o/h; 加計常值零偏5×10–3g; 加計隨機噪聲5×10–3g; 注入的速度噪聲0.2 m/s; 注入的水平角變化特性: 幅值正弦2o, 周期15 s。數據周期5 ms, Kalman濾波周期50 ms,陣貫序時間7.5 s, 自適應初始值2。仿真結果如圖7所示。

在上述仿真中, 序貫自適應算法初期波動較大, 但能較快進行收斂; 結合晃動特性通過BP神經網絡預測失諧角收斂段誤差為0.036 829o、0.031 477o, 將其設定為調平判定滑動窗口閾值。陣序貫自適應算法于15.9 s完成調平判定, 準確固定陣設定算法于18.05 s完成調平判定。

2.2 半實物仿真

現場條件:利用自研慣性測量裝置(inerti- alunit, IMU)及手動簡易支架轉臺, 模擬現實情況下的對準工況, 采集產品實際數據輸出, 對上述方法進行驗證。經基準數據觀測(見圖8), 俯仰角晃動周期約為15 s, 幅值12o; 橫滾角晃動周期為1.25 s, 幅值10.8o, 速度為0。數據采集周期為5 ms, Kalman濾波參數設定不變。

分別用陣準確固定值、陣自適應及文中所述方法進行對準, 結果見圖9。

由圖9可知, 半實物仿真結論與數學仿真相似。結合晃動特性預測北向、東向失諧角收斂段誤差分別為0.184 4o、0.026 4o。陣序貫自適應算法于20.15 s完成調平判定, 準確固定陣設定算法于26.4 s完成調平判定。

實際過程中, 對準調平時間指標一般在30 s以上, 文中所述方法能夠較迅速地完成收斂過程, 且能自適應進行調平判定, 在不同工況下較早地完成調平判定, 證明了該方法的有效性。

3 結束語

文中主要研究了在傳遞對準過程中, 除了引入MINS速度注入參數進行對準過程外, 同時考慮將速度噪聲特性及水平角變化特性作為對準流程及調平判定的參考因素及依據。將MINS可獲取的導航參數作為子慣導外的觀測量進行考慮, 研究結果表明, 以速度噪聲特性為依據, 對陣進行序貫自適應, 能夠在一定程度上使陣估計至真實值附近, 加快濾波收斂速度, 平滑濾波收斂; 同時, 以水平姿態(tài)角變化(晃動)特性作為依據, 根據不同工況對調平判定滑動窗口閾值進行設計, 在不同工況下, 能夠較早開始進行調平判定, 射前縮短對準時間, 以實現魚雷的快速準備。

在晃動條件下, 濾波器穩(wěn)態(tài)段也會呈現出波動特性, 采用滑動窗口的方式進行調平, 無法確定調平時刻在波動曲線的準確位置, 需對在波動曲線的不同位置調平對對準精度的影響進行分析。因此, 未來需進一步精確調平時刻的設定。

[1] 駱斐, 尤太華, 劉運鵬, 等.擾動基座下捷聯(lián)慣組初始對準[J].戰(zhàn)術導彈技術, 2016(6): 76-79.Luo Fei, You Tai-hua, Liu Yun-peng.et al.Initial Alignment of SIMU with Disturbances[J].Tactical Missile Te- chnology, 2016(6): 76-79.

[2] 郜福全, 陳麗容, 丁傳紅, 等.UD分解自適應濾波在SINS初始對準中的應用[J].計算機工程與設計, 2017, 35(1): 158-162.Gao Fu-quan, Chen Li-rong, Ding Chuan-hong.et al.Initial Alignment of SINS Based on UD Factorized Adaptive Filter[J].Computer Egnineering and Design, 2017, 35(1): 158-162.

[3] 蘇宛新.自適應UKF濾波在SINS初始對準中的應用[J].中國慣性技術學報, 2011, 19(5): 533-536.Su Wan-xin.Application of Adaptive UKF Filter Technique in Initial Alignment of SINS[J].Journal of Chinese Inertial Technology, 2011, 19(5): 533-536.

[4] 劉紅光, 張崇猛, 陳偉, 等.艦艇干擾因素對速度匹配傳遞對準性能的影響[J].中國艦船研究, 2013, 8(4): 86-91.Liu Hong-guang, Zhang Chong-meng, Chen Wei, et al.In- terference Factors of Velocity Matching and Transfer Al- ignment for Shipboard Weapons[J].Chinese Journal of Ship Research, 2013, 8(4): 86-91.

[5] Chen Y, Zhao Y.New Rapid Transfer Alignment Methodfor SINS of Airbome Weapon Systems[J].Journal of Sy- stems Engineering and Electrics, 2014, 25(2): 281-287.

[6] Fairfax L D, Fresconi F E.Position Estimation for Projectiles Using Low-cost Sensors and Flight Dynamics[J].Journal of Aerospace Engineering, 2014, 27(3): 611-620.

[7] 王艷永, 楊功流, 王永苗, 等.捷聯(lián)慣性導航系統(tǒng)動態(tài)傳遞對準性能綜合評估[J].中國慣性技術學報, 2013, 21(4): 425-429.Wang Yan-yong, Yang Gong-liu, Wang Yong-miao, et al.Comprehensive Assessment for Dynamic Transfer Align-m- ent Accuracy of Strap-down Inertial Navigation System[J].Journal of Chinese Inertial Technology, 2013, 21(4): 425- 429.

[8] 萇永娜, 張海, 李玉潔, 等.基于R陣動態(tài)估計的自適應濾波算法[J].電光與控制, 2012, 19(6): 26-31.Chang Yong-na, Zhang Hai, Li Yu-jie, et al.An Adaptive Kalman Filtering Algorithm Based on the Dynamic Estimation of Measurement Noises[J].Electronics Optics & Control, 2012, 19(6): 26-31.

[9] 章毅, 郭泉, 王建勇.大數據分析的神經網絡方法[J].工程科學與技術, 2017, 49(1): 9-18.Zhang Yi, Guo Quan, Wang jian-yong.Big Data Analysis Using Neural Network[J].Advanced Engineering Scien-ces, 2017, 49(1): 9-18.

[10] Silver D, Huang A, Maddison C J, et al.Mastering the Ga- me of Go with Deep Neural Networks and Tree Search[J].Nature, 2016, 529(7587): 484-489.

[11] Wang J, Wu W, Zurada J M.Deterministic Convergence of Conjugate Gradient Method for Feedforward Neural Net- works[J].Neurocomputering, 2011, 74(14-15): 2368-2376.

Transfer Alignment and Leveling Method Based on Characteristics of MINS Parameters

YANG Guan-jin-ziLI Jian-chenHUANG HaiGUO Lin-na

(The 705 Research Institute, China Shipbuilding Industry Corporation, Xi’an 710075, China)

The initial alignment time directly relates to the fast prefiring performance of a torpedo.The internal parameters of traditional alignment algorithm and leveling criterion are fixed, which results in longer alignment time and poor adaptation to different alignment conditions.To solve the problem, this study proposed an alignment and leveling method based on the characteristics of main inertial navigation system(MINS) speed injection parameters and horizontal attitude angle sloshing parameter.The back propagation(BP) neural network was used to identify these characteristics, and the internal specific parameters were online adaptively updated in real time.Hence, on the premise of guaranteeing the alignment accuracy, fast convergence rate of the filter and timely leveling judgment in different working conditions could be ensured.Comparative test shows that the proposed method can effectively accelerate the convergence rate of the detuning angle, adaptively design the leveling criterion according to different working conditions, and shorten the initial alignment time.

torpedo; main inertial navigation system(MINS) parameters; transfer alignment; leveling judgment; back propagation(BP) neural network

TJ630.33; U675.7

A

2096-3920(2018)06-0537-06

10.11993/j.issn.2096-3920.2018.06.005

2018-03-15;

2018-07-25.

楊管金子(1988-), 男, 在讀博士, 工程師, 主要研究方向為水下無人系統(tǒng)制導技術.

楊管金子, 李建辰, 黃海, 等.基于主慣導參數特性的傳遞對準調平方法[J].水下無人系統(tǒng)學報, 2018, 26(6): 537-542.

(責任編輯: 楊力軍)