楊管金子, 李建辰, 黃 海, 國琳娜

?

基于主慣導(dǎo)參數(shù)特性的傳遞對準(zhǔn)調(diào)平方法

楊管金子, 李建辰, 黃 海, 國琳娜

(中國船舶重工集團(tuán)公司 第705研究所, 陜西 西安, 710075)

初始對準(zhǔn)時間作為一項重要指標(biāo), 直接關(guān)系到魚雷在戰(zhàn)場上的快速準(zhǔn)備性能。傳統(tǒng)對準(zhǔn)算法及調(diào)平判據(jù)由于其內(nèi)部參數(shù)一般固定不變, 一方面使得對準(zhǔn)時間過長, 另一方面針對不同對準(zhǔn)工況的適應(yīng)性較差。文中提出一種基于主慣導(dǎo)速度注入?yún)?shù)和水平姿態(tài)角晃動參數(shù)特性的對準(zhǔn)調(diào)平方法, 采用BP神經(jīng)網(wǎng)絡(luò)對該特性進(jìn)行辨識, 實時自適應(yīng)對內(nèi)部特定參數(shù)進(jìn)行在線更新, 在保證對準(zhǔn)精度的同時, 以達(dá)到較快的濾波器收斂速度和不同工況下的及時調(diào)平判定。對比試驗結(jié)果表明, 該方法能夠有效地加快失諧角收斂速度, 且根據(jù)不同工況自適應(yīng)設(shè)計調(diào)平判據(jù), 可達(dá)到縮短初始對準(zhǔn)時間的目的。

魚雷; 主慣導(dǎo)參數(shù); 傳遞對準(zhǔn); 調(diào)平判定; BP神經(jīng)網(wǎng)絡(luò);

0 引言

魚雷作為重要的反艦反潛水下戰(zhàn)術(shù)武器, 在復(fù)雜多變的戰(zhàn)爭環(huán)境中, 其需要具備快速反應(yīng)能力。隨著技術(shù)的發(fā)展、戰(zhàn)爭快速性及多變性的升級以及戰(zhàn)術(shù)指標(biāo)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(yīng)變及機(jī)動能力。其中, 初始對準(zhǔn)過程占據(jù)了大部分的射前準(zhǔn)備時間, 成為魚雷研制中的一項重要指標(biāo)。

裝載于水面艦或潛艇等平臺的常規(guī)魚雷, 其射前對準(zhǔn)環(huán)境隨著平臺機(jī)動及風(fēng)浪或洋流干擾形成動基座。在此條件下, 針對初始對準(zhǔn)技術(shù)的研究, 一般著眼于對濾波算法的選擇及改進(jìn), 但不同的濾波算法最終定位于采用自適應(yīng)的方式對量測噪聲進(jìn)行在線估計, 以提高對準(zhǔn)精度以及縮短對準(zhǔn)時間, 研究結(jié)果表明, 以上方法相比較標(biāo)準(zhǔn)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(zhǔn)結(jié)束時刻進(jìn)行明確說明[1-3]。國內(nèi)外可檢索到的針對調(diào)平判定方法的文獻(xiàn)非常少。

考慮到從主慣導(dǎo)系統(tǒng)(main inertial navigation systems, MINS)獲取的參數(shù)包括姿態(tài)、速度及位置信息, 由于現(xiàn)有平臺及子慣導(dǎo)之間的交互存在匹配上的限制, 一般采用速度匹配的對準(zhǔn)方式。姿態(tài)信息能夠?qū)ν饨绻r進(jìn)行一定程度上的實時反映, 在隨著平臺的機(jī)動及姿態(tài)晃動過程中, 對準(zhǔn)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(zhǔn)方法進(jìn)行研究, 以期進(jìn)一步縮短對準(zhǔn)時間。通過對速度注入?yún)?shù)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(dǎo)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(shù)晃動特性進(jìn)行辨識, 以此為基礎(chǔ), 對滑動窗口閾值進(jìn)行實時自適應(yīng)設(shè)定, 以在不同工況條件下, 第一時間進(jìn)行調(diào)平判定, 形成一種基于主慣導(dǎo)參數(shù)特性分析的傳遞對準(zhǔn)調(diào)平方法。

1 方法概述

如何縮短對準(zhǔn)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(yīng)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(jīng)驗設(shè)定初始值后不再改變, 其無法適應(yīng)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(yīng)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(dǎo)致濾波器收斂時間增加。二是提前判定調(diào)平的時間?，F(xiàn)階段的調(diào)平判據(jù)主要依靠經(jīng)驗設(shè)定固定調(diào)平時間, 該方法為了能確保濾波器在一定時間內(nèi)完全收斂, 會設(shè)計充分的時間余量而造成時間浪費; 或者設(shè)定滑動窗口進(jìn)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(jìn)行區(qū)別, 以致以一種判據(jù)進(jìn)行判定并不是一種科學(xué)的做法[4-7]。

基于以上問題, 在原本速度匹配傳遞對準(zhǔn)基礎(chǔ)上, 充分利用主慣導(dǎo)獲取的速度噪聲特性及姿態(tài)晃動特性, 針對濾波器內(nèi)部參數(shù)及調(diào)平判據(jù)進(jìn)行如下設(shè)定。

1) 采用陣序貫自適應(yīng)算法進(jìn)行濾波估計, 初期設(shè)定較小的陣初始值強(qiáng)制加快濾波器的收斂速度, 并對注入?yún)?shù)進(jìn)行在線實時監(jiān)測辨識。隨后, 根據(jù)獲取的速度噪聲特性, 進(jìn)行陣自適應(yīng)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(yīng)設(shè)計調(diào)平判據(jù), 即在線根據(jù)監(jiān)測的水平角晃動特性, 采用神經(jīng)網(wǎng)絡(luò)預(yù)測失諧角收斂誤差, 根據(jù)其誤差值按照“由小及大”的原理實時變更相應(yīng)的滑動窗口判定閾值, 進(jìn)行調(diào)平判據(jù)判斷, 一段時間的失諧角誤差成功被“捕獲”進(jìn)窗口后, 進(jìn)行調(diào)平判定。

1.1 模型建立

文中估計狀態(tài)量采用11維參數(shù), 且

文中主要對北向失諧角及東向失諧角進(jìn)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(zhǔn)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(jīng)典Kalman濾波, 且

1.2 R陣序貫自適應(yīng)算法

在速度匹配方式基礎(chǔ)上, 為充分利用MINS注入?yún)?shù)特性, 加快濾波收斂速度, 縮短對準(zhǔn)時間, 文中采用陣序貫自適應(yīng)的方法進(jìn)行濾波估計, 即, 在前期無法預(yù)知觀測值噪聲特性的情況下, 強(qiáng)制設(shè)計1個較小的陣初值(文中設(shè)定=0.1), 使得失諧角估計能盡快進(jìn)行收斂, 在此階段設(shè)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(jù)監(jiān)測的觀測值噪聲特性進(jìn)行自適應(yīng)濾波(此時陣初始值設(shè)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(yīng)算法參考

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

以下對文中設(shè)計的陣序貫自適應(yīng)算法與陣傳統(tǒng)固定值算法及陣自適應(yīng)算法進(jìn)行仿真結(jié)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(yīng)初始值設(shè)為2)。

如圖2所示, 從上述仿真結(jié)果可見, 序貫自適應(yīng)方法, 無論是相比傳統(tǒng)固定值方法, 還是純自適應(yīng)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(jīng)網(wǎng)絡(luò)預(yù)測滑動窗口閾值

綜上所述, 平臺機(jī)動及風(fēng)浪或洋流干擾使得平臺產(chǎn)生晃動, 在不同對準(zhǔn)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(shè)定調(diào)平判據(jù)會造成不同工況下對準(zhǔn)時間的差異及浪費, 甚至在惡劣工況下無法進(jìn)行調(diào)平的情況。為保證不同工況下, 初始對準(zhǔn)皆能快速進(jìn)行調(diào)平判定, 以縮短對準(zhǔn)時間, 調(diào)平判據(jù)應(yīng)實時進(jìn)行自適應(yīng)設(shè)定, 其需建立在對外界工況的辨識基礎(chǔ)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(yīng)設(shè)定進(jìn)行研究。

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

根據(jù)前期仿真結(jié)果, MINS傳遞水平姿態(tài)角參數(shù)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(guān)系, 并建立其與失諧角穩(wěn)態(tài)誤差之間的關(guān)系, 以作為滑動窗口閾值設(shè)定依據(jù)。圖3為對隨機(jī)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(yīng)關(guān)系曲線圖, 3維圖對應(yīng)關(guān)系為周期-幅值-北向失諧角收斂誤差。

根據(jù)圖3顯示, 當(dāng)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(fù)雜非線性關(guān)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(jīng)網(wǎng)絡(luò)進(jìn)行復(fù)雜非線性擬合, 以隱含層作為“黑盒子”通過前期大量數(shù)據(jù)進(jìn)行自適應(yīng)訓(xùn)練, 快速映射出輸出與輸入之間的關(guān)系。圖4為反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)非線性擬合算法流程, 包括建模、訓(xùn)練和預(yù)測。

在保證較短的訓(xùn)練時間基礎(chǔ)上, 為提高網(wǎng)絡(luò)精度, 通過資料所提出的經(jīng)驗公式, 及后期大量的試驗驗證, 確定網(wǎng)絡(luò)設(shè)計為3個隱含層, 隱含層函數(shù)為logsig, 輸出層函數(shù)為purelin。在 2 000組數(shù)中, 選取1 900組作為訓(xùn)練樣本, 100組作為預(yù)測樣本, 圖5為預(yù)測樣本與真實樣本的比較[9-11]。

圖6中可見, BP神經(jīng)網(wǎng)絡(luò)經(jīng)自身訓(xùn)練后, 其預(yù)測輸出誤差大部分不超過0.0015o, 少數(shù)也不超過0.003o, 在動基座調(diào)平判定中, 該誤差能夠滿足滑動窗口閾值設(shè)定精度需求。

參照上述數(shù)據(jù)庫, 即可根據(jù)外界晃動情況, 進(jìn)行初步的失諧角理論收斂精度的預(yù)估。依據(jù)該預(yù)估值, 結(jié)合指標(biāo)要求, 即可根據(jù)外界環(huán)境自適應(yīng)地設(shè)計滑動窗口閾值, 以適應(yīng)不同工況下的快速調(diào)平。

2 仿真結(jié)果與分析

文中設(shè)計的仿真對比試驗, 根據(jù)注入?yún)?shù)水平角變化特性設(shè)定滑動窗口閾值, 對序貫自適應(yīng)方法與陣初始準(zhǔn)確設(shè)定方法相比較, 仿真結(jié)果如下。

2.1 數(shù)學(xué)仿真

仿真條件: 陀螺常值漂移5o/h; 陀螺隨機(jī)噪聲5o/h; 加計常值零偏5×10–3g; 加計隨機(jī)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(shù)據(jù)周期5 ms, Kalman濾波周期50 ms,陣貫序時間7.5 s, 自適應(yīng)初始值2。仿真結(jié)果如圖7所示。

在上述仿真中, 序貫自適應(yīng)算法初期波動較大, 但能較快進(jìn)行收斂; 結(jié)合晃動特性通過BP神經(jīng)網(wǎng)絡(luò)預(yù)測失諧角收斂段誤差為0.036 829o、0.031 477o, 將其設(shè)定為調(diào)平判定滑動窗口閾值。陣序貫自適應(yīng)算法于15.9 s完成調(diào)平判定, 準(zhǔn)確固定陣設(shè)定算法于18.05 s完成調(diào)平判定。

2.2 半實物仿真

現(xiàn)場條件:利用自研慣性測量裝置(inerti- alunit, IMU)及手動簡易支架轉(zhuǎn)臺, 模擬現(xiàn)實情況下的對準(zhǔn)工況, 采集產(chǎn)品實際數(shù)據(jù)輸出, 對上述方法進(jìn)行驗證。經(jīng)基準(zhǔn)數(shù)據(jù)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(shù)據(jù)采集周期為5 ms, Kalman濾波參數(shù)設(shè)定不變。

分別用陣準(zhǔn)確固定值、陣自適應(yīng)及文中所述方法進(jìn)行對準(zhǔn), 結(jié)果見圖9。

由圖9可知, 半實物仿真結(jié)論與數(shù)學(xué)仿真相似。結(jié)合晃動特性預(yù)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(yīng)算法于20.15 s完成調(diào)平判定, 準(zhǔn)確固定陣設(shè)定算法于26.4 s完成調(diào)平判定。

實際過程中, 對準(zhǔn)調(diào)平時間指標(biāo)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(yīng)進(jìn)行調(diào)平判定, 在不同工況下較早地完成調(diào)平判定, 證明了該方法的有效性。

3 結(jié)束語

文中主要研究了在傳遞對準(zhǔn)過程中, 除了引入MINS速度注入?yún)?shù)進(jìn)行對準(zhǔn)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(zhǔn)流程及調(diào)平判定的參考因素及依據(jù)。將MINS可獲取的導(dǎo)航參數(shù)作為子慣導(dǎo)外的觀測量進(jìn)行考慮, 研究結(jié)果表明, 以速度噪聲特性為依據(jù), 對陣進(jìn)行序貫自適應(yīng), 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(jù), 根據(jù)不同工況對調(diào)平判定滑動窗口閾值進(jìn)行設(shè)計, 在不同工況下, 能夠較早開始進(jìn)行調(diào)平判定, 射前縮短對準(zhǔn)時間, 以實現(xiàn)魚雷的快速準(zhǔn)備。

在晃動條件下, 濾波器穩(wěn)態(tài)段也會呈現(xiàn)出波動特性, 采用滑動窗口的方式進(jìn)行調(diào)平, 無法確定調(diào)平時刻在波動曲線的準(zhǔn)確位置, 需對在波動曲線的不同位置調(diào)平對對準(zhǔn)精度的影響進(jìn)行分析。因此, 未來需進(jìn)一步精確調(diào)平時刻的設(shè)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(zhǔn)[J].戰(zhàn)術(shù)導(dǎo)彈技術(shù), 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(yīng)濾波在SINS初始對準(zhǔn)中的應(yīng)用[J].計算機(jī)工程與設(shè)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(yīng)UKF濾波在SINS初始對準(zhǔn)中的應(yīng)用[J].中國慣性技術(shù)學(xué)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(zhǔn)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(dǎo)航系統(tǒng)動態(tài)傳遞對準(zhǔn)性能綜合評估[J].中國慣性技術(shù)學(xué)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(yīng)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(shù)據(jù)分析的神經(jīng)網(wǎng)絡(luò)方法[J].工程科學(xué)與技術(shù), 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(dǎo)技術(shù).

楊管金子, 李建辰, 黃海, 等.基于主慣導(dǎo)參數(shù)特性的傳遞對準(zhǔn)調(diào)平方法[J].水下無人系統(tǒng)學(xué)報, 2018, 26(6): 537-542.

(責(zé)任編輯: 楊力軍)