![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于ASNLS算法的智能浮标浮潜模型参数辨识.pdf
《基于ASNLS算法的智能浮标浮潜模型参数辨识.pdf》由会员分享,可在线阅读,更多相关《基于ASNLS算法的智能浮标浮潜模型参数辨识.pdf(8页珍藏版)》请在咨信网上搜索。
1、本文网址:http:/www.ship- ASNLS 算法的智能浮标浮潜模型参数辨识 J.中国舰船研究,2024,19(2):1320.ZHONG Y M,YU C Y,CAO J J,et al.Parameter identification of smart float diving model based on ASNLSalgorithmJ.Chinese Journal of Ship Research,2024,19(2):1320(in both Chinese and English).基于 ASNLS 算法的智能浮标浮潜模型参数辨识扫码阅读全文钟一鸣1,于曹阳*1,曹军军1
2、,姚宝恒1,连琏1,21 上海交通大学 海洋学院,上海 2000302 上海交通大学 海洋工程全国重点实验室,上海 200240摘 要:目的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。结果结果基于
3、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。关键词:智能浮标;参数辨识;抗数据饱和及测量噪声的最小二乘算法;运动预测;数据饱和中图分类号:U661.33文献标志码:ADOI:10.19693/j.issn.1673-3185.03186 Parameter identification of sma
4、rt float diving model based on ASNLS algorithmZHONG Yiming1,YU Caoyang*1,CAO Junjun1,YAO Baoheng1,LIAN Lian1,21 School of Oceanography,Shanghai Jiao Tong University,Shanghai 200030,China2 State Key Laboratory of Ocean Engineering,Shanghai Jiao Tong University,Shanghai 200240,ChinaAbstract:Objectives
5、Aiming at the challenge of accurate diving modeling of a smart float,an anti-saturation and noise least squares (ASNLS)algorithm is proposed in this paper to achieve diving multi-parameter identification and depth prediction.MethodsFirstly,the nonlinear motion characteristics of thesmart float actua
6、tor were included in the gray box-based diving model to better fit the actual model,and thecontinuous diving motion equation was transformed into a discrete form to match the real-world discrete datasampling.Subsequently,the aforementioned discrete diving model was constructed into a correlation for
7、m toattenuate the influence of data noise.Finally,by adjusting the values of the covariance matrix,the designeddiving parameter identification algorithm achieved resistance to data saturation.ResultsBased on the dataof the South China Sea deep diving experiment of the smart float in 2021,diving mode
8、l parameter identifica-tion and depth prediction are carried out.The results demonstrate that the ASNLS algorithm has faster conver-gence speed(31.8%higher than the least squares algorithm)and smaller depth prediction error(average abso-lute percentage errors less than 9%at different depths)than bot
9、h the traditional least squares algorithm andsupports the vector machine algorithm.ConclusionsConsequently,the ASNLS algorithm can provide ef-fective support for the depth control and prediction of the smart float.Key words:smart float;parameter identification;antisaturation and noise least squares
10、(ASNLS)al-gorithm;motion prediction;data saturation收稿日期:20221118 修回日期:20230423 网络首发时间:20230615 17:29基金项目:国家自然科学基金资助项目(51909161,41527901);上海市自然科学基金资助项目(22ZR1434600)作者简介:钟一鸣,男,1997 年生,博士生。研究方向:潜水器模型辨识及运动控制。E-mail:于曹阳,男,1991 年生,博士,副研究员,博士生导师。研究方向:潜水器技术,参数辨识与智能控制。E-mail:*通信作者:于曹阳 第 19 卷 第 2 期中 国 舰 船 研 究
11、Vol.19 No.22024 年 4 月Chinese Journal of Ship ResearchApr.2024 0 引言Argo 浮标是一种新型的水下航行器,具有体积小、续航时间长等优点,已成为水下环境观测系统的重要组成部分1。然而,Argo 浮标缺乏自主航行功能,故限制了其在主动航行场景(例如横穿涡流或跟踪洋流等)中的应用。为解决这一问题,曹军军2开发了一种融合 Argo 浮标和 Glider功能的新型深海机动浮标智能浮标,其具备全球深海大洋、垂向高分辨率的长期观测能力和百公里尺度区域内的精细观测能力,这对实现深海大洋变化的“透明性”而言具有深远的意义。在智能浮标的工作过程中,需
12、对其进行定深控制以获取特定剖面的海洋信息。然而,由于智能浮标的浮力调节机构动作较慢,运动速度较低,故其抗环境干扰能力较弱3,因洋流带来的外力干扰,以及因不同深度所致的净浮力变化都将影响航行器的运动状态4,这为其定深控制的稳定性及精度带来了挑战。此外,这些影响均无法通过数值计算的方式进行精确获取,所以智能浮标精确动力学模型的建立存在一定困难,亟待进一步研究5。目前,计算流体力学方法(computational fluiddynamics,CFD)是水下航行器动力学建模的主流趋势6-7,该方法基于流体力学理论,在一定假设条件下使用数值方法求解流体运动方程,从而获得智能浮标等水下航行器的水动力参数。
13、虽然该方法可以克服尺度效应,并可良好地模拟航行器与执行机构之间的相互干扰等复杂现象8,但其计算时间偏长,且缺乏可靠的数据验证9。此外,对于智能浮标而言,CFD 方法可能无法准确地刻画其在实际大深度运动时的执行器动力特性。为了更好地获取智能浮标在实际运动过程中的动力学模型,本文拟采用系统辨识理论来获取智能浮标的大深度动力学模型参数。基于系统辨识理论,将智能浮标视为非线性动态响应系统,并利用智能浮标实际运动数据作为系统输入(浮力调节机构信号)及系统输出(深度数据),从而充分考虑智能浮标浮力调节机构的运动特性,最终提高智能浮标的动力学建模精度。选择合适的系统辨识策略或算法是实现高精度模型参数辨识的关
14、键。随着科学技术的不断进步,学术界涌现了多类系统辨识算法,例如:最小二乘辨识算法(least squares,LS)10-11、卡尔曼滤波算法12、支持向量机算法13以及粒子群算法14等,其中LS 算法以其直观的算法结构、快速的收敛速率及较高的识别精度而备受青睐15。然而,当样本数据中包含噪声时,基于 LS 算法的参数辨识精度将明显下降。此外,传统的 LS 算法存在数据饱和问题,即随着样本长度的增加,算法将失去结果修正的能力16。因此,需研究可兼顾测量噪声及数据饱和效应的改进最小二乘算法。基于上述分析,本文拟提出抗数据饱和及测量噪声的最小二乘(anti-saturation and noise
15、 least squares,ASNLS)算法,并将其应用于智能浮标浮潜运动模型的参数辨识。相较于文献 17,本文提出的ASNLS 算法可以同时克服测量噪声和数据饱和的影响,从而获取更高的参数辨识精度。同时,智能浮标在 2021 年南海试验时的大深度浮潜数据也验证了该 ASNLS 算法的可行性及优越性。1 智能浮标浮潜模型 1.1 连续型模型作为智能浮标定深控制的基础,需首先建立智能浮标的连续型浮潜模型18:(MA+MRB)z+(D1z+D2z|z|)z+Bnet+d=(1)MAMRB z zD1zD2zBnet式中:为本体质量;为浮潜运动时的附加质量;,分别为深度 z 的二阶导数和一阶导数;
16、,分别为一阶、二阶阻尼系数;为智能浮标的净浮力;d 为作用于载体的外力干扰,其主要由洋流引起;为浮力调节机构产生的垂向作用力。该方程描述了由垂向作用力、外力干扰及净浮力主导的垂荡运动,其中方程的右半部分考虑了浮力调节机构的动态特性,可以采用式(2)的非线性多项式来拟合浮力调节机构的浮力电位计与其产生的垂向作用力之间的关系:=N3 x+N2|x|x+N1x(2)xN1,N2,N3D2z|z|zBnet式中:x,分别为浮力电位计数值和一阶导数值;为拟合系数。当智能浮标进行大深度的垂向运动时,其垂向运动速度较慢,故其二阶阻尼项的值较小,因此,可将其与同样幅值较小的净浮力项及外力干扰项 d 合并为广义
17、干扰项 F,即F=D2z|z|z+Bnet+d(3)Mz定义智能浮标在浮潜运动时的广义质量项为Mz=MA+MRB(4)Mz将式(2)中的,式(3)中的 F 及式(4)中的代入式(1),即可得到最终的智能浮标连续型14中 国 舰 船 研 究第 19 卷浮潜方程:Mz z+D1z z+F=N3 x+N2|x|x+N1x(5)1.2 离散型模型 z x z鉴于式(5)中一阶导数项,及二阶导数项均无法通过传感器直接获取,本文将基于前向差分的方式来获取其近似值:z(k)=z(k)z(k1)h x(k)=x(k)x(k1)h z(k)=z(k)z(k1)h=z(k)2z(k1)+z(k2)h2(6)式中:
18、k 为采样时刻点;h 为采样间隔。z x z将式(6)中的,代入式(5),得(Mz+hD1z)z(k)(2+hD1z)z(k1)+z(k2)=(hN3+h2N1)x(k)hN3x(k1)+h2N2|x(k)|x(k)h2F)(7)e(k)考虑到数据噪声的影响,需在式(7)中增加一个整体噪声项,则智能浮标最终的离散型浮潜模型为(Mz+hD1z)z(k)(2+hD1z)z(k1)+z(k2)=(hN3+h2N1)x(k)hN3x(k1)+h2N2|x(k)|x(k)h2F+e(k)(8)1.3 基于相关函数模型式(8)中,深度 z 和控制输入 x 将不可避免地受到噪声的影响,该噪声将显著影响基于最
19、小二乘算法的辨识精度,因此,下文将推导抗测量噪声的参数辨识算法。x(k)e(k)假设假设16:在 k 时刻,控制输入与噪声项不具有相关性。Rxz(ln|k)Rx(ln|k)首先,将及定义为Rxz(ln|k)=x(kl)z(kn)Rx(ln|k)=x(kl)x(kn)(9)Rxz(|k)Rx(|k)式中:为 k 时刻输入 x 与输出 z 的互相关函数;为 k 时刻输入 x 的自相关函数;l 和 n 均为时滞系数,其取值为 0,1,2,3。x(kl)RxzRx然后,将式(8)两侧同时乘以并取数学期望,随后代入式(9)中的函数和函数,得(Mz+hD1z)Rxz(l|k)(2+hD1z)Rxz(l1|
20、k)+Rxz(l2|k)=(hN3+h2N1)Rx(l|k)hN3Rx(l1|k)+h2N2|x(k)|Rx(l|k)h2Fx(kl)(10)e(k)基于此,式(10)中噪声项的影响即可削弱。最后,将式(10)转化为最小二乘形式,得Rxz(l|k)=hT(l|k)(11)其中h(l|k)=Rxz(l1|k),Rxz(l2|k),Rx(l|k),Rx(l1|k),|x(k)|Rx(l|k),x(kl)T=2+hD1zMz+hD1z,1Mz+hD1z,hN3+h2N1Mz+hD1z,hN3Mz+hD1z,h2N2Mz+hD1z,h2FMz+hD1zT(12)Rxz(l|k)R11Rx(l|k)R1
21、1h(l|k)R61 R61式中:,其中 R 为实数;输入向量;参数向量,即 6 行1 列的实数。2 抗数据饱和辨识算法J()在式(11)中,为由待辨识模型参数组成的向量,因此,基于最小二乘参数辨识的思想,本文选用的准则函数为J()=Lk=1Rxz(l|k)hT(l|k)2(13)式中,L 为样本长度,其中采样时刻点k=1,2,L。为了使观测值与估计值之间累次误差的平方和最小,将式(13)进行极小化处理,即J()?=Lk=1Rxz(l|k)hT(l|k)2=0(14)式中,为最优辨识参数。通过求解式(14),得=Lk=1h(l|k)hT(l|k)1Lk=1h(l|k)Rxz(l|k)(15)由
22、于式(13)对于参数向量 的二阶导数为2J()2?=2Lk=1h(l|k)hT(l|k)0(16)E()故满足式(15)的 是唯一的,则式(15)中 的数学期望为E()=ELk=1h(l|k)hT(l|k)1Lk=1h(l|k)Rxz(l|k)=ELk=1h(l|k)hT(l|k)1Lk=1h(l|k)hT(l|k)=E()=(17)因此,是关于真实参数 的无偏估计量。另外,对于 L 时刻的输入向量组成的协方差第 2 期钟一鸣等:基于 ASNLS 算法的智能浮标浮潜模型参数辨识15P(l|L)矩阵:P(l|L)=Lk=1h(l|k)hT(l|k)1(18)K(l|L)=P(l|L)h(l|L)
23、P(l|L)令 L 时刻的增益矩阵,则的递推形式为P(l|L)=(IK(l|L)hT(l|L)P(l|L1)(19)P(l|L1)L1式中:I 为 66 的单位矩阵;为时刻的协方差矩阵。P(l|L)P(l|L)从式(18)中可以看出,随着样本长度 L 的增加,将逐渐趋于零,从而使算法丧失结果修正的能力,即出现了数据饱和的问题。为了抑制数据饱和的影响,本文将协方差矩阵更新为P(l|L1)=(IK(l|L)hT(l|L)P(l|L1)P(l|L1)=P(l|L2)+m(L)J()Im(L)=0,L 250.1,L 25(20)P(l|L1)L1P(l|L2)L2J(l|L)=Lk=1Rxz(l|k
24、)hT(l|k)(l|L)2式中:为时刻优化的协方差矩阵;为时刻的协方差矩阵;准则函数。同时,式(15)为基于LS 算法参数辨识的批处理形式,由于该形式无法实现在线辨识,且因存在矩阵求逆的步骤,故算法的计算时间较长,因此,利用矩阵反演公式,根据式(15)及式(20),可得如下所示递推形式的 ASNLS 算法:(l|L)=(l|L1)+K(l|L)(Rxz(l|L)h(l|L)(l|L1)K(l|L)=P(l|L1)h(l|L)(hT(l|L)P(l|L1)h(l|L)+1)P(l|L1)=(IK(l|L)hT(l|L)P(l|L1)P(l|L1)=P(l|L2)+m(L)J()m(L)=0,k
25、 1000.1,k 100h(l|L)=Rxz(l|L1),Rxz(l|L2),Rx(l|L),Rx(l|L1),|x(L)|Rx(l|L),x(Ll)TRxz(l|Ln)=x(Ll)z(Ln)Rx(l|Ln)=x(Ll)x(Ln)(21)(l|L)(l|L1)L1式中,分别为L 时刻和时刻估计的参数向量。3 南海试验数据验证为了充分验证本文 ASNLS 算法的参数辨识能力及多深度运动预测性能,本节将采用智能浮标 2021 年在南海试验(图 1)时的深度剖面数据作为样本,其基本参数如表 1 所示19。智能浮标可以实现智能浮标和水下滑翔机 2 种工作模式的切换,从而实现对特定海域大范围、长时间的
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 ASNLS 算法 智能 浮标 模型 参数 辨识
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。