一种基于扩展状态观测器的智能船舶Nomoto模型参数辨识方法

[目的]为了支持制导、导航、控制等船舶智能化技术的测试验证平台的搭建,利用系统辨识技术得到高精度的智能船舶野本(Nomoto)运动模型参数。[方法]充分结合扩展状态观测器(ESO)以及鲁棒加权最小二乘支持向量回归(RW-LSSVR)算法的优势,提出一种高效低成本的混合参数辨识方法。为解决模型参数辨识中无法直接有效获取某些状态量的问题,构建了基于ESO的状态估计方法。基于估计方法与直接测量的船舶运动状态量,采用具有较强抗异常值干扰的RW-LSSVR对智能船舶二阶线性Nomoto运动模型参数进行辨识。以已知模型的两艘船舶为测验对象,对所提参数估计与辨识方法进行综合测验。[结果]在利用较少传感器的情况下,通过ESO可较精确地估计出非直接测量的船舶运动状态量,并且利用RW-LSSVR辨识得到的参数值十分接近标准值。[结论]利用所提方法获得的估计状态可用于参数辨识,并且辨识模型具有较好的泛化性。

船舶运动模型参数辨识研究综述

创建精确且可靠的运动模型是有效分析船舶操纵性和保障船舶智能航行的关键。相较于常用的船舶运动建模方法(包括经验法、试验法、计算流体动力学数值法),参数辨识技术是1种实用有效、迁移性强的建模手段,但因受到诸如船舶强非线性运动特性、时变耦合的环境干扰、内外多重不确定性等众多复杂因素的影响而面临极大挑战。围绕船舶运动模型参数辨识技术的4个核心内容,即最优输入设计、船舶运动数学模型、参数估计算法、辨识模型测试验证,重点梳理了富含操控特性的激励数据获取、多型船舶运动模型、经典-智能-混合参数辨识方法、辨识模型评估方法相关的研究现状,剖析了噪声干扰、参数漂移、参数时变、评价指标选取等主要问题,发现面对操纵与航行特征复杂的船舶,获取覆盖广域运动特征的高质量数据仍无较好方法,参数漂移现象与模型复杂度紧密相关,且无法完全避免。面向数据高质量化、辨识实时性、航行场景复杂化等的发展要求,对船舶运动模型参数辨识技术在船舶操纵运动数据获取与处理,如鲁棒估计与信息融合、鲁棒在线参数辨识、多新息智能算法、复杂场景下的船舶运动辨识建模如受限条件下船舶运动辨识建模等重点方面进行了展望。