基于数学建模的船体变形角研究

船舶在航行过程中并不能将其看成是一个刚体,船体会受到光照、风浪流等因素的影响,产生不同程度上的变形。本文根据影响船体变形因素的性质不同,将船体产生的变形角分为静态变形角和动态变形角。然后通过Matlab进行仿真,在仿真过程中利用卡尔曼滤波法进行船体动态变形角的估计,实验结果表明本文算法能够精准地估计出船体的动态变形角。

激光陀螺组合体自主测量船体角变形的最优估计法

根据激光陀螺组合体测量的角增量计算得到的惯性姿态匹配测量方程,结合动态变形模型和静态变形模型,构建了船体角变形测量的最优滤波器,实现了角变形的最优估计。该方法将角变形和激光陀螺的随机漂移误差近似为平稳随机过程并分别构建滤波器,静态变形建模为白噪声驱动的一阶随机游走过程,动态变形建模为二阶马尔可夫平稳随机过程。通过角速度匹配测量方程进行了角变形的观测性分析得知:动态变形的估计精度与激光陀螺的测量精度相当,静态变形的估计精度依赖于船体摇摆频率和幅度,因此最优估计法的误差主要为静态角变形模型的估计误差。仿真结果表明,通过设置合适的静态角变形模型参数,该最优估计法测量角变形的误差小于10"。

基于BP神经网络的船体变形角估计方法

惯性匹配法等传统船体变形角估计方法存在建模困难、模型参数难以确定等问题。提出了一种基于BP神经网络的船体变形角估计方法,其以角速度匹配为导向,将两套惯性测量装置测得的三轴角速度作为BP神经网络输入;对应的船体变形角作为BP神经网络输出,训练得到关于角速度与船体变形角的函数映射关系。探讨了BP神经网络设计参数,构建具有四层神经网络、50个隐层节点的BP神经网络系统。开展仿真实验,对比了基于Kalman滤波的惯性匹配法和基于BP神经网络的船体变形角估计方法的估计精度。经验证,当基于Kalman滤波的惯性匹配法无误差时,二者估计精度相当;但当基于Kalman滤波的惯性匹配法含误差时,基于BP神经网络估计船体变形角的精度比之高46.07%,且具有更快的收敛速度。

一种基于惯性匹配的船体姿态基准传递方法

船体变形角的存在是造成船体局部姿态基准失准的根本原因。本文基于惯性姿态匹配法,提出一种抑制船体变形影响、实现高精度姿态基准传递的方法。首先对光学设备测得的船体变形角数据进行频域分析,实现船体变形角高精度建模。然后利用中心主惯导和船体局部捷联惯导的姿态输出构建卡尔曼滤波方程,实现船体变形角的实时高精度估计。最后仿真验证了船体变形角建模方法和姿态匹配算法的可行性,为船体局部高精度姿态信息获取提供理论参考。