一种船舶姿态预测及船载水炮炮口角度调整方法

技术领域

本发明涉及船舶姿态预测领域，具体涉及一种船舶姿态预测及船载水炮炮口角度调整方法。

背景技术

船舶姿态影响着船舶的安全，也对船上作业起到十分重要的影响。船舶姿态预测是指基于目标对象现有的姿态变化，预测出目标对象未来一段时间的姿态变化，从而使船上作业更好进行。

船舶在海面航行过程中，由于会受到天气和海浪等各种外部因素的影响，其运动的姿态不可避免地表现出高随机性和非线性，这对于船载水炮的打击效果会产生许多不利影响。本文分别从预测船舶姿态以及根据船舶姿态变化调整水炮炮口角度两个方面来提高水炮平台的打击精度。

发明内容

本发明为提高船舶姿态预测的精度，以及船载水炮对目标的打击效果受船舶姿态影响问题，提出了一种船舶姿态预测及船载水炮炮口角度调整方法。

本发明公开了一种船舶姿态预测及船载水炮炮口角度调整方法，包括：S1，对船舶历史姿态数据进行去除异常值与缺失值数据预处理，从而得到平稳输入数据；S2，基于长短期神经网络进行船舶姿态预测；S3，对船载水炮平台和目标物体建立三维坐标系，求解在船舶运动状态下水炮与目标物体的水平角和俯仰角；S4，基于船舶姿态预测得到预测船载水炮炮口角度，并基于水平角、俯仰角和预测船载水炮炮口角度，对水炮炮口垂直和水平方向调整。

进一步的，步骤S1中对船舶历史姿态数据进行去除异常值与缺失值数据预处理，具体包括：S11，对船舶历史运动姿态样本数据x(t)进行计算，得到样本数据的局部最小值和局部最大值；S12，将得到的局部最小值和局部最大值进行插值拟合运算，从而求得极大值和极小值包络线序列的均值，得到均值序列m

进一步的，步骤S2中的长短期神经网络每个时刻的输入由三个部分组成，分别为上一个时刻的细胞状态h

进一步的，步骤S3中所述对船载水炮平台和目标物体建立三维坐标系，具体包括：S311，水炮炮口坐标在三维坐标系{A}中表示为(x

S312、基于公式(1)和公式(2)求解坐标(x

进一步的，船舶姿态变化后水炮炮口在三维坐标系的位置，具体包括：S321，基于采集的静止状态下船舶姿态角W

进一步的，步骤S3中所述求解船舶运动状态下水炮与目标物体的水平角和俯仰角，具体包括：S331，基于建立的三维坐标系得到水炮炮口锁定目标物体的俯仰角α

进一步的，步骤S4中所述基于船舶姿态预测得到预测船载水炮炮口角度，并基于水平角、俯仰角和预测船载水炮炮口角度，对水炮炮口垂直方向调整，具体包括：S411，若Δα

进一步的，步骤S4中所述基于船舶姿态预测得到预测船载水炮炮口角度，并基于水平角、俯仰角和预测船载水炮炮口角度，对水炮炮口水平方向调整，具体包括：

S421，若Δβ

S422，若Δβ

S422，若Δβ

本发明的有益技术效果如下：

1、采用经验模态分解(EMD)和长短期记忆(LSTM)神经网络结合使用，与单一模型相比，该组合预测方法能有效预测船舶短期姿态。

2、对目标物体和船载水炮建立三维坐标系，基于运动学，求解在船舶姿态变化时，船载水炮打击目标物体时的俯仰角和偏航角。

3、提出了一种船舶姿态预测及船载水炮炮口角度调整方法，实现水炮炮口在受船舶姿态影响变化前提前调整，在实际项目应用中取得了良好的效果，具有一定工程意义。

附图说明

图1为本发明实施例的船舶姿态预测及船载水炮炮口角度调整方法流程图；

图2为基于经验模态分解和长短期神经网络的船舶姿态预测原理示意图；

图3为长短期神经网络(LSTM)神经元结构；

图4为基于经验模态分解和长短期神经网络的船舶姿态预测模型图；

图5为本发明实施例中的LSTM和EMD-LSTM姿态预测结果对比图；

图6为本发明实施例中LSTM和EMD-LSTM指标对比表。

图7为本发明实施例中坐标系{A}到坐标系{B}变化图。

图8为本发明实施例中受船舶运动姿态影响的水炮坐标变化图。

图9为本发明实施例中实验结果记录表。

具体实施方式

为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。

本发明的目的在于提出了一种船舶姿态预测及船载水炮炮口角度调整方法，从而解决船载水炮对目标的打击效果受船舶姿态影响问题，下面结合实施例进行详细说明。

在本发明的下述示出实施例中。船舶的连续运动姿态数据由安装在船舶上的惯性测量单元(IMU)采集，例如采集船舶纵摇角、横摇角和艏摇角。在每组数据中，从3000秒的连续船舶横摇角和纵摇角数据中选择总共12476个数据点。前2500秒用作训练数据集，最后500秒用作测试数据集。如图1和图2所示，分别为船舶姿态预测及船载水炮炮口角度调整方法流程图和原理示意图。

S1，对船舶姿态数据进行数据预处理，得到去除异常值与缺失值的输入数据；

S2，基于长短期神经网络(LSTM)的船舶姿态预测；

S3，对船载水炮平台和目标物体建立三维坐标系，结合运动学，求解在船舶运动状态下水炮与目标物体的水平角和俯仰角；

S4，基于船舶姿态预测得到预测船载水炮炮口角度，并基于水平角、俯仰角和预测船载水炮炮口角度，对水炮炮口垂直和水平方向调整。

本发明的一种船舶姿态预测及船载水炮炮口角度调整方法，对船舶历史姿态数据进行预处理从而消除数据存在异常值与缺失值，结合长短期神经网络进行预测，从而实现水炮炮口在受船舶姿态影响变化时提前进行调整；

在本发明的示出实施例中，对本发明方法步骤逐一描述。

S1，对船舶历史姿态数据进行去除异常值与缺失值数据预处理，，从而得到平稳输入数据。

对于从惯性测量单元采集到的船舶数据，由于在实际采集过程中会受到噪声等各种环境因素影响，数据存在异常值与缺失值，从而数据往往表现出非线性和波动性，在本发明的一个实施例中，采用EMD方法进行去除异常值与缺失值数据的数据预处理。EMD方法的特点之一就是没有统一的基函数表达式，其依赖于信号源本身，可将不同的信号分解成不同的基函数，因此EMD适合对船舶运动姿态这类非平稳信号进行处理和分析。具体包括如下步骤：

S11，对测得的船舶运动姿态样本数据x(t)进行计算，可以得到样本数据上的局部最小值和局部最大值；

S12，将得到的两个最值进行插值拟合运算，从而求得极大值和极小值包络线序列的均值，最后得到均值序列m

S13，利用

其中，固有模态函数(IMF)的必要条件有两个条件，

1、极值点和过零点的数目应该相等，或者最多差一个；

2、局部最大和局部最小的上下包络线均值为0。

S14，原信号即船舶历史运动姿态样本数据x(t)的一阶IMF分量为

S15，对r

S16，最后得到的原始序列x(t)由n阶IMF分量和残余分量r

在实际应用中，为保证船舶姿态预测结果有效，采集目标5s内产生的姿态数据进入姿态预测数据队列中。若异常值与缺失值过多，则满足200条数据之后才开始进行姿态预测。

S2，基于长短期神经网络进行船舶姿态预测。

长短期神经网络(LSTM)结构每个时刻的输入由三个部分组成，包括上一个时刻的细胞状态h

当前时刻的输入信息x

i

g

C

其中，C

所述输出门用于输入当前时刻的输入信息x

h

所述遗忘门用于输入上一个时刻的细胞状态h

f

式中：σ为Sigmod函数；b

为了验证船舶姿态预测的效果，采用平均绝对百分比误差(MAPE)和均方根误差(RMSE)作为船舶姿态预测结果的评价指标，其公式分别为

同时，为了说明技术效果，将EMD-LSTM模型与LSTM模型结果进行对比。其模型图如图4所示的基于经验模态分解和长短期神经网络的船舶姿态预测模型图，预测结果如图5的LSTM和EMD-LSTM姿态预测结果对比图所示。

EMD-LSTM模型相对与LSTM模型，其横摇角、纵摇角、艏摇角的平均绝对百分比误差分别降低了4.25％、4.0％和4.33％，其均方根误差分别降低了0.0501、0.0211和0.0296。其结果如图6所示的LSTM和EMD-LSTM指标对比表。

S3，对船载水炮平台和目标物体建立三维坐标系，求解在船舶运动状态下水炮与目标物体的水平角和俯仰角；

S31，对船载水炮平台和目标物体建立三维坐标系：

在本发明的实施方式中，主要是采用基于运动学的炮口变化求坐标原理。

已知水炮炮口坐标在三维坐标系{A}中表示为(x

以船载水炮平台为例，现考虑目标物体静止情况下，测量水炮受到船舶运动姿态影响下其与目标物体的水平角和俯仰角。以光电与水炮平台的中心点为原点建立三维坐标系{A}，设平台位置摆动后坐标系{A}经过旋转平移变化到坐标系{B}。

为了解决水炮在船舶运动时对目标打击的俯仰角和偏航角计算问题，引入了运动学的相关步骤计算，具体包括步骤如下。

S311，在坐标平移过程中，设水炮平台原来平移坐标系为{A},平移后坐标系为{B},{A}与{B}方位相同但原点不重合。用位置矢量

S312，在水炮坐标系旋转过程中，坐标系{A}与{B}方位不相同但原点重合。用旋转矩阵

S313，在一般情况下，坐标系{B}与坐标系{A}方位和原点都不相同。即水炮位置不仅存在位移变化，还存在方位变化。则对于任一点P在两坐标系{A}和{B}中都存在如下变换关系：

S314，可把S313中的公式看成坐标平移和旋转的复合变化，实际上，规定一个过度坐标系{C}，使{C}和{B}坐标原点相同，{C}与{A}方位相同，由S313中的公式可得过度坐标变化：

S315，由S312中的公式可得坐标系{A}和坐标系{B}间的关系

S315，基于上述公式，求解坐标(x

另外，可根据惯性测量单元(IMU)采集的船舶姿态角，得到船舶姿态变化后水炮炮口在三维坐标系的位置，具体包括：

S321，基于采集的静止状态下船舶姿态角W

S322，测量得到坐标系{B}沿坐标系{A}的x,y,z轴位移x

S323，坐标系对应于轴x,y,z作转角为角度为θ的旋转变换，则Δw

S324，其中，

S325，船舶绕坐标系{A}任意轴转任意角度且位移任意距离后水炮炮口在坐标系{A}中的坐标点

在图8所示的受船舶运动姿态影响的水炮坐标变化图，点A为目标物体，点E为位置变化后水炮炮口坐标点，∠α

步骤S4具体包括，基于长短期神经网络的船载水炮炮口角度调整,具体包括对炮口垂直方向和炮口水平方向进行分析。其变化前后的位置关系如图8受船舶运动姿态影响的水炮坐标变化图所示。对于船载水炮炮口角度调整的计算，首先计算水炮炮口锁定目标物体的俯仰角

水炮炮口需调整的俯仰角Δα

若Δα

若Δβ

实际实验中，在水炮炮口姿态变化时，未使用炮口调整方法对目标物体进行打击，水柱的打击落点与目标物体平均误差距离大约3.1米。使用炮口调整方法对目标物体进行打击，水柱的打击落点在目标物体的平均误差距离大约1.2米，由于炮口调整的同时，炮口的姿态也发生变化。使用基于姿态预测的炮口调整方法，在炮口姿态变化前进行调整，故能将水柱的打击落点与目标物体的平均误差距离缩小为0.2米左右，打击效果明显提升。其结果如图9实验结果记录表所示。

以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。