基于卷积神经网络的大型水下航行器不均衡量估计方法与流程

本发明涉及大型水下航行器的运动控制，更具体的说是涉及基于卷积神经网络的大型水下航行器不均衡量估计方法。

背景技术：

1、大型水下航行器在水下的运动不仅取决于舵力和舵力矩，还受到其他各种水动力和浮力的作用。大型水下航行器在水舱注满水并潜入水下时，并不能保证其受到的重力和浮力完全相等，加之燃料消耗、航速变化、载荷变化等各种不确定因素的影响，也不能保证零纵倾时大型水下航行器的力矩处于平衡状态。当大型水下航行器带有较大不平衡力和力矩时，将给纵倾和深度的控制带来较大影响，通常需要升降舵操一个大舵角进行深度和纵倾控制，这将使得大型水下航行器的航行阻力大幅增加且可用升降舵舵角减小，导致大型水下航行器的机动能力大幅降低。通过大型水下航行器均衡系统进行排注水、移水等操作消除大型水下航行器自身存在的不均衡量，可平衡大型水下航行器在航行过程中存在的不均衡力和力矩，从而使得大型水下航行器回归到一个性能比较稳定的状态。

2、目前，对于大型水下航行器的不均衡量计算是基于均衡公式的，均衡公式是通过一系列的水动力试验所得，与航行速度、纵倾角、升降舵角等相关。均衡公式虽然形式简单，但由于是人工确定，因此存在明显的局限性，最主要的是模型不够精确，使得不均衡量的计算结果不够准确。

3、因此,针对大型水下航行器，如何不受人工建模误差的影响，且提高不均衡量估计，是本领域技术人员亟需解决的问题。

技术实现思路

1、鉴于上述问题，本发明提供一种基于卷积神经网络的大型水下航行器不均衡量估计方法，以至少解决上述背景技术中提到的部分技术问题。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明提供了一种基于卷积神经网络的大型水下航行器不均衡量估计方法，包括线上部分和线下部分；其中：

4、所述线上部分包括：

5、s1、构建水下航行器的运动控制模型；

6、s2、基于所述运动控制模型，获取训练数据集；并通过所述训练数据集，对卷积神经网络模型进行训练；

7、所述线下部分包括：

8、获取目标航行器的实际状态量、初始航速、目标首向角、目标纵倾角和目标纵向位移，并输入至训练好的卷积神经网络模型中，输出所述目标航行器实际的浮力不均衡量和纵倾不均衡量。

9、进一步地，所述步骤s1具体包括：

10、s11、获取水下航行器的水动力系数，并根据所述水动力系数建立大型水下航行器的六自由度运动模型；

11、s12、根据所述六自由度运动模型，获得所述水下航行器的多个状态量；

12、s13、基于多个所述状态量，采用pid控制方法，计算所述水下航行器的指令舵角；

13、s14、根据所述多个状态量、所述指令舵角，以及所述水下航行器的航速和不均衡量，构建所述水下航行器的运动控制模型。

14、进一步地，所述六自由度运动模型包括轴向力子模型、侧向力子模型、垂向力子模型、横摇力矩子模型、纵倾力矩子模型和偏航力矩子模型。

15、进一步地，所述多个状态量包括纵向速度、横向速度、垂向速度、横倾角速度、纵倾角速度、偏航角速度、横倾角、纵倾角、首向角、纵向位移、横向位移和垂向位移。

16、进一步地，在所述步骤s13中，所述指令舵角包括方向舵舵角δr、艉舵舵角δs和艏舵舵角δb；分别表示为：

17、

18、

19、

20、

21、δ0＝0-0z

22、δζ＝ζ-ζz

23、其中，kpr表示方向舵舵角的比例系数；kir表示方向舵舵角的积分系数；kdr表示方向舵舵角的微分系数；表示首向角差值；表示实际首向角；表示目标首向角；kps表示艉舵舵角的比例系数；kis表示艉舵舵角的积分系数；kds表示艉舵舵角的微分系数；δθ表示纵倾角差值；θ表示实际纵倾角；θz表示目标纵倾角；kpb表示艏舵舵角的比例系数；kib表示艏舵舵角的积分系数；kdb表示艏舵舵角的微分系数；δζ表示垂向位移差值；ζ表示实际垂向位移；ζz表示目标垂向位移。

24、进一步地，所述运动控制模型表示为：

25、

26、其中，δr表示方向舵舵角；δs表示艉舵舵角；δb表示艏舵舵角；v表示航速；vb表示浮力不均衡量；vt表示纵倾不均衡量；u表示纵向速度；v表示横向速度；w表示垂向速度；p表示横倾角速度；q表示纵倾角速度；r表示偏航角速度；φ表示横倾角；θ表示纵倾角；表示首向角；ξ表示纵向位移；η表示横向位移；ζ表示垂向位移。

27、进一步地，所述步骤s2具体包括：

28、s21、向所述运动控制模型中输入不同的初始浮力不均衡量、初始纵倾不均衡量和初始航速，并给定目标首向角、目标纵倾角和目标纵向位移；记录水下航行器在运动稳定后的各项状态量；

29、s22、将各项状态量、初始航速、目标首向角、目标纵倾角和目标纵向位移作为输入的训练样本，将初始浮力不均衡量和初始纵倾不均衡量作为输出的训练标签，对卷积神经网络模型进行训练。

30、进一步地，在训练过程中，分别获取卷积神经网络模型输出的浮力不均衡量和纵倾不均衡量，与对应训练标签之间的最小均方差；将两个最小均方差的加权和作为卷积神经网络模型的损失函数。

31、进一步地，所述卷积神经网络模型包括卷积层、非线性激活函数、全连接层和prelu激活函数。

32、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于卷积神经网络的大型水下航行器不均衡量估计方法，具有如下有益效果：

33、本发明能够直接从原始数据中学习大型水下航行器不均衡量解算规律，因此不均衡量计算结果不受人工建模误差影响且准确度更高；且该方法通过提供一种无需人工参与建模过程、准确度高、可移植性强的卷积神经网络模型，实现了对大型水下航行器的不均衡量进行快速估计。

34、本发明中神经网络模型的输入包含了大型水下航行器的所有状态量，综合考虑了各个状态量与大型水下航行器所受不均衡量之间的关系，能够更加全面地反映大型水下航行器的实际所具有的不均衡量。

35、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

36、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

技术特征：

1.基于卷积神经网络的大型水下航行器不均衡量估计方法，其特征在于，包括线上部分和线下部分；其中：

2.根据权利要求1所述的基于卷积神经网络的大型水下航行器不均衡量估计方法，其特征在于，所述步骤s1具体包括：

3.根据权利要求2所述的基于卷积神经网络的大型水下航行器不均衡量估计方法，其特征在于，所述六自由度运动模型包括轴向力子模型、侧向力子模型、垂向力子模型、横摇力矩子模型、纵倾力矩子模型和偏航力矩子模型。

4.根据权利要求2所述的基于卷积神经网络的大型水下航行器不均衡量估计方法，其特征在于，所述多个状态量包括纵向速度、横向速度、垂向速度、横倾角速度、纵倾角速度、偏航角速度、横倾角、纵倾角、首向角、纵向位移、横向位移和垂向位移。

5.根据权利要求4所述的基于卷积神经网络的大型水下航行器不均衡量估计方法，其特征在于，在所述步骤s13中，所述指令舵角包括方向舵舵角δr、艉舵舵角δs和艏舵舵角δb；分别表示为：

6.根据权利要求5所述的基于卷积神经网络的大型水下航行器不均衡量估计方法，其特征在于，所述运动控制模型表示为：

7.根据权利要求1所述的基于卷积神经网络的大型水下航行器不均衡量估计方法，其特征在于，所述步骤s2具体包括：

8.根据权利要求7所述的基于卷积神经网络的大型水下航行器不均衡量估计方法，其特征在于，在训练过程中，分别获取卷积神经网络模型输出的浮力不均衡量和纵倾不均衡量，与对应训练标签之间的最小均方差；将两个最小均方差的加权和作为卷积神经网络模型的损失函数。

9.根据权利要求1所述的基于卷积神经网络的大型水下航行器不均衡量估计方法，其特征在于，所述卷积神经网络模型包括卷积层、非线性激活函数、全连接层和prelu激活函数。

技术总结本发明公开了基于卷积神经网络的大型水下航行器不均衡量估计方法，线上部分包括：构建水下航行器的运动控制模型；基于运动控制模型，获取训练数据集；并通过训练数据集，对卷积神经网络模型进行训练；线下部分包括：获取目标航行器的实际状态量、初始航速、目标首向角、目标纵倾角和目标纵向位移，并输入至训练好的卷积神经网络模型中，输出目标航行器实际的浮力不均衡量和纵倾不均衡量。本发明能够直接从原始数据中学习大型水下航行器不均衡量解算规律，因此不均衡量计算结果不受人工建模误差影响且准确度更高；且通过提供一种无需人工参与建模过程、准确度高、可移植性强的卷积神经网络模型，实现了对大型水下航行器的不均衡量进行快速估计。技术研发人员：廖益欣,彭昊,苏畅,刘浩,赵光,谭盛煌,万心超受保护的技术使用者：中国船舶集团有限公司第七零七研究所九江分部技术研发日：技术公布日：2024/6/18