基于惯性测量与组合预测的大型舰船甲板态势计算方法研究

For the requirements in (super) large ship, strapdown inerital navigation system (SINS) is used to calculate oscillating motion of ship and transport motion caused by ship sway of the interest points in deck (where weapons are installed or carrier-based aircraft take off and land), and combination forecasting method based on neural network and gray system is used to predict the deck motion. Main ideas include: 1) Force equation is analyzed and the high-frequency characteristics of ship swing motion is pointed out compared with navigation and other transport motion, and a separation algorithm based on frequency is brought out in which line movements caused by swing and navigation are separated. 2) Transport acceleration in installating position of SINS relative to the swing center is extracted, and swing point is calculated from transport acceleration, also transport accerleration from multi SINSs are used to optimize the swing point. Finally lever-arm movements of interest points relative to the swing center are constructed. 3) Considering the grey characteristics of ship wave-making movement, grey prediction is used to predict the deck motion. According to the shortcomings of grey prediction, combination forecasting method based on neural network and gray system is used to improve the fitting ability and ensure the robustness of grey prediction.

从（超）大型舰船实际应用需求出发，以惯性测量方法解决舰船与甲板兴趣点（武器安装点及舰载机起降点）的振荡及摇荡耦合线运动实时计算问题；以基于神经网络与灰色系统的组合预测方法解决甲板兴趣点的运动（摇荡）态势计算问题。主要研究思路有：1）从惯性系统比力方程出发，根据舰船摇荡运动相对于航行运动及其牵连运动等的高频特点，提出以频率为特征的摇荡与航行运动分离算法；2）从子惯导实际测量值出发，寻找子惯导相对于摇摆中心的摇摆牵连线加速度值提取算法，解算并利用多子惯导组网匹配方法优化摇摆中心计算值，构建甲板兴趣点相对于摇摆中心的杆臂运动；3）从舰船兴波运动的灰色特征出发，提出利用灰色系统方法对甲板兴趣点运动态势进行预测，并针对灰色预测拟合能力弱与预测鲁棒性差的不足，提出基于神经网络与灰色系统优势互补的组合预测方法。

从（超）大型舰船甲板态势的计算与预测需求出发，分别研究了基于惯性测量与支持向量机（SVM）的舰船甲板兴趣点（武器安装点及舰载机起降点）的实时计算与预测问题。主要研究成果如下：1）从惯性系统比力方程以及惯性导航基本原理出发，分析了舰船摇荡运动与航行运动的不同频率特点，实现了基于频率特征的摇荡与航行运动分离，仿真验证了方法的有效性；从舰船摇荡过程出发，借鉴运动学相关原理，探讨了摇荡运动中杆臂效应的产生机理，设计并实现了基于惯性测量的舰船甲板兴趣点运动构建算法；2）借鉴船舶安全的相关研究成果，比较分析了舰船运动模型与舰船摇荡实测数据，选择了基于功率谱的舰船随机运动模型作为预测甲板兴趣点运动的研究对象，以模拟舰船运动的随机性与非线性性；比较、仿真分析了灰色系统、神经网络、SVM、Online-SVM预测等相关预测方法，综合分析了各方法的映射能力、泛化能力以及计算量、在线训练难度等因素，选择了Online-SVM作为甲板兴趣点运动态势的预测工具；针对Online-SVM参数选择问题，进一步引入PSO优化方法，设计了基于PSO参数优化的Online-SVM预测算法，仿真验证了方法的有效性。实船验证结果表明，在中等与恶劣两种海海况下，当预测提前量12秒时，预测误差分别为24.55%与26.26%，可有效实现甲板运动的计算与预测。