一种基于神经网络的舰载机着舰时的舰艉流实时预测方法

1.本发明涉及舰载机着舰时的舰艉流预测的技术领域，具体涉及一种基于神经网络的航母舰艉流实时预测方法，用于实时预测舰载机着舰过程中的航母舰艉流大小，为舰载机着舰控制系统抑制舰艉流影响提供相关信息，以提高着舰精确控制水平。


背景技术：

2.舰载机着舰是航母/舰载机作战中的一个关键环节，舰载机与航母在不同的介质中运动轨迹不同，相对速度较大并且舰载机与航母之间要求沿指定方向在某特定点“汇合”，因此舰载机着舰具有更高的难度和更大的风险，其中的一个主要因素正是复杂的舰艉气流对着舰的航迹影响。
3.航母在海上航行时，由于舰艉和舰岛的作用，形成垂直方向和水平方向上的舰艉流，干扰飞机正常着舰。舰艉流在以舰船纵摇中心为起点沿舰艉方向约八百米处开始对飞机的飞行品质造成干扰，在300～500m区域内影响最为严重，剧烈变化的风速风向甚至会使飞机超出操纵性能边界，会造成着舰的成功率严重下降，甚至出现撞舰、坠海等严重事故，因此必须对舰艉流进行预测以使控制系统能够提前做出应对，消除其影响。
4.目前仅有美军建立了舰艉流定量模型，但由于舰艉流模型因舰而异，难以适应我国航母实际的舰载机着舰需求。同时目前的研究大多是提高着舰控制律的整体抗干扰能力，但实现舰艉流影响的精确预测，并在此基础上采取针对性的控制方法是提高着舰精确控制水平和着舰成功率的关键。
5.人工神经网络作为当前各个领域最受人关注的研究热点之一，由于其具有信息可并行处理、分布式存储、容错性高、非线性运算及非线性控制等优点，已应用到智能控制技术、模式识别算法、信号处理和非线性优化等各个领域，并取得了很大的进展。以神经网络技术为基础，对舰艉流进行建模，并通过实时量测数据对舰载机着舰时受到的舰艉流影响进行预测，能够提高舰载机的着舰环境感知能力，辅助着舰控制系统进行更精确的轨迹控制，提高着舰水平。


技术实现要素：

6.本发明的目的在于：提出一种基于神经网络的航母舰艉流实时预测方法，用于实时预测舰载机着舰过程中所受到的航母舰艉流的影响，为舰载机着舰控制提供信息，以提高着舰精确控制水平。本发明有利于提高着舰的安全性及成功率。
7.本发明采用的技术方案为：一种基于神经网络的舰载机着舰时的舰艉流实时预测方法，具体步骤如下：
8.步骤一、通过机载空速管获得舰载机的空速大小，通过机载攻角传感器和侧滑角传感器获得舰载机的攻角和侧滑角，经过计算获得舰载机相对于机体坐标系下的三维空速；
9.步骤二、通过机载惯导系统获得舰载机的三维地速，采用矢量三角形测风法得到
此刻此位置的三维风速；
10.步骤三、通过对已有着舰的飞行数据进行处理，获得每次着舰过程中的舰艉流测量值，根据这些样本采用神经网络技术进行舰艉流建模；
11.步骤四、着舰过程中，利用舰载机实时测得的空速、攻角、侧滑角、地速、姿态角和舰机相对位置，根据已建立的舰艉流模型进行舰艉流预测。
12.其中，步骤一中所述的机载空速管测量得到的空速为一维空速，与机体纵轴方向一致；测量得到舰载机的攻角和侧滑角是气流坐标系与机体坐标系间的夹角，由此得到气流坐标系与机体坐标系间的变换矩阵，将气流坐标系下的空速转换为机体坐标系下的三维空速。
13.其中，步骤二中所述的机载惯导系统能够实时输出舰载机相对于地理坐标系下的东向、北向和天向速度以及舰载机的俯仰、横滚和航向角，根据舰载机姿态得到机体坐标系与地理坐标系间的变换矩阵，由此得到地理坐标系下的三维空速；矢量三角形测风方法是指空速、地速、风速构成的矢量三角形关系，通过传感器测量地理坐标系下的空速矢量和地速矢量，则可解算得到地理系下的风速矢量，即地速矢量减去空速矢量。
14.其中，步骤三中所述的已有着舰的飞行数据是指每次着舰过程中机载传感器和舰载传感器获得的当前的飞机飞行状态和舰船运动状态，其中用到的数据包括当前时间、舰载机相对于理想着舰点的三维位置、舰载机当前的地速和空速、舰载机的攻角和侧滑角、舰载机的姿态角，通过步骤一和步骤二处理得到当前时刻的舰艉流在跑道参考坐标系下的三维测量值；将舰艉流在跑道参考坐标系下的三个方向分量分别进行建模，通过对每个分量进行相关性分析选定下一时刻的舰艉流分量值与历史数据的关系，由此确定样本的输入量为前几个时刻的舰艉流分量值、当前时刻舰载机相对于理想着舰点的位置，输出均为下一时刻的舰艉流分量值；基础模型选为以bp神经网络，网络含一个或多个隐含层。
15.其中，步骤四中所述的在着舰过程中舰载机实时测得的空速、攻角、侧滑角、地速、姿态角和舰机相对位置通过步骤一和步骤二实时计算出当前时刻的舰艉流在跑道参考坐标系下的三维测量值，存储后的历史测量值作为步骤三中得到的舰艉流模型的输入，进行舰艉流预测。
16.其中，步骤三中所述建模具体包括：
17.(1)纵向舰艉流分量建模
18.输入取为舰载机在跑道参考坐标系的坐标、当前时刻和前n个时刻的跑道参考坐标系下的纵向舰艉流分量值；其中n的大小由相关性分析得到；输出为下一时刻的纵向舰艉流速度值；
19.(2)侧向舰艉流分量建模
20.输入取为舰载机在跑道参考坐标系下的坐标、当前时刻和前n个时刻的跑道参考坐标系下的侧向舰艉流分量值，其中n的大小由相关性分析得到；输出为下一时刻的侧向舰艉流速度值；
21.(3)垂向舰艉流分量建模
22.输入取为舰载机在跑道参考坐标系下的坐标、当前时刻和前n个时刻的跑道参考坐标系下的垂向舰艉流分量值，其中n的大小由相关性分析得到；输出为下一时刻的垂向舰艉流速度值。
23.本发明与现有技术相比的优点在于：
24.(1)绝大多数抑制舰艉流影响的研究将重点放在提高着舰控制方法的全面抗风干扰能力上，而对舰艉流的具体测量和表现研究较少。本方法可以实现舰艉流的精确预测，建立适用于不同航母的舰艉流模型，从而进一步设计针对性的抑制方法，为抑制舰艉流影响提供了一种新思路。
25.(2)本方法实际上是对已有数据的融合和综合利用，通过已有信息深入分析舰艉流规律，是实现着舰大数据信息化、智能化的重要尝试。
26.(3)本方法通过实时预测舰艉流的大小，为着舰控制系统提供了更加精确的控制模型，降低了着舰控制系统为抑制舰艉流影响进行的相关设计的复杂程度，为提高着舰精确控制水平和着舰成功率奠定了技术基础。
附图说明
27.图1为本发明的水平面内矢量三角形测风的原理示意图；
28.图2为本发明的三维风速测量原理图；
29.图3为本发明的纵向舰艉流分量模型的网络结构图；
30.图4为本发明实施例中舰艉流分量的自相关和偏相关分析图，其中图4(a)、(b)和(c)分别为纵向、侧向和垂向舰艉流分量的自相关和偏相关分析图；
31.图5为本发明实施例中舰艉流分量的预测结果，其中图(a)、(b)和(c)分别为纵向、侧向和垂向舰艉流分量的预测值和真实值比较图以及预测误差图。
具体实施方式
32.下面结合附图和具体实施例，详细介绍本发明方法。
33.如图1～3所示的一种基于神经网络的舰载机着舰时的舰艉流实时预测方法，具体包括以下步骤：
34.步骤一、通过机载空速管可获得舰载机的空速大小，通过机载攻角传感器和侧滑角传感器可获得舰载机的攻角和侧滑角，经过计算可获得舰载机相对于机体坐标系下的三维空速；
35.步骤二、通过机载惯导系统可获得舰载机的三维地速，采用矢量三角形测风法可得到此刻此位置的三维风速；
36.步骤三、通过对已有着舰的飞行数据进行处理，可以获得每次着舰过程中的舰艉流测量值，根据这些样本采用神经网络技术进行舰艉流建模；
37.步骤四、着舰过程中，利用舰载机实时测得的空速、攻角、侧滑角、地速、姿态角和相对位置等，根据已建立的舰艉流模型进行舰艉流预测。
38.具体的，所述步骤1中，获取三维空速信息的方法，具体如下：
39.飞机通过空速管测量计算所得的空速是与机体纵轴方向一致的一个一维速度分量，根据机体坐标系(b系)和气流坐标系(w系)之间的转换关系，可进一步解算出气流坐标系下的三维空速，而通过导航系统得到的地速是在地理坐标系(n系)下的地速，因此在计算过程中，应将空速由气流坐标系转换到地理坐标系下。
40.气流坐标系o
w
x
w
y
w
z
w
首先绕z
w
轴旋转侧滑角β，再绕y
w1
轴(经过一次旋转后的y
w
轴)
旋转迎角的相反数
‑
α，可得到机体坐标系o
b
x
b
y
b
z
b
，具体的变换矩阵可表示为：
[0041][0042]
三维空速表示为经过坐标系变换可得到空速在机体坐标系中的表示：
[0043][0044]
|v
aw
|表示气流坐标系下的飞机空速大小。
[0045]
由于空速管安装方向与机体纵轴方向一致，因此飞机通过皮托
‑
静压管测量计算所得的空速是与机体纵轴方向一致的一个一维速度分量，即通过该分量，结合迎角和侧滑角，可计算出机体坐标系下的三维空速如下：
[0046][0047]
所述步骤2中，三维风速信息的获取具体步骤如下：
[0048]
设飞机质心处的风速矢量为飞机在当地地理坐标系下的速度矢量为飞机相对空气速度矢量为飞机水平飞行时，在水平面内的地速、空速和风速三个矢量的关系示意图如图1所示。图中ψ为航向角，ψ
t
为航迹方位角。d
a
为和的夹角，定义顺时针为正。d
w
为北向至水平风速方向的夹角，定义顺时针为正，称为风向角。
[0049]
三维地速信息由飞机的导航系统输出，与空速矢量两者相减即为地理系下的三维风速信息，原理如图2所示。因此，风速计算公式的矢量表达式为：
[0050][0051]
其中，风速的大小为：
[0052][0053]
机体坐标系下的飞机地速由机载惯导或gps测得。地理坐标系与机体坐标系之间的变换矩阵可表示为由机载惯导系统测得的舰载机俯仰角θ、横滚角γ、偏航角ψ得到。
[0054]
[0055]
因此，风速在地理坐标系下可表示为：
[0056][0057]
其中，为机体坐标系下的风速。
[0058]
跑道参考坐标系(rr系)定义为海面静止时的跑道坐标系(r)，坐标系原点o
rr
为理想着舰点，o
rr
x
rr
轴沿跑道中心线指向舰艏，o
rr
z
rr
轴指向地心，o
rr
y
rr
轴满足右手坐标系在水平面内垂直于o
rr
x
rr
轴指向航母右舷。根据航母的航向角ψ
s
和航母纵轴与跑道的夹角ψ
r
可得到跑道参考坐标系与地理坐标系间的变换矩阵：
[0059][0060]
由此可得到风速在跑道参考坐标系下可表示为：
[0061][0062]
所述步骤3中，舰艉流建模具体包括如下步骤：
[0063]
舰艉流的三个方向分量均与其各自的历史时刻信息有关，可采用历史时刻信息来预测未来舰艉流的大小。将每个舰艉流分量看做单独的时间序列，采用自相关及偏相关方法，可分析其历史时刻与下一时刻的数值之间的相关性。当自相关系数拖尾，偏自相关系数p阶截尾时，为ar(p)模型，即p阶自回归模型，则可取p阶时间序列分析；当自相关系数q阶截尾，偏自相关系数拖尾时，为ma(q)模型，即q阶滑动平均模型，取q阶时间序列分析；当自相关系数拖尾，偏自相关系数也拖尾时，则为arma(p，q)模型，即p阶自回归模型与q阶滑动平均模型的组合。
[0064]
对于一个时间序列，{x
k
|k＝1,2,
…
,n}，n为序列点数，其h阶自相关系数的计算公式如下：
[0065][0066]
对于序列x
k
，滞后m阶偏自相关系数φ
mm
是指在给定中间m
‑
1个随机变量x
k
‑1,x
k
‑2,
…
,x
k
‑
m+1
的条件下，即剔除了中间m
‑
1个随机变量的干扰后，x
k
‑
m
对x
k
影响的相关度量。具体计算公式如下：
[0067][0068]
其中，d
m
和d为与自相关系数有关的行列式的值。
[0069]
观察舰艉流三个方向的分量自相关系数图和偏自相关系数图，分别确定三个方向舰艉流分量需采用何种几阶时间序列分析，由此确定每个bp神经网络所需输入的n个历史时刻的值。
[0070]
bp神经网络一种按照误差逆向传播算法进行训练的多层前馈神经网络。bp神经网络主要由输入层、隐含层和输出层构成。其中，x
i
(i＝1,2,
…
n)、y
j
(j＝1,2,
…
m)为网络的输入与输出向量；每个节点代表一个神经元含有特定的激活函数，常用的激活函数的类型有tanh(双曲正切函数)、sigmoid(s型函数)、relu(修正线性函数)等；前后层节点之间通过权值w
i,j
连接。bp神经网络的训练过程为非线性优化问题，通过不断修正参数w
i,j
，使有关输出误差的目标函数达到最小。
[0071]
以下所需的舰艉流当前时刻及历史时刻的数据均按照公式(9)计算得到。
[0072]
(1)纵向舰艉流分量建模
[0073]
根据舰艉流模型可知，纵向舰艉流中的稳态分量与距离有关，而其他分量可以根据历史时刻的值来表示。因此采用bp神经网络建模时，输入取为舰载机在跑道参考坐标系的坐标当前时刻和前n个时刻的跑道参考坐标系下的纵向舰艉流分量值其中n的大小由相关性分析得到；输出为下一时刻的纵向舰艉流速度值网络含一个或多个隐含层，其网络结构如图3所示。
[0074]
(2)侧向舰艉流分量建模
[0075]
与纵向舰艉流建模类似，侧向舰艉流分量也与舰机相对距离、自身历史时刻中的值有关，因此采用bp神经网络建模时，输入取为舰载机在跑道参考坐标系下的坐标当前时刻和前n个时刻的跑道参考坐标系下的侧向舰艉流分量值其中n的大小由相关性分析得到；输出为下一时刻的侧向舰艉流速度值网络含一个或多个隐含层。
[0076]
(3)垂向舰艉流分量建模
[0077]
与纵向舰艉流建模类似，垂向舰艉流分量的bp神经网络模型中，输入取为舰载机在跑道参考坐标系下的坐标当前时刻和前n个时刻的跑道参考坐标系下的垂向舰艉流分量值其中n的大小由相关性分析得到；输出为下一时刻的垂向舰艉流速度值网络含一个或多个隐含层。
[0078]
所述步骤4中，舰艉流预测具体包括以下步骤：
[0079]
着舰过程中，利用舰载机实时测得的空速v
a_c
、攻角α、侧滑角β根据公式(3)可实时计算出机体坐标系下的三维空速，利用惯导测得的地速、姿态角信息根据公式(9)可得到当前时刻相对于跑道参考坐标系的三维风速。存储后的三维风速历史测量值以及当前时刻舰载机相对于跑道参考坐标系的位置可作为步骤三中已建立的舰艉流模型的输入，进行舰艉流预测。
[0080]
每次着舰过后都可利用新的着舰数据制作新的样本，对舰艉流模型进行更新，不断提高舰艉流的预测精度。
[0081]
对本发明提出的基于神经网络的舰载机着舰时的舰艉流实时预测方法进行仿真验证。根据《军用规范—有人驾驶飞机的飞行品质》(mil
‑
f
‑
8785c)中描述的舰艉流模型，设
置甲板风风速为15m/s，可得到三个方向舰艉流仿真数据，数据采样频率为100hz。以此为样本数据进行舰艉流建模。
[0082]
对舰艉流的纵向、侧向和垂向分量分别进行自相关和偏相关分析，结果如图4(a)(b)(c)所示。通过相关性分析可知，舰艉流三个方向的分量自相关系数图均成呈拖尾现象；偏相关系数图中，纵向和侧向的舰艉流分量呈2阶截尾，可采用前一时刻和当前时刻的值预测下一时刻的值，垂向舰艉流分量呈3阶截尾，可采用前两个时刻和当前时刻的值预测下一时刻的值。三个方向分量的预测模型均为bp神经网络，隐含层设为1层，节点数均设为10，激活函数均为双曲正切函数。
[0083]
(1)预测下一个时刻的舰艉流大小
[0084]
图5(a)(b)(c)分别为预测下一时刻(即0.01s后)的三个方向的舰艉流分量结果图，每个图中分别给出了舰艉流分量的真实值、预测值和预测误差。预测误差的统计量如下：纵向分量预测误差的平均值为
‑
0.00055m/s，均方差为0.018m/s，最大值为0.152m/s；侧向分量预测误差的平均值为0.00098m/s，均方差为0.011m/s，最大值为0.097m/s；垂向分量预测误差的平均值为0.00137m/s，均方差为0.0088m/s，最大值为0.130m/s。可以看出该预测模型较好的预测了下一个时刻的舰艉流分量。
[0085]
(2)预测后n个时刻的舰艉流大小
[0086]
仅预测下一个时刻的舰艉流大小并不能满足控制的需要，因此将每次预测出来的舰艉流大小作为下一次的输入量，利用所构建的舰艉流预测模型进行重复运算，可得到后n个时刻的舰艉流预测值。
[0087]
表1为后1个时刻到后6个时刻的预测误差统计结果，包括平均值、均方差以及最大值。由表1可以看出，随着预测时长增加，预测误差逐渐增大，当预测第6个时刻的舰艉流时，垂向舰艉流分量的预测误差最大可达1.0m/s，已经不适合使用。考虑到精确度和预测时长的平衡，建议预测时长不超过5。
[0088]
表1舰艉流预测误差统计结果
[0089]
[0090][0091]
仿真试验结果验证了本发明提出的基于神经网络的舰载机着舰时的舰艉流实时预测方法的有效性。
[0092]
总之，本发明本方法通过已有信息深入分析舰艉流规律，可以实现舰艉流的精确预测，是实现着舰大数据信息化、智能化的重要尝试，可建立适用于不同航母的舰艉流模型，为着舰控制系统提供了更加精确的控制模型，为提高着舰精确控制水平和着舰成功率奠定了技术基础，为抑制舰艉流影响提供了一种新思路。
[0093]
本发明未详细公开的部分属于本领域的公知技术。
[0094]
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。