一种基于稳定和非稳定深度区间的深平均流预测方法

1.本发明属于水下滑翔机技术领域，涉及一种基于稳定和非稳定深度区间的深平均流预测方法。


背景技术：

2.自主式水下滑翔机是一种由浮力驱动的无人水下航行器(uuv)。由于其续航能力强，现已被广泛应用于长期海洋观测。在海洋观测任务中，滑翔机的路径跟踪是一个热门的研究课题。路径跟踪要求滑翔机以一种有效和经济的方式沿着预定的路线滑翔。在理想条件下，水下滑翔机的目标航向角是路径从起点到终点的矢量方向。然而，在实际应用中，深平均流的影响导致水下滑翔机不能简单地遵循上述航向角设置，所以深平均流预测对于水下滑翔机的航向角修正至关重要。关于深平均流预测技术中水下滑翔机理想航位推算的问题，目前已有的解决办法有：1)加装多普勒测速仪。由于水下滑翔机稳定滑翔时俯仰角不为0
°
，所以应用多普勒需要复杂的解算过程，而且加装传感器增加能耗，降低水下滑翔机的续航能力。2)实时测量水下滑翔机的俯仰角和偏航角，利用实时数据推算航位。这种方法需要消耗大量计算资源和能量。3)使用稳定滑翔状态下固定俯仰角推算航位。虽然可以节约计算资源，但是忽略了非稳定滑翔状态下动态俯仰角对航位的影响，精确度较低。


技术实现要素：

3.要解决的技术问题
4.为了避免现有技术的不足之处，本发明提出一种基于稳定和非稳定深度区间的深平均流预测方法，提供一种计算复杂度低，精确度高的水下滑翔机深平均流预测方法。
5.本发明的目的是针对水下滑翔机航向修正问题，提供一种计算复杂度低，精确度高的深平均流预测方法。以水下滑翔机单周期滑翔深度为参考，将深度区间根据运动状态分为稳定区间和非稳定区间。在稳定区间内使用固定俯仰角推算航位，在非稳定区间内使用实时俯仰角数据推算航位，实现低计算量，高精度推算水下滑翔机理想航位，进而完成深平均流准确预测，并基于历史剖面数据设计迭代算法估计下一剖面的深平均流。
6.技术方案
7.一种基于稳定和非稳定深度区间的深平均流预测方法，其特征在于：将水下滑翔机单周期滑翔深度区间分为稳定区间和非稳定区间，根据水下滑翔机的运动数据完成深平均流预测，预测步骤如下：
8.步骤1：以水平面为0，
9.不稳定区间为：[0,h1]∪[h
max
,h
max-δh]∪[h
max-δh,h
max-δh+h2]，
[0010]
稳定区间为：[h1,h
max
]∪[h
max-δh+h2,0]；
[0011]
其中：h1表示下潜阶段由于执行机构动作导致俯仰角不稳定的深度，h2表示上浮阶段由于执行机构动作导致俯仰角不稳定的深度，h
max
表示设定深度，δh表示由于惯性超过设定深度的距离；
[0012]
步骤2：在不稳定区间内，根据第k-1个采样周期获得的深度数据d(k-1)，第k个采样周期获得的深度数据d(k)和俯仰角数据θ(k)，计算滑翔机的水平速度为：
[0013][0014]
其中，攻角α(k)通过计算水下滑翔机模型运动学模型获得；
[0015]
步骤3：在稳定区间内，计算滑翔机的水平位移δl为：
[0016][0017]
其中：γ1表示下潜稳定间隔中俯仰角和攻角之间的差值,γ2表示上浮稳定间隔中俯仰角和攻角之间的差值；
[0018]
步骤4：计算水下滑翔机第n个剖面的理论出水位置p
n,out
∈r2×1：
[0019][0020]
其中：p
n,in
∈r2×1表示滑翔机入水位置，k1+k2表示不稳定区间内的数据样本总数；k1表示下潜不稳定区间内的数据样本数，k2表示上浮不稳定区间内的数据样本数，ψ表示水下滑翔机航向角，k表示采样点；
[0021]
步骤5：通过gps数据获得滑翔机的实际出水点位置是p
n,real
，第n个剖面的滑翔时间为tn，则深平均流的向量为：
[0022][0023]
步骤6：采用一种带窗口w的迭代算法估计下周期深平均流速度
[0024]
选取第n-w个到第n个剖面的深平均流速度数据计算第n+1个剖面的深平均流速度：
[0025][0026]
其中：权值ai代表历史剖面数据对估计的影响程度。
[0027]
所述权值ai代表历史剖面数据对估计的影响程度，满足如下不等式：
[0028][0029]
w表示选择前w个剖面的深平均流历史数据估计下个剖面的深平均流。
[0030]
有益效果
[0031]
本发明提出的一种基于稳定和非稳定深度区间的深平均流预测方法，是一种深平均流预测方法，以水下滑翔机单周期滑翔深度为参考，将深度区间根据运动状态分为稳定区间和非稳定区间。在稳定区间内使用固定俯仰角推算航位，在非稳定区间内使用实时俯仰角数据推算航位，实现低计算量，高精度推算水下滑翔机理想航位，进而完成深平均流准确预测，并基于历史剖面数据设计迭代算法估计下一剖面的深平均流。
[0032]
具体来说，本发明具有以下优点及有益效果：
[0033]
1、理想航位推算的计算量低，精度高。本方法分析在非稳定深度区间内由于俯仰角不稳定，所以需要使用实时俯仰角推算航位，虽然增加了计算量，但是获得了高精度的航位推算结果，在稳定深度区间内俯仰角稳定，使用固定俯仰角推算航位在保证精度的基础上减少了计算量。相较于目前已有的全周期固定俯仰角航位推算和全周期实时俯仰角航位推算方法，实现了低计算量，高精度的理想航位推算；
[0034]
2、深平均流预测更精确。现有的深平均流预测方法认为下一周期的深平均流与上一周期相同，忽略了可能存在的偶然错误。本方法基于历史数据设计一种带窗口的迭代算法估计下一周期的深平均流，对于下一周期的深平均流预测更精确。
附图说明
[0035]
图1：垂直剖面滑翔深度区间示意图
[0036]
图2：深平均流预测示意图
具体实施方式
[0037]
现结合实施例、附图对本发明作进一步描述：
[0038]
为了使本发明的目的、技术方案及优点更加清楚明白，以下垂直剖面滑翔深度区间示意图(附图1)、深平均流预测示意图(附图2)，对本发明进行进一步详细说明。应当理解，此处所描述的具体实例仅用以解释本发明，并不限定用于本发明。
[0039]
步骤1：定义单个滑翔剖面中稳定和非稳定深度区间。以水平面为0，不稳定区间为[0,h1]∪[h
max
,h
max-δh]∪[h
max-δh,h
max-δh+h2]，稳定区间为[h1,h
max
]∪[h
max-δh+h2,0]。其中，h1＝50m和h2＝60m分别表示下潜和上浮阶段由于执行机构动作导致俯仰角不稳定的深度范围，h
max
＝800m表示设定深度，δh＝11m表示由于惯性超过设定深度的距离。
[0040]
步骤2：在不稳定区间内，根据第k-1个采样周期获得的深度数据d(k-1)，第k个采样周期获得的深度数据d(k)和俯仰角数据θ(k)，使用算法(7)计算滑翔机的水平速度。
[0041][0042]
其中，攻角α(k)可通过计算运动学模型获得。
[0043]
步骤3：在稳定区间内，使用算法(8)计算滑翔机的水平位移δl。
[0044][0045]
这里，γ1和γ2分别表示下潜和上浮稳定间隔中俯仰角和攻角之间的差值。
[0046]
步骤4：使用算法(9)计算水下滑翔机第n＝5个剖面的理论出水位置p
n,out
(110.6067810e,16.9218238w)。
[0047][0048]
其中，p
n,in
(110.3160512e,16.9195092n)表示入水位置，k1+k2表示不稳定区间内的数据样本总数。k1表示下潜不稳定区间内的数据样本数，k2表示上浮不稳定区间内的数据样本数，ψ表示水下滑翔机航向角，k表示采样点。
[0049]
步骤5：通过gps数据获得滑翔机的实际出水点位置是p
n,real
(110.3243998e,16.9230737n)，第n个剖面的滑翔时间为tn＝6152s，则深平均流的向量表示为
[0050][0051]
步骤6：采用一种带窗口w＝3的迭代算法(11)估计下周期深平均流速度并输出选取第n-w个到第n个剖面的深平均流速度数据计算第n+1个剖面的深平均流速度：
[0052][0053]
其中，权值ai代表历史剖面数据对估计的影响程度，一般认为最近一次历史剖面数据起主导作用，所以满足如下不等式：
[0054][0055]
本发明提出一种深平均流预测方法与常规方法预测深平均流速度的有益效果见表1
[0056]
表1深平均流预测算法对比
[0057]