文摘

惯性导航系统/多普勒速度日志(INS / DVL)组合导航系统是广泛应用于GPS的水下环境中不可用。INS / DVL组合导航系统通常是松散耦合;然而,这并不工作如果任何DVL传感器不工作。如果一个系统是紧密耦合的,速度误差可以通过公平的估计精度,即使一些传感器的失败。然而,尽管紧密耦合系统的健壮性与一个松散耦合的相比,前者的速度误差估计精度降低错误的传感器数量的增加。因此,本文提出了一个INS / DVL /每分钟转数(RPM)组合导航滤波器设计来改善传统的紧密耦合的集成系统的性能评估数据使用RPM从错误的传感器数据。两个滤波器的特征(1)估算RPM数据占错误从潮流的影响,(2)连续估计误差在RPM数据有选择地将故障传感器的测量。首次验证滤波器的性能使用蒙特卡罗数值模拟分析标准差范围设置为1 (1σ68%),然后与实际测试测量数据。

1。介绍

惯性测量单元(imu)和多普勒速度日志(DVLs)是标准的传感器在水下导航系统集成。IMU措施使用加速度计和陀螺仪,加速度和角速度测量特定的力量和旋转,分别,这使得计算导航信息(位置、速度和态度),而不影响环境。然而,这些IMU的估计是准确的只有在短时间范围因为导航误差随时间积累的;这些都是放大的一体化进程(1]。为了克服这个缺点,几项研究已经建立的方法进行正确的导航信息使用外部DVLs等传感器。

DVL是用来衡量一个使用多普勒效应的水下航行器的速度通过观察频率之间的转变从水下声信号传播载体和海底反射的回波信号。DVL, Janus配置中的四个传感器是一致的,即每个传感器的速度测量转化为三轴车辆的速度使用坐标变换矩阵(2]。

一般来说,DVL-aided速度校正算法的惯性导航系统(INS)采用松散耦合的方法,使用了车身骨架速度计算DVL作为卡尔曼滤波器的输入。有更多的研究比紧密耦合的松散耦合的方法,这些都集中在设计和验证导航过滤器主要基于扩展卡尔曼滤波(3- - - - - -6]。最近的设计和验证研究也使用其他类型的过滤器如无味卡尔曼滤波和容积卡尔曼滤波(7- - - - - -9]。松散耦合的方法有一个设计的优势,由于简单的测量,但其精度测量车身骨架速度大大受损如果任何DVL传感器信号不能被接受。克服这个缺点,各种滤波器的设计也被建议使用传感器除了DVL或应用一组约束(10- - - - - -13]。

不同的紧密耦合导航滤波器设计在过去的几年里(14,15]。紧密耦合的系统使用的速度来衡量每一个传感器,而不是从体框架从滤波器的测量速度。即使一个或多个的四个传感器失败,随之而来的INS可以相当的速度误差补偿的速度从剩下的传感器的信息。然而,尽管它的健壮性和松散耦合的系统相比,速度误差估计的准确性紧密耦合的系统减少错误的传感器数量的增加。

每分钟转数(RPM)数据可用于正确的速度在水下环境中关于中的错误。RPM数据之间的关系和一个水下的巡航速度车辆可以使用一个线性方程估计。这可以从六自由度模型(6自由度)或测试结果,获得的速度和准确的信息可以在理想的环境。然而,RPM数据无法弥补潮流的影响,这是一个必须考虑水下特征。

在这项研究中,一个INS / DVL / RPM组合导航滤波器设计,目的是改善传统的性能紧密耦合的方法,估算错误的信息使用RPM传感器信息。RPM误差系数估计的正常运行期间DVL并行计算和速度的主要重点是评估潮流的RPM随着会计误差因素。如果任何DVL传感器失败在导航中,滤波器的测量转换为RPM和重点转向改变错误的传感器,而不是整体的速度速度。因此,过滤测量都是基于测量的值正常DVL传感器和估计的RPM。该方法利用紧密耦合方法的优点,这样RPM错误可以使用RPM测量值准确地估计不断前传感器故障和正常的传感器测量值。在松散耦合的方法,可以估计RPM传感器故障前误差因素;然而,如果发生故障,那么所有的测量值必须转化为RPM,这意味着RPM再也不能估计误差因素。

提出了滤波器的性能通过蒙特卡罗模拟进行了分析。分析的范围是比较常规的性能并提出紧密耦合方法条件下,两个或三个DVL传感器故障和存在与否的潮流的影响。100次迭代每个场景模拟和结果分析基于标准差(1σ)。假设一个正态分布的样本中,68%的所有数据属于1σ的意思。最后,证明所提出的滤波器的性能使用获得的数据在实际测试。

2。传统方法:INS / DVL组合导航系统

图1介绍了松散耦合(图的典型结构1(一))和紧密耦合(图1 (b)INS / DVL组合导航系统。这些系统之间的区别在于各自的测量模型,即速度误差估计沿三个轴的车身骨架和四轴DVL框架,分别。

(一)
(一)
(b)
(b)
图1
总体结构松散/ INS / DVL紧密耦合。
2.1。系统模型

方程(1)和(2)是微分方程计算速度和态度错误发生在捷联式惯性导航系统。他们是标准的公式及其推导过程1]因此省略。

在这些方程, 速度误差, 是斜对称的矩阵的具体的力量在导航框架, 错误的态度, 是态度的转换矩阵, 加速度计误差, , ,和 是地球的旋转的角速度和传输速率组件,然后呢 陀螺误差。

系统模型是构成作为一个时变线性系统微分方程相结合获得的速度和态度错误使用方程(1)和(2)可以定义如下:

方程(3)可以转化为离散形式,表示如下: dt在哪里国家的传播步伐variable.12吗th订单状态变量可以建模如下: 在哪里 速度误差, 的态度, 加速度是偏见, 是陀螺的偏见。使用方程(1)和(2),系统误差模型F(t)可以确定如下:

在这个矩阵,l是纬度和 和 定义如下: 在哪里R0,e,l地球的赤道半径,地球的椭圆率,分别和纬度。

2.2。测量模型
2.2.1。松散耦合的测量模型

松散耦合的测量模型解释了速度误差沿三个轴的导航框架。速度误差的区别是INS-calculated DVL-measured速度,定义如下:

在方程(8)派生误差模型,方程(9)使用摄动法推导出,表示如下:

测量矩阵H因此可以设计如下:

2.2.2。紧密耦合的测量模型

紧密耦合的度量模型解释了速度误差的四轴DVL框架。车身骨架的变换矩阵和DVL框架如下2]: 在哪里 这个词是身体坐标系和DVL坐标系之间的转换。它决定按照下列DVL仪表设置: 在哪里 和 倾斜角度的四个传感器相对于海底和水下航行方向的车辆,分别。如果DVL对齐(+)的形式相对于后者, ;在( )形式, 。

测量模型表示的实时区别INS-calculated速度和DVL-measured速度,定义如下:

在方程(13)派生误差模型,方程(14)使用摄动法推导出,表示如下:

测量矩阵H因此可以设计成

3所示。方法:设计的紧密耦合的INS / DVL / RPM集成导航系统

松和紧耦合集成的主要区别在于DVL传感器故障的存在与否。松散耦合的方法不工作如果任何的四个传感器都是错误的,而紧密耦合的方法允许速度误差估计基于数据从剩下的传感器运作正常。虽然紧密耦合的方法从而优于松散耦合的方法,速度误差估计的精度条件下,哪一个传感器故障状态不可避免地降低与prefailure状态。

为了改善传统的性能紧密耦合的方法,本研究提出了一种INS / DVL / RPM组合导航滤波器(图2)。该方法使用RPM数据从水下获得车辆的马达驱动数据来估计车身骨架的巡航速度。因此,RPM /速度的关系可以通过一个简单的巡航速度估计结合6自由度运动模型和测试结果分析。基于rpm的速度估计是高度准确的在理想情况下,表示如下: 方程的误差模型(16)推导如下: 在哪里 是基于RPM的估计误差的巡航速度,方向由科幻错误和RPM偏移误差。潮流的影响作为状态变量必须添加到这整个进一步考虑。RPM-estimated速度非常高的准确性没有潮流但减少他们的影响。如果因此可以提高准确率的影响潮流可以估计补偿需要使用RPM-estimated速度。状态变量占RPM误差因素是设置为17th订单状态变量如下: 在哪里 RPM偏移误差, RPM比例因子误差, 是导航坐标系相对于潮流速度误差。系统误差模型F(t)可以确定如下: 在哪里 , ,和 与方程(完全相同6)。一个测量模型,没有考虑潮流的影响可以设计如下:


图2
提出的结构紧密耦合的INS / DVL / RPM集成导航系统。

在方程(20.)可以推导出误差模型,方程(21)使用摄动法推导出,表示如下:

假设没有潮流的影响,水下航行器的巡航速度可以使用RPM估计准确定义的模型方程(21)。如果任何的四个DVL传感器有异味,RPM数据可以用来代替DVL估计速度。使用方程(速度误差估计的准确性21)是减少在潮流面前。所以有必要弥补潮流的影响,当执行基于rpm的速度估计。相应的测量模型可以确定如下:

在方程(22)可以推导出误差模型,方程(23)使用摄动法推导出,表示如下:

测量矩阵H因此可以设计如下:

最后,速度估计考虑RPM的偏见,比例因子误差,以及潮流的影响可以表示为下图:

车身骨架的估计基于rpm的速度可以被转换到DVL框架如下:

在DVL出现故障时,可以实时估计基于rpm的速度考虑潮流的影响,从而补偿使用方程(27)。例如,如果DVL传感器# 2和# 3是有缺陷的,来自传感器的数据# 1和# 4用于基于rpm的速度估计传感器# 2和# 3用于DVL-measured速度,如下:

该滤波器的主要优势是它的速度估计的精度,考虑了潮流结合完整DVL和RPM数据。这利用紧密耦合方法的优点而克服缺点与传统的使用紧密耦合的方法,只考虑RPM中的数据作为测量值DVL失败的事件。这是因为后者让人无法执行基于rpm的速度误差估计,因此它没有比松散耦合的方法。图3提出了一种结构的示意图表示表示由方程(27)。


图3
再生部分DVL测量的结构。

4所示。数值模拟

4.1。概述

我们进行了蒙特卡罗仿真分析提出了滤波器的性能。的范围的分析是一个比较传统的性能并提出紧密耦合方法条件下潮流在目前或缺席,两个或三个DVL传感器故障。100次迭代每个场景模拟,仿真结果分析的一个标准差的意思(1σ,68%)。

模拟轨迹生成的分析,如图4。导航所花费的总时间是27分钟,巡航速度是12米/秒。发病DVL失败是导航开始后5分钟。两个传感器故障涉及到传感器的场景# 1和# 2,虽然这三个错误的传感器包括传感器# 1,# 2,# 3。乌兹别克斯坦伊斯兰运动建模,使用反向惯性导航的轨迹生成方法。乌兹别克斯坦伊斯兰运动模型的信号生成了偏见,比例因子和偏差错误,和考虑,执行噪声建模作为一个1圣阶马尔可夫过程。信号DVL框架生成通过比例因子误差,偏见,和噪音。方程(28),(29日)和(30.)代表模型的陀螺仪、加速度计和DVL,分别。


图4
生成条件和模拟水下车辆轨迹。

在这些方程,米扩张型心肌病失调,科幻是比例因子误差,dt是计算周期,bk,可重复性偏差可重复性,bk,稳定是偏置稳定性, 是马尔可夫过程的时间常数。随着DVL传感器对准被假定为(+)方向相对于巡航方向,的价值 。确定潮流的影响,潮一代执行在导航框架。每个数据点受到了蒙特卡罗模拟for100迭代,如图5。潮流的流量范围2到2米/秒(1σ)生成的随机分析,如图5。


图5
潮一代在导航框架。
4.2。性能分析
4.2.1。准备潮汐缺席的情况

图6介绍了速度和位置的结果中的错误场景,在该场景中,两个传感器是错误的。蓝色和红色线条图6(一)代表1σ价值观提出的常规和紧密耦合的方法,分别。这些比较表明,该方法优于传统方法的速度误差估计,当300年代后发生传感器故障。这个改进的性能可以归结于额外的RPM误差因素估计补偿传感器故障。蓝线表明,传统的紧密耦合方法可以在某种程度上估计速度误差条件下测试,与松散耦合的方法,它将不能这样做,因此产生了一个突然的速度误差。数据6 (b)和6 (c)分别代表着速度和位置误差的概要文件。图7礼物的场景,三个传感器的分析结果是错误的。随着错误的传感器数量的增加,传统的紧密耦合方法的速度误差估计减少。相比之下,该方法保持其估计精度无关的错误的传感器的数量。因此,没有显著差异的位置误差。这证实了基于rpm的速度估计是接近理想值在nontidal条件下,提出的方法比传统的更健壮的紧密耦合的方法。

(一)
(一)
(b)
(b)
(c)
(c)
图6
蒙特卡罗模拟的结果(潮:,DVL错:两个传感器)。

图7
蒙特卡罗模拟的结果(潮:,DVL错:三个传感器)。
4.2.2。条件的潮汐

更清楚地提出了滤波器的优越性体现在潮流的存在。鉴于参考系用于潮流误差建模导航坐标系,估计速度取决于偏航角变化。轨迹图4表明一个90度扭转导航开始后立即快速的误差估计。图8礼物潮潮的误差估计的结果显示误差收敛至零。RPM速度误差可以使用估计潮误差补偿根据方程(25)。图9说明了结果的速度和位置误差分析场景,在该场景中,两个传感器成为错误和潮流。结果表明,该方法优于传统的紧密耦合方法在这个场景的速度误差估计。另一个场景中,三个传感器故障和潮流,收益率相同的结果;这是显示在图10。该滤波器估计速度误差无论故障传感器的数量而传统紧密耦合方法的准确性降低错误的传感器数量的增加。


图8
潮流误差估计的结果。

图9
蒙特卡罗模拟的结果(潮:DVL错:两个传感器)。

图10
蒙特卡罗模拟的结果(潮:DVL错:三个传感器)。
4.2.3。全面的分析

图11介绍了最终位置错误资料。传统之间的位置误差的比较,提出紧密耦合方法在四个模拟场景表明,在传统的紧密耦合方法,位置误差随着错误的传感器数量的增加而增加,但该滤波器估计位置误差始终不考虑错误的传感器的数量。没有潮流的、一致的估计是有可能的,因为转速接近理想状态。然而,更清楚地演示了该方法的优越性在潮流的存在。缺乏数据潮流的方向和大小一致的位置误差估计一个巨大的挑战,除非潮误差估计精度。拟议的过滤器被验证为克服这个挑战估计潮误差精度高。表1概述了位置误差估计在每个场景模拟的结果。


图11
位置在蒙特卡洛仿真结果比较。
表1
位置误差估计的结果。

5。验证与测试数据

最后验证滤波器的性能,我们进行了一个分析基于真实测试数据。在这个分析是导航的持续时间20分钟。在相应的部分,水深是恒定的。按照以下顺序进行了分析:(1)真正的海上测试数据来自一个没有历史的INS / DVL组合导航系统的DVL失败。位置误差表示 ,因为它是机密信息,不能透露。(2)DVL失败是实现导航开始后5分钟,在模拟相同的失效模式。(3)传统的最终位置错误,提出过滤器是表示“ +位置误差。”也就是说,位置误差估计的位置误差在完美的条件。描绘了真实的海上试射的场景。

图12礼物真正DVL输出验证测试期间海潮流的存在。水深是常数的分析;因此,传感器# 1和# 3有关 组件和传感器# 2和# 4是相关的 组件,根据方程(11)。在潮流的条件不存在,# 1和# 3的输出必须是常数和# 2和# 4必须是0。潮流的存在可以证实了第三个图在图13描述了偏航角信息;这表明DVL输出变化当偏航角变化的90度。这可以确定为潮流的影响。


图12
实验DVL数据测量。

图13
潮流估计的结果。

图14介绍了真正的RPM数据。在图13,这说明了潮流估计结果,蓝色,红色,和黑色线条代表估计结果为零的条件下,两个,分别和三个DVL传感器是错误的。在真正的海上测试,很难预测的方向和速度潮流的影响。蓝线表明,潮汐信息估计;然而,更重要的是,红线显示误差估计进行不断地从任何正常的传感器基于数据尽管失败的两个传感器。误差估计也执行,虽然不一定到那种程度,即使在条件三个传感器是错误的。这重申滤波器的优越性。此外,与偏航角图显示,潮流估计精度提高当偏航角的变化。这是因为用于潮流的参考系误差建模导航框架。数据15和16显示速度误差导致DVL失败条件。绿色、蓝色和红色图形表示条件DVL完好无损,传统的紧密耦合的方法,分别和拟议的紧密耦合的方法。在仿真结果中,该方法优于传统的方法在估算速度误差。速度误差估计的准确性降低错误的传感器数量的增加的常规方法,而很少或没有区别的方法即使错误的传感器数量的增加。表中给出的最终位置错误2。


图14
实验转速测量的数据。

图15
速度误差估计的结果(DVL断层:两个传感器)。

图16
速度误差估计的结果(DVL断层:三个传感器)。
表2
位置误差的结果。

6。结论

本文描述的设计紧密耦合的INS / DVL / RPM集成导航系统。我们设计了一个过滤器,它再现了错误的测量传感器的优点基于传统紧密耦合的集成方法。测量复制那些正常的DVL换能器和由基于rpm的速度的估计。在设计滤波器,是小心,以确保准确的基于rpm的速度估计,潮流的影响考虑在内。滤波器的显著特点是,在发生的失败DVL传感器,所有测量不是变成了RPM;这只是做的数据错误的传感器。这允许一个连续使用的测量,因为过滤器将继续基于rpm的误差估计。来验证提出的滤波器的性能,我们进行了蒙特卡罗模拟;分析他们的研究结果表明,该滤波器可以更准确地估计速度和位置误差比传统的紧密耦合方法无论潮流的影响和传感器故障。最后,我们验证了滤波器的性能使用真实的测试数据。

本研究分析了滤波器的性能使用DVL失败场景模拟。然而,传感器故障并不是唯一DVL-related变量。例如,突然变化的深度可以减少传感器测量精度,即使他们都完好无损。同样,DVL测量可能不准确的细分市场中一个水下车辆超越DVL测量范围由于海底的地形。因此有必要进行后续测试提出的滤波器应用于确保强劲的速度在这些变量情况下误差估计。

数据可用性

(1)(详细的方程模型)的数据用于支持本研究的结果中包括这篇文章。(2)(数据)的数据用于支持本研究的结果中包括这篇文章。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

我们要感谢Editage (http://www.editage.co.kr)英语编辑。这项研究受到了研发项目的self-investment水下导航系统由海上研发实验室,LIGNex1有限公司。