舰船上有非常多的特殊军用设备,由于天气、暗礁等造成舰船碰撞等情况可能会导致舰船倾角过大,造成设备损坏。这些比较特殊的设备在航行过程中不能出现太大的倾角或者加速度,在舰船航行过程中对航行姿态要求较高,如有一些设备或者货物要求不能过于倾斜,否则会发生设备损坏或者磕碰的情况,在很大程度上会影响舰船的作战性能和效率。
在舰船航行过程中,需要时刻了解舰船的空间位置和姿态,这对于舰船在通过复杂海域时有效防止搁浅和倾覆具有至关重要的作用。与此同时,舰船在发射导弹、拦截来袭导弹、舰载机起降等情况下,对舰船姿态进行实时监控并和舰载机实现数据互通,有利于提升武器系统的作战效率和舰载机的起降安全。而要实现这些都需要对舰船姿态实现实时监控,建立武器系统、舰船航行系统、姿态监控系统的数据互通互联,并成为舰船一体化作战体系的一部分。
目前,在很多船舶上都配置有高精度导航设备,使用导航设备可以获取船舶的纵倾角,但是目前这些数据很难支持交互和二次开发,同时也难以将获得的数据按照相关技术要求进行存储。嵌入式系统可以通过传感器实时获取舰船的姿态数据,并通过通信接口传输到舰船控制中心和其他舰船,实现数据的高效互联。蔡亚阁[1]围绕专用运输船的船舶姿态在线监测管理系统的设计与实现进行了详细的研究和探讨,并对姿态监测系统的硬件和软件进行了详细设计。周晶文[2]提出一种基于嵌入式的船舶信息采集及传输系统。该系统包括数据采集模块、数据处理模块、数据传输模块和数据接收模块,能够稳定、实时、准确地完成船舶姿态数据的采集与传输。这些研究完成了系统的搭建和数据读取,但是其采用的位姿传感器精度不够高,同时在应用到舰船中时需要和其他系统进行高效互联,因而提出一种基于STM32的舰船姿态监测系统,系统采用多个Xsens MTi 20传感器布置在舰船不同的位置,通过采集的数据计算当前舰船的实时姿态。
1 舰船姿态监测系统设计 1.1 整体结构设计舰船航速保持在30 kn以内时,假设浪高为1 m,波长为20~30 m,此时舰船的摇摆频率为0.83 Hz。舰船姿态监测系统的整体功能需求包括以下方面[3 − 5]:
1)对舰船3个方向自由度的倾角和加速度进行测量,需要具有较高的实时性和准确性,以保证能够对舰船实时姿态进行准确获取。
2)具备多个通信接口,能够将获取的数据传输到舰船控制中心,包括UART RS 232、I2C以及SPI等。
3)具备一定的数据存储能力,在通信不畅或者异常时能够将即时数据存储到存储器中。
4)具备时钟同步能力,和其他监控系统一样能够保持和GPS或北斗时钟同步。
5)在应用端能够实现数据读取方式的设置、历史数据查询、数据图表等功能。
6)嵌入式传感节点体积较小,方便安装。
针对整体功能需求,设计基于嵌入式STM32的舰船姿态监控系统,其系统结构如图1所示。舰船姿态监测系统包括嵌入式姿态监测节点、通信接口、舰船姿态监控中心。
1)嵌入式姿态监测节点
嵌入式姿态监测节点是舰船姿态监测实现的核心部分,以STM32为核心控制MCU,包含电源、JTAG、存储器、GPS时钟、加速度传感器、倾角传感器、A/D转换等。其中电源为STM32提供各类电压供应,包括DC1.7 V、3.3 V、5 V等,通过电源芯片为整个嵌入式姿态监测节点提供稳定电源;JTAG接口为系统提供实时仿真调试接口和程序下载接口;加速度传感器和倾角传感器设置在舰船的多个位置,当系统启动后,传感器就可以将实时采集的模拟量数据传输到A/D转换单元进行转换,最后将数字量传输到STM32进行处理,即可获取当前舰船的3个自由度上的倾角以及加速度;GPS时钟是为了让舰船监测系统和其他监测系统保持时钟同步,在经过初次校准后,系统会实时接收GPS秒脉冲,并在内部建立时钟体系,将采集的数据和时钟数据一一对应后传输到存储器中。
1.2 传感器节点设计为了获取舰船的实时姿态,使用加速度传感器和倾角传感器。倾角传感器有多种形式,根据原理分类可以分为固体、液体和气体,本文采用固体倾角传感器,其基本原理如图2所示[6]。固体倾角传感器的设计基于一个明确的摆长和摆心,其工作原理与加速度传感器相似。这类传感器在市场上有多种产品类型,特别是电磁摆式的传感器,它们以其宽广的测量范围、高精度和出色的抗过载特性而受到青睐,相对于其他2种形式的倾角传感器,固体倾角传感器在军事领域应用更为广泛。
本文采用的倾角传感器为Xsens系列的MTi 20传感器,采用16位ADC,最高转换频率为 2000 Hz,内部集成了陀螺仪,可以直接测量加速度,通过对设置在舰船多个位置的数据进行融合,可以实现舰船倾角、加速度的精确测量。图3为倾角、加速度数据融合的结构原理图。
在此基础上,设计基于Xsens MTi 20的传感节点的电路,最终的电路尺寸及结构如图4所示,其尺寸为33 mm×36.8 mm,非常便于安装。
对于传感节点的数据测量,需要对数据进行标定,使用SGT320E动态传感器测试系统和本文设计的姿态监测系统对同一目标倾角进行测试,将平台倾角设置为−5°~+5°,测试200个点,SGT320E动态传感器测试系统的测试精度比本文高一个数量级,将两者获取的数据求差值,得到如图5所示的数据结果,可以发现在−5°~+5°范围内,单个传感器倾角测量误差最大为0.3°,在实现多个倾角传感器数据融合后,测量误差优于0.2°,完全能够满足舰船姿态监测系统的要求。
保持测试平台水平,分别设置平台加速度为−0.5~0.5 m/s2,测试200个点,获得的加速度误差标定如图6所示,其误差最大为0.06 m/s2。
由于单传感数据仍然存在误差过大或者异常的问题,因而需要对多个传感器数据进行融合,本文采用卡尔曼滤波对倾角传感器数据、加速度传感器数据进行融合,结合多个传感器的信息可以有效提升对舰船姿态监测的精度,从而更加全面地获得舰船的实时姿态。
卡尔曼滤波(Kalman filter)是一种高效的递归滤波器,旨在通过融合系统的动态模型和实时观测数据来提升状态估计的精确度,并降低估计中的不确定性,它由Rudolf E. Kálmán在20世纪60年代提出,广泛应用于导航、控制和信号处理等领域。其基本实现步骤如下:
1)预测阶段
在预测阶段,卡尔曼滤波首先利用当前已知的状态估计和系统的运动模型(由状态转移矩阵F表示)来预测下一个时间步的状态。如果系统受到控制输入u(k)的影响,那么这一输入也会被纳入预测模型中。预测的状态表示为x'(k),并通过以下公式计算:
$ x'(k)=F\cdot x(k-1)+B\cdot u(k) 。$ | (1) |
同时,状态估计的协方差P也会根据系统动态和过程噪声(由协方差矩阵Q表示)进行更新,以反映预测状态的不确定性。更新后的协方差表示为P'(k),计算公式如下:
$ P'(k)=F\times P(k-1)\times F+Q 。$ | (2) |
2)更新阶段
卡尔曼滤波利用最新的观测数据z(k)和观测模型(由观测矩阵H表示)来调整预测的状态。算法计算卡尔曼增益K,该增益决定了观测数据相对于预测状态的权重。然后,状态估计x(k)被更新为:
$ x(k)=x'(k)+K(k)\cdot(z(k)-\boldsymbol{H}\cdot x'(k))。$ | (3) |
并且,状态估计的协方差P也相应更新,以反映观测数据对状态估计精度的贡献:
$ P(k)=({\boldsymbol{I}}K(k)\cdot {\boldsymbol{H}})\cdot P'(k) 。$ | (4) |
其中,I为单位矩阵。
卡尔曼滤波通过不断交替执行这2个阶段,逐步优化状态估计。
以2个传感器卡尔曼滤波融合为例,得到的结果如图7所示,可以发现,通过卡尔曼滤波数据融合后,得到的舰船倾角数据和实际倾角误差较小,说明融合效果良好,且减少了依赖单一传感器的结果,特别是当传感器数量增加到一定数量后可以避免出现单一传感器失效而无法获得舰船姿态的情况,通过加强系统的冗余性来提升整个舰船姿态监测系统的可靠性,且系统的鲁棒性也得到了大幅加强。
在通过复杂海况的海域时,对舰船的姿态进行实时监测具有非常重要的意义。基于嵌入式的舰船姿态监控系统是一个独立的系统,不仅具有较高的稳定性,同时具有较好的实时性和准确性。本文提出的基于STM32舰船姿态监测系统能够实现对3个方向倾角和加速度的测量,对传感器数据测量进行标定发现,单个传感器数据误差能够满足舰船姿态监控要求,在此基础上提出使用卡尔曼滤波对多传感数据进行融合,数据融合后得到的舰船倾角数据和实际倾角误差较小。
[1] |
蔡亚阁. 专用运输船船舶姿态在线监测管理系统设计与研究[D]. 南京: 南京理工大学, 2014.
|
[2] |
周晶文. 基于嵌入式的船舶信息采集及传输系统的设计与实现[D]. 大连: 大连海事大学, 2021.
|
[3] |
杜晓佳, 李鹏, 倪家正, 等. 运动状态下舰船本体X波段RCS统计特征分析[J]. 中国舰船研究, 2023, 18(1): 163-169. DU Xiao-jia, LI Peng, NI Jia-zheng, et al. Statistical characteristic analysis of ship's own x-band rcs under motion state[J]. Chinese Journal of Ship Research, 2023, 18(1): 163-169. |
[4] |
迟鑫鹏, 郑旺辉. 基于DBN-PID模型的舰船运动姿态短期预测及仿真[J]. 现代信息科技, 2021, 5(20): 71-77. CHI Xin-peng, ZHENG Wang-hui. Short-Term prediction and simulation of ship motion attitude based on DBN-PID model[J]. Modern Information Technology, 2021, 5(20): 71-77. |
[5] |
王超, 史文森, 郭正东, 等. 基于双轴旋转惯导的舰船航向误差动态评估方法[J]. 中国惯性技术学报, 2020, 28(4): 551-555. WANG Chao, SHI Wen-sen, GUO Zheng-dong, et al. Dynamic assessment method for ship's heading error based on dual-axis rotary inertial guidance[J]. Chinese Journal of Inertial Technology, 2020, 28(4): 551-555. |
[6] |
吴爽, 焦淑红, 任慧龙. 舰船运动姿态极短期预报算法研究[J]. 应用科技, 2019, 46(4): 6-10. WU Shuang, JIAO Shu-hong, REN Hui-long. Study on the ultra-short-term forecasting algorithm for ship motion attitude[J]. Applied Science and Technology, 2019, 46(4): 6-10. |