原文传递
基于多传感器融合的舰面稳态风场估计技术研究
| 论文题名： | 基于多传感器融合的舰面稳态风场估计技术研究 |
| 关键词： | 舰面风场估计;风传感器;测量精度;布置位置;信息融合;BP神经网络 |
| 摘要： | 舰载风传感器作为舰面风场的重要观测手段，能够提供持续的风场观测记录，这对海洋作业、舰船安全航行及作战等具有十分重要的影响。然而，由于受舰船结构及其运动等的影响，风传感器周围的气流场会因湍流效应产生涡旋，从而造成实测风场与被测的无穷远处稳态真风场存在较大差异，因此本文将通过多传感器信息融合方法来试图降低湍流效应的影响以提高舰面风场的测量精度。 舰船上风传感器布置位置的差别会对其测量精度产生较大的影响，因此研究其最优布置位置具有重要的意义，本文以大型CFD计算软件FLUENT15.0为平台，通过合理简化物理模型，利用数值模拟方法对不同工况下计算模型周围的气流场进行仿真计算。通过对流场数据的分析，研究了风传感器测量误差与布置位置的关系规律，进而给出了受湍流效应相对较小的风传感器布置位置。 针对双传感器现有布置方案误差特性较大的问题，提出了三种不同的双传感器布置方案，并利用单参量法对其误差特性进行了分析，最终确定了相对最优的布置方案，为舰船上更加合理的布置风传感器以提高其测量精度提供了重要参考依据。 考虑到本文提出的三种双传感器布置方案在某些特定真风向时均可能为最优方案，针对此现象，本文进一步提出了四传感器布置方案，且四个风传感器为同规格传感器，希望通过四传感器的数据融合算法来提高舰面风场的反演精度。本文提出了两种四传感器数据融合算法，利用最优加权融合算法进行数据融合时，首先将各个风传感器的仿真数据和无穷远处的真风场数据分别进行正交分解，得到X轴和Y轴的风速分量，通过计算各传感器风速分量的均方误差确定其在X轴和Y轴分量的最优权值，最终通过对X轴和Y轴的风速分量的矢量合成计算出了四传感器融合后的风场信息。利用BP神经网络算法进行数据融合时，首先确定了神经网络的结构模型，然后将四个传感器测量的共8个风速和风向数据作为输入，最终训练出了理想的模型，并得到了训练后的风场信息。 通过对上述两种多传感器融合算法的仿真试验发现，两种算法测量的风场精度均大大高于双传感器传统算法测量的风场精度，证明了两算法的有效性。 |
| 作者： | 李盼飞 |
| 专业： | 控制科学与工程 |
| 导师： | 卢志忠 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨工程大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
