船舶動力定位中的數據融合技術文獻綜述

伍梁凱

【摘 要】本文論述了船舶動力定位技術及其數據融合技術，介紹了多傳感器數據融合的起源和發展，對數據融合技術的主要融合算法進行了歸納總結，闡述了動力定位系統中測量系統濾波和數據融合的研究現狀。最后對船舶動力定位數據融合技術未來發展方向進行了展望。

【關鍵詞】動力定位技術（DPS）；多傳感器；數據融合；綜述

【Abstract】This review discusses ship dynamic positioning system（DPS） and its data fusion. The origin and history of multi-sensor data fusion are firstly introduced. Then the main fusion algorithm of data fusion are summarized and analyzed. Research status filtering and data fusion in DPS are introduced. Finally the future directions of data fusion in ship DPS are pointed out.

【Key words】 Dynamic positioning； Multi-sensor； Data fusion； Summary

0 引言

隨著世界經濟的發展，能源和資源問題日趨尖銳。海洋環境復雜多變，先進的技術和設備是開發和利用海洋資源必備的。動力定位系統（dynamic positioning system， DPS）已經成為必不可少的支持系統。

動力定位系統采用閉環反饋控制，先測量實際的位置信號然后比較與要求值之間的差值，同時加入風前饋，再由控制器發出控制指令，然后進行各個推進器的推力分配，最后推進器產生反力和反力矩使船舶向預定的位置運動（圖1）。

對于船舶動力定位船舶，其船舶位置測量系統的信息精度、可信度將對動力定位系統的控制產生很大的影響。對于從事特種作業的動力定位船舶，一旦定位出現錯誤將產生嚴重后果，因而其定位精度尤為重要。因此動力定位船舶一般配備多種位置參考系統和多個傳感器，對所到的位置數據和其他測量數據進行融合以提高數據的精度和可信度。因此需要在動力定位系統中引入數據融合技術。

圖1中，箭頭所示的傳感器系統、信號處理與船舶狀態估計濾波器是船舶動力定位數據融合技術研究要點，將獲得的數據要進行濾波處理去除干擾噪聲與無效的信號，最后采用多傳感器數據融合技術進行融合獲取可靠有效的信息。

1 多傳感器數據融合的起源和發展

多傳感器數據融合是將多個傳感器數據進行多級別、多方面、多層次的處理，從而得到一組更準確、更可靠的數據。多傳感器數據融合將多個或多種傳感器所提供的信息進行綜合處理，獲得有用的信息并進行有效的組合以得到一個新的信息。組合后的信息能夠充分利用傳感器之間的互補性，并且能完善地、準確地反映環境的特征，其結果優于單個傳感器的信息。

信息融合這一概念是20世紀70年代由美國軍方提出的。最早研究主要集中在雷達系統上，隨著科學技術和高新軍事技術的發展，對信息的需求量及精度也越來越大，從而使得各種類型傳感器得以快速發展，多傳感器數據融合技術也隨之飛速發展。20世紀80年代以后，尤其近幾年隨著計算機技術、通信技術的發展，多傳感器數據融合在世界范圍內得到了快速發展。自20世紀80年代以后，美國軍方對應用數據融合的戰術和戰略監視系統一直給予了高度的重視，相繼研究開發了幾十個軍用信息融合系統。而在國際上數據融合的應用領域也開始從最初的軍事領域擴展到各個領域，如被用于機器人、智能交通、醫療診斷等，其應用越來越廣泛。

在國內信息融合起步較晚，但是發展速度較快，各項研究也取得了一定的成果，近幾年的發展使得信息融合技術在各個領域的應用也逐漸廣泛，如在軍事方面有雷達目標跟蹤、衛星導航、潛艇目標識別、導彈控制等；在民用方面有傳感器故障診斷、AUV水下導航、醫療診斷等。

2 多傳感器數據融合技術的分類

多傳感器數據融合技術按融合方法大體可以分為估計方法、分類方法、推理方法和人工智能方法四種，其具體分類如表1所示。

其中，應用比較廣泛的方法有加權平均法、貝葉斯推理、證據組合推理、卡爾曼濾波和人工神經網絡等。下面分別介紹這幾種方法的基本原理。

2.1 加權平均法

加權平均法是最簡單的融合方法。其將各個傳感器的輸入數據分別分配一個權值，將各個傳感器的數據乘以各個權值最后得到一個新的值，這種融合方法確實能在一定程度上提高測量的精度，但只適合簡單的數據級融合，并且權值的調整要根據經驗值來確定，過程比較復雜，目前多采用一些改進的權值調整方法，如一些自適應權值調整方法等。

2.2 貝葉斯估計

貝葉斯融合方法產生于數據融合技術的早期，它首先對各傳感器信息進行相容性分析，刪除可信度低的錯誤信息，在假定已知先驗概率的前提下，根據貝葉斯規則獲得每個輸出假設的概率。對可信度低的錯誤信息可以采用數據探測技術中分布圖法剔除。

貝葉斯融合是靜態環境中多傳感器低層信息一種常用方法，適用于加性高斯噪聲的不確定信息。此法局限性在于先驗概率的獲得比較困難。

2.3 D-S證據組合推理

D-S證據理論是貝葉斯方法的擴展，它采用概率區間和不確定區間來確定多證據下假設的似然函數，首先分析每一組分析每一組數據對各種可能的決策證據的支持程度，然后經過分析各種組合找到其中最受支持的一項決策。

此方法的缺點是一般情況計算量非常大，且要求合并的證據相互獨立，在實際應用中難以滿足。

2.4 卡爾曼濾波

卡爾曼濾波方法是一種線性最小方差估計，這種遞推算法可以利用狀態空間方法構建并完成整個濾波過程。卡爾曼濾波具有很好的濾波性能，在線性高斯白噪聲假設條件下，濾波過程能得到最優狀態估計。在很多情況下，由于系統是非線性系統，并且線性化的實現比較復雜，因此又產生了一種比普通卡爾曼濾波更先進的方法——擴展卡爾曼濾波（EKF），它是目前最常用的融合方法之一。由于卡爾曼濾波具有模型簡單、數據存儲量小的特點，因此應用范圍比較廣泛。

2.5 人工神經網絡

人工神經網絡的數據融合方法是數據融合技術在智能控制學科的延伸。基于神經網絡的信息融合實質上是模仿人大腦的處理機制的網絡系統，有大量的人工神經元或節點組成，充分利用外部環境信息，通過自我學習和推理來調整權值，從而建立一個融合模型，該模型的功能是從給定一個輸入量中可以得到期望的輸出量。訓練好的神經網絡模型就可以實現融合，將測量數據作為輸入量，神經網絡根據訓練好的模型得到融合值。

神經網絡以其特有并行性和學習方式提供了一種不同于傳統融合理論的數據融合方法，其特點是具有高度自組織性、自適應能力和靈活性。但是其網絡模型、網絡層次與每層的節點數的確定以及學習策略的確定比較復雜。

3 船舶動力定位測量系統濾波和數據融合技術研究現狀

動力定位測量系統的信息精度和可信度至關重要。動力定位船舶均配備多種位置參考系統和多個傳感器，如衛星、張緊索、水聲等測量系統和風傳感器、電羅經等傳感器，船舶在定位過程中會受到外部干擾，傳感器會被高頻噪聲污染，因此研究測量系統的濾波技術。姜華[1]等基于船舶數學模型，設計了Kalman濾波器，進行仿真驗證了此濾波器可較好地估計船舶實際船位和方向。王宗義等[2]采用Kalman濾波器計算得到船舶三自由度低頻運動，還能濾除測量中船舶綜合位置信息的高頻噪聲。付明玉等[3]建立船舶低頻和高頻運動數學模型，設計了濾除偏差信號中高頻分量的最優估計濾波器和有限沖擊濾波器。王曉聲等[4]結合最優控制和自適應Kalman濾波技術，對在復雜多變的海洋環境下工作的船舶高、低頻運動實施估計，保證定位系統僅對船舶低頻運動進行控制。李蘭花等[5]克服卡爾曼濾波要求系統具有準確的動態模型并且要求噪聲是白噪聲的缺點，采用H∞濾波方法獲得船舶的低頻運動。信洪杰[6]則采用自適應線性神經網絡濾波器有效地消除船舶的高頻分量。

由于動力定位系統中的位置參考系統和傳感器存在冗余，必須應用數據融合技術得到船舶的精確位置信息。現有相關的數據融合方法主要針對具體融合算法的研究，針對動力定位系統方面的較少。衣鵬飛[7]采用基于置信測度的融合方法，仿真和半實物仿真結果表明該方法可實時處理數據并融合，且能給出融合最優結果。Shi 等人[8]提出綜合無跡卡爾曼濾波（ UKF） 和聯邦濾波（ Federated filter）的數據融合方法，UKF 可提高算法的精度，而聯邦結構則改善了多速率信息融合的濾波能力。徐樹生[9]等提出了一種多傳感器閉環分級融合算法，以全局融合信息的反饋作為局部估計初始值進行時間更新，自適應地調節全局融合的增益，提高融合數據的準確性，并用半實物仿真試驗驗證了該算法的有效性。林孝工[10]等基于模糊自適應濾波和濾波器可信度的模糊評判，建立了多傳感器數據融合算法。該方法與線性或非線性系統狀態估計相結合，構成模糊自適應融合算法，有效抑制濾波發散問題。在其他領域多傳感器數據融合算法還有許多具體算法，如基于粒子群算法、基于小波神經網絡、自適應神經網絡等融合技術，這些技術可以引用到船舶動力定位中。

4 結論

本文總結了船舶動力定位系統中數據融合技術常用融合算法，及測量系統濾波和數據融合技術的研究進展，得出以下結論：

在船舶動力定位系統中，多傳感器數據融合技術能有效提供可靠、精確的信息。Kalman濾波方法是測量系統濾波技術的主流方法。而動力定位中的數據融合技術在國內研究較少，但多傳感器的數據融合方法研究較多，可以多加吸收借鑒應用到動力定位系統中。

【參考文獻】

[1]姜華，王建平.Kalman濾波技術在船舶動力定位技術中的應用[J].大連海事大學學報，1998，24（2）：54-57.

[2]王宗義，削中，等.船舶動力定位數學模型和濾波方法[J].哈爾濱工程大學學報，2002，2（4）：24-28.

[3]付明玉，丁福光.船舶動力定位系統濾波器的設計與研究[J].船舶工程，1996（ 2）：43-46.

[4]王曉聲.船舶動力定位系統設計及試驗研究[J].中國造船，1991（3）：11-19.

[5]李蘭花，夏國清.H∞濾波器在船舶動力定位系統中的應用[J].自動化技術與應用，2005，24（11）：35-37.

[6]信洪杰.船舶動力定位系統濾波及控位方法研究[D].哈爾濱：哈爾濱工程大學，2011.

[7]衣鵬飛.船舶動力定位位置參考系統信息融合方法研究[D].哈爾濱：哈爾濱工程大學，2010.

[8]SHI Xiao-cheng，SUN Xing-yan，FU Ming-yu，et al.Federated filter for multi-sensor data fusion of dynamic positioning ship[C]//Proceeding of the IEEE International Conference on Automation and Logistics，Zhengzhou，China，2012：13-18.

[9]徐樹生，林孝工.船舶動力定位多傳感器閉環分級融合算法[J].電子學報，2014，40（3）：512-516.

[10]林孝工，徐樹生，趙大威.動力定位冗余測量系統的模糊自適應融合算法[J]. 傳感器與微系統，2012，31（7）：130-134.

[責任編輯：王偉平]