基于流场感知的水下航行体侧滑角智能识别方法及系统

本发明属于水下探测领域，具体涉及一种基于流场感知的水下航行体侧滑角智能识别方法及系统。

背景技术：

1、在实际海洋环境中，海流具有显著的时空非均匀性，且常伴随内波、涡旋及湍流脉动等复杂流动现象，使得水下航行体所受来流方向与强度呈现强随机性与快速变化特征。航行体相对来流侧滑角作为表征航行体姿态与外部流场相对关系的关键参数，直接影响航行体的航迹保持、姿态稳定与控制律设计；侧滑角主要为水下航行体相对于来流速度方向的横向偏转关系，即水下航行体轴线在水平面（通常为

x–

y平面）内相对来流速度方向发生的偏离程度，其轴线投影与来流速度方向投影之间所形成的夹角，如图1所示；同时，侧滑角的异常变化也可能反映外部流动扰动（如内波剪切流、局部强流等）的到达与演化过程，因此对复杂海洋环境下的流动现象感知与预警同样具有重要意义。

2、现有侧滑角获取手段多依赖惯性器件、航迹/速度解算、外部声学定位或流速流向测量装置等间接推算方式。然而在实际应用中仍存在若干不足：

3、其一，声学与外部定位手段易受多径效应、环境噪声与遮挡影响，导致姿态/速度解算误差累积，难以稳定反演相对来流方向；

4、其二，海流扰动往往具有非定常、多尺度特性，传统基于平均流或低频信息的估计方法难以刻画壁面压力等信号中蕴含的多频段特征，导致侧滑角识别精度与鲁棒性受限；

5、其三，不同来流速度工况下流动结构与压力脉动统计特性差异显著，既有方法在速度变化时易出现模型失配，难以满足工程场景对实时性、准确性与跨工况适应性的综合需求。

6、基于此，本发明提出一种依托航行体壁面压力信息、能够表征多频段多尺度特征的侧滑角智能感知方法，以弥补现有技术在复杂海洋环境下侧滑角获取困难、识别率低等问题。

技术实现思路

1、要解决的技术问题：

2、为了避免现有技术的不足之处，本发明提供了一种基于流场感知的水下航行体侧滑角智能识别方法及系统，其中侧滑角能够表征航行体在航行过程中因航向调整、外部横向扰动或控制输入所引起的横向偏转状态，是描述水下航行体姿态变化的重要特征参数之一。本发明通过在航行体壁面布置压力传感器阵列采集侧滑角变化引起的壁面压力脉动响应，采用多尺度小波特征表征不同频段流动结构差异，并结合机器学习模型实现侧滑角的自动分类识别，从而提高侧滑角识别的准确性与鲁棒性，克服了现有水下航行体姿态/侧滑角感知方法在复杂流场环境下易受噪声干扰、特征提取不充分、识别率低等问题。

3、本发明的技术方案是：基于流场感知的水下航行体侧滑角智能识别方法，包括以下步骤：

4、步骤1：获取布置于水下航行体壁面的压力传感器阵列同步采集的壁面压力波动时序信号；所述壁面压力波动时序信号包含由于水下航行体相对来流方向发生侧滑角变化而引起的边界层分离点位置变化及多尺度涡结构演变所诱发的压力脉动信息；

5、步骤2：对压力传感器阵列中任意一个压力传感器采集的壁面压力波动时序信号进行多层离散小波分解，提取各分解层的小波系数能量，构成该压力传感器的多尺度能量特征；将所有压力传感器的多尺度能量特征进行组合，构建反映流场多频段结构能量分布的高维特征向量；

6、步骤3：将所述高维特征向量输入至预先训练好的分类模型中，所述分类模型通过有监督学习方式，以标注有侧滑角的高维特征向量样本作为训练样本集，学习并建立高维特征向量与侧滑角之间的非线性映射关系；分类模型根据所述映射关系，对当前输入的高维特征向量进行判别，输出对应的侧滑角作为识别结果。

7、本发明的进一步技术方案是：所述分类模型的训练过程包括以下步骤：

8、步骤3.1：在多种侧滑角工况下，通过压力传感器阵列采集水下航行体不同位置的壁面压力波动时序信号，并对每一种侧滑角工况下的壁面压力波动时序信号进行预处理和特征提取，得到高维特征向量；

9、步骤3.2：为每个高维特征向量标注其对应的真实侧滑角，形成训练样本集；

10、步骤3.3：构建基于梯度提升决策树框架的集成学习分类模型，所述分类模型的输入为高维特征向量，输出为各侧滑角的概率分布；

11、步骤3.4：利用训练样本集对分类模型进行有监督训练，以最小化模型预测输出与真实标注之间的损失函数为目标，迭代优化模型参数，使模型学习并收敛至高维特征向量与侧滑角之间的映射关系。

12、本发明的进一步技术方案是：所述步骤3.1中：

13、所述多种侧滑角工况包括至少7个离散角度类别：-20°、-10°、0°、10°、20°、30°、40°；

14、所述高维特征向量提取方法为：采用daubechies 4小波对每一路壁面压力波动时序信号进行7层离散小波分解，提取第1层至第7层细节系数对应的细节能量，以及第7层近似系数对应的近似能量，每个压力传感器获得8维能量特征；将n个压力传感器的8维能量特征拼接，构成8×n的高维特征向量。

15、本发明的进一步技术方案是：所述步骤3.3中，分类模型为xgboost模型，其核心架构为多棵cart回归树的加法集成；每轮迭代为每一个侧滑角工况生成一棵cart回归树，每棵树拟合当前预测值与真实标签之间的一阶导数残差，并利用二阶导数信息进行节点分裂与叶子权重更新；通过贪心算法遍历所有特征维度选择增益最大的分裂位置；当增益小于等于预设阈值或达到最大深度时停止分裂；每个叶子节点根据落入该节点的梯度之和与二阶导数之和计算修正权重；每轮迭代完成后，将新构建的所有树的预测结果乘以学习率后累加到当前xgboost模型。

16、本发明的进一步技术方案是：所述步骤3.4中，分类模型的超参数通过贝叶斯优化结合五折交叉验证自动寻优获得；待优化的超参数包括学习率、最大树深、迭代轮数、l1正则化系数、l2正则化系数、叶子节点数惩罚系数、子采样率和列采样率；以交叉验证的平均对数损失为目标函数，经多次迭代搜索最优超参数组合。

17、本发明的进一步技术方案是：所述xgboost模型经优化后的超参数为：

18、迭代轮数：740轮，每轮为7个侧滑角各生成一棵cart回归树，总决策树数量为5180棵；

19、每棵树的最大深度：3；

20、学习率：0.0318；

21、l1正则化系数：9.24×10-8，l2正则化系数：9.08×10-6；

22、子采样率：0.6277，列采样率：0.8735；

23、叶子节点数惩罚系数：0.0145，最小子节点权重：1。

24、本发明的进一步技术方案是：所述步骤1中，水下航行体的壁面从艏部至尾部间隔布置6个采样频率为2500hz、单次采样时长为15秒的压力传感器，构成压力传感器阵列，且各压力传感器的敏感面与壁面齐平，以消除台阶效应；

25、对所有压力传感器采集的原始壁面压力波动时序信号进行去均值和50hz工频陷波预处理，并采用重叠滑窗技术进行样本增强，窗口长度为5秒，滑动步长为1秒。

26、本发明的进一步技术方案是：所述步骤2中，多层离散小波分解采用daubechies 4小波，分解层数为7层；每个压力传感器信号提取8维能量特征，由6个压力传感器的8维能量特征拼接构成48维特征向量。

27、一种基于流场感知的水下航行体侧滑角智能识别系统，用于执行所述水下航行体侧滑角智能识别方法，包括：

28、压力传感器阵列，安装于水下航行体壁面，用于同步采集多通道壁面压力波动时序信号；

29、特征提取模块，用于对每一路壁面压力波动时序信号进行多层小波分解并提取各层小波系数能量，构建高维特征向量；

30、分类识别模块，为预先训练好的分类模型，所述分类模型通过有监督学习方式，以标注有侧滑角的高维特征向量为训练样本集，学习并建立了高维特征向量与侧滑角之间的非线性映射关系；所述分类识别模块接收实时提取的高维特征向量，根据映射关系输出对应的侧滑角；

31、模型训练模块，用于在离线阶段利用标注好的训练样本集对分类模型进行有监督训练，优化模型参数以收敛至映射关系。

32、本发明的进一步技术方案是：所述特征提取模块采用daubechies 4小波对每个壁面压力波动时序信号进行7层分解，提取7个细节能量和1个近似能量；所述压力传感器阵列包括6个型号为hm91-h2-1-v2-f0-w1-t的压力传感器，沿航行体壁面从艏部至尾部间隔布置；所述分类识别模块为xgboost模型，其超参数配置为：迭代轮数740轮，树深3，学习率0.0318，l1正则化系数9.24×10-8，l2正则化系数9.08×10-6。

33、有益效果

34、本发明的有益效果在于：本发明提出了一种基于流场感知的水下航行体侧滑角智能识别方法，在多流速条件下验证了其识别准确性与鲁棒性。与现有技术相比，本发明具有如下有益效果：

35、1.本发明利用沿航行体轴向布设的壁面压力传感阵列，直接获取由侧滑角变化诱导的壁面压力时空分布。该测量方式无需依赖水动力线性化模型与积分推算，即实现了相邻10°侧滑角状态的准确区分，识别准确率达到90%以上。

36、2.本发明以各层细节系数能量构成多维特征向量，相较于常规时域统计特征（如均方根值、方差），本发明所提多尺度小波能量特征可使侧滑角识别准确率提升19.33%，增强了特征对流动结构差异的表征能力。

37、3.本发明以xgboost模型作为识别器，引入贝叶斯优化与五折交叉验证对超参数进行自动寻优。经过多轮迭代搜索所得最优模型，使最终识别准确率相较于默认参数模型提升约3.89%，无需依赖人工经验反复调试，大幅降低了模型构建成本与主观偏差。