申请/专利权人：南京理工大学

申请日：2019-08-16

公开（公告）日：2022-06-28

公开（公告）号：CN110597056B

主分类号：G05B13/04

分类号：G05B13/04

优先权：

专利状态码：有效-授权

法律状态：2022.06.28#授权;2020.01.14#实质审查的生效;2019.12.20#公开

摘要：本发明公开了一种用于高炮火控系统的大闭环校射控制方法，获取目标位置信息，估算其运动参数；建立目标运动模型，求解命中点，进而确定对应的射击诸元；进行弹丸射击实验，获取弹丸射击后的脱靶量信息；根据脱靶量信息进行模型类型识别，建立脱靶量模型，运用卡尔曼滤波预测修正量，进行射击诸元校正。本发明在现有技术基础上加入了脱靶量信息识别环节，建立更加适合的脱靶量数学模型，有助于提高高炮的射击精度。

主权项：1.用于高炮火控系统的大闭环校射控制方法，其特征在于，包括如下步骤：步骤1、获取目标位置信息，估算其运动参数；步骤2、建立目标运动模型，求解命中点，进而确定对应的射击诸元；步骤3、进行弹丸射击实验，获取弹丸射击后的脱靶量信息；步骤4、根据脱靶量信息进行模型类型识别，建立脱靶量模型，运用卡尔曼滤波预测修正量，进行射击诸元校正；步骤2的具体过程为：步骤2-1、将目标假设为匀速直线运动，建立目标运动模型，如下： 其中，x0,y0,h0分别为目标在空间直角坐标系下的坐标信息，vx,vy,vh为空间直角坐标系下各个方向的运动速度；步骤2-2、利用高炮射表拟合成飞行时间函数：t＝tfd,h其中，为水平距离，h为高度；步骤2-3、计算射击诸元：联立目标运动假定模型函数和飞行时间函数，运用迭代法来求解命中点和弹丸的飞行时间，再根据命中点xq,yq,hq求解射击诸元： 其中，β、ε为方位角射击诸元和高低角射击诸元，Δβdq,hq为偏流，adq,hq为对应的跳角，通过查阅修正量射表获得；步骤4的具体过程为：步骤4-1、确定脱靶量模型类型：使用EVIEWS软件对脱靶量信息进行识别，从而确定脱靶量模型类型，考虑到射击时机的重要性，反应时间不宜过长，脱靶量模型主要为三种类型：一阶、二阶以及三阶模型，再高的阶次模型比较复杂，计算量比较大，三阶已经足够；步骤4-2、建立脱靶量数学模型： 其中：Xrk＝xrk,xrk-1,…,xrk-N+1T,vk是脱靶量测量误差，varwk＝R1，varvk＝R2，R1表示状态过程方差，即脱靶量序列方差，R2表示测量装置精度方差，a为系统误差，xqk表示射击误差中的强相关误差，xrk表示射击误差中的弱相关误差可修正的部分，ηk表示射击误差中不相关误差xbk和脱靶量测量误差vk的叠加，wk表示脱靶量模型误差，xk表示脱靶量测量值，Φ表示状态转移系数，Γ表示模型误差系数，Φ、Γ的值与脱靶模型的阶数N相关；1当N＝1时，脱靶量的一阶预测模型，即表示k时刻脱靶量只与前一个时刻相关：Φ＝φ11＝r1 2当N＝2时，脱靶量的二阶预测模型，即表示k时刻脱靶量只与前两个时刻相关； 3当N＝3时，脱靶量的三阶预测模型，即表示k时刻脱靶量只与前三个时刻相关； 其中r1、r2、r3表示相关系数，确定公式为： 其中，n为样本容量，k为滞后间隔，为样本均值；步骤4-3、通过卡尔曼预测算法，预测下一时刻脱靶量修正量：卡尔曼滤波首先对状态进行预测： 其中，为k-1时刻的状态估计值，为k时刻的状态预测值，其相应的预测协方差为：Pk|k-1＝ΦkPk-1|k-1ΦTk+ΓkR1ΓTk随后卡尔曼滤波结合了量测信息与预测信息再次更新了状态信息，基于最小方差的原则实现状态更新:Kk＝Pk|k-1HTk[HkPk|k-1HTk+R2]-1 Pk|k＝[I-KkHk]Pk|k-1其中，Kk为基于最小方差原则获得的增益矩阵，为更新后的状态值，Pk|k为更新过后的状态协方差，求取该协方差的目的主要是为了给下一次更新使用，等到已知脱靶量序列更新结束用对应的状态转移阵乘以相应的状态估计值得到预测值；步骤4.4、脱靶量修正：将预测的脱靶量误差叠加到对应射击诸元上，即将对应时刻的预测脱靶量z＝xqk+xrk修正到k时刻的命中解算的到的射击诸元上；卡尔曼滤波算法的初值设定决定了估计值的收敛时间，为保证一经测出k≥N个脱靶量就能立即给出递推初值的最佳估计，递推初值为：1当N＝1时， 2当N＝2时， 3当N＝3时，

全文数据：

权利要求：

百度查询： 南京理工大学 用于高炮火控系统的大闭环校射控制方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD