Analysis of data fusion algorithms for the vessel with the dynamic positioning system

• Autorzy: Jaroś Krzysztof , Śmierzchalski Roman , Witkowska Anna

Identyfikatory

DOI

10.15199/48.202212.09

Warianty tytułu

PL

Analiza algorytmów fuzji danych dla statku z systemem dynamicznego pozycjonowania

• Języki publikacji: EN

Abstrakty

EN

The dynamic positioning (DP) system on the vessel is operated to control the position and heading of the vessel with the use of propellers and thrusters installed on the board. On DP vessels redundant measurement systems of position, heading and the magnitude and direction of environmental forces are required for safety at sea. In this case, a fusion of data is needed from individual measurement devices. The article proposes a new solution data fusion algorithm of particle Kalman filter as a cascade combination of particle filter and extended Kalman filter. The estimation quality of the proposed data fusion algorithm is analysed in comparison with the classic: extended Kalman filter (EKF), nonlinear observer (NO), and particle Kalman filter (PKF). Simulation studies were executed for emergency scenarios to evaluate the robustness of the algorithm analyses to measurement errors.

PL

System dynamicznego pozycjonowania (DP) na statku jest wykorzystywany do sterowania pozycją i kursem statku za pomocą pędników zainstalowanych na pokładzie. Na statkach DP dla zapewnienia bezpieczeństwa na morzu wymagane są redundantne systemy pomiarowe pozycji oraz wielkości i kierunku działania sił środowiskowych. W tym przypadku konieczna jest fuzja danych z poszczególnych urządzeń pomiarowych. W artykule zaproponowano nowy algorytm fuzji danych jako kaskadowe połączenie filtru cząsteczkowego i rozszerzonego filtru Kalmana. Analizowana jest jakość estymacji proponowanego algorytmu fuzji danych w porównaniu z klasycznymi algorytmami: rozszerzonym filtrem Kalmana (EKF), obserwatorem nieliniowym (NO) oraz cząsteczkowym filtrem Kalmana (PKF). Przeprowadzono badania symulacyjne algorytmów fuzji danych dla scenariuszy awaryjnych w celu oceny odporności algorytmów na błędy pomiarowe.

Słowa kluczowe

EN

extended Kalman filter; nonlinear observer; particle filter; emergency scenario

PL

rozszerzony filtr Kalmana; nieliniowy obserwator; filtr cząsteczkowy; scenariusz awaryjny

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 12
• Strony: 35--39
• Opis fizyczny: Bibliogr. 11 poz., rys.

Twórcy

autor

Jaroś Krzysztof

• PIT-RADWAR S.A. ul Hallera 233A, 80-503 Gdańsk, Poland

autor

Śmierzchalski Roman

• Gdańsk Univercity of Technology, ul. Gabriela Narutowicza 11/12 80-233 Gdańsk

autor

Witkowska Anna

• Gdańsk Univercity of Technology, ul. Gabriela Narutowicza 11/12 80-233 Gdańsk

Bibliografia

• [1] T. I. Fossen, Handbook of marine craft hydrodynamics and motion control. John Wiley & Sons, 2011.
• [2] H. Ahani, M. Familian, and R. Ashtari, “Optimum Design of aDynamic Positioning Controller for an Offshore Vessel,” Journalof Soft Computing and Decision Support Systems, vol. 7, no. 1,pp. 13–18, 2020.
• [3] F. Deng, H.-L. Yang, and L.-J. Wang, “Adaptive unscentedKalman filter based estimation and filtering for dynamic positioning with model uncertainties,” International Journal of Control, Automation and Systems, vol. 17, no. 3, pp. 667–678,2019.
• [4] T. I. Fossen, Guidance and control of ocean vehicles. JohnWiley & Sons Inc, 1994.
• [5] H. Yang, F. Deng, Y. He, D. Jiao, and Z. Han, “Robust nonlinearmodel predictive control for reference tracking of dynamic positioning ships based on nonlinear disturbance observer,” OceanEngineering, vol. 215, p. 107885, 2020.
• [6] Y. Chen, X. Yang, and R. Liu, “A nonlinear sate estimatefor dynamic positioning based on improved particle filter,” in2018 2nd IEEE Advanced Information Management, Communicates, Electronic and Automation Control Conference (IMCEC).IEEE, 2018, pp. 880–884.
• [7] K. Jaroś, A. Witkowska, and R. Smierzchalski, “Data fusion of ´GPS sensors using particle Kalman filter for ship dynamic positioning system,” in 2017 22nd International Conference onMethods and Models in Automation and Robotics (MMAR).IEEE, 2017, pp. 89–94.
• [8] M. S. Arulampalam, S. Maskell, N. Gordon, and T. Clapp,“A tutorial on particle filters for online nonlinear/non-GaussianBayesian tracking,” IEEE Transactions on signal processing,vol. 50, no. 2, pp. 174–188, 2002.
• [9] P. Borkowski, “The ship movement trajectory prediction algorithm using navigational data fusion,” Sensors, vol. 17, no. 6, p.1432, 2017.
• [10] T. Parhizkar, S. Hogenboom, J. E. Vinnem, and I. B. Utne, “Datadriven approach to risk management and decision support fordynamic positioning systems,” Reliability Engineering & SystemSafety, vol. 201, p. 106964, 2020.
• [11] T. Parhizkar, I. B. Utne, J. E. Vinnem, and A. Mosleh, “Dynamicprobabilistic risk assessment of decision-making in emergencies for complex systems, case study: Dynamic positioningdrilling unit,” Ocean Engineering, vol. 237, p. 109653, 2021.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).