CN103760900B - 一种考虑控制输入约束的船舶运动控制*** - Google Patents
一种考虑控制输入约束的船舶运动控制*** Download PDFInfo
- Publication number
- CN103760900B CN103760900B CN201410003233.7A CN201410003233A CN103760900B CN 103760900 B CN103760900 B CN 103760900B CN 201410003233 A CN201410003233 A CN 201410003233A CN 103760900 B CN103760900 B CN 103760900B
- Authority
- CN
- China
- Prior art keywords
- control
- ship
- input
- information
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 abstract description 14
- 239000011159 matrix material Substances 0.000 description 12
- 238000004088 simulation Methods 0.000 description 6
- 238000009795 derivation Methods 0.000 description 5
- 238000012938 design process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明提供的是一种考虑控制输入约束的船舶运动控制***。包括导引***、控制***、传感器***、微分同胚变换器、数据处理***,还包括控制输入补偿***;导引***根据输入的期望值与船舶的初始位置,计算船舶在各个时刻的期望位姿及期望速度;传感器采集船舶实际位姿信息和速度信息;数据处理***得到船舶的低频位姿信息和速度;微分同胚变换器得到新的状态变量;控制***根据新的状态变量进行相应解算得到相应的控制指令信息;控制指令信息传递给输入约束补偿***经补偿后,得到最终的控制指令发送给船舶的执行机构。本发明是一种模型存在未知非线性函数并考虑控制输入约束时基于自适应神经网络估计的利用滤波反步法设计的船舶运动控制***。
Description
技术领域
本发明涉及的是一种船舶运动控制***。具体地说是一种模型存在未知非线性函数并考虑控制输入约束时基于自适应神经网络估计的利用滤波反步法设计的船舶运动控制***。
背景技术
近年来,陆地资源日益匮乏,丰富的海洋资源吸引着各国的目光,而各国也将注意力越来越多地投向了海洋工程和海洋开发。因此,与船舶控制相关的领域受到研究人员的广泛关注,船舶航向控制、航迹控制、路径跟踪以及动力定位技术等,已成为控制领域研究的热点。
在船舶运动控制器的设计过程中,大多数文献对动力定位等全驱动船舶的运动控制研究都没有考虑推进器的动态特性及自然约束条件(饱和及死区特性),这与实际应用是有区别的;设计控制器时如果不考虑这些约束条件,其控制精度必然会受到影响。而且,目前大多数非线性控制方法都是基于模型信息的,而通常建立精确的***模型是十分困难的,因此针对模型存在未知非线性函数时的船舶运动研究基于自适应神经网络估计器的非线性控制方法是很有必要的。此外,利用常规反步法进行控制器设计的过程中,需要在每一步对虚拟控制量进行求导,如果***阶数增加,不仅使得求导过程复杂,也对***特性提出了要求。为了避免在反步控制器设计过程中对虚拟控制量进行求导,引入二阶滤波器对虚拟控制量及其导数进行逼近,以简化控制器的设计过程;滤波器的引入也可以增强控制器对噪声的抑制能力。
大连海事大学卜仁祥的2007年博士论文《欠驱动水面船舶非线性反馈控制研究》,其针对欠驱动水面船舶的运动控制问题,只考虑了输入饱和特性,而并未考虑死区特性;华南理工大学周洪波等在《控制与决策》(2012年第4期)发表的文章《基于滤波反步法的无人直升机轨迹跟踪控制》针对无人直升机设计了滤波反步法的轨迹跟踪控制器,用滤波器对虚拟控制量及其导数进行逼近,而不是直接对虚拟控制量进行求导,简化了控制器设计;华南理工大学贺跃帮等在《华南理工大学学报》(2013年第2期)发表的文章《无人直升机鲁棒积分滤波反步法飞行控制设计》对滤波反步法在无人直升机轨迹跟踪中的应用进行了深入研究,并通过引入积分项和鲁棒项提高闭环***的抗干扰能力。但是以上文献均是针对模型已知的***进行的控制器设计,且均未考虑执行机构的饱和特性和死区特性。
发明内容
本发明的目的在于提供一种无需已知船舶精确模型,鲁棒性好,控制精度高的考虑控制输入约束的船舶运动控制***。
本发明的目的是这样实现的:
包括导引***5、控制***3、传感器***13、微分同胚变换器7、数据处理***8,还包括控制输入补偿***2,所述传感器***13包含位姿传感器12和速度传感器11;导引***5根据输入的期望值与船舶的初始位置,计算船舶在各个时刻的期望位姿及期望速度;位姿传感器12与速度传感器11分别采集船舶实际位姿信息和速度信息,并传递给数据处理***8;数据处理***8的传感器数据经数据融合***10及滤波***9处理后,得到船舶的低频位姿信息和速度;船舶的低频位姿信息和速度传递给微分同胚变换器7,经变换后得到新的状态变量;控制***3的滤波反步控制器4和自适应神经网络估计器6根据新的状态变量进行相应解算;自适应神经网络估计器6根据导引***5和微分同胚变换器7的数据,对控制器所需的未知非线性函数进行估计;滤波反步控制器同时接收导引***5的期望位姿和速度、微分同胚变换器7的新的状态变量,以及自适应神经网络估计器6提供的对未知非线性函数的估计,经解算得到相应的控制指令信息;控制***3将控制指令信息传递给输入约束补偿***2,经输入饱和补偿器16和死区补偿器15的补偿后,得到最终的控制指令,将控制指令发送给船舶的执行机构,调整船舶的纵向推力、横向推力及转首力矩,实现对船舶的准确控制。
本发明还可以包括:
1、所述控制***3的滤波反步控制器4和自适应神经网络估计器6根据新的状态变量进行相应解算是指:控制***3中自适应神经网络估计器6根据微分同胚变换器7提供的新状态变量以及导引***5提供的期望信息,按自适应律,通过RBF神经网络***对未知非线性函数、低频干扰以及未建模动态进行综合估计,得到控制器所需的非线性函数。
2、所述经输入饱和补偿器16和死区补偿器15的补偿后得到最终的控制指令是指:控制输入补偿***2对控制***3的控制指令进行判断和处理,如果超出了执行机构的输出界限,则通过输入饱和补偿器16对控制指令进行输入饱和补偿;如果控制指令处于执行机构的死区中,则通过死区补偿器15对控制指令进行死区补偿。通过控制输入补偿***2对控制指令的补偿操作,可以提高控制***的精度和适应性。
本发明申请的导引***5通过给定的期望目标与船舶的初始位置,得到各时刻船舶的期望位姿及其导数(速度),使得船舶经过加速、匀速、减速运动,最后以期望的艏向平稳地稳定在期望位置;将得到的期望位姿及速度传递给控制***3,以估计未知非线性函数和解算控制指令。
本发明申请的传感器***13分为位姿传感器12和速度传感器11,这些传感器将采集的位姿及速度信息传递给数据处理***8,进行数据融合和滤波处理。
本发明申请的数据处理***8包括数据融合***10和滤波***9,数据融合***10将多种多个传感器采集的数据进行融合处理,得到对应的信息,然后经滤波***9滤波,得到最终反馈给控制***3的船舶运动信息,并传递给微分同胚变换器7。
本发明申请的微分同胚变换器7将数据处理***8提供的船舶位姿和速度信息进行微分同胚状态变换,得到新的状态变量,以便进行滤波反步控制器的设计。
控制***3包含自适应神经网络估计器6和滤波反步控制器4两部分,自适应神经网络估计器6根据导引***5的期望信息和微分同胚变换器7的新变量,并以一定的自适应律对未知的非线性函数进行估计,并将估计结果传递给滤波反步控制器4,供其进行控制指令的解算;滤波反步控制器4根据导引***5提供的期望位姿和速度,以及自适应神经网络估计器6对未知非线性函数的估计值,结合微分同胚变换器7的新变量,经解算得到合适的控制指令。
本发明申请的输入约束补偿***2包含输入饱和补偿器16和死区补偿器15两部分,输入饱和补偿器16将控制***3得到的控制指令进行判断、处理后,传递给死区补偿器15,如果控制指令在死区范围之内,则对控制指令进行死区补偿,否则则作为最终的控制指令,驱动船舶的执行机构,调整船舶的位置和速度,以达到控制目的。
本发明的优点在于考虑了执行机构的输出饱和特性和死区特性的自然约束条件,改善了控制***的控制精度;而滤波器的引入也增强了控制器对噪声的抑制能力;并且对船舶模型存在未知非线性函数,同时***存在控制输入约束时设计基于自适应神经网络估计器的滤波反步控制***,实现对船舶运动控制。由于本发明设计的自适应神经网络估计器不仅能够对模型中未知的非线性函数进行估计,同时也补偿了外界低频干扰,提高了***对干扰的鲁棒性能;而滤波反步法中通过引入滤波器对虚拟控制量及其导数进行逼近,取代了常规反步法中对虚拟控制量的求导过程,使得控制器的形式简单,简化了设计过程。
附图说明
图1为考虑控制输入约束的基于自适应神经网络估计器的滤波反步船舶运动控制***总体结构图;
图2为死区补偿器结构;
图3为RBF神经网络结构
图4为位姿跟踪误差曲线;
图5为控制器控制指令曲线。
具体实施方式
下面对本发明进行详细描述:
如图1所示,本发明的考虑了控制输入约束时基于自适应神经网络估计器的滤波反步船舶运动控制***包括导引***5、控制***3、控制输入补偿***2、传感器***、13、微分同胚变换器7、数据处理***8。传感器***13中的位姿传感器12与速度传感器11分别采集船舶实际位姿和速度信息,并一起打包传递给数据处理***8,经数据融合***10和滤波***9处理后,得到应用于控制***3的船舶位姿和速度;处理后的数据经微分同胚变换器7变换得到新的状态变量,以进行反步法设计;将这些新变量传递给控制***3的滤波反步控制器4和自适应神经网络估计器6,进行控制指令计算;自适应神经网络估计器6同时接收导引***5和微分同胚变换器7的数据,对控制器所需的未知非线性函数进行估计,也包含了对低频干扰和未建模动态的估计;滤波反步控制器4同时接收导引***5的期望信息、微分同胚变换器7的新状态变量,以及自适应神经网络估计器6对未知非线性函数的估计,经解算得到相应的控制指令;控制***3将控制指令传输给输入约束补偿***2,经输入饱和补偿器16和死区补偿器15补偿后,得到最终的控制指令,调整船舶的纵向推力、横向推力及转首力矩,实现对船舶的准确控制。
1)导引***5根据设定的期望值ηd以及船舶初始位置,可以得到船舶各时刻的期望位置xd,yd和期望艏向ψd及其导数和使船舶能够经加速,匀速和减速到达指定位置。为了方便可以记ηr=[xd,yd,ψd]T,
2)传感器***13包含位姿传感器12和速度传感器11,分别采集船舶的实际位姿和速度信息;数据经数据处理***8的数据融合***10和滤波***9处理后得到可用于控制***3的船舶的位姿信息η=[x,y,ψ]T和速度信息ν=[u,v,r];同时处理后的数据经微分同胚变换器)变换(x1=η,x2=J(η)ν),得到新变量x1,x2,由其构成原***的等价模型。
原***模型为:
式中:η为船舶位置和艏向向量;ν为船舶的速度向量;b为低频干扰力,J(η)是船体坐标系与大地坐标系之间的转换矩阵;Μ为***惯性矩阵;C(ν)为科里奥利向心力矩阵;D(ν)为阻尼矩阵;τ为控制向量;τe为控制指令向量。
经微分同胚变换后,得到的等价***为:
式中:Dη(x1,x2)=J-T(η)D(ν)J-1(η),
Μη(x1)=J-T(η)MJ-1(η)
u=J-Τ(η)τ
3)根据上面得到的等价模型,设计以下滤波反步控制器:
z1=x1-x1c
z2=x2-x2c
z3=u-x3c
其中xic(i=1,2,3),为二阶滤波器的输出,用于逼近各虚拟控制量,其导数也由二阶滤波器输出。
此时各虚拟控制量的期望为:
其中,f(x1,x2)=-Μη -1(η)[(Cη(ν,η)+Dη(ν,η))x2+b+Jω];ki(i=1,2,3)为控制增益矩阵(正定对角阵);vi(i=1,2,3)是各跟踪误差的补偿向量,并定义为
其中向量可定义为
式中g1=1,g2=Mη -1,g2=B,并且的初值为零此时控制律为:
τe=α3
控制器设计过程中需要用到的xic和定义如下:
(1)i=1时,
(2)i=2,3时,xic和则由滤波器输出。
注:为设定的定位目标x1d,为设定的跟踪速度
各滤波器可定义如下:
式中,I为三阶单位阵。可见,当α(i-1)c有界时,xic和是有界且连续的。
4)以上设计均是在模型参数精确已知的情况下进行的,但通常模型参数未知或部分未知,此时进行基于模型的控制器设计就很困难。如果非线性函数f未知,则前面所述的backstepping控制则无法实现。此问题可通过引入RBF神经网络加以解决。为了逼近控制器设计中所需的未知非线性函数f,可利用自适应神经网络***逐一逼近f的每个元素fi(i=1,2,3),即
其中Wi(i=1,2,3)分别为三个RBF神经网络的权值,分别为三个RBF神经网络的高斯基函数,εi(i=1,2,3)分别为三个RBF神经网络的逼近误差,且有:
||[ε1,ε2,ε3]||<εn,εn>0
假设神经网络权值有界,即||Wi||≤WM。三个神经网络的输出为:
可定义:
且满足:||Z||F≤ZM。定义RBF神经网络权值估计误差为总的高斯基函数向量为则此时RBF神经网络对未知非线性函数f的估计为:
设计RBF神经网络权值自适应律为:
其中k>0,并定义:
γ=diag{r1IN,r2IN,r3IN},
其中IN为N阶单位阵,ri>0,(i=1,2,3)。
有了对非线性函数的估计,backstepping控制器设计便可进行。根据前面所讨论的,控制***(3)可根据公式τe=α3计算得出补偿前的控制指令以控制船舶的位置和艏向。
5)为了便于分析输入饱和特性对***的影响,控制输入补偿***2中的输入饱和补偿器16中引入如下辅助设计***:
其中,K1=K1 T>0,μ为设计参数(比较小的正数),为辅助设计***的状态,理想控制指令τe0的定义为:
其中,λ2为正定对角阵,为前面定义的对未知非线性函数的估计,v为补偿干扰和估计误差的鲁棒项。
6)控制输入补偿***2中死区补偿器15接收输入饱和补偿器16输出的理想控制指令,通过RBF神经网络对执行机构的非线性环节进行估计,同时另一个RBF神经网络用于***前馈通道的补偿,其结构图如图2所示。为了利用RBF神经网络对执行机构的死区进行补偿,首先进行如下定义:
定义符号“{*}”为GL矩阵,定义“·”为其乘法算子。令nij为正整数,i=1,…,n,j=1,…,n。对于神经网络函数逼近而言,可视Aij为权值向量,Bij为高斯基函数向量。GL向量{Ak}和其转置{Ak}T按下式定义:
{Ak}={Ak1…Akn}
GL矩阵{A}和其转置{A}T定义为:
对于给定的GL矩阵{B}:
{A}T与{B}的GL乘法为一个n×n的矩阵:
令为死区补偿前的控制指令,则最终的控制指令τe则为:
根据RBF神经网络的万能逼近特性,可分别得到执行机构的非线性特性D(u)和死区补偿向量wNN:
D(u)={W}T·{σ(u)}+ε(u)
wNN={Wi}T·{σi(w)}+εi(u)
其中ε(u),εi(u)是神经网络的逼近误差,W,Wi是理想权值,σ,σi是高斯基函数的输出。
为了得到理想的估计值,利用自适应技术对神经网络的权值进行更新,最终得到能够使***稳定的权值此时:
定义为RBF神经网络权值的估计误差,σ'为高斯基函数的一阶导数,则神经网络死区补偿器的自适应律设计为:
其中S=ST,T=TT为正定常量对称矩阵,K1,K2为正常数。
本发明采用某水面船的非线性数学模型进行仿真试验,仿真试验的船舶模型参数为:
Dn(ν)=-diag{X|u|u|u|,Y|v|v|v|,N|r|r|r|}
其中:D(ν)=Dl+Dn(ν)
X|u|u=-2.9766·104,
Y|v|v=-8.0922·104,
N|r|r=-1.2228·1012。
仿真中,加入如下干扰和不确定参数:
b=[0.25×105sin(0.1t),0.25×105sin(0.1t),0.25×106sin(0.1t)]T
Mη=(1+0.3sin(0.8t))Mη *
Cη=(1+0.3sin(0.8t))Cη *
Dη=(1+0.3sin(0.8t))Dη *
其中带上标“*”的参数为标称模型参数。执行机构死区界限为(-0.5×105,0.6×105)N,并有τe|≤[0.2×106,0.15×106,0.15×108]T。
其初始位置坐标(0m,0m,0deg),初始速度为(0m/s,0m/s,0deg/s),期望位置为(2m,1m,5deg)。仿真结果见附图4-5。
通过对仿真曲线和数据分析后可以看出,在本发明提出的考虑控制输入约束的基于自适应神经网络估计器的滤波反步船舶运动控制器的作用下,船舶能够克服模型参数不确定性的影响,在存在外界干扰的情况下,快速跟踪上导引***提供的期望位置,并保持给定艏向,在比较光滑的控制力作用下,达到期望的控制效果。说明所设计的自适应神经网络估计器能够对船舶模型未知非线性函数和干扰进行较好的估计,且滤波反步法中的滤波器可以很好的逼近虚拟控制量及其导数,避免了常规反步法中对虚拟控制量的求导过程,简化了控制器设计;同时,控制输入补偿***针对执行机构的饱和特性和死区特性,对控制指令进行分析判断并作出相应补偿,提高了控制***的控制精度。仿真结果表明,本发明控制律具有全局渐近跟踪特性,对于模型参数不确定性和未建模动态有较好的鲁棒性。
Claims (3)
1.一种考虑控制输入约束的船舶运动控制***,包括导引***(5)、控制***(3)、传感器***(13)、微分同胚变换器(7)、数据处理***(8),其特征是:还包括控制输入补偿***(2),所述传感器***(13)包含位姿传感器(12)和速度传感器(11);导引***(5)根据输入的期望值与船舶的初始位置,计算船舶在各个时刻的期望位姿及期望速度;位姿传感器(12)与速度传感器(11)分别采集船舶实际位姿信息和速度信息,并传递给数据处理***(8);数据处理***(8)的传感器数据经数据融合***(10)及滤波***(9)处理后,得到船舶的低频位姿信息和速度;船舶的低频位姿信息和速度传递给微分同胚变换器(7),经变换后得到新的状态变量;控制***(3)的滤波反步控制器(4)和自适应神经网络估计器(6)根据新的状态变量进行相应解算;自适应神经网络估计器(6)根据导引***(5)和微分同胚变换器(7)的数据,对控制器所需的未知非线性函数进行估计;滤波反步控制器同时接收导引***(5)的期望位姿和速度、微分同胚变换器(7)的新的状态变量,以及自适应神经网络估计器(6)提供的对未知非线性函数的估计,经解算得到相应的控制指令信息;控制***(3)将控制指令信息传递给输入约束补偿***(2),经输入饱和补偿器(16)和死区补偿器(15)的补偿后,得到最终的控制指令,将控制指令发送给船舶的执行机构,调整船舶的纵向推力、横向推力及转首力矩,实现对船舶的准确控制。
2.根据权利要求1所述的考虑控制输入约束的船舶运动控制***,其特征是所述控制***(3)的滤波反步控制器(4)和自适应神经网络估计器(6)根据新的状态变量进行相应解算是指:控制***(3)中自适应神经网络估计器(6)根据微分同胚变换器(7)提供的新状态变量以及导引***(5)提供的期望信息,按自适应律,通过RBF神经网络***对未知非线性函数、低频干扰以及未建模动态进行综合估计,得到控制器所需的非线性函数。
3.根据权利要求1或2所述的考虑控制输入约束的船舶运动控制***,其特征是所述经输入饱和补偿器(16)和死区补偿器(15)的补偿后得到最终的控制指令是指:控制输入补偿***(2)对控制***(3)的控制指令进行判断和处理,如果超出了执行机构的输出界限,则通过输入饱和补偿器(16)对控制指令进行输入饱和补偿;如果控制指令处于执行机构的死区中,则通过死区补偿器(15)对控制指令进行死区补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410003233.7A CN103760900B (zh) | 2014-01-03 | 2014-01-03 | 一种考虑控制输入约束的船舶运动控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410003233.7A CN103760900B (zh) | 2014-01-03 | 2014-01-03 | 一种考虑控制输入约束的船舶运动控制*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103760900A CN103760900A (zh) | 2014-04-30 |
CN103760900B true CN103760900B (zh) | 2016-06-29 |
Family
ID=50528154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410003233.7A Expired - Fee Related CN103760900B (zh) | 2014-01-03 | 2014-01-03 | 一种考虑控制输入约束的船舶运动控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103760900B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068420A (zh) * | 2015-05-08 | 2015-11-18 | 南昌航空大学 | 一种区间约束的非仿射不确定***自适应控制方法 |
CN105446136B (zh) * | 2015-11-18 | 2018-02-02 | 长安大学 | 基于不完全递归支集动态神经网络的船舶航向智能控制器 |
CN106054884B (zh) * | 2016-06-16 | 2018-12-07 | 哈尔滨工程大学 | 基于神经网络的l1自适应船舶动力定位双环控制*** |
CN108594643B (zh) * | 2018-04-28 | 2021-02-02 | 重庆大学 | 一种针对全状态受限严格反馈***的保性能控制方法 |
CN109188909B (zh) * | 2018-09-26 | 2021-04-23 | 大连海事大学 | 面向船舶航向非线性离散***的自适应模糊最优控制方法及*** |
CN109557524B (zh) * | 2018-12-29 | 2020-09-22 | 安徽优思天成智能科技有限公司 | 一种船舶废气监测激光雷达随动***的输入饱和控制方法 |
CN111007854B (zh) * | 2019-12-18 | 2022-10-25 | 哈尔滨工程大学 | 一种欠驱动船轨迹跟踪控制*** |
CN111552182B (zh) * | 2020-05-11 | 2022-09-23 | 鲁东大学 | 一种基于干扰观测器的船舶动力定位***的抗干扰饱和控制方法 |
CN112034865B (zh) * | 2020-08-12 | 2021-10-08 | 浙江大学 | 基于优化算法的全驱动水下航行器航迹跟踪控制方法 |
CN112462773B (zh) * | 2020-11-27 | 2022-09-02 | 哈尔滨工程大学 | 一种欠驱动水面船的路径跟踪抗饱和鲁棒控制方法 |
CN112612209B (zh) * | 2020-12-14 | 2022-11-04 | 哈尔滨工业大学 | 基于指令滤波神经网络控制器的全驱动船舶轨迹跟踪控制方法及*** |
CN113900434A (zh) * | 2021-08-02 | 2022-01-07 | 中国石油大学(华东) | 一种考虑船间效应的平台拆解船对接控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298326B (zh) * | 2011-06-30 | 2013-05-08 | 哈尔滨工程大学 | 欠驱动auv自适应轨迹跟踪控制装置及控制方法 |
CN103207568A (zh) * | 2013-03-18 | 2013-07-17 | 哈尔滨工程大学 | 一种抗舵机饱和的船舶航向自适应控制方法 |
-
2014
- 2014-01-03 CN CN201410003233.7A patent/CN103760900B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298326B (zh) * | 2011-06-30 | 2013-05-08 | 哈尔滨工程大学 | 欠驱动auv自适应轨迹跟踪控制装置及控制方法 |
CN103207568A (zh) * | 2013-03-18 | 2013-07-17 | 哈尔滨工程大学 | 一种抗舵机饱和的船舶航向自适应控制方法 |
Non-Patent Citations (3)
Title |
---|
"Design of robust fuzzy controller for ship course-tracking based on RBF network and backstepping approach";Zhang Song-tao,et al;《Journal of Marine Science and Application》;20060930;第5卷(第3期);第5-10页 * |
"基于非线性无源观测器的动力定位船舶反步滑模控制";夏国清 等;《控制工程》;20130731;第20卷(第4期);第738-743页 * |
"欠驱动船舶的运动规划和全局指数跟踪控制";王岩 等;《计算机工程与应用》;20121106;第49卷(第5期);第18-24页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103760900A (zh) | 2014-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103760900B (zh) | 一种考虑控制输入约束的船舶运动控制*** | |
Boukattaya et al. | Adaptive nonsingular fast terminal sliding-mode control for the tracking problem of uncertain dynamical systems | |
CN106773713B (zh) | 针对欠驱动海洋航行器的高精度非线性路径跟踪控制方法 | |
CN103324083B (zh) | 基于鲁棒观测器的非线性船舶运动控制方法 | |
CN102298326B (zh) | 欠驱动auv自适应轨迹跟踪控制装置及控制方法 | |
CN109343350A (zh) | 一种基于模型预测控制的水下机器人路径跟踪控制方法 | |
CN110716566B (zh) | 一种欠驱动无人艇的有限时间轨迹跟踪控制方法 | |
CN105807789B (zh) | 基于t-s模糊观测器补偿的uuv控制方法 | |
CN111045432B (zh) | 一种欠驱动水面船非线性路径跟踪控制***及方法 | |
WO2015066964A1 (zh) | 基于自适应模糊估计器的滤波反歩船舶运动控制*** | |
CN111007854B (zh) | 一种欠驱动船轨迹跟踪控制*** | |
Hassanein et al. | Model-based adaptive control system for autonomous underwater vehicles | |
CN106054884B (zh) | 基于神经网络的l1自适应船舶动力定位双环控制*** | |
CN105573327A (zh) | 基于t-s模糊时滞模型的欠驱动uuv垂直面控制方法 | |
JP2017206154A (ja) | 水中航走体制御装置、水中航走システム、水中航走体制御方法及びプログラム | |
Gao et al. | Adaptive integral backstepping control for a 3-DOF helicopter | |
CN106406096B (zh) | 一种适用于飞行器横侧向机动的耦合利用协调控制方法 | |
Qi et al. | Three-dimensional formation control based on filter backstepping method for multiple underactuated underwater vehicles | |
Jagannathan et al. | One-layer neural-network controller with preprocessed inputs for autonomous underwater vehicles | |
CN113110512A (zh) | 一种减弱未知干扰与抖振影响的可底栖式auv自适应轨迹跟踪控制方法 | |
CN110647161B (zh) | 基于状态预测补偿的欠驱动uuv水平面轨迹跟踪控制方法 | |
Wu et al. | Homing tracking control of autonomous underwater vehicle based on adaptive integral event-triggered nonlinear model predictive control | |
CN114296449B (zh) | 基于固定时间h∞控制的水面无人艇轨迹快速跟踪控制方法 | |
Sarhadi et al. | L1 adaptive pitch control of an autonomous underwater vehicle | |
Zhang et al. | Adaptive controller—Based on Nonlinear Disturbance Observer using for UUV automatic recovery system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160629 |