CN105929825A

CN105929825A - 一种基于神经动态模型的船舶动力定位反步控制方法

Info

Publication number: CN105929825A
Application number: CN201610325698.3A
Authority: CN
Inventors: 王元慧; 赵亮博; 付明玉; 蒋希赟; 佟海艳; 王莎莎; 张赞; 赵强; 张博; 张放
Original assignee: Harbin Engineering University
Current assignee: Harbin Engineering University
Priority date: 2016-05-16
Filing date: 2016-05-16
Publication date: 2016-09-07
Anticipated expiration: 2036-05-16
Also published as: CN105929825B

Abstract

一种基于神经动态模型的船舶动力定位反步控制方法，涉及船舶动力定位控制技术领域，尤其涉及一种基于神经动态模型的船舶动力定位反步控制方法。本发明要解决现有船舶动力定位控制技术，运算复杂程度高且难以输出平滑的控制效果。一种基于神经动态模型的船舶动力定位反步控制方法，按以下步骤进行：一、获取船舶的位置和姿态参数；二、求取虚拟误差变量；三、利用Backstepping法反演控制律。本发明解决了现有船舶动力定位控制技术存在的运算复杂程度高且难以输出平滑的控制效果的问题。本发明可应用于船舶动力定位控制技术领域。

Description

一种基于神经动态模型的船舶动力定位反步控制方法

技术领域

本发明涉及船舶动力定位控制技术领域，尤其涉及一种基于神经动态模型的船舶动力定位反步控制方法。

背景技术

随着人们对海洋的深入开发和地域的扩张，船舶更多的需要在深水区域作业，应新的定位技术需求，船舶动力定位技术诞生。动力定位技术是海洋工程的关键技术，其发展刻不容缓。控制技术是动力定位技术的核心，先进的控制技术对于提高动力定位控制***的性能有着非比寻常的意义。

动力定位船舶在进行动力定位作业时，需不断的调整控制力来驱使船舶向期望的位置及姿态进行移动和调整。传统的控制律在进行控制操作时，对于输入跳变其输出有着较大幅度的跃变，这对于执行机构的要求很高或者难以实现。此外传统的Backstepping法在进行反演时存在着不断的求导过程，这大大增加了算法的复杂程度。

Hodgkin和Huxley利用电路元素，为生物神经***的一片细胞膜提出了一个动态模型，该模型经过演化后被广泛的应用于生物、机器视觉、感官电动机控制等领域，并且取得了良好的控制或优化效果。而在国内外的文献及专利文件中，未见有将此模型应用到船舶动力定位控制方法中的报道。

发明内容

本发明的目的在于针对现有船舶动力定位控制技术，提出一种基于神经动态模型的反步控制方法，用以得到响应迅速且输出平滑的控制效果，同时减少运算的复杂程度。

一种基于神经动态模型的船舶动力定位反步控制方法，按以下步骤进行：

一、获取船舶的位置和姿态参数：

用位置参考***测得船舶位置信息，用姿态参考***测得船舶的艏向姿态信息；对获取的船舶姿态及位置信号进行滤波及时空对准，得到船舶的精确位置及姿态；

二、求取虚拟误差变量：

由期望的位置及姿态与实际的位置及姿态做比较，并经过解算得到误差信号；将该误差信号作为神经动态模型的输入，该模型的输出即为虚拟的误差变量；

三、利用Backstepping法反演控制律：

将神经动态模型输出的虚拟变量作为控制律实际的输入变量，并利用Backstepping法不断的反演，最终得到使整个动力定位控制***稳定的控制律。

本发明包括以下有益效果：

1、本发明引入神经动态模型的控制方法，能够模仿神经细胞膜输出平滑有界的特性，得到响应迅速且输出平滑的控制效果；

2、本发明所述的神经动态模型输出为虚拟变量的导数，解决了Backstepping法中求导复杂的问题，减少了算法的复杂程度。

附图说明

图1为本发明所述的流程图；

图2为本发明中神经动态模型基础H-H电路图；

图3为本发明的控制***结构框图；

图4为船舶北向的滤波值与时间关系曲线图；

图5为船舶东向的滤波值与时间关系曲线图；

图6为艏向角的滤波值与时间关系曲线图；

图7为船舶的运动曲线图；

图8为纵向推力输入与时间关系曲线图；

图9为横向推力输入与时间关系曲线图；

图10为艏向上的控制力矩与时间关系曲线图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合图1至图3和具体实施方式对本发明作进一步详细的说明，图1为本发明所述的流程图。

具体实施方式一、本实施方式所述的一种基于神经动态模型的船舶动力定位反步控制方法，按以下步骤进行：

一、获取船舶的位置和姿态参数：

二、求取虚拟误差变量：

三、利用Backstepping法反演控制律：

本实施方式包括以下有益效果：

1、本实施方式引入神经动态模型的控制方法，能够模仿神经细胞膜输出平滑有界的特性，得到响应迅速且输出平滑的控制效果；

2、本实施方式所述的神经动态模型输出为虚拟变量的导数，解决了Backstepping法中求导复杂的问题，减少了算法的复杂程度。

具体实施方式二、本实施方式是对具体实施方式一所述的一种基于神经动态模型的船舶动力定位反步控制方法的进一步说明，步骤一中所述的位置参考***由DGPS***、张紧锁***、水声位置参考单元、激光和雷达组成。

具体实施方式三、本实施方式是对具体实施方式一或二所述的一种基于神经动态模型的船舶动力定位反步控制方法的进一步说明，步骤一中所述的姿态参考***由电罗经和运动参考单元组成。

具体实施方式四、本实施方式是对具体实施方式一至三之一所述的一种基于神经动态模型的船舶动力定位反步控制方法的进一步说明，步骤一中所述的船舶姿态及位置信息滤波，采用卡尔曼滤波或非线性无源滤波方式，以滤除信号中的野值及高频噪声。

具体实施方式五、本实施方式是对具体实施方式一至四之一所述的一种基于神经动态模型的船舶动力定位反步控制方法的进一步说明，步骤一中所述的船舶姿态及位置信号时空对准的具体内容为，对获取的船舶姿态及位置信号采用曲线拟合的方式进行时间对准，并对不同坐标系下的数据进行空间对准。

具体实施方式六、本实施方式是对具体实施方式一至五之一所述的一种基于神经动态模型的船舶动力定位反步控制方法的进一步说明，步骤二中求取虚拟误差变量的具体过程为：

Hodgkin和Huxley针对神经元细胞膜电位动作的方式，提出了一种电路模型如图2所示，用如下方程来描述：

C_{m} \frac{{dV}_{m}}{d t} = - (E_{p} + V_{m}) g_{p} + (E_{N a} - V_{m}) g_{N a} - (E_{K} + V_{m}) g_{K}

其中V_m为膜电压，C_m为膜电容，E_K，E_Na，E_p分别是膜内钾离子，钠离子和被动泄漏电流的能斯特电位；g_K，g_Na，g_p分别代表钾离子，钠离子和被动通道的电导；

令C_m＝1、x_i＝E_p+V_m、A＝g_p、B＝E_Na+E_p、D＝E_k-E_p、代入上式，得到神经动态模型：

\frac{{dx}_{i}}{d t} = - {Ax}_{i} + (B - x_{i}) S_{i}^{+} (t) - (D + x_{i}) S_{i}^{-} (t)

其中x_i为第i个神经元的动作电位，A为非负常数代表着神经元的衰减速率，B，D同为非负常数，代表神经动态模型输出的上限和下限。为激励输入，为抑制输入

将测得的动力定位船的实际位置η，与姿态与期望的位置与姿态η_d做比较，得到误差变量e＝η-η_d，将该误差变量作为神经动态模型的输入，带入到上式得

{\overset{\cdot}{v}}_{e} = - A e + (B - e) f (e) - (D + e) g (e)

式中的v_e即为虚拟的误差变量，为v_e的一阶导数，作为下一步反演控制律时的输入变量；其中非负常数A、B、D分别为虚拟误差变量的衰减速率、虚拟误差变量的上界和下界，函数f(x)、g(x)的定义如下：

f (x) = \{\begin{matrix} x, & x &GreaterEqual; 0 \\ 0, & x < 0 \end{matrix}, g (x) = \{\begin{matrix} 0, & x > 0 \\ - x, & x \leq 0 \end{matrix} .

具体实施方式七、本实施方式是对具体实施方式一至六之一所述的一种基于神经动态模型的船舶动力定位反步控制方法的进一步说明，步骤三中利用Backstepping法反演控制律的具体过程为：

对于需要控制的动力定位船舶，其控制力和船舶本身存在如下关系式：

A \overset{\cdot\cdot}{e} + B \overset{\cdot}{e} = τ + f - A {\overset{\cdot\cdot}{η}}_{d} - B {\overset{\cdot}{η}}_{d}

式中M为***的惯量矩阵，D_s为水动力阻尼系数矩阵，为北东坐标系和船体坐标系间的旋转变换矩阵，τ为船舶的控制力，f为风浪流干扰力，为误差变量e的一阶导数，为e的二阶导数，同理为R^-1的一阶导数，为η_d的一阶导数，为η_d的二阶导数；

令其中μ为待反演的控制律的输出信号，K₁为给定的正定增益矩阵，将步骤二中求出的神经动态模型的输出，即虚拟的误差变量v_e引入，用以代替实际的误差变量e，并定义如下状态变量：

\{\begin{matrix} x_{1} = v_{e} \\ x_{2} = {\overset{\cdot}{v}}_{e} + K_{1} v_{e} \end{matrix}

其中K₁为正定对角阵；

构造Lyapunov函数，

\{\begin{matrix} V_{1} = \frac{1}{2} x_{1}^{T} x_{1} \\ V_{2} = \frac{1}{2} x_{2}^{T} {Px}_{2} + V_{1} \end{matrix}

上式中，P为正定矩阵，V₁，V₂为选取的使***稳定的李雅谱诺夫函数，且x₁和x₂均按指数收敛于0，经过递推可得到如下的控制律：

μ＝B_sx₂-A_sP^-1x₁-A_sP^-1K₂x₂

其中K₂正定对角阵，带入船舶控制力τ的表达式，可得到最终的控制力输出为：

τ = A ({\overset{\cdot\cdot}{η}}_{d} - K_{1} {\overset{\cdot}{v}}_{e}) + B ({\overset{\cdot}{η}}_{d} - K_{1} {\overset{\cdot}{v}}_{e}) + {Bx}_{2} - {AP}^{- 1} x_{1} - {AP}^{- 1} K_{2} x_{2} - f .

为验证本发明的有益效果，进行如下仿真实验：

首先给出仿真的海洋环境干扰的一些条件，设平均风速为15m/s，风的方向为90°；设定一阶波浪力的在水平面三自由度上分别产生1.0m、1.0m与1.0°的高频振幅；设定流向角为60°，流速0.8m/s。设定定位作业的初始北东位置与艏向角度为η＝[0m,0m,0°]，目标的北东位置与艏向角度η_d＝[50m,50m,0°]。

采用基于神经动态模型的反步控制器，以某海洋石油船为控制对象，进行仿真。图4和图5中显示了滤波值后的船舶北向和东向位置，图6显示了滤波后的艏向角，可以看出在此三个自由度上船舶的运动几乎无超调。动力定位船总的运动曲线则在图7中进行了展示，该船舶在较短的时间内达到了期望的位置和姿态。图8至图10则是执行机构在纵荡横荡和艏摇三个方向上的控制力输出曲线。

通过仿真实验可以看出，此控制器的能够快速且平滑的实现船舶的动力定位，且其定位效果良好，在定位过程中的北东位置和艏向上的几乎无超调，满足实际工作需求。

Claims

1.一种基于神经动态模型的船舶动力定位反步控制方法,其特征在于它按以下步骤进行：

一、获取船舶的位置和姿态参数：

二、求取虚拟误差变量：

三、利用Backstepping法反演控制律

将神经动态模型输出的虚拟变量作为控制律实际的输入变量，并利用Backstepping法不断的反演使各个子***稳定的李雅普诺夫函数，最终得到使整个***稳定的控制律。

2.如权利要求1所述的一种基于神经动态模型的船舶动力定位反步控制方法，其特征在于步骤一中所述的位置参考***由DGPS***、张紧锁***、水声位置参考单元、激光和/或雷达组成。

3.如权利要求1或2所述的一种基于神经动态模型的船舶动力定位反步控制方法，其特征在于步骤一中所述的姿态参考***运动参考单元组成。

4.如权利要求3所述的一种基于神经动态模型的船舶动力定位反步控制方法，其特征在于步骤一中所述的船舶姿态及位置信息滤波，采用卡尔曼滤波或非线性无源滤波方式。

5.如权利要求4所述的一种基于神经动态模型的船舶动力定位反步控制方法，其特征在于步骤一中所述的船舶姿态及位置信号时空对准的具体内容为，对获取的船舶姿态及位置信号采用曲线拟合的方式进行时间对准，并对不同坐标系下的数据进行空间对准。

6.如权利要求5所述的一种基于神经动态模型的船舶动力定位反步控制方法，其特征在于步骤二中求取虚拟误差变量的具体过程为：

利用电路元素，针对神经元细胞膜电位动作的方式，给出电路模型，用如下方程来描述：

C_{m} \frac{{dV}_{m}}{d t} = - (E_{p} + V_{m}) g_{p} + (E_{N a} - V_{m}) g_{N a} - (E_{K} + V_{m}) g_{K}

\frac{{dx}_{i}}{d t} = - {Ax}_{i} + (B - x_{i}) S_{i}^{+} (t) - (D + x_{i}) S_{i}^{-} (t)

其中x_i为第i个神经元的动作电位，A为非负常数代表着神经元的衰减速率，B，D同为非负常数，代表神经动态模型输出的上限和下限，为激励输入，为抑制输入；

{\overset{\cdot}{v}}_{e} = - A e + (B - e) f (e) - (D + e) g (e)

f (x) = \{\begin{matrix} x, & x &GreaterEqual; 0 \\ 0, & x < 0 \end{matrix}, g (x) = \{\begin{matrix} 0, & x > 0 \\ - x, & x \leq 0 \end{matrix} .

7.如权利要求6所述的一种基于神经动态模型的船舶动力定位反步控制方法，其特征在于步骤三中利用Backstepping法反演控制律的具体过程为：

A \overset{\cdot\cdot}{e} + B \overset{\cdot}{e} = τ + f - A {\overset{\cdot\cdot}{η}}_{d} - B {\overset{\cdot}{η}}_{d}

式中M为***的惯量矩阵，D_s为水动力阻尼系数矩阵，为北东坐标系和船体坐标系间的旋转变换矩阵，τ为船舶的控制力，f为风浪流干扰力，为误差变量e的一阶导数，为e的二阶导数，为R^-1的一阶导数，为η_d的一阶导数，为η_d的二阶导数；

令其中μ为待反演的控制律的输出信号，将步骤二中求出的神经动态模型的输出，即虚拟的误差变量v_e引入，用以代替实际的误差变量e，并定义如下状态变量：

\{\begin{matrix} x_{1} = v_{e} \\ x_{2} = {\overset{\cdot}{v}}_{e} + K_{1} v_{e} \end{matrix}

其中K₁为正定对角阵；

构造Lyapunov函数，

\{\begin{matrix} V_{1} = \frac{1}{2} x_{1}^{T} x_{1} \\ V_{2} = \frac{1}{2} x_{2}^{T} {Px}_{2} + V_{1} \end{matrix}

上式中，P为正定矩阵，V₁和V₂为选取的使***稳定的李雅谱诺夫函数，且x₁和x₂均按指数收敛于0，经过递推可得到如下的控制律：

μ＝B_sx₂-A_sP^-1x₁-A_sP^-1K₂x₂

其中K₂为正定对角阵，将μ代入船舶控制力τ的表达式，可得到最终的控制力输出为：

τ = A ({\overset{\cdot\cdot}{η}}_{d} - K_{1} {\overset{\cdot}{v}}_{e}) + B ({\overset{\cdot}{η}}_{d} - K_{1} {\overset{\cdot}{v}}_{e}) + {Bx}_{2} - {AP}^{- 1} x_{1} - {AP}^{- 1} K_{2} x_{2} - f .