CN108563130A - 一种欠驱动船舶自适应神经网络自动靠泊控制方法,设备及介质 - Google Patents
一种欠驱动船舶自适应神经网络自动靠泊控制方法,设备及介质 Download PDFInfo
- Publication number
- CN108563130A CN108563130A CN201810678793.0A CN201810678793A CN108563130A CN 108563130 A CN108563130 A CN 108563130A CN 201810678793 A CN201810678793 A CN 201810678793A CN 108563130 A CN108563130 A CN 108563130A
- Authority
- CN
- China
- Prior art keywords
- neural network
- ship
- surface vessel
- parameter
- control method
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 38
- 238000013461 design Methods 0.000 claims abstract description 28
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000013459 approach Methods 0.000 claims abstract description 8
- 150000001875 compounds Chemical class 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000008859 change Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种欠驱动船舶自适应神经网络自动靠泊控制方法,本发明采用附加控制方法解决欠驱动控制器设计的难题;利用航海动态深度信息的神经网络自适应方法,重构不确定的船舶模型动态参数与未知扰动向量,将神经网络权值、逼近误差、扰动量作为复合不确定参数进行在线估计,解决了扰动与逼近误差分开处理所导致的未知扰动输入难以直接逼近和忽略对***耦合特性的问题,既考虑了不确定性的耦合特性又降低了设计的保守性,还可以降低***计算负载度;控制器设计中考虑了舵、桨执行器的输入饱和问题,并引入动态面技术与最小学习参数的方法降低计算负载度,从而使所提出的控制方法更为简捷,易于工程实现。
Description
技术领域
本发明涉及船舶控制技术领域,具体涉及基于航海动态深度信息的欠驱动船舶自适应神经网络自动靠泊控制方法。
背景技术
随着船舶大型化、自动化、智能化的发展,智能船舶已成为当今海洋交通运输发展的主流方向。根据2016年3月1日生效的中国船级社(CCS)编制的《智能船舶规范》,智能船舶分为六大功能模块:智能航行、智能船体、智能机舱、智能能效管理、智能货物管理和智能集成平台,其中,智能航行模块除具有基本的航行功能外,还需要具有自动靠泊等辅助智能功能。而相比航海实践角度中的船舶离泊,船舶自动靠泊的难度更大。在航海实践中,船舶靠泊操纵一直被公认为是最困难、最复杂操作之一。
然而,随着航海科学与技术的迅猛发展,船舶配员数量逐渐减少和高级船员逐渐短缺,使船员的职务提升速度加快,因此一些年轻船员因缺少足够丰富的靠泊经验,导致发生触碰码头的事故时有发生。丰富的靠泊经验需要船员在实践中不断摸索和积累,难以全部通过短时间的理论学习或者模拟器培训获得。实践中,中小型商船一般需利用桨、舵、锚、缆和侧推器等自主靠泊,而大型船往往依靠拖轮协助靠泊,在条件允许时也可进行自主靠泊。由于桨、舵等控制执行器都是针对定常航速设计,但实际船舶靠泊要受到浅水、低速、岸壁效应等影响,操作更加复杂。因此对大型智能船舶中的自动靠泊关键技术进行研究,是目前提高船舶靠泊安全性与高效性的重中之重。
在靠泊实践中,船舶要受到时变的浅水、低速、岸壁效应、相对增强的风流等影响,会导致欠驱动船舶靠泊中存在执行器时变增益性、模型动态不确定性与未知扰动等问题。
发明内容
为了克服上述现有技术中的不足,本发明解决欠驱动船舶自动靠泊中的模型动态不确定性与未知扰动问题提供欠驱动船舶自适应神经网络自动靠泊控制方法,包括如下步骤:包括如下步骤:
采用机理建模的方法构建船舶平面运动非线性动力学方程,描述船舶运动模型;
采用附加控制方式进行坐标转换,并利用航海动态深度信息的神经网络重构不确定的模型动态参数与未知扰动向量;
采用神经网络逼近方法及最小学习参数方法,实现欠驱动船舶自适应神经网络自动靠泊控制。
优选地,步骤采用三自由度船舶平面运动非线性动力学的方式,描述船舶运动模型还包括:
纵荡(m+mx)vr-(m+my)vr=X|u|u|u|u+Xvrvr+Xwv2+Xrrr2+Tu
横荡(m+my)ur+(m+mx)ur=Yvv+Yrr+y|v|v|v|v+Y|r|r|r|r+Ywrv2r+Yvrrvr2
艏摇(Izz+Jzz)uv+(my+mx)uv=Nvv+Nrr+N|v|v|v|v+N|r|r|r|r+Nwrv2r+Nvrrvr2+Tr (1)
其中,Tu和Tr分别为纵荡和艏摇自由度的控制输入,也就是螺旋桨推力和舵力;
自动靠泊中,设计模型动态不确定性与未知扰动的自动靠泊控制器,设模型参数mx、my、mz、X|u|u|u|u+Xvrvr+Xvvv2+Xrrr2、Yvv+Yrr+Y|v|v|v|v+Y|r|r|r|r+Yvvrv2r+Yvrrvr2、Nvv+Nrr+N|v|v|v|v+N|r|r|r|r+Nvvrv2r+Nvrrvr2均为未知向量,并设纵荡、横荡、艏摇三个维度的未知扰动向量分别为du、dv、dr模型参数;式(1)的***状态方程可变为:
x=u cos(ψ)-v sin(ψ)
y=u sin(ψ)+v cos(ψ)
ψ=r
其中,高阶流体动力项为:
其中,mu=m+mx、mv=m+my、mr=IZ+JZ;[x,y,ψ]∈R3为船舶位置坐标和艏向角的姿态变量;[u,v,r]T∈R3为船舶前向速度、横荡速度和艏摇速度变量;du、dv、dr表示不可测的未知外界海洋环境扰动力/力矩向量,包括风、浪、流的影响;在船舶靠泊实践中,舵、桨执行器驱动力Tu和Tr存在最大值,即Tu max>0、Tr max>0。
优选地,步骤采用附加控制方式进行坐标转换,并利用航海动态深度信息的神经网络重构不确定的模型动态与未知扰动还包括:
通过坐标变换及附加控制参数设计,构造横向驱动向量α;
ψe=ψ-ψd-f3(α)
Ωe=Ω-Ωd
(4)
其中,为地理坐标到随船坐标的旋转矩阵函数;fi(α),i=1,2,3,满足|fi(α)|≤λi,α∈R,λi为正常数;令根据式(4)则
ψ-ψd=ψe+f3(α)
(5)
式(5)经范数计算,可得下列不等式:
控制器用的矩阵Θ的逆矩阵为:
欠驱动船舶自适应神经网络自动靠泊控制器的控制律如下:
其中,δ1、δ2、a1、a2、b1、b2、与均为设计正常数。
优选地,步骤采用航海深度动态深度信息构造核函数技术、神经网络逼近
方式及最小学习参数方式,实现欠驱动船舶自适应神经网络自动靠泊控制
还包括:
采用航海深度动态深度信息构造核函数技术、RBF神经网络逼近技术及最小学习参数方式:
其中,θ1=max{||W1 *T||,|ε1+du|};航海动态深度信息构造的核函数为由式(15)可知,重构不确定的船舶模型动态参数与未知扰动向量,将神经网络权值、逼近误差、扰动量作为复合不确定参数进行在线估计,使得自适应学习参数明显减少;
则:
其中,a1与a2为正的设计常数;由式(15)-(22)可得
根据Yu=βu-αu与Yr=βr-αr求导数,有
其中,Bu(xd,yd,ψd,xd,yd,ψd,xd,yd,ψd,x,y,u,v,u,v)与Br(xd,yd,ψd,xd,yd,ψd,xd,yd,ψd,ψ,r)是连续光滑函数,并存在最大值BMi,即|Bi|≤BMi,i=u,r;
将式(26)-(27)代入是式(25),得
其中并通过选择适当设计参数ei与ωi>0使则有
其中,
其设计参数ku,kr与k2满足:
其他设计参数均为正数,实现欠驱动船舶自适应神经网络自动靠泊控制。
一种实现欠驱动船舶自适应神经网络自动靠泊控制方法的设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现欠驱动船舶自适应神经网络自动靠泊控制方法的步骤。
一种具有欠驱动船舶自适应神经网络自动靠泊控制方法的计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行欠驱动船舶自适应神经网络自动靠泊控制方法的步骤。
从以上技术方案可以看出,本发明具有以下优点:
本发明采用附加控制方法解决欠驱动设计的难题;利用航海动态深度信息的神经网络自适应方法,重构不确定的船舶模型动态参数与未知扰动向量,将神经网络权值、逼近误差、扰动量作为复合不确定参数进行在线估计,解决了扰动与逼近误差分开处理所导致的未知扰动输入难以直接逼近和忽略对***耦合特性的问题,既考虑了不确定性的耦合特性又降低了设计的保守性,还可以降低***计算负载度;控制器设计中考虑了舵、桨执行器的的输入饱和问题,并引入动态面(DSC)技术与最小学习参数(MLP)的方法降低计算负载度,从而使所提出的控制方法更为简捷,易于工程实现。
本发明针对欠驱动船舶自动靠泊控制中模型动态不确定和有界扰动未知等问题展开研究,在前人的研究基础上,采用附加控制方法进行坐标转换,解决了欠驱动问题,并利用航海动态深度信息的神经网络自适应方法重构不确定的模型动态与未知扰动,同时利用动态面(DSC)技术与最小学习参数(MLP)的方法降低计算负载度。
附图说明
图1是本发明中实例1的船舶实际位置(x,y)和艏向角ψ历时曲线图;
图2是本发明中实例1的船舶在xy-平面内位置变化图;
图3是本发明中实例1的船舶纵荡速度u、横荡速度v和艏摇角速度r历时曲线图;
图4是本发明中实例1的船舶纵荡控制力Tu和艏摇控制力Tr历时曲线图;
图5是本发明中实例1的自适应参数和历时曲线图;
图6是本发明中实例2的船舶实际位置(x,y)和艏向角ψ历时曲线图;
图7是本发明中实例2的船舶在xy-平面内位置变化图;
图8是本发明中实例2的船舶纵荡速度u、横荡速度v和艏摇角速度r历时曲线图;
图9是本发明中实例2的船舶纵荡控制力Tu和艏摇控制力Tr历时曲线图;
图10是本发明中实例2的自适应参数和历时曲线图。
具体实施方式
本发明提供一种欠驱动船舶自适应神经网络自动靠泊控制方法,其特征在于,包括如下步骤:
采用三自由度船舶平面运动非线性动力学的方式,描述船舶运动模型;
纵荡(m+mx)vr-(m+my)vr=X|u|u|u|u+Xvrvr+Xwv2+Xrrr2+Tu
横荡(m+my)ur+(m+mx)ur=Yvv+Yrr+Y|v|v|v|v+Y|r|r|r|r+Ywrv2r+Yvrrvr2
艏摇(Izz+Jzz)uv+(my+mx)uv=Nvv+Nrr+N|v|v|v|v+N|r|r|r|r+Nwrv2r+Nvrrvr2+Tr (1)
其中,Tu和Tr分别为纵荡和艏摇自由度的控制输入,也就是螺旋桨推力和舵力;
自动靠泊中,设计模型动态不确定性与未知扰动的自动靠泊控制器,设模型参数mx、my、mz、X|u|u|u|u+Xvrvr+Xvvv2+Xrrr2、Yvv+Yrr+Y|v|v|v|v+Y|r|r|r|r+Yvvrv2r+Yvrrvr2与Nvv+Nrr+N|v|v|v|v+N|r|r|r|r+Nvvrv2r+Nvrrvr2均为未知向量,并设纵荡、横荡、艏摇三个维度的未知扰动向量分别为du、dv、dr模型参数;式(1)的***状态方程可变为:
x=u cos(ψ)-vsin(ψ)
y=u sin(ψ)+vcos(ψ)
ψ=r
其中,高阶流体动力项为:
其中,mu=m+mx、mv=m+my、mr=IZ+JZ;[x,y,ψ]∈R3为船舶位置坐标和艏向角的姿态变量;[u,v,r]T∈R3为船舶前向速度、横荡速度和艏摇速度变量;du、dv、dr表示不可测的未知外界海洋环境扰动力/力矩向量,包括风、浪、流的影响;在船舶靠泊实践中,舵、桨执行器驱动力Tu和Tr存在最大值,即Tumax>0、Trmax>0。
由于靠泊过程中存在船舶运动数学模型参数不确定现象,低速时尤其是螺旋桨倒车时的失舵效现象;通常入泊航速较低,外界动态不确定扰动相对较大;由于靠泊中控制能量有限性,船舶速度及加速度有界,且控制输入存在约束条件。但是,实际靠泊中***在外界环境扰动下仍然是可控的。
采用附加控制方式进行坐标转换,并利用航海动态深度信息的神经网络重构不确定的模型动态与未知扰动;
为了解决欠驱动船舶横向驱动向量不匹配的问题,通过坐标变换及附加控制参数设计,构造横向驱动向量α。
其中,为地理坐标到随船坐标的旋转矩阵函数;fi(α),i=1,2,3,满足|fi(α)|≤λi,α∈R,λi为正常数。令根据式(4)则
式(5)经范数计算,可得下列不等式:
因为|fi(α)|≤λi,所以fi(α)在α∈R的范围内有界,不等式(6)是成立的,意味着所设计的自动靠泊控制律Tu和Tr使ψe和Ωe收敛,且所有的船舶运动向量u、v、r有界;因此控制目标得以实现。
对式(4)求导数可得:
故,
ψe=r-ψd-f′3(α)α
其中,
为方便控制器设计,定义函数fi(α)有界、可微、可逆(i=1,2,3)。展开式(8),有
根据式(4)和(9),可以得到Θ的行列式为
det(Θ)=sin(f3(α))f′1(α)-cos(f3(α))f′2(α) (10)
为保证对所有的α使得det(Θ)是非零,设计如下可微函数fi(α),i=1,2,3,
其中,ω1与ω2均为设计参数,为保证f1(α)与f2(α)的存在性,且满足ω1>0,ω2∈(0,π/2),据式(11),有|f1(α)|≤ω1,|f2(α)|≤ω1,|f3(α)|≤ω2。将式(11)代入(10)中,可得
根据上述分析,可计算出下节控制器用的矩阵Θ的逆矩阵为:
欠驱动船舶自适应神经网络自动靠泊控制器的控制律如下:
其中,δ1、δ2、a1、a2、b1、b2、与均为设计正常数。
采用神经网络逼近方式及最小学习参数方式,实现欠驱动船舶自适应神经网络自动靠泊控制。
采用RBF神经网络逼近技术及最小学习参数方式:
其中,θ1=max{||W1 *T||,|ε1+du|}; 由式(15)可知,自适应学习参数明显减少;
则:
其中,a1与a2为正的设计常数。由式(15)-(22)可得
根据Yu=βu-αu与Yr=βr-αr求导数,有
其中,Bu(xd,yd,ψd,xd,yd,ψd,xd,yd,ψd,x,y,u,v,u,v)与Br(xd,yd,ψd,xd,yd,ψd,xd,yd,ψd,ψ,r)是连续光滑函数,并存在最大值BMi,即|Bi|≤BMi,i=u,r;
将式(26)-(27)代入是式(25),得
其中并通过选择适当设计参数ei与ωi>0使则有
其中, 其设计参数ku,kr与k2满足:
其他设计参数均为正数,实现欠驱动船舶自适应神经网络自动靠泊控制。
为了验证欠驱动船舶自适应神经网络自动靠泊控制的有效性,应用挪威科技大学的Cybership 2船模作为被控对象,进行计算机仿真试验。该船模总长为L=1.255m、质量为m=23.8kg。
对于实船而言,桨和舵的力矩是有界的,即存在控制输入饱和控制向量:
其中,i=u,r;Ti,M>0为控制输入的边界。控制输入饱和设为Tu,M=2N、Tr,M=1.5N。
对于欠驱动船舶来说,掉头靠泊难度较大,因此为验证控制算法的适用性,设置船舶掉头靠泊试验的初始状态为x(0)=-5/L、y(0)=-5/L、ψ(0)=0rad、u(0)=0.5m/s、v(0)=0.5m/s、r(0)=0.5rad/s;靠泊目标状态为x(d)=0/L、y(d)=0/L、ψ(d)=πrad。由于掉头靠泊需要的转船力矩较大,为了顺利完成欠驱动船自动靠泊,纵荡u、横荡v和艏摇r三个自由度的速度初始值均设为0.5,这与实船人工靠泊时有所不同。通常人工入泊时,需要摆好船位和入泊角度,因此v和r的初始状态稳定为0时进行靠泊作业。而本试验的初始设计考虑了v和r的初始状态不为0的情况,即初始状态为三自由度耦合运动的自动靠泊,增加了靠泊难度,因此,该初始设置可进一步验证控制律的鲁棒性。
实例1:在模型参数mu、mv、mr、fu(υ)与fr(υ)均是未知的的条件下,设计参数ku=diag([k1,k2])=diag([5,6])、kr=k3=25、δ1=4×10-5、δ2=2×10-4、a1=0.01、a2=0.01、b1=0.02、b2=0.001、与动态面参数e=0.01,附加控制坐标转换参数ω1=0.1、ω2=0.25。
如图1所示,船舶的横向位置于26s到达预定泊位x(d)=0位置处,而此时,纵向位置还未到达目标值y(d)=0,需要通过螺旋桨倒车微调,最50s时到达预定泊位点。为了进一步验证控制器的稳定性,仿真时长300s。艏向角ψ曲线显示,在0s-90s时间段内,航向从0°逐渐稳定于180°。
如图2所示,在xy-平面内船舶中心位置变化曲线较平滑,由运动轨迹可以看出,给定u(0)=0.5m/s、v(0)=0.5m/s、r(0)=0.5rad/s的条件相当于给船舶外加一转船力矩,使船舶在受限距离内迅速完成右舷掉头,之后依靠惯性并微调入泊。
图3给出了船舶纵荡速度u、横荡速度v和艏摇角速度r的历时曲线。初始时刻u为0.5m/s,右舷掉头时需要加速进车,故u在0s-3.44s时加速,3.44s时到达峰值0.78m/s,50s之后减速到接近0m/s,并保持稳定。初始时刻v的速度0.5m/s,转船过程中横荡速度不需要太大,因此其值逐渐减小,3s时刻减为0m/s,由于掉头运动时船舶惯性的作用,横荡速度方向改变,到6.3s时到达-0.2m/s,之后逐渐减小并稳定与0m/s。由于给定的初始艏摇角速度r为0.5rad/s,在0s-1.2s时段逐渐减少到0.1rad/s,在2.6s时,增加到0.23rad/s。之后在50s附近逐步稳定在0rad/s。
图4给出了船舶纵荡控制力Tu和艏摇控制力Tr历时曲线,Tu在0s-3.44s时间段内为饱和上界2N,3.6s-7.25s时间段内为饱和下界-2N,50s附近逐步稳定在0N。Tr在0s-2s时间段内为饱和上界1.5N,在3s时刻减为0N,之后为压舵角控制航向,Tr反向增加并在5s时到达-0.9N,之后回调并于42s时稳定于0N。图5给出深度信息的自适应参数和历时曲线,其中稳定于2.12,稳定于3.55,表明控制***稳定。
图1-图5仿真结果表明了船舶具有较好的自动靠泊性能。从掉头倒车靠泊的实际工程难度来讲,本仿真所给出船舶运动控制过程符合航海实践要求,且控制精度满足工程需要。
实例2:在上一节的基础上,为进一步验证控制律的抗干扰能力,本节选取的有界扰动向量包括恒值扰动和正弦函数时变扰动两部分,选择扰动向量:
为了方便比较,与实例1中的设置相同。即船舶的初始位置、初始速度等初始条件以及控制律的设计参数保持不变、仿真结果如图6-图10所示。
图6给出了船舶的横向位置于58s到达预定泊位x(d)=0位置处,而此时,纵向位置还未到达目标值y(d)=0,需要通过螺旋桨倒车微调,最后210s时到达预定泊位点。艏向角ψ曲线显示,在0s-90s时间段内,航向从0°逐渐稳定于180°。因此,相比图1无扰动情况下的仿真,有扰动时的靠泊时间明显变长。
如图7所示,在xy-平面内船舶中心位置变化曲线较平滑,但相比图2,在图7在xy-平面坐标(1.5L,2.3L)处出现了较小的拐点,这是由于有界扰动引起的航迹变化,这一点的位置与图6的船舶位置(x,y)变化特征相符合。
图8给出了时变扰动下船舶u、v和r的历时曲线。初始时刻u为0.5m/s,右舷掉头时需要加速进车,故u在0s-2.82s时加速,2.82s时到达峰值0.786m/s,56s之后减速到接近0m/s,并保持稳定。初始时刻v的速度0.5m/s,2.5s时减为0m/s,由于掉头运动时船舶惯性的作用,横荡速度方向改变,到6s时到达-0.2m/s,之后逐渐减小并稳定与0m/s。初始艏摇角速度r在0s-0.9s时段逐渐减少到0.2rad/s,在1.5s时增加到0.23rad/s。之后在50s附近逐步稳定在0rad/s。相比图3,有扰动仿真的三个自由度的速度变化的时刻均比无扰动时相应变化提前。
图9给出了时变扰动下船舶纵荡控制力Tu和艏摇控制力Tr历时曲线,Tu在0s-2.8s时间段内为饱和上界2N,3s-7.7s时间段内为饱和下界-2N,受扰动影响,40s后稳定于0.1N至0.066N之间。Tr在0s-1.1s时间段内为饱和上界1.5N,在2.4s时刻减为0N,之后为压舵角控制航向,Tr反向增加并在4.6s时到达-1.015N,35s后稳定于-0.04N至0.125N之间。明显可以看出,向量Tu和Tr受外界扰动影响产生控制输入波动。
图10给出时变扰动下深度信息的自适应参数和历时曲线,其中稳定于1.72,稳定于2.33,表明控制***稳定。
图6-图10仿真结果表明在外界时变扰动下,船舶仍然具有较好的自动靠泊性能,且与航海实践相符,验证了算法的有效性。
本发明还提供一种实现欠驱动船舶自适应神经网络自动靠泊控制方法的设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现欠驱动船舶自适应神经网络自动靠泊控制方法的步骤。
本发明还提供一种具有欠驱动船舶自适应神经网络自动靠泊控制方法的计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行以实现欠驱动船舶自适应神经网络自动靠泊控制方法的步骤。
Claims (6)
1.一种欠驱动船舶自适应神经网络自动靠泊控制方法,其特征在于,包括如下步骤:
采用机理建模的方法构建船舶平面运动非线性动力学方程,描述船舶运动模型;
采用附加控制方式进行坐标转换,并利用航海动态深度信息的神经网络重构不确定的模型动态参数与未知扰动向量;
采用神经网络逼近方法及最小学习参数方法,实现欠驱动船舶自适应神经网络自动靠泊控制。
2.根据权利要求1所述的欠驱动船舶自适应神经网络自动靠泊控制方法,其特征在于,
步骤采用三自由度船舶平面运动非线性动力学的方式,描述船舶运动模型还包括:
纵荡(m+mx)vr-(m+my)vr=X|u|u|u|u+Xvrvr+Xwv2+Xrrr2+Tu
横荡(m+my)ur+(m+mx)ur=Yvv+Yrr+Y|v|v|v|v+Y|r|r|r|r+Ywrv2r+Yvrrvr2
艏摇(Izz+Jzz)uv+(my+mx)uv=Nvv+Nrr+N|v|v|v|v+N|r|r|r|r+Nwrv2r+Nvrrvr2+Tr (1)
其中,Tu和Tr分别为纵荡和艏摇自由度的控制输入,也就是螺旋桨推力和舵力;
自动靠泊中,设计模型动态不确定性与未知扰动的自动靠泊控制器,设模型参数mx、my、mz、X|u|u|u|u+Xvrvr+Xvvv2+Xrrr2、Yvv+Yrr+Y|v|v|v|v+Y|r|r|r|r+Yvvrv2r+Yvrrvr2、Nvv+Nrr+N|v|v|v|v+N|r|r|r|r+Nvvrv2r+Nvrrvr2均为未知向量,并设纵荡、横荡、艏摇三个维度的未知扰动向量分别为du、dv、dr模型参数;式(1)的***状态方程可变为:
x=u cos(ψ)-v sin(ψ)
y=u sin(ψ)+v cos(ψ)
ψ=r
其中,高阶流体动力项为:
其中,mu=m+mx、mv=m+my、mr=IZ+JZ;[x,y,ψ]∈R3为船舶位置坐标和艏向角的姿态变量;[u,v,r]T∈R3为船舶前向速度、横荡速度和艏摇速度变量;du、dv、dr表示不可测的未知外界海洋环境扰动力/力矩向量,包括风、浪、流的影响;在船舶靠泊实践中,舵、桨执行器驱动力Tu和Tr存在最大值,即Tumax>0、Trmax>0。
3.根据权利要求1所述的欠驱动船舶自适应神经网络自动靠泊控制方法,其特征在于,
步骤采用附加控制方式进行坐标转换,并利用航海动态深度信息的神经网络重构不确定的模型动态与未知扰动还包括:
通过坐标变换及附加控制参数设计,构造横向驱动向量α;
ψe=ψ-ψd-f3(α)
Ωe=Ω-Ωd
(4)
其中,为地理坐标到随船坐标的旋转矩阵函数;fi(α),i=1,2,3,满足|fi(α)|≤λi,α∈R,λi为正常数;令根据式(4)则
ψ-ψd=ψe+f3(α)
(5)
式(5)经范数计算,可得下列不等式:
控制器用的矩阵Θ的逆矩阵为:
欠驱动船舶自适应神经网络自动靠泊控制器的控制律如下:
其中,δ1、δ2、a1、a2、b1、b2、与均为设计正常数。
4.根据权利要求1所述的欠驱动船舶自适应神经网络自动靠泊控制方法,其特征在于,
步骤采用航海深度动态深度信息构造核函数技术、神经网络逼近方式及最小学习参数方式,实现欠驱动船舶自适应神经网络自动靠泊控制还包括:
采用航海深度动态深度信息构造核函数技术、RBF神经网络逼近技术及最小学习参数方式:
其中,θ1=max{||W1 *T||,|ε1+du|};θ2=max{||W2 *T||,|ε2+dr|};航海动态深度信息构造的核函数为i=1,2;由式(15)可知,重构不确定的船舶模型动态参数与未知扰动向量,将神经网络权值、逼近误差、扰动量作为复合不确定参数进行在线估计,使得自适应学习参数明显减少;
则:
其中,a1与a2为正的设计常数;由式(15)-(22)可得
(25)根据Yu=βu-αu与Yr=βr-αr求导数,有
其中,Bu(xd,yd,ψd,xd,yd,ψd,xd,yd,ψd,x,y,u,v,u,v)与Br(xd,yd,ψd,xd,yd,ψd,xd,yd,ψd,ψ,r)是连续光滑函数,并存在最大值BMi,即|Bi|≤BMi,i=u,r;
将式(26)-(27)代入是式(25),得
其中并通过选择适当设计参数ei与ωi>0使则有
其中, 其设计参数ku,kr与k2满足:
其他设计参数均为正数,实现欠驱动船舶自适应神经网络自动靠泊控制。
5.一种实现欠驱动船舶自适应神经网络自动靠泊控制方法的设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现如权利要求1至4任意一项所述欠驱动船舶自适应神经网络自动靠泊控制方法的步骤。
6.一种具有欠驱动船舶自适应神经网络自动靠泊控制方法的计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行以实现如权利要求1至4任意一项所述的欠驱动船舶自适应神经网络自动靠泊控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810678793.0A CN108563130B (zh) | 2018-06-27 | 2018-06-27 | 一种欠驱动船舶自适应神经网络自动靠泊控制方法,设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810678793.0A CN108563130B (zh) | 2018-06-27 | 2018-06-27 | 一种欠驱动船舶自适应神经网络自动靠泊控制方法,设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108563130A true CN108563130A (zh) | 2018-09-21 |
CN108563130B CN108563130B (zh) | 2021-02-09 |
Family
ID=63554755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810678793.0A Expired - Fee Related CN108563130B (zh) | 2018-06-27 | 2018-06-27 | 一种欠驱动船舶自适应神经网络自动靠泊控制方法,设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108563130B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109143867A (zh) * | 2018-09-26 | 2019-01-04 | 上海海事大学 | 一种基于神经网络控制的混合动力船舶的能量管理方法 |
CN109523611A (zh) * | 2018-11-28 | 2019-03-26 | 百度在线网络技术(北京)有限公司 | 验证码图片生成方法和装置 |
CN109557913A (zh) * | 2018-10-19 | 2019-04-02 | 江汉大学 | 基于混合深度神经网络的船舶自动舵 |
CN110007602A (zh) * | 2019-05-06 | 2019-07-12 | 江苏建筑职业技术学院 | 一种非线性***低复杂度自适应饱和控制方法 |
CN111353222A (zh) * | 2020-02-25 | 2020-06-30 | 智慧航海(青岛)科技有限公司 | 一种智能船舶自动靠泊能力的仿真测试***及方法 |
CN111651943A (zh) * | 2020-06-03 | 2020-09-11 | 集美大学 | 一种船舶运动控制方法、终端设备及存储介质 |
CN112051732A (zh) * | 2020-08-07 | 2020-12-08 | 集美大学 | 一种考虑岸壁效应的航标船自适应神经网络分数阶滑模控制***及方法 |
CN113110468A (zh) * | 2021-04-22 | 2021-07-13 | 中国船舶重工集团公司第七0七研究所九江分部 | 一种应用于欠驱动双桨双舵船舶自主靠泊的控制方法 |
CN113341718A (zh) * | 2021-06-10 | 2021-09-03 | 浙江大学 | 欠驱动水面机器人的水动力系数混合自适应估计方法 |
CN113406884A (zh) * | 2021-06-03 | 2021-09-17 | 上海海事大学 | 一种基于滑模自适应的多点系泊***定位控制方法 |
CN113650020A (zh) * | 2021-09-15 | 2021-11-16 | 山东交通学院 | 一种机械臂***有限时间自适应镇定控制方法和*** |
CN114839880A (zh) * | 2022-06-02 | 2022-08-02 | 淮阴工学院 | 一种基于柔性关节机械臂的自适应控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6376831B1 (en) * | 2000-02-24 | 2002-04-23 | The United States Of America As Represented By The Secretary Of The Navy | Neural network system for estimating conditions on submerged surfaces of seawater vessels |
CN102183889A (zh) * | 2011-03-04 | 2011-09-14 | 哈尔滨工程大学 | 泵桨混合推进船舶航向鲁棒智能协调控制方法 |
CN102385316A (zh) * | 2011-09-16 | 2012-03-21 | 哈尔滨工程大学 | 一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法 |
CN108021751A (zh) * | 2017-12-05 | 2018-05-11 | 中海石油气电集团有限责任公司 | 一种用于lng船靠泊和系泊的模拟集成*** |
-
2018
- 2018-06-27 CN CN201810678793.0A patent/CN108563130B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6376831B1 (en) * | 2000-02-24 | 2002-04-23 | The United States Of America As Represented By The Secretary Of The Navy | Neural network system for estimating conditions on submerged surfaces of seawater vessels |
CN102183889A (zh) * | 2011-03-04 | 2011-09-14 | 哈尔滨工程大学 | 泵桨混合推进船舶航向鲁棒智能协调控制方法 |
CN102385316A (zh) * | 2011-09-16 | 2012-03-21 | 哈尔滨工程大学 | 一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法 |
CN108021751A (zh) * | 2017-12-05 | 2018-05-11 | 中海石油气电集团有限责任公司 | 一种用于lng船靠泊和系泊的模拟集成*** |
Non-Patent Citations (4)
Title |
---|
K.D. DO: "Practical control of underactuated ships", 《OCEAN ENGINEERING》 * |
刘杨: "欠驱动水面船舶的非线性自适应控制研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
刘洋等: "船舶航向保持RBF神经网络自适应非线性控制", 《大连海事大学学报》 * |
张强等: "船舶自动靠泊简捷非线性神经网络控制器", 《中国航海》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109143867A (zh) * | 2018-09-26 | 2019-01-04 | 上海海事大学 | 一种基于神经网络控制的混合动力船舶的能量管理方法 |
CN109557913A (zh) * | 2018-10-19 | 2019-04-02 | 江汉大学 | 基于混合深度神经网络的船舶自动舵 |
CN109523611A (zh) * | 2018-11-28 | 2019-03-26 | 百度在线网络技术(北京)有限公司 | 验证码图片生成方法和装置 |
CN109523611B (zh) * | 2018-11-28 | 2023-05-09 | 百度在线网络技术(北京)有限公司 | 验证码图片生成方法和装置 |
CN110007602B (zh) * | 2019-05-06 | 2022-03-04 | 江苏建筑职业技术学院 | 一种非线性***低复杂度自适应饱和控制方法 |
CN110007602A (zh) * | 2019-05-06 | 2019-07-12 | 江苏建筑职业技术学院 | 一种非线性***低复杂度自适应饱和控制方法 |
CN111353222A (zh) * | 2020-02-25 | 2020-06-30 | 智慧航海(青岛)科技有限公司 | 一种智能船舶自动靠泊能力的仿真测试***及方法 |
CN111353222B (zh) * | 2020-02-25 | 2023-05-02 | 智慧航海(青岛)科技有限公司 | 一种智能船舶自动靠泊能力的仿真测试***及方法 |
CN111651943A (zh) * | 2020-06-03 | 2020-09-11 | 集美大学 | 一种船舶运动控制方法、终端设备及存储介质 |
CN111651943B (zh) * | 2020-06-03 | 2022-08-05 | 集美大学 | 一种船舶运动控制方法、终端设备及存储介质 |
CN112051732A (zh) * | 2020-08-07 | 2020-12-08 | 集美大学 | 一种考虑岸壁效应的航标船自适应神经网络分数阶滑模控制***及方法 |
CN113110468B (zh) * | 2021-04-22 | 2022-07-26 | 中国船舶重工集团公司第七0七研究所九江分部 | 一种应用于欠驱动双桨双舵船舶自主靠泊的控制方法 |
CN113110468A (zh) * | 2021-04-22 | 2021-07-13 | 中国船舶重工集团公司第七0七研究所九江分部 | 一种应用于欠驱动双桨双舵船舶自主靠泊的控制方法 |
CN113406884A (zh) * | 2021-06-03 | 2021-09-17 | 上海海事大学 | 一种基于滑模自适应的多点系泊***定位控制方法 |
CN113406884B (zh) * | 2021-06-03 | 2023-03-24 | 上海海事大学 | 一种基于滑模自适应的多点系泊***定位控制方法 |
CN113341718A (zh) * | 2021-06-10 | 2021-09-03 | 浙江大学 | 欠驱动水面机器人的水动力系数混合自适应估计方法 |
CN113650020A (zh) * | 2021-09-15 | 2021-11-16 | 山东交通学院 | 一种机械臂***有限时间自适应镇定控制方法和*** |
CN114839880A (zh) * | 2022-06-02 | 2022-08-02 | 淮阴工学院 | 一种基于柔性关节机械臂的自适应控制方法 |
CN114839880B (zh) * | 2022-06-02 | 2024-04-19 | 淮阴工学院 | 一种基于柔性关节机械臂的自适应控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108563130B (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108563130A (zh) | 一种欠驱动船舶自适应神经网络自动靠泊控制方法,设备及介质 | |
Wang et al. | Dynamic modeling and simulations of the wave glider | |
Shuai et al. | An efficient neural-network based approach to automatic ship docking | |
Du et al. | Cooperative multi-agent control for autonomous ship towing under environmental disturbances | |
Deng et al. | Parallel guidance and event-triggered robust fuzzy control for path following of autonomous wing-sailed catamaran | |
Wang et al. | A restricted circle based position keeping strategy for the wave glider | |
Zhu et al. | A hybrid control strategy of 7000 m-human occupied vehicle tracking control | |
Du et al. | Cooperative control of autonomous tugs for ship towing | |
Zhang et al. | Predictive and sliding mode cascade control for cross-domain locomotion of a coaxial aerial underwater vehicle with disturbances | |
Patil et al. | Deep reinforcement learning for continuous docking control of autonomous underwater vehicles: a benchmarking study | |
Astrov et al. | Neural predictive tracking control of catamaran model sailboat for situation awareness applications | |
Jing et al. | Self-tuning adaptive active disturbance rejection pitch control of a manta-ray-like underwater glider | |
Gao et al. | Augmented model-based dynamic positioning predictive control for underactuated unmanned surface vessels with dual-propellers | |
Du et al. | Multi-objective cooperative control for a ship-towing system in congested water traffic environments | |
Astrov et al. | Wind force model and adaptive control of catamaran model sailboat | |
Huang et al. | SHSA-based adaptive roll-safety 3D tracking control of a X-Rudder AUV with actuator dynamics | |
Zou et al. | Design and implementation of a gliding cross-domain vehicle | |
Gao et al. | Analysis of trans‐domain motion process of bullet‐shaped trans‐domain amphibious vehicle | |
Jiang et al. | Design of novel S-plane controller of autonomous underwater vehicle established on sliding mode control | |
You et al. | Experimental research of the PID tune method for ship path following control | |
Kumarawadu et al. | On the speed control for automated surface vessel operation | |
Li et al. | Formation Tracking for a Multi-Auv System Based on an Adaptive Sliding Mode Method in the Water Flow Environment | |
Nakamura et al. | Motion Simulations of AUV “YUMEIRUKA” with X-rudder | |
Reed et al. | Experimental Validation of an Iterative Learning-Based Flight Trajectory Optimizer for an Underwater Kite | |
Wu et al. | Dynamic Analysis and Motion Control of an Underactuated Unmanned Surface Vehicle (WL-II) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
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: 20210209 |