CN110209054A - 基于rbf神经网络的无人船艇航向自抗扰控制*** - Google Patents

Abstract

本发明公开了一种基于RBF神经网络的无人船艇航向自抗扰控制***，包括：采集无人船艇的实际航向角信息的传感器磁罗经；接收所述传感器磁罗经传送的实际航向角信息、用户传送的设定航向角信息以及无人船艇的控制量信息的自抗扰单元；接收传感器磁罗经传送的实际航向角信息以及无人船艇控制量信息的RBF神经网络辨识器。本***利用自抗扰单元实现无人船艇的航向控制，并通过RBF神经网络辨识器来优化自抗扰单元内的误差反馈系数β₁和微分误差反馈系数β₂，实现参数的自适应，从而提高无人船艇航向控制的精度，增强***的鲁棒性。

Description

基于RBF神经网络的无人船艇航向自抗扰控制***

技术领域

本发明涉及无人船艇航行控制领域，尤其涉及一种基于RBF神经网络的无人船艇航向自抗扰控制***。

背景技术

无人船艇是一种可以实现海上自主航行并完成指定任务的智能运动平台，能够执行扫雷、侦查、监视、反恐等极具危险性的工作，降低了人员伤亡情况，在未来还可以配合其它无人平台共同执行任务。无人船艇要完成特定的任务，就必须要有良好的运动特性，而无人船艇的航向控制是对其运动控制研究的基础，因此，研究无人船艇的航向控制对无人船艇的发展具有重要意义。

目前对无人船艇的航向控制所采取的方法有很多，有PID控制、自适应控制等常规控制方法，但由于无人船艇模型的复杂性、模型参数的不确定性、以及外界环境的干扰，该设计只是在一定范围内有效，抗干扰能力差，鲁棒性不强。自抗扰控制方法(ADRC)因为不依赖具体模型且具有估计未知扰动的能力，应用比较广泛，甚至可以应用到无人船艇的航向控制中，但由于其自身结构复杂且内部参数众多，很难将参数调整到最优，要想实现精确的无人船艇航向控制，需要进行大量的实验，反复的调节参数才能成功，这无疑增加了实验难度。

发明内容

根据现有技术存在的问题，本发明公开了一种基于RBF神经网络的无人船艇航向自抗扰控制***，利用RBF神经网络的自学习，自适应能力去优化自抗扰单元ADRC内的参数，使得参数会根据无人船艇自身模型以及外界环境的变化而改变，减小了调节参数的难度，解决无人船艇航向控制问题，提高航向控制的精度，增强了***的鲁棒性，具体包括：

采集无人船艇的实际航向角信息的传感器磁罗经；

接收所述传感器磁罗经传送的实际航向角信息的自抗扰单元，所述自抗扰单元同时接收用户传送的设定航向角和对无人船艇的控制量；所述自抗扰单元包括跟踪微分器、扩张状态观测器、非线性状态误差反馈模块和扰动补偿模块；

所述跟踪微分器接收设定航向角信息计算出近似航向角及该近似航向角的微分信号；

所述扩张状态观测器接收实际航向角信息和无人船艇的控制量获得无人船艇实际航向角及其微分的状态估计值以及未知扰动的估计值；

所述非线性状态误差反馈模块接收跟踪微分器传送的近似航向角及该近似航向角的微分信号以及扩张状态观测器传送的无人船艇实际航向角及其微分的状态估计值获得控制分量；

所述扰动补偿模块接收非线性状态误差反馈模块传送的控制分量并利用未知扰动的估计值对控制分量进行扰动补偿、得到无人船艇的控制量；

接收所述传感器磁罗经传送的实际航向角信息以及无人船艇控制量的RBF神经网络辨识器，所述RBF神经网络辨识器对自抗扰单元内的误差反馈系数β₁和微分误差反馈系数β₂进行优化。

进一步的，所述RBF神经网络辨识器对控制量和实际航向角进行在线辨识：在每一周期内通过对控制量和实际航向角进行学习从而修正网络参数基宽向量、中心矢量和权值向量，确定RBF神经网络辨识器的输出值为实际航向的逼近值、同时得到无人船艇的Jacobian信息，利用梯度下降法调整非线性状态误差反馈模块内的误差反馈系数β₁和微分误差反馈系数β₂，所述无人船艇的Jacobian信息为无人船艇实际航向角对控制量的偏导数。

进一步的，所述RBF神经网络辨识器采用在线辨识方式修正自身网络参数，使其输出值为实际航向的逼近值，具体方法如下：

选取性能指标函数为：

其中y(k)为实际航向，y_m(k)为RBF神经网络辨识器输出值；采用如下梯度下降法获取：基宽向量b、节点的中心矢量C以及权值向量ω

进一步的，利用Jacobian信息采用梯度下降法实现对误差反馈系数β₁和微分误差反馈系数β₂的在线调整，具体方法如下：选取性能指标函数为：

其中r(k)为设定航向角，y(k)为实际航向角；采用梯度下降法对误差反馈系数β₁和微分误差反馈系数β₂进行调整，调整公式如下：

其中为Jacobian信息。

由于采用了上述技术方案，本发明提供的一种基于RBF神经网络的无人船艇航向自抗扰控制***，本***将设定航向角，传感器磁罗经采集的实际航向角以及控制量作为输入传到自抗扰单元ADRC中，经过自抗扰单元ADRC的跟踪微分器TD、扩张状态观测器ESO、非线性状态误差反馈模块NLSEF以及扰动补偿模块得到最终控制量。RBF神经网络辨识器对控制量和实际航向角进行在线辨识，即在每一周期内通过对控制量和实际航向角进行学习来修正网络参数基宽向量、中心矢量和权值向量，使得RBF神经网络辨识器的输出值为实际航向的逼近值，同时得到无人船艇的Jacobian信息，通过梯度下降法调节非线性状态误差反馈模块NLSEF内的误差反馈系数β₁和微分误差反馈系数β₂，实现参数的自适应，从而改变控制量，最后通过无人船艇的艉机推进装置根据控制量改变实际舵角来控制无人船艇的实际航向角，使实际航向角逼近设定航向角，从而实现航向控制。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中***的结构图；

图2为本发明中***的原理图；

图3为本发明中***的控制流程图。

具体实施方式

为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

如图1和图3所示的基于RBF神经网络的无人船艇航向自抗扰控制***为***，该***具体包括传感器磁罗经、自抗扰单元、RBF神经网络辨识器，其中传感器磁罗经负责采集无人船艇的实际航向角信息，其中自抗扰单元包括跟踪微分器、扩张状态观测器、非线性状态误差反馈模块和扰动补偿模块。

所述自抗扰单元接收所述传感器磁罗经传送的实际航向角信息，同时接收用户传送的设定航向角和对无人船艇的控制量。所述跟踪微分器接收设定航向角信息计算出近似航向角及该近似航向角的微分信号；所述扩张状态观测器接收实际航向角信息和无人船艇的控制量获得无人船艇实际航向角及其微分的状态估计值以及未知扰动的估计值；所述非线性状态误差反馈模块接收跟踪微分器传送的近似航向角及该近似航向角的微分信号以及扩张状态观测器传送的无人船艇实际航向角及其微分的状态估计值获得控制分量；所述扰动补偿模块接收非线性状态误差反馈模块传送的控制分量并利用未知扰动的估计值对控制分量进行扰动补偿、得到无人船艇的控制量。所述RBF神经网络辨识器接收所述传感器磁罗经传送的实际航向角信息以及无人船艇的控制量，利用RBF神经网络辨识器对自抗扰单元内的误差反馈系数β₁和微分误差反馈系数β₂进行优化。

实施例，如图2和图3所示，该***由三部分构成，自抗扰单元ADRC、RBF神经网络辨识器RBFNNI和无人船艇。自抗扰单元ADRC由跟踪微分器TD、扩张状态观测器ESO、非线性状态误差反馈模块NLSEF和扰动补偿模块四部分构成。

其中：TD有一个输入信号，两个输出信号，输入信号为设定航向角，经过TD，可以输出一个近似的输入信号，并给出相应的微分信号。

公式如下：

其中r为速度因子，可以利用它加快跟踪速度，h为积分步长，缩小积分步长可以对噪声起到很好的抑制作用，h₀为滤波因子，当积分步长h确定后，若使h₀的设置值大于h的值，就可以消除微分信号中的超调量，从而很好地抑制微分信号中的噪声放大，v为输入信号，x₁为近似输入信号的输出信号，x₂为相应微分信号，fhan为最速控制综合函数，具有快速消除震颤的特殊功能，公式如下：

扩张状态观测器ESO与普通的状态观测器相比，不但可以观测***的状态变量，还可以观测未知的总扰动信息，即在未知扰动具体数学模型的情况下得到状态信息来估计扰动。其中z₁,z₂为对实际航向以及相应微分的观测值，z₃为对总扰动的观测值。

公式如下：

其中β₀₁,β₀₂,β₀₃,δ,b为参数，h为步长，fal(e,α,δ)为原点附近具有线性段的连续幂次函数，公式如下：

非线性状态误差反馈模块NLSEF利用状态误差进行非线性组合得到控制量，即通过输入TD得到的x₁和观测变量z₁的偏差以及相应微分信号x₂与z₂的偏差，经过NLSEF输出控制量u₀。

公式如下：

u₀＝β₁·fal(x₁(k)-z₁(k),α₁,δ)+β₂·fal(x₂(k)-z₂(k),α₂,δ)

其中β₁,β₂,α₁,α₂,δ为可调参数且0<α₁<1<α₂<2，扰动补偿可对u₀用扰动估计值z₃的补偿来决定最终控制量u，公式如下：u＝u₀-z₃/b，b为决定补偿强弱的补偿因子。

其中RBF神经网络辨识器RBFNNI通过输入被控对象自身的输入输出信息，即无人船艇的控制量与实际航向，经过RBF神经网络辨识器RBFNNI，利用其在线辨识的能力不断修正自身的网络参数，从而使其输出为实际航向的逼近值，同时将无人船艇的Jacobian信息引入到自抗扰单元ADRC的非线性状态误差反馈模块NLSEF内，通过梯度下降法实现对误差反馈系数β₁和微分误差反馈系数β₂的在线调整。

RBF神经网络辨识器RBFNNI自身结构为包括输入层、隐含层、输出层的三层网络结构，其中输入层到隐含层为非线性变换，隐含层到输出层为线性变换。非线性变换用到的是高斯函数。如果选择输入层个数为n，隐含层个数为m，则各隐层神经元的输出为：

X＝[x₁,x₂……x_n]为网络输入向量，h＝[h₁,h₂……h_m]为隐含层输出向量，C_j＝[c_j1,c_j2,……,c_jn]为网络中第j个节点的中心矢量，||||表示输入向量与中心向量间的距离，b_j为第j个节点的基宽向量。从隐含层到输出层的线性变换为：y_m＝ω₁h₁+ω₂h₂+……+ω_mh_m，其中ω＝[ω₁,ω₂,……,ω_m]^T为网络输出层的权值向量，y_m为输出向量。

RBF神经网络辨识器RBFNNI通过在线辨识来修正自身网络参数，使其输出值为实际航向的逼近值，具体方法如下：

选取性能指标函数为：

其中y(k)为实际航向，y_m(k)为RBFNNI输出值。

采用梯度下降法修正：基宽向量b，节点的中心矢量C以及权值向量ω，具体公式如下：

其中X＝[u(k),y(k),y(k-1)]^T为RBF神经网络辨识器RBFNNI的输入向量，η₁为学习速率，α为动量因子。

所述无人船艇的Jacobian信息为无人船艇实际航向角对控制量的偏导数，公式如下：

利用Jacobian信息采用梯度下降法实现对误差反馈系数β₁和微分误差反馈系数β₂的在线调整，具体方法如下：

选取性能指标函数为：

其中其中r(k)为设定航向角，y(k)为实际航向角。

采用梯度下降法调整误差反馈系数β₁和微分误差反馈系数β₂，公式如下：

其中为Jacobian信息，η为学习速率。

由此可实时调节非线性状态误差反馈NLSEF中的误差反馈系数β₁和微分误差反馈系数β₂，实现参数的自适应。综上所述首先确定ADRC和RBF神经网络的结构，并对其内部参数进行初始化，之后获取设定航向并采集无人船艇的控制量与实际航向作为ADRC与RBFNNI的输入，根据输入计算出RBFNNI的输出值，判断RBFNNI的输出值与实际航向的偏差是否满足性能指标，若不满足则需要修正网络参数，若满足则计算出Jacobian信息并优化NLSEF内的误差反馈系数β₁和微分误差反馈系数β₂，进而计算出控制量，最终通过无人船艇的艉机推进装置根据控制量改变实际舵角来控制无人船艇的航向。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于RBF神经网络的无人船艇航向自抗扰控制***，其特征在于包括：

采集无人船艇的实际航向角信息的传感器磁罗经；

接收所述传感器磁罗经传送的实际航向角信息的自抗扰单元，所述自抗扰单元同时接收用户传送的设定航向角和对无人船艇的控制量；所述自抗扰单元包括跟踪微分器、扩张状态观测器、非线性状态误差反馈模块和扰动补偿模块；

所述跟踪微分器接收设定航向角信息计算出近似航向角及该近似航向角的微分信号；

所述扩张状态观测器接收实际航向角信息和无人船艇的控制量获得无人船艇实际航向角及其微分的状态估计值以及未知扰动的估计值；

所述非线性状态误差反馈模块接收跟踪微分器传送的近似航向角及该近似航向角的微分信号以及扩张状态观测器传送的无人船艇实际航向角及其微分的状态估计值获得控制分量；

所述扰动补偿模块接收非线性状态误差反馈模块传送的控制分量并利用未知扰动的估计值对控制分量进行扰动补偿、得到无人船艇的控制量；

接收所述传感器磁罗经传送的实际航向角信息以及无人船艇控制量的RBF神经网络辨识器，所述RBF神经网络辨识器对自抗扰单元内的误差反馈系数β₁和微分误差反馈系数β₂进行优化。

2.根据权利要求1所述的基于RBF神经网络的无人船艇航向自抗扰控制***，其特征还在于：所述RBF神经网络辨识器对控制量和实际航向角进行在线辨识：在每一周期内通过对控制量和实际航向角进行学习从而修正网络参数基宽向量、中心矢量和权值向量，确定RBF神经网络辨识器的输出值为实际航向的逼近值、同时得到无人船艇的Jacobian信息，利用梯度下降法调整非线性状态误差反馈模块内的误差反馈系数β₁和微分误差反馈系数β₂，所述无人船艇的Jacobian信息为无人船艇实际航向角对控制量的偏导数。

3.根据权利要求2所述的基于RBF神经网络的无人船艇航向自抗扰控制***，其特征还在于：

所述RBF神经网络辨识器采用在线辨识方式修正自身网络参数，使其输出值为实际航向的逼近值，具体方法如下：

选取性能指标函数为：

其中y(k)为实际航向，y_m(k)为RBF神经网络辨识器输出值；采用如下梯度下降法获取：基宽向量b、节点的中心矢量C以及权值向量ω

4.根据权利要求2所述的基于RBF神经网络的无人船艇航向自抗扰控制***，其特征还在于：

利用Jacobian信息采用梯度下降法实现对误差反馈系数β₁和微分误差反馈系数β₂的在线调整，具体方法如下：选取性能指标函数为：

其中r(k)为设定航向角，y(k)为实际航向角；采用梯度下降法对误差反馈系数β₁和微分误差反馈系数β₂进行调整，调整公式如下：

其中为Jacobian信息。