CN111443611A - 基于多模型切换的高速无人艇航速控制器确定方法及*** - Google Patents
基于多模型切换的高速无人艇航速控制器确定方法及*** Download PDFInfo
- Publication number
- CN111443611A CN111443611A CN202010446503.7A CN202010446503A CN111443611A CN 111443611 A CN111443611 A CN 111443611A CN 202010446503 A CN202010446503 A CN 202010446503A CN 111443611 A CN111443611 A CN 111443611A
- Authority
- CN
- China
- Prior art keywords
- speed
- data
- unmanned ship
- clustering
- dynamic model
- 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
Images
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
-
- 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
- G05B13/048—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 using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D13/00—Control of linear speed; Control of angular speed; Control of acceleration or deceleration, e.g. of a prime mover
- G05D13/62—Control of linear speed; Control of angular speed; Control of acceleration or deceleration, e.g. of a prime mover characterised by the use of electric means, e.g. use of a tachometric dynamo, use of a transducer converting an electric value into a displacement
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D13/00—Control of linear speed; Control of angular speed; Control of acceleration or deceleration, e.g. of a prime mover
- G05D13/66—Governor units providing for co-operation with control dependent upon a variable other than speed
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于多模型切换的高速无人艇航速控制器确定方法及***,涉及无人艇运动控制领域,具体包括:首先对获取的高速无人艇在加速阶段和减速阶段的实验动力学数据进行聚类处理,确定聚类结果中每类聚类数据对应的理论动力学模型,进而确定每个理论动力学模型对应的控制器;然后在高速无人艇航行期间,根据实时更新的性能切换指标,将高速无人艇的航速控制器切换到使性能切换指标最优的理论动力学模型对应的控制器上。本发明能够达到有效提高高速无人艇航速控制精准度的目的。
Description
技术领域
本发明涉及无人艇运动控制领域,特别是涉及一种基于多模型切换的高速无人艇航速控制器确定方法及***。
背景技术
中国拥有广阔的海洋领域和很长的海岸线。随着国家勘察和开采,利用海洋资源的活动日益频繁,高速无人艇技术的发展也越来越重要。具备良好的控制性能是高速无人艇投入实际应用的基础,其中,对速度的精准控制是非常重要的一部分。高速无人艇的速度控制受到海洋环境中风浪和涌流等因素的影响,传统的PID控制方法通常效果欠佳。随着智能控制理论的发展和完善,有更多性能优异的控制方法被引用到高速无人艇速度控制器设计中,例如模糊控制、神经网络控制、模型参考自适应控制等,都在各个方面提高了控制性能。
但现有技术仍然存在以下问题:
高速无人艇在速度增大到一定程度后,整个高速无人艇的艇体姿态开始发生改变,船头逐渐翘起,高速水流又会给高速无人艇一个新的升力,水动力因素呈现出较强的非线性干扰,使得这些速度控制器在高速无人艇高速运行时控制效果不佳。
发明内容
本发明的目的是提供一种基于多模型切换的高速无人艇航速控制器确定方法及***,以达到有效提高高速无人艇航速控制精准度的目的。
为实现上述目的,本发明提供了如下方案:
一种基于多模型切换的高速无人艇航速控制器确定方法,包括:
获取高速无人艇在加速阶段和减速阶段的实验动力学数据;所述实验动力学数据包括速度数据和油门数据;
对所述实验动力学数据进行聚类处理,得到聚类结果;
构建所述聚类结果中每类聚类数据对应的理论动力学模型,然后确定每个所述理论动力学模型对应的控制器;所述理论动力学模型的输入为油门值,所述理论动力学模型的输出为速度值;
在高速无人艇航行期间,根据实时更新的性能切换指标,将所述高速无人艇的航速控制器切换到使所述性能切换指标最优的理论动力学模型对应的控制器上;所述性能切换指标为当前误差与历史误差的加权总和;所述当前误差表示当前航行时刻高速无人艇的实际速度值与第q个理论动力学模型的理论速度值的误差;所述历史误差为对过去设定时间段内的误差赋予设定遗忘效应后得到的误差;所述性能切换指标最优的理论动力学模型为所述加权总和最小时对应的理论动力学模型。
可选的,所述获取高速无人艇在加速阶段和减速阶段的实验动力学数据,具体包括:
确定参数辨识实验;
根据所述参数辨识实验,获取高速无人艇在加速阶段中从静止到最大速度时的油门数据和速度数据,以及所述高速无人艇在减速阶段中从最大速度到静止时的油门数据和速度数据。
可选的,在执行对所述实验动力学数据进行聚类处理,得到聚类结果之前,还包括:
对所述实验动力学数据进行异常值剔除和平滑滤波处理,得到处理后的实验动力学数据。
可选的,所述对所述实验动力学数据进行聚类处理,得到聚类结果,具体包括:
确定不同的可调参数;所述可调参数为减法聚类算法中的可调参数;
根据所述减法聚类算法和不同的所述可调参数,对所述处理后的实验动力学数据进行聚类处理,得到不同的聚类结果;不同的所述聚类结果包括不同的聚类数据;
根据DB聚类指标最小化原则,在所有所述聚类结果中筛选出最优聚类结果,然后将所述最优聚类结果确定为最终的聚类结果。
可选的,所述构建所述聚类结果中每类聚类数据对应的理论动力学模型,然后确定每个所述理论动力学模型对应的控制器,具体包括:
采用单输入单输出的带控制量的自回归模型,构建初始理论动力学模型;
确定性能指标函数;所述性能指标函数是根据理论动力学模型输出与实际动力学模型输出的误差所确定的;
根据所述性能指标函数和所述聚类结果中的每类聚类数据,确定每类所述聚类数据对应的初始理论动力学模型的辨识估计参数;
将不同的所述辨识估计参数依次代入所述初始理论动力学模型,得到每类所述聚类数据对应的理论动力学模型,然后确定每个所述理论动力学模型对应的控制器。
可选的,所述在高速无人艇航行期间,根据实时更新的性能切换指标,将所述高速无人艇的航速控制器切换到使所述性能切换指标最优的理论动力学模型对应的控制器上,具体包括:
获取当前航行时刻高速无人艇的实际速度值和实际油门值;
根据所述实际油门值,计算每个所述理论动力学模型的理论速度值;
根据所述实际速度值和每个所述理论速度值,计算当前航行时刻每个所述理论动力学模型的性能切换指标;
在所有所述性能切换指标中筛选出最优的性能切换指标,然后将所述高速无人艇的航速控制器切换到最优性能切换指标对应的理论动力学模型所对应的控制器上。
一种基于多模型切换的高速无人艇航速控制器确定***,包括:
实验动力学数据获取模块,用于获取高速无人艇在加速阶段和减速阶段的实验动力学数据;所述实验动力学数据包括速度数据和油门数据;
聚类处理模块,用于对所述实验动力学数据进行聚类处理,得到聚类结果;
控制器构建模块,用于构建所述聚类结果中每类聚类数据对应的理论动力学模型,然后确定每个所述理论动力学模型对应的控制器;所述理论动力学模型的输入为油门值,所述理论动力学模型的输出为速度值;
航速控制器实时确定模块,用于在高速无人艇航行期间,根据实时更新的性能切换指标,将所述高速无人艇的航速控制器切换到使所述性能切换指标最优的理论动力学模型对应的控制器上;所述性能切换指标为当前误差与历史误差的加权总和;所述当前误差表示当前航行时刻高速无人艇的实际速度值与第q个理论动力学模型的理论速度值的误差;所述历史误差为对过去设定时间段内的误差赋予设定遗忘效应后得到的误差;所述性能切换指标最优的理论动力学模型为所述加权总和最小时对应的理论动力学模型。
可选的,所述实验动力学数据获取模块,具体包括:
参数辨识实验确定单元,用于确定参数辨识实验;
实验动力学数据获取单元,用于根据所述参数辨识实验,获取高速无人艇在加速阶段中从静止到最大速度时的油门数据和速度数据,以及所述高速无人艇在减速阶段中从最大速度到静止时的油门数据和速度数据。
可选的,还包括:
数据处理模块,用于对所述实验动力学数据进行异常值剔除和平滑滤波处理,得到处理后的实验动力学数据。
可选的,所述聚类处理模块,具体包括:
可调参数确定单元,用于确定不同的可调参数;所述可调参数为减法聚类算法中的可调参数;
聚类结果初始确定单元,用于根据所述减法聚类算法和不同的所述可调参数,对所述处理后的实验动力学数据进行聚类处理,得到不同的聚类结果;不同的所述聚类结果包括不同的聚类数据;
聚类结果最终确定单元,用于根据DB聚类指标最小化原则,在所有所述聚类结果中筛选出最优聚类结果,然后将所述最优聚类结果确定为最终的聚类结果。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种基于多模型切换的高速无人艇航速控制器确定方法及***。首先对获取的高速无人艇在加速阶段和减速阶段的实验动力学数据进行聚类处理,确定聚类结果中每类聚类数据对应的理论动力学模型,进而确定每个理论动力学模型对应的控制器;然后在高速无人艇航行期间,根据实时更新的性能切换指标,将高速无人艇的航速控制器切换到使性能切换指标最优的理论动力学模型对应的控制器上;本发明构建了多个理论动力学模型,利用性能切换指标对多个理论动力学模型同时进行在线评估,并将航速控制器准确切换到最佳理论动力学模型对应的控制器上,使得航速控制器响应速度更快,从而达到有效提高高速无人艇航速控制精准度的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于多模型切换的高速无人艇航速控制器确定方法的流程示意图;
图2为本发明基于多模型切换的高速无人艇航速控制器确定***的结构示意图;
图3为本发明基于多模型切换的高速无人艇航速控制器的设计流程图;
图4为本发明高速无人艇在加速阶段和减速阶段的实验数据示意图;
图5为本发明基于多模型切换的高速无人艇航速控制框图;
图6为本发明高速无人艇实际输出速度与目标跟踪速度之间的对比图;
图7为本发明高速无人艇的油门值输出曲线图;
图8为本发明基于多模型切换的高速无人艇航速控制器对应的模型选择示意图。
具体实施方式
下面将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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于多模型切换的高速无人艇航速控制器确定方法及***,以达到有效提高高速无人艇航速控制精准度的目的。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示,本实施例提供了一种基于多模型切换的高速无人艇航速控制器确定方法,包括以下步骤。
步骤101:获取高速无人艇在加速阶段和减速阶段的实验动力学数据,所述实验动力学数据包括速度数据和油门数据;具体为:
确定参数辨识实验。具体为:选择一个海况良好(海况小于等于2级)的天气,架设并测试好通信天线后,在某海域码头用起吊机将高速无人艇下放至海水中。高速无人艇的通信方式由岸基天线和高速无人艇天线共同组成,在岸基航控界面程序中规划好一条直航线和油门控制方法。
根据所述参数辨识实验,获取高速无人艇在加速阶段中从静止到最大速度时的油门数据和速度数据,以及所述高速无人艇在减速阶段中从最大速度到静止时的油门数据和速度数据。
步骤102:对所述实验动力学数据进行异常值剔除和平滑滤波处理,得到处理后的实验动力学数据。
步骤103:对所述实验动力学数据进行聚类处理,得到聚类结果;具体为:
确定不同的可调参数;所述可调参数为减法聚类算法中的可调参数。
根据所述减法聚类算法和不同的所述可调参数,对所述处理后的实验动力学数据进行聚类处理,得到不同的聚类结果;不同的所述聚类结果包括不同的聚类数据。
根据DB聚类指标最小化原则,在所有所述聚类结果中筛选出最优聚类结果,然后将所述最优聚类结果确定为最终的聚类结果。
步骤104:构建所述聚类结果中每类聚类数据对应的理论动力学模型,然后确定每个所述理论动力学模型对应的控制器;其中,所述理论动力学模型的输入为油门值,所述理论动力学模型的输出为速度值;具体为:
采用单输入单输出的带控制量的自回归模型,构建初始理论动力学模型。
确定性能指标函数;所述性能指标函数是根据理论动力学模型输出与实际动力学模型输出的误差所确定的。
根据所述性能指标函数和所述聚类结果中的每类聚类数据,确定每类所述聚类数据对应的初始理论动力学模型的辨识估计参数。
将不同的所述辨识估计参数依次代入所述初始理论动力学模型,得到每类所述聚类数据对应的理论动力学模型,然后确定每个所述理论动力学模型对应的控制器。
步骤105:在高速无人艇航行期间,根据实时更新的性能切换指标,将所述高速无人艇的航速控制器切换到使所述性能切换指标最优的理论动力学模型对应的控制器上;所述性能切换指标为当前误差与历史误差的加权总和;所述当前误差表示当前航行时刻高速无人艇的实际速度值与第q个理论动力学模型的理论速度值的误差;所述历史误差为对过去设定时间段内的误差赋予设定遗忘效应后得到的误差;所述性能切换指标最优的理论动力学模型为所述加权总和最小时对应的理论动力学模型;其中,过去设定时间段内的误差为过去设定时间段内高速无人艇的实际速度值与第q个理论动力学模型的理论速度值的误差;具体为:
获取当前航行时刻高速无人艇的实际速度值和实际油门值。
根据所述实际油门值,计算每个所述理论动力学模型的理论速度值。
根据所述实际速度值和每个所述理论速度值,计算当前航行时刻每个所述理论动力学模型的性能切换指标。
在所有所述性能切换指标中筛选出最优的性能切换指标,然后将所述高速无人艇的航速控制器切换到最优性能切换指标对应的理论动力学模型所对应的控制器上。
实施例二
为实现上述目的,本实施例提供了一种基于多模型切换的高速无人艇航速控制器确定***,如图2所示,包括:
实验动力学数据获取模块201,用于获取高速无人艇在加速阶段和减速阶段的实验动力学数据;所述实验动力学数据包括速度数据和油门数据。
数据处理模块202,用于对所述实验动力学数据进行异常值剔除和平滑滤波处理,得到处理后的实验动力学数据。
聚类处理模块203,用于对所述实验动力学数据进行聚类处理,得到聚类结果。
控制器构建模块204,用于构建所述聚类结果中每类聚类数据对应的理论动力学模型,然后确定每个所述理论动力学模型对应的控制器;所述理论动力学模型的输入为油门值,所述理论动力学模型的输出为速度值。
航速控制器实时确定模块205,用于在高速无人艇航行期间,根据实时更新的性能切换指标,将所述高速无人艇的航速控制器切换到使所述性能切换指标最优的理论动力学模型对应的控制器上;所述性能切换指标为当前误差与历史误差的加权总和;所述当前误差表示当前航行时刻高速无人艇的实际速度值与第q个理论动力学模型的理论速度值的误差;所述历史误差为对过去设定时间段内的误差赋予设定遗忘效应后得到的误差;所述性能切换指标最优的理论动力学模型为所述加权总和最小时对应的理论动力学模型。
其中,所述实验动力学数据获取模块201,具体包括:
参数辨识实验确定单元,用于确定参数辨识实验。
实验动力学数据获取单元,用于根据所述参数辨识实验,获取高速无人艇在加速阶段中从静止到最大速度时的油门数据和速度数据,以及所述高速无人艇在减速阶段中从最大速度到静止时的油门数据和速度数据。
所述聚类处理模块203,具体包括:
可调参数确定单元,用于确定不同的可调参数;所述可调参数为减法聚类算法中的可调参数。
聚类结果初始确定单元,用于根据所述减法聚类算法和不同的所述可调参数,对所述处理后的实验动力学数据进行聚类处理,得到不同的聚类结果;不同的所述聚类结果包括不同的聚类数据。
聚类结果最终确定单元,用于根据DB聚类指标最小化原则,在所有所述聚类结果中筛选出最优聚类结果,然后将所述最优聚类结果确定为最终的聚类结果。
所述控制器构建模块204,具体包括:
初始理论动力学模型构建单元,用于采用单输入单输出的带控制量的自回归模型,构建初始理论动力学模型。
性能指标函数确定单元,用于确定性能指标函数;所述性能指标函数是根据理论动力学模型输出与实际动力学模型输出的误差所确定的。
辨识估计参数计算单元,用于根据所述性能指标函数和所述聚类结果中的每类聚类数据,确定每类所述聚类数据对应的初始理论动力学模型的辨识估计参数。
控制器构建单元,用于将不同的所述辨识估计参数依次代入所述初始理论动力学模型,得到每类所述聚类数据对应的理论动力学模型,然后确定每个所述理论动力学模型对应的控制器。
所述航速控制器实时确定模块205,具体包括:
实际速度值和实际油门值获取单元,用于获取当前航行时刻高速无人艇的实际速度值和实际油门值。
理论速度值计算单元,用于根据所述实际油门值,计算每个所述理论动力学模型的理论速度值。
性能切换指标计算单元,用于根据所述实际速度值和每个所述理论速度值,计算当前航行时刻每个所述理论动力学模型的性能切换指标。
航速控制器确定单元,用于在所有所述性能切换指标中筛选出最优的性能切换指标,然后将所述高速无人艇的航速控制器切换到最优性能切换指标对应的理论动力学模型所对应的控制器上。
实施例三
本实施例提供了一种基于多模型切换的高速无人艇航速控制器确定方法,主要包括:(1)采用一个参数辨识实验来获得加减速过程中不同运行域下高速无人艇的动力学数据;(2)对动力学数据进行异常值剔除和平滑滤波处理;(3)对这些处理后的动力学数据进行聚类并对每个聚类数据建立相应的理论动力学模型;(4)制定性能切换指标,在高速无人艇运行过程中,根据性能切换指标将航速控制器切换到使得性能切换指标最优的理论动力学模型对应的控制器上,从而实现基于多模型切换的高速无人艇航速控制器设计,最终有效地提高了高速无人艇的航速控制精准度。
如图3所示,本实施例提供的一种基于多模型切换的高速无人艇航速控制器确定方法的具体步骤如下:
S1:获取高速无人艇加速阶段和减速阶段的实验数据,即设计参数辨识实验,采集高速无人艇在加速阶段中从静止到最大速度,以及在减速阶段中从最大速度到静止时的油门数据和速度数据。
S2:剔除数据异常值并平滑滤波,即对上述步骤S1得到的实验数据进行异常值剔除和平滑滤波处理,得到如图4所示的油门-速度图。
S3:对数据进行聚类,即对经过处理后的实验数据进行聚类。
S4:对每一个聚类进行参数辨识得到不同工况下对应的子模型,即对每个聚类数据,建立对应的高速无人艇的理论动力学模型,进而得到多模型集合。
S5:对每个子模型设计相应的控制器,即对多模型集合中的每个理论动力学模型设计对应的控制器。
S6:设计性能切换指标并将控制器切换到最佳子模型上,即定义一种关于多模型输出误差的性能切换指标,然后设计一种基于性能切换指标最优化的航速控制器切换策略,在高速无人艇运行时实时地切换到最佳航速控制器上,其控制整体架构如图5所示。
步骤S1具体包括:
参数辨识实验方案如下:选择一个海况良好(海况小于等于2级)的天气,架设并测试好通信天线后,在青岛某海域码头用起吊机将高速无人艇下放至海水中。高速无人艇的通信方式由岸基天线和高速无人艇天线共同组成,在岸基航控界面程序中规划好一条直航线;设定高速无人艇从0%的油门值增加到100%,具体地,在每个油门值对应的速度稳定且维持5秒后,以5%的油门值依次增加,加到最大速度且稳定5秒之后,再将油门值从100%降低到0%,相似地,在每个油门值对应的速度稳定且维持5秒后,以5%的油门值依次递减。
设定好航线和油门控制方法之后,由岸基航控界面程序计算得到指令信号,通过岸基天线将指令信号通过高速无人艇天线发送到高速无人艇工控机上,以执行岸基航控界面程序下发的任务。在执行任务过程中,高速无人艇上的油门测量反馈器和GPS装置会实时地将当前时刻的油门值数据和GPS坐标点数据记录在航行日志报告中并保存。任务执行完成之后,岸基航控界面程序就会收到高速无人艇传回来的航行日志报告,根据相应的接口协议对航行日志报告进行解析得到油门值数据,同时将GPS坐标点数据转换为平面坐标系下的坐标值,然后计算相邻两坐标值之间的距离并除以采样时间间隔以得到速度值,这样就得到了高速无人艇在航行过程中的油门数据和速度数据,完成了数据收集工作。
步骤S2具体包括:
首先对油门数据和速度数据进行异常值剔除;异常值是传感器设备在高频干扰信号下记录到的严重偏离真实值的数值,直接进行异常值剔除处理以保证数据的准确性。
然后对异常值剔除处理后的油门数据和速度数据进行平滑滤波处理,其目的是减轻海洋环境中风浪涌流等低频干扰信号的影响,使用移动平均法对异常值剔除处理后的油门数据和速度数据进行平滑滤波处理以保证数据的有效性。
步骤S3具体包括:
以高速无人艇在航行过程中记录的m个数据点(处理后的油门数据和速度数据)X={x1,x2,…,xm}为研究对象,其中,xm=[ym,um]表示第m个采样时刻的数据点(或者称为采样数据向量),ym是高速无人艇的输出速度值,um是高速无人艇的输入油门值。
采用减法聚类算法对经过处理后的油门数据和速度数据进行聚类,具体为:
步骤一:计算每一个数据点xi(i=1,2,…,m)处的密度指标,其计算公式如下:
式中,i,j=1,2,…,m,||xi-xj||2为任意两个不相邻数据点xi,xj之间的欧式距离,ra为设定的聚类中心的有效邻域半径。
步骤二:选择密度指标最大的数据点xmax1为第一个聚类中心点。假定数据点xmax n是第n次根据密度指标选出的聚类中心点,该数据点的密度指标为Densitymax n,对于所有数据点按照以下公式进行密度指标的更新。更新完成后再次选出密度指标最大的数据点xmax n+1作为新的聚类中心点。其更新公式为:
式中,ε为密度指标的衰减因子,ε>1。
步骤三:判断是否成立,如果成立则继续转到步骤二进行更新,如果不成立则表示聚类已经完成。其中,δ是一个事先给定的可调参数,决定最终产生的聚类中心点的个数ω,δ越小,产生的聚类中心点的个数越多,即ω值越大。
步骤四:设定不同的δ值,依次执行上面三个步骤,得到不同聚类中心点数目ω对应的聚类结果(不同的聚类结果包含不同的聚类中心点数目,即包含不同类的聚类数据)。最后根据DB聚类指标最小化原则在不同聚类结果中找到最优聚类结果。
DB聚类指标是采用类内紧致性(同一个类之间数据尽可能相似)和类间分离性(不同类之间数据相似度低)来评价一个聚类优劣的指标,定义为:
式中,ω为聚类中心点的数目,S(Uc)是第c个聚类数据内的距离,d(Uc,Uγ)为第c个聚类中心与第γ个聚类中心之间的距离,c≥1,ω≥γ,同一个聚类内数据间的距离和不同聚类中心之间的距离的计算公式分别如下:
d(Uc,Uγ)=||xc,xγ||2;
式中,numc表示第c个聚类数据中数据点的个数,xc,xγ分别表示第c个聚类数据和第γ个聚类数据的聚类中心点。
综上所述,通过设定不同的δ值,可以得到不同的聚类结果,当采用上述聚类算法得到的聚类中心点数目ω使得S(Uc)最小且d(Uc,Uγ)最大,即类内紧致性最大且类间分离性最大时,DB聚类指标正好达到最小,可以认为该聚类结果拥有最好的聚类性能,此时聚类中心点数目ω对应的聚类结果就是最优聚类结果。
步骤S4是对最优聚类结果中的每类聚类数据建立对应的理论动力学模型,进而构成多模型集合,即多模型集合包括有多个理论动力学模型,具体步骤如下:
选取单输入单输出的控制量自回归模型来讨论,每个子模型(即理论动力学模型)的差分方程形式为:
A(z-1)y(k)=B(z-1)u(k-d)+ξ(k);
将子模型的差分方程形式改写成最小二乘形式,其最小二乘形式为:
式中,na,nb分别为***输出和***输入的结构参数,u(k),y(k)分别为***输入和***输出,分别对应高速无人艇的油门值和速度值,ai,bi分别为输入量和输出量的系数,即待辨识估计参数;为输入输出组成的数据向量,θ为子模型待辨识估计的参数向量,且
实际***模型输出(即实际动力学模型输出)和当前参数条件下模型预测输出(即理论动力学模型输出)之间的误差为:
对于L次数据,取如下性能指标函数:
将性能指标函数改写成矩阵形式,其矩阵形式为:
对上式进行求解,得到解为:
为了便于计算,令na=nb=2,这样就得到了最优聚类结果的线性局部模型M1,M2,…,Mc,并构成多模型集合,如表1所示。
表1多模型集合表
步骤S5具体包括:
式中,q=1,2,…,C代表多模型集合中的各个理论动力学模型,ω=[y(t),…,y(t-na+1),u(t-1),…,u(t-nb+1)]T表示多个采样时刻速度输出和油门输入的集合,是速度输出和油门输入对应的系数,uq(t)就是第q个航速控制器的油门输入量,y即速度。
步骤S6具体包括:
在任意一个运行时刻k,eq(t)=y(t)-yq(t)表示高速无人艇实际速度与第q个理论动力学模型理论速度的当前误差。
性能切换指标为当前误差和对过去一定时间段内的误差赋予一定的遗忘效应的历史误差的加权总和,选择加权总和最小时对应的理论动力学模型为切换模型,其数学表达式如下:
式中,q=1,2,…,C代表多模型集合中的各个理论动力学模型,a>0,b>0分别表示当前时刻和过去l个时刻误差的权重因子,0≤ρ≤1表示对过去每个时刻误差的记忆程度,ρ越小表示遗忘的越厉害,l表示对过去时间进行采样的长度。
在每个采样时刻选择使得J(k)最小的理论动力学模型,并将航速控制器切换到该理论动力学模型对应的控制器上,这样就完成了多模型航速控制器的设计。
最终得到的控制效果如图6-图8所示,图6为高速无人艇实际输出速度与目标跟踪速度之间的对比图,图7为控制器输出,即高速无人艇的油门值输出曲线,图8为在整个运行过程中,基于多模型切换的航速控制器选择的子模型序列。
与现有技术相比,本发明具有以下有益效果:
与现有的水面无人艇速度控制器相比,本发明着重考虑了高速运行时候的水动力学因素,对高速运行的高速无人艇建立了动力学模型,实现了高速状态下速度的精准控制。
与现有的水面无人艇速度控制器相比,本发明对辨识数据采取了高效的聚类方法,在多个工况下建立相应的动力学模型,用“分而治之”的方法,对复杂非线性***的动态特性描述更加精准。
与现有的水面无人艇速度控制器相比,本发明建立了多模型集合,利用性能切换指标对多个理论动力学模型同时进行在线评估,并准确切换到最佳理论动力学模型对应的控制器上,使得控制器响应速度更快,切换更稳定。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于多模型切换的高速无人艇航速控制器确定方法,其特征在于,包括:
获取高速无人艇在加速阶段和减速阶段的实验动力学数据;所述实验动力学数据包括速度数据和油门数据;
对所述实验动力学数据进行聚类处理,得到聚类结果;
构建所述聚类结果中每类聚类数据对应的理论动力学模型,然后确定每个所述理论动力学模型对应的控制器;所述理论动力学模型的输入为油门值,所述理论动力学模型的输出为速度值;
在高速无人艇航行期间,根据实时更新的性能切换指标,将所述高速无人艇的航速控制器切换到使所述性能切换指标最优的理论动力学模型对应的控制器上;所述性能切换指标为当前误差与历史误差的加权总和;所述当前误差表示当前航行时刻高速无人艇的实际速度值与第q个理论动力学模型的理论速度值的误差;所述历史误差为对过去设定时间段内的误差赋予设定遗忘效应后得到的误差;所述性能切换指标最优的理论动力学模型为所述加权总和最小时对应的理论动力学模型。
2.根据权利要求1所述的一种基于多模型切换的高速无人艇航速控制器确定方法,其特征在于,所述获取高速无人艇在加速阶段和减速阶段的实验动力学数据,具体包括:
确定参数辨识实验;
根据所述参数辨识实验,获取高速无人艇在加速阶段中从静止到最大速度时的油门数据和速度数据,以及所述高速无人艇在减速阶段中从最大速度到静止时的油门数据和速度数据。
3.根据权利要求1所述的一种基于多模型切换的高速无人艇航速控制器确定方法,其特征在于,在执行对所述实验动力学数据进行聚类处理,得到聚类结果之前,还包括:
对所述实验动力学数据进行异常值剔除和平滑滤波处理,得到处理后的实验动力学数据。
4.根据权利要求3所述的一种基于多模型切换的高速无人艇航速控制器确定方法,其特征在于,所述对所述实验动力学数据进行聚类处理,得到聚类结果,具体包括:
确定不同的可调参数;所述可调参数为减法聚类算法中的可调参数;
根据所述减法聚类算法和不同的所述可调参数,对所述处理后的实验动力学数据进行聚类处理,得到不同的聚类结果;不同的所述聚类结果包括不同的聚类数据;
根据DB聚类指标最小化原则,在所有所述聚类结果中筛选出最优聚类结果,然后将所述最优聚类结果确定为最终的聚类结果。
5.根据权利要求1所述的一种基于多模型切换的高速无人艇航速控制器确定方法,其特征在于,所述构建所述聚类结果中每类聚类数据对应的理论动力学模型,然后确定每个所述理论动力学模型对应的控制器,具体包括:
采用单输入单输出的带控制量的自回归模型,构建初始理论动力学模型;
确定性能指标函数;所述性能指标函数是根据理论动力学模型输出与实际动力学模型输出的误差所确定的;
根据所述性能指标函数和所述聚类结果中的每类聚类数据,确定每类所述聚类数据对应的初始理论动力学模型的辨识估计参数;
将不同的所述辨识估计参数依次代入所述初始理论动力学模型,得到每类所述聚类数据对应的理论动力学模型,然后确定每个所述理论动力学模型对应的控制器。
6.根据权利要求1所述的一种基于多模型切换的高速无人艇航速控制器确定方法,其特征在于,所述在高速无人艇航行期间,根据实时更新的性能切换指标,将所述高速无人艇的航速控制器切换到使所述性能切换指标最优的理论动力学模型对应的控制器上,具体包括:
获取当前航行时刻高速无人艇的实际速度值和实际油门值;
根据所述实际油门值,计算每个所述理论动力学模型的理论速度值;
根据所述实际速度值和每个所述理论速度值,计算当前航行时刻每个所述理论动力学模型的性能切换指标;
在所有所述性能切换指标中筛选出最优的性能切换指标,然后将所述高速无人艇的航速控制器切换到最优性能切换指标对应的理论动力学模型所对应的控制器上。
7.一种基于多模型切换的高速无人艇航速控制器确定***,其特征在于,包括:
实验动力学数据获取模块,用于获取高速无人艇在加速阶段和减速阶段的实验动力学数据;所述实验动力学数据包括速度数据和油门数据;
聚类处理模块,用于对所述实验动力学数据进行聚类处理,得到聚类结果;
控制器构建模块,用于构建所述聚类结果中每类聚类数据对应的理论动力学模型,然后确定每个所述理论动力学模型对应的控制器;所述理论动力学模型的输入为油门值,所述理论动力学模型的输出为速度值;
航速控制器实时确定模块,用于在高速无人艇航行期间,根据实时更新的性能切换指标,将所述高速无人艇的航速控制器切换到使所述性能切换指标最优的理论动力学模型对应的控制器上;所述性能切换指标为当前误差与历史误差的加权总和;所述当前误差表示当前航行时刻高速无人艇的实际速度值与第q个理论动力学模型的理论速度值的误差;所述历史误差为对过去设定时间段内的误差赋予设定遗忘效应后得到的误差;所述性能切换指标最优的理论动力学模型为所述加权总和最小时对应的理论动力学模型。
8.根据权利要求7所述的一种基于多模型切换的高速无人艇航速控制器确定***,其特征在于,所述实验动力学数据获取模块,具体包括:
参数辨识实验确定单元,用于确定参数辨识实验;
实验动力学数据获取单元,用于根据所述参数辨识实验,获取高速无人艇在加速阶段中从静止到最大速度时的油门数据和速度数据,以及所述高速无人艇在减速阶段中从最大速度到静止时的油门数据和速度数据。
9.根据权利要求7所述的一种基于多模型切换的高速无人艇航速控制器确定***,其特征在于,还包括:
数据处理模块,用于对所述实验动力学数据进行异常值剔除和平滑滤波处理,得到处理后的实验动力学数据。
10.根据权利要求9所述的一种基于多模型切换的高速无人艇航速控制器确定***,其特征在于,所述聚类处理模块,具体包括:
可调参数确定单元,用于确定不同的可调参数;所述可调参数为减法聚类算法中的可调参数;
聚类结果初始确定单元,用于根据所述减法聚类算法和不同的所述可调参数,对所述处理后的实验动力学数据进行聚类处理,得到不同的聚类结果;不同的所述聚类结果包括不同的聚类数据;
聚类结果最终确定单元,用于根据DB聚类指标最小化原则,在所有所述聚类结果中筛选出最优聚类结果,然后将所述最优聚类结果确定为最终的聚类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010446503.7A CN111443611B (zh) | 2020-05-25 | 2020-05-25 | 基于多模型切换的高速无人艇航速控制器确定方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010446503.7A CN111443611B (zh) | 2020-05-25 | 2020-05-25 | 基于多模型切换的高速无人艇航速控制器确定方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111443611A true CN111443611A (zh) | 2020-07-24 |
CN111443611B CN111443611B (zh) | 2021-05-04 |
Family
ID=71657045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010446503.7A Active CN111443611B (zh) | 2020-05-25 | 2020-05-25 | 基于多模型切换的高速无人艇航速控制器确定方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111443611B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7057366B1 (en) * | 2005-08-19 | 2006-06-06 | Delta Electronics, Inc. | Method for estimating load inertia and a system for controlling motor speed using inverse model |
CN104765368A (zh) * | 2015-04-10 | 2015-07-08 | 中国人民解放军海军工程大学 | 一种基于模糊自适应算法的无人艇航向航速协同控制方法 |
CN105717923A (zh) * | 2016-01-16 | 2016-06-29 | 上海大学 | 基于椭圆聚类-碰撞锥推演的无人艇海洋动态避障控制算法 |
CN108983774A (zh) * | 2018-07-16 | 2018-12-11 | 哈尔滨工程大学 | 一种基于模糊状态观测器的单喷泵推进无人水面艇自适应航向控制方法 |
CN109885883A (zh) * | 2019-01-21 | 2019-06-14 | 江苏大学 | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 |
CN110007606A (zh) * | 2019-05-28 | 2019-07-12 | 哈尔滨工程大学 | 一种考虑输入饱和的水面无人艇误差约束控制方法 |
CN110288165A (zh) * | 2019-07-02 | 2019-09-27 | 南京信息工程大学 | 基于快速聚类和优化分配的多目标无人监测跟踪方法 |
-
2020
- 2020-05-25 CN CN202010446503.7A patent/CN111443611B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7057366B1 (en) * | 2005-08-19 | 2006-06-06 | Delta Electronics, Inc. | Method for estimating load inertia and a system for controlling motor speed using inverse model |
CN104765368A (zh) * | 2015-04-10 | 2015-07-08 | 中国人民解放军海军工程大学 | 一种基于模糊自适应算法的无人艇航向航速协同控制方法 |
CN105717923A (zh) * | 2016-01-16 | 2016-06-29 | 上海大学 | 基于椭圆聚类-碰撞锥推演的无人艇海洋动态避障控制算法 |
CN108983774A (zh) * | 2018-07-16 | 2018-12-11 | 哈尔滨工程大学 | 一种基于模糊状态观测器的单喷泵推进无人水面艇自适应航向控制方法 |
CN109885883A (zh) * | 2019-01-21 | 2019-06-14 | 江苏大学 | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 |
CN110007606A (zh) * | 2019-05-28 | 2019-07-12 | 哈尔滨工程大学 | 一种考虑输入饱和的水面无人艇误差约束控制方法 |
CN110288165A (zh) * | 2019-07-02 | 2019-09-27 | 南京信息工程大学 | 基于快速聚类和优化分配的多目标无人监测跟踪方法 |
Non-Patent Citations (3)
Title |
---|
XIAOHUILI等: "Use of Unmanned Aerial Vehicles for Livestock Monitoring based on Streaming K-Means Clustering", 《SCIENCEDIRECT》 * |
杨盛伟 等: "用于无人机导航的光流测速优化方法", 《电光与控制》 * |
江荣旺 等: "基于海洋环境大数据驱动的无人船艇航线规划***", 《舰船科学技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111443611B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107255923B (zh) | 基于rbf辨识的ica-cmac神经网络的欠驱动无人艇航迹跟踪控制方法 | |
CN110806692A (zh) | 一种基于cnn-latm组合模型的波浪补偿预测方法 | |
CN108563119B (zh) | 一种基于模糊支持向量机算法的无人艇运动控制方法 | |
CN111948937B (zh) | 多智能体***的多梯度递归强化学习模糊控制方法及*** | |
CN115016496A (zh) | 基于深度强化学习的水面无人艇路径跟踪方法 | |
CN108255060A (zh) | 基于极限学习机的船舶动力定位自抗扰控制方法 | |
CN111738478A (zh) | 基于随机森林算法和Adam神经网络波浪补偿预测方法 | |
CN111913175A (zh) | 一种传感器短暂失效下带补偿机制的水面目标跟踪方法 | |
CN112182972A (zh) | 一种船舶操纵运动adam局部加权回归辨识建模方法 | |
CN110658814A (zh) | 一种应用于船舶运动控制的自适应船舶运动建模方法 | |
CN111880546A (zh) | 一种基于自适应动态规划算法的虚拟引导船舶自动靠泊控制方法 | |
CN109976189A (zh) | 一种智能舰艇自动巡航模拟仿真方法 | |
CN114199248A (zh) | 一种基于混合元启发算法优化anfis的auv协同定位方法 | |
CN115329459A (zh) | 基于数字孪生的水下航行器建模方法及*** | |
Witt et al. | Recent technological advances in the control and guidance of ships | |
CN114967702A (zh) | 一种无人艇控制***及路径跟踪方法 | |
CN117452827B (zh) | 一种欠驱动无人艇轨迹跟踪控制方法 | |
Shi et al. | Active heave compensation prediction research for deep sea homework crane based on KPSO-SVR | |
CN111443611B (zh) | 基于多模型切换的高速无人艇航速控制器确定方法及*** | |
CN115454099B (zh) | 基于变权重自适应鸽群参数拟合的无人艇航向自抗扰控制方法 | |
CN116755323A (zh) | 一种基于深度强化学习的多旋翼无人机pid自整定方法 | |
CN111046485A (zh) | 一种递归最小二乘法估计无人艇横摇运动响应函数的方法 | |
CN114004035B (zh) | 一种水面无人艇目标跟踪控制方法 | |
Wang et al. | Amphibious hovercraft course control based on adaptive multiple model approach | |
CN116774576A (zh) | 基于神经网络间接估计的水下航行器动力学黑盒建模方法 |
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 |