CN113589831A - 基于干扰精细估计与神经网络的潜水器控制方法及*** - Google Patents

Abstract

本发明涉及基于干扰精细估计与神经网络的潜水器控制方法及***。本发明包括：建立载人潜水器的动力学模型；利用所述动力学模型，设计洋流速度估计器，得到洋流干扰估计值，设计干扰观测器，得到除洋流干扰以外的干扰估计值；根据动力学模型定义潜水器位置和欧拉角的跟踪误差，根据跟踪误差设计虚拟控制量，根据跟踪误差和虚拟控制量定义虚拟控制误差，对载人潜水器的动力学模型定义Lyapuonv函数，得到潜水器推力控制器；根据所述潜水器推力控制器建立控制分配代价函数，根据控制分配代价函数并利用神经网络对推进器推力进行优化分配。本发明利用神经网络解决潜水器过驱动问题，使潜水器推力不会超出限制，从而进一步提升载人潜水器的控制性能。

Description

基于干扰精细估计与神经网络的潜水器控制方法及***

技术领域

本发明涉及自动控制技术领域，尤其是指基于干扰精细估计与神经网络的潜水器控制方法及***。

背景技术

潜水器是探索海洋，发展海洋资源的重要工具，潜水器能够在水下完成各种科研任务，为研究人员带来重要的科研资料。潜水器在复杂水下环境中运行时，会受到洋流等各种干扰因素影响，因此需要对干扰因素进行估计，才能准确的评估潜水器。而且潜水器的每个推进器能够提供的推力有限，因此需要一种考虑到推力限制的潜水器推力分配方法。

潜水器***现有的抗干扰控制算法，大多数以统一的方式处理估计干扰。而潜水器在海洋环境下受到的干扰可以分为洋流干扰和除洋流干扰以外的干扰(如模型参数摄动、***结构振动、电磁干扰等)两部分，将两者分开估计可以提高干扰估计的准确性。此外大多数潜水器***使用伪逆矩阵的方法实现推力分配，这种方法得到的推进器推力可能超出推力限制。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中驱动潜水器推力分配方法以统一的方式处理估计干扰且使用伪逆矩阵的方法实现推力分配从而影响干扰估计的准确性、超出推力限制的问题。

为解决上述技术问题，本发明提供了基于干扰精细估计与神经网络的潜水器控制方法，包括：建立载人潜水器的动力学模型；利用所述动力学模型，设计洋流速度估计器，得到洋流干扰估计值，基于动力学模型和洋流干扰估计值设计干扰观测器，根据干扰观测器得到除洋流干扰以外的干扰估计值；根据动力学模型定义潜水器位置和欧拉角的跟踪误差，根据跟踪误差设计虚拟控制量，根据跟踪误差和虚拟控制量定义虚拟控制误差，对载人潜水器的动力学模型定义Lyapuonv函数，根据洋流干扰估计值和除洋流干扰以外的干扰估计值，结合所述虚拟控制误差和Lyapuonv函数得到潜水器推力控制器；根据所述潜水器推力控制器建立控制分配代价函数，根据控制分配代价函数并利用神经网络对推进器推力进行优化分配。

在本发明的一个实施例中，步骤S1中，所述载人潜水器的动力学模型为：

其中：

f(η，v)＝-(M_RB+M_A)^-1(C_RB(v)+C_A(v)+D(v))v-(M_RB+M_A)^-1G(η)，

d′表示潜水器受到的除洋流以外的干扰，v表示为潜水器***的线速度和角速度向量，v_r＝v-J^-1(η)v_c表示潜水器与洋流的相对速度，η表示潜水器***的位置和姿态角向量，J(η)表示为机体坐标系到惯性坐标系的转移矩阵，v_c表示为惯性坐标系下洋流速度向量，M_RB表示为刚体惯性矩阵，M_A表示为附加惯性矩阵，C_RB(v)表示为刚体向心和科里奥利矩阵，D(v_r)表示为阻尼矩阵，C_A(v_r)v_r表示流体向心和科里奥利矩阵，G(η)表示为机体坐标系下重力和浮力的合力，

为推力配置矩阵，是6行8列的实数矩阵，τ∈R⁸为各推进器产生的实际推力，是8行的实数向量。

在本发明的一个实施例中，步骤S2中，所述洋流速度估计器的表达式为：

其中v_c是洋流速度，

是洋流速度的估计值，

是位置估计误差，

为潜水器位置估计值，K_I和K_P是正定对角矩阵。

在本发明的一个实施例中，步骤S2中，所述干扰观测器的表达式为：

其中，

对洋流相关干扰D的估计值，

是对除洋流干扰以外的干扰D′的估计值，z是干扰观测器内部状态向量，L是干扰观测器增益矩阵，L＝diag([l₁，l₂，l₃，l₄，l₅，l₆])，p为DOB的一个中间量，表示待设计的非线性函数。

在本发明的一个实施例中，步骤S3中，所述潜水器位置和欧拉角的跟踪误差为：

e₁＝η-η_d

其中，η_d是期望轨迹，η表示潜水器***的位置和姿态角向量。

在本发明的一个实施例中，步骤S3中，所述虚拟控制量为：

其中，c₁>0是可调整的参数；J(η)表示为机体坐标系到惯性坐标系的转移矩阵；

所述虚拟控制误差为：

e₂＝v-α₁

其中，v表示为潜水器***的线速度和角速度向量。

在本发明的一个实施例中，步骤S3中，所述对载人潜水器的动力学模型定义Lyapuonv函数，根据洋流干扰估计值和除洋流干扰以外的干扰估计值，结合所述虚拟控制误差和Lyapuonv函数得到潜水器推力控制器方法包括：

步骤S31：对所述动力学模型的第一个子***即

定义Lyapuonv函数如下：

步骤S32：对所述动力学模型的第二个子***即

定义Lyapuonv函数如下：

步骤S33：对V₂求导得到

步骤S34：为使

设计推力控制器u为：

其中，c₂>0是可调整的参数，

是对洋流相关干扰D的估计值，

是对除洋流干扰以外的干扰D′的估计值。

在本发明的一个实施例中，所述控制分配代价函数为：

F＝τ^TW₁τ+s^TW₂s

其中W₁、W₂为非负定对角矩阵，s＝1-Bτ是实际输出控制量与期望控制量的误差，τ^T为实际推力的转置矩阵，s^T为误差转置矩阵；

约束条件为：

τ_min≤τ≤τ_max。

在本发明的一个实施例中，所述根据控制分配代价函数并利用神经网络对推进器推力进行优化分配的方法包括：将控制分配代价函数转换为如下形式：

minimizeF＝τ^THτ+2c^Tτ+k

subjecttog(τ)≤0

其中，H＝W₁+B^TW₂B，

P＝diag([1，1，1，1，1，1，1，1])，Q＝diag([-1，-1，-1，-1，-1，-1，-1，-1])，T_max＝[τ_max τ_max τ_maxτ_max τ_max τ_max τ_max τ_max]^T，T_min＝[τ_min τ_min τ_min τ_min τ_min τ_min τ_min τ_min]^T；

对上式使用如下神经网络：

其中(h+g)⁺＝[(h₁+g₁)⁺，(h₂+g₂)⁺，…，(h₈+g₈)⁺]，(h_k+g_k)⁺＝max{h_k+g_k，0}，k＝1，2，……8，h为神经网络内部状态向量；g为g(τ)；h_k为向量h的第k项；g_k为向量g的第k项；

为梯度；

基于神经网络的输出，得到推进器推力优化分配的结果。

本发明还提供一种基于干扰精细估计与神经网络的潜水器控制***，包括:

模型建立模块，用于建立载人潜水器的动力学模型；

估计值计算模块，用于利用所述动力学模型，设计洋流速度估计器，得到洋流干扰估计值，基于动力学模型和洋流干扰估计值设计干扰观测器，根据干扰观测器得到除洋流干扰以外的干扰估计值；

潜水器推力控制器建立模块，用于根据动力学模型定义潜水器位置和欧拉角的跟踪误差，根据跟踪误差设计虚拟控制量，根据跟踪误差和虚拟控制量定义虚拟控制误差，对载人潜水器的动力学模型定义Lyapuonv函数，根据洋流干扰估计值和除洋流干扰以外的干扰估计值，结合所述虚拟控制误差和Lyapuonv函数得到潜水器推力控制器；

优化模块，用于根据所述潜水器推力控制器建立控制分配代价函数，根据控制分配代价函数并利用神经网络对推进器推力进行优化分配。

本发明的上述技术方案相比现有技术具有以下优点：

本发明所述的基于干扰精细估计与神经网络的潜水器控制方法，提出了一种基于干扰观测器的反步控制器和神经网络二次规划的推力分配器的双层控制结构，首先，将潜水器所受到的干扰分为洋流产生的干扰和除洋流干扰以外的干扰两部分，使用洋流观测器和干扰观测器分别估计洋流干扰和除洋流干扰以外的干扰，然后，基于干扰观测信息，利用反步控制算法设计了一种运动控制器，最后，针对过驱动潜水器推力分配和推进器推力限制的问题，提出了一种基于神经网络二次规划的推力分配方法，能够使干扰观测结果更加准确，利用神经网络解决潜水器过驱动问题，使潜水器推力不会超出限制，从而进一步提升载人潜水器的控制性能。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中

图1是本发明方法流程图。

图2是洋流速度估计器结构框图。

图3是干扰估计值与实际值的误差图。

图4三维空间跟踪轨迹图。

图5各个推进器响应图。

图6三种控制方法的实际轨迹图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

参照图1所示，本发明的针对潜水器***会受到洋流等干扰因素影响和潜水器的过驱动问题，提出了一种能够分开估计干扰和利用神经网络处理过驱动的潜水器控制器。

步骤S1：针对载人潜水器***在实际运行过程中受到外界洋流等因素干扰的影响，通过分析潜水器的受到的力和力矩，建立了载人潜水器***的动力学模型。

基于牛顿-欧拉方程，并通过受力分析，建立以下潜水器***在洋流影响下的六自由度动力学模型：

其中，η表示潜水器***的位置和姿态角向量，v表示为潜水器***的线速度和角速度向量，v_r＝v-J^-1(η)v_c表示潜水器与洋流的相对速度，d′表示潜水器受到的除洋流以外的干扰。J(η)表示为机体坐标系到惯性坐标系的转移矩阵，v_c表示为惯性坐标系下洋流速度向量，M_RB表示为刚体惯性矩阵，M_A表示为附加惯性矩阵，C_RB(v)表示为刚体向心和科里奥利矩阵，D(v_r)表示为阻尼矩阵，C_A(v_r)v_r表示流体向心和科里奥利矩阵，G(η)表示为机体坐标系下重力和浮力的合力，

为推力配置矩阵，τ∈R⁸为各推进器产生的实际推力，

是6行8列的实数矩阵，τ是8行的实数向量。

潜水器在水下工作时受到的与洋流有关的干扰

进而可以得到潜水器的模型如下所示：

为了便于干扰观测器和控制器的设计，将潜水器***模型变换为如下形式：

其中各参数的表示如下：

F(η，V)＝-(M_RB+M_A)^-1(C_RB(v)+C_A(v)+D(v))v-(M_RB+M_A)^-1G(η)，

步骤S2：分别估计洋流干扰D和除洋流干扰以外的干扰D′，在潜水器的控制器的设计中使用这两个估计值，用于抵消两类干扰的影响。首先使用一种洋流观测器估计洋流速度并得到洋流干扰的估计值，并设计干扰观测器估计潜水器受到的除洋流干扰以外的干扰，使潜水器的干扰估计更加准确。

针对模型(6)，设计如下的干扰观测器(DOB):

其中，

是对洋流相关干扰D的估计值，

是对除洋流干扰以外的干扰D′的估计值，z是干扰观测器内部状态向量，L是干扰观测器增益矩阵，L＝diag([l₁，l₂，l₃，l₄，l₅，l₆])，p为DOB的一个中间量，表示待设计的非线性函数。

洋流速度估计器结构框图如图2所示：

洋流速度估计器的闭环状态空间模型如下所示：

其中v_c是洋流速度，

是洋流速度的估计值，

是位置估计误差，

为潜水器位置估计值，即洋流观测器结构框图中的ηest，K_I和K_P是正定对角矩阵。由估计得到的洋流速度

计算得到由洋流干扰估计值，其过程为：将

代入

得到

再将

代入

得到

最后将

代入

得到洋流干扰估计值

步骤S3：根据干扰观测信息(即除洋流干扰以外的干扰估计值

和洋流干扰估计值

)，使用反步控制方法设计潜水器的控制器。

基于传统反步控制方法，设计控制器。

定义位置和欧拉角的跟踪误差e₁＝η-η_d，其中η_d是期望轨迹。

对跟踪误差e₁进行求导，可得

设计虚拟控制量α₁：

其中，c₁>0是可调整的参数。

定义虚拟控制误差为

e₂＝v-α₁ (13)

对第一个子***(即：

)定义Lyapuonv函数如下：

对式(14)求导得到

若e₂＝0，则V₁≤0

对式(13)求导得到

对第二个子***(即：

)定义Lyapuonv函数如下：

对式(17)求导得到

为使

(只有小于等于0，***才能稳定运行。设计的控制律能够保证它小于等于0，不会出现大于0的情形)设计推力控制器u为：

其中，c₂>0是可调整的参数。

步骤S4：针对潜水器过驱动和推进器推力存在限制的问题，提出了一种基于神经网络二次规划的推力分配方法，能够使推进器在推力限制内用最小的推力尽可能达到参考控制效果。

以推进器推力二次优化为目标，并考虑推进器推力饱和约束，设计如下优化控制分配代价函数：

F＝τ^TW₁τ+s^TW₂s (20)

其中W₁、W₂为非负定对角矩阵，s＝u-Bτ是实际输出控制量与期望控制量的误差。约束条件为：

τ_min≤τ≤τ_max (21)

将以上非线性规划问题转换为如下形式：

minimize F＝τ^THτ+2c^Tτ+k

subject to g(τ)≤0 (22)

其中，H＝W₁+B^TW₂B，

P＝diag([1，1，1，1，1，1，1，1])，Q＝diag([-1，-1，-1，-1，-1，-1，-1，-1])，T_max＝[τ_max τ_max τ_maxτ_max τ_max τ_max τ_max τ_max]^T，T_min＝[τ_min τ_min τ_min τ_min τ_min τ_min τ_min τ_min]^T。

对于凸非线性规划问题(22)，使用如下神经网络：

其中(h+g)⁺＝[(h₁+g₁)⁺，(h₂+g₂)⁺，…，(h₈+g₈)⁺]，(h_k+g_k)⁺＝max{h_k+g_k，0}，k＝1，2，……8，(h_k+g_k)⁺即为前式中的(h₁+g₁)⁺，(h₂+g₂)⁺，…，(h₈+g₈)⁺，h为神经网络内部状态向量；g为凸非线性规划问题(22)中的g(τ)；h_k为向量h的第k项；g_k为向量g的第k项；

为梯度；

该神经网络可以简化表示为

y(t₀)＝y₀ (24)

其中

基于神经网络(24)的输出，可以得到符合条件的推进器推力分配结果，而且控制率u重新设计为

在上述控制率作用下，潜水器的位置和欧拉角能够跟踪期望轨迹运行，利用神经网络解决潜水器过驱动问题，使潜水器推力不会超出限制，从而进一步提升载人潜水器的控制性能。

本发明还提供一种基于干扰精细估计与神经网络的潜水器控制***，包括:

模型建立模块，用于建立载人潜水器的动力学模型；

估计值计算模块，用于利用所述动力学模型，设计洋流速度估计器，得到洋流干扰估计值，基于动力学模型和洋流干扰估计值设计干扰观测器，根据干扰观测器得到除洋流干扰以外的干扰估计值；

潜水器推力控制器建立模块，用于根据动力学模型定义潜水器位置和欧拉角的跟踪误差，根据跟踪误差设计虚拟控制量，根据跟踪误差和虚拟控制量定义虚拟控制误差，对载人潜水器的动力学模型定义Lyapuonv函数，根据洋流干扰估计值和除洋流干扰以外的干扰估计值，结合所述虚拟控制误差和Lyapuonv函数得到潜水器推力控制器；

优化模块，用于根据所述潜水器推力控制器建立控制分配代价函数，根据控制分配代价函数并利用神经网络对推进器推力进行优化分配。

本发明针对潜水器设计了一种控制器，以下是针对该控制器的一个实现案例。

为验证设计的控制器的有效性，设计仿真实验。其中干扰观测器参数L＝diag([5，5，5，5，5，5])。控制器增益c₁＝10和c₂＝1。洋流观测器PI参数分别为K_I＝diag([1，1，1，1，1，1])，K_P＝diag([2，2，2，2，2，2])。并且为了突出所设计的控制方法的优越性，将使用干扰观测器混合观测洋流干扰与除洋流干扰以外的干扰的控制方法以及使用伪逆矩阵进行推力分配的控制方法作为对照组。

潜水器所处的环境中洋流速度为v_c＝[0.5，0.2，0.1，0，0，0]，所受除洋流干扰以外的干扰为从仿真实验40s出现的阶跃干扰。

首先，干扰估计结果与实际干扰之间的误差如图3所示；然后，在所设计的控制器作用下，潜水器的三维跟踪效果(螺旋线)如图4所示：最后，潜水器的各个推进器的推力如图5所示；为了更清楚地展示本发明所设计的控制方法的优越性，现将三种控制方法的实际跟踪轨迹展示在图6中，并在表1中展示本发明方法与DOB方法轨迹跟踪误差的均方根值。

表1：本发明方法与DOB方法轨迹跟踪误差的均方根值

仿真结果表明，所设计的干扰观测方法能够快速准确地估计潜水器***所受的干扰。在所设计的神经网络二次规划推力分配作用下，潜水器推进器能够在推力限制内运行，并准确跟踪参考轨迹。在使用伪逆矩阵进行推力分配时，推进器推力会有较为严重的超限情况，且由很大的推力变化速率。在使用干扰观测器混合观测潜水器洋流干扰和除洋流干扰以外的干扰时，干扰估计的结果存在误差较大，导致了跟踪参考轨迹时也有较大的误差。从图5中可以看出，伪逆矩阵方法在0时刻存在较严重的推力超限问题，而所设计的控制方法避免了推进器推力超限，而从图6可以看出所设计的方法跟踪参考轨迹更加准确。从表1能够更加直观看出所设计的方法其跟踪误差要小于对比方法。

由上述分析可知，所设计的控制方法，能够很好地控制载人潜水器，并且比传统方法具有更加优越的控制性能。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，包括以下步骤：

步骤S1：建立载人潜水器的动力学模型；

步骤S2：利用所述动力学模型，设计洋流速度估计器，得到洋流干扰估计值，基于动力学模型和洋流干扰估计值设计干扰观测器，根据干扰观测器得到除洋流干扰以外的干扰估计值；

步骤S3：根据动力学模型定义潜水器位置和欧拉角的跟踪误差，根据跟踪误差设计虚拟控制量，根据跟踪误差和虚拟控制量定义虚拟控制误差，对载人潜水器的动力学模型定义Lyapuonv函数，根据洋流干扰估计值和除洋流干扰以外的干扰估计值，结合所述虚拟控制误差和Lyapuonv函数得到潜水器推力控制器；

步骤S4：根据所述潜水器推力控制器建立控制分配代价函数，根据控制分配代价函数并利用神经网络对推进器推力进行优化分配。

2.如权利要求1所述的基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，步骤S1中，所述载人潜水器的动力学模型为：

其中：

f(η，v)＝-(M_RB+M_A)^-1(c_RB(v)+C_A(v)+D(v))v-(M_RB+M_A)^-1G(η)，

d′表示潜水器受到的除洋流以外的干扰，v表示为潜水器***的线速度和角速度向量，v_r＝v-J^-1(η)v_c表示潜水器与洋流的相对速度，η表示潜水器***的位置和姿态角向量，J(η)表示为机体坐标系到惯性坐标系的转移矩阵，v_c表示为惯性坐标系下洋流速度向量，M_RB表示为刚体惯性矩阵，M_A表示为附加惯性矩阵，C_RB(v)表示为刚体向心和科里奥利矩阵，D(v_r)表示为阻尼矩阵，C_A(v_r)v_r表示流体向心和科里奥利矩阵，G(η)表示为机体坐标系下重力和浮力的合力，

为推力配置矩阵，是6行8列的实数矩阵，τ∈R⁸为各推进器产生的实际推力，是8行的实数向量。

3.如权利要求2所述的基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，步骤S2中，所述洋流速度估计器的表达式为：

其中v_c是洋流速度，

是洋流速度的估计值，

是位置估计误差，

为潜水器位置估计值，K_I和K_P是正定对角矩阵。

4.如权利要求3所述的基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，步骤S2中，所述干扰观测器的表达式为：

其中，

是对洋流相关干扰D的估计值，

是对除洋流干扰以外的干扰D′的估计值，z是干扰观测器内部状态向量，L是干扰观测器增益矩阵，L＝diag([l₁，l₂，l₃，l₄，l₅，l₆])，p为DOB的一个中间量，表示待设计的非线性函数。

5.如权利要求4所述的基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，步骤S3中，所述潜水器位置和欧拉角的跟踪误差为：

e₁＝η-η_d

其中，η_d是期望轨迹，η表示潜水器***的位置和姿态角向量。

6.如权利要求5所述的基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，步骤S3中，所述虚拟控制量为：

其中，c₁＞0是可调整的参数；J(η)表示为机体坐标系到惯性坐标系的转移矩阵；

所述虚拟控制误差为：

e₂＝v-α₁

其中，v表示为潜水器***的线速度和角速度向量。

7.如权利要求6所述的基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，步骤S3中，所述对载人潜水器的动力学模型定义Lyapuonv函数，根据洋流干扰估计值和除洋流干扰以外的干扰估计值，结合所述虚拟控制误差和Lyapuonv函数得到潜水器推力控制器方法包括：

步骤S31：对所述动力学模型的第一个子***即

定义Lyapuonv函数如下：

步骤S32：对所述动力学模型的第二个子***即

定义Lyapuonv函数如下：

步骤S33：对V₂求导得到

步骤S34：为使

设计推力控制器u为：

其中，c₂＞0是可调整的参数，

是对洋流相关干扰D的估计值，

是对除洋流干扰以外的干扰D′的估计值。

8.如权利要求7所述的基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，所述控制分配代价函数为：

F＝τ^TW₁τ+s^TW₂s

其中W₁、W₂为非负定对角矩阵，s＝u-Bτ是实际输出控制量与期望控制量的误差，τ^T为实际推力的转置矩阵，s^T为误差转置矩阵；

约束条件为：

τ_min≤τ≤τ_max。

9.如权利要求8所述的基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，所述根据控制分配代价函数并利用神经网络对推进器推力进行优化分配的方法包括：将控制分配代价函数转换为如下形式：

minimize F＝τ^THτ+2c^Tτ+k

subject to g(τ)≤0

其中，H＝W₁+B^TW₂B，

P＝diag([1，1，1，1，1，1，1，1])，Q＝diag([-1，-1，-1，-1，-1，-1，-1，-1])，T_max＝[τ_max τ_max τ_max τ_maxτ_max τ_max τ_max τ_max]^T，

T_min＝[τ_min τ_min τ_min τ_min τ_min τ_min τ_min τ_min]^T；

对上式使用如下神经网络：

其中(h+g)⁺＝[(h₁+g₁)⁺，(h₂+g₂)⁺，...，(h₈+g₈)⁺]，(h_k+g_k)⁺＝max{h_k+g_k，0}，k-1，2，……8，h为神经网络内部状态向量；g为g(τ)；h_k为向量h的第k项；g_k为向量g的第k项；

为梯度；

基于神经网络的输出，得到推进器推力优化分配的结果。

10.一种基于干扰精细估计与神经网络的潜水器控制***，其特征在于，包括：

模型建立模块，用于建立载人潜水器的动力学模型；

估计值计算模块，用于利用所述动力学模型，设计洋流速度估计器，得到洋流干扰估计值，基于动力学模型和洋流干扰估计值设计干扰观测器，根据干扰观测器得到除洋流干扰以外的干扰估计值；

潜水器推力控制器建立模块，用于根据动力学模型定义潜水器位置和欧拉角的跟踪误差，根据跟踪误差设计虚拟控制量，根据跟踪误差和虚拟控制量定义虚拟控制误差，对载人潜水器的动力学模型定义Lyapuonv函数，根据洋流干扰估计值和除洋流干扰以外的干扰估计值，结合所述虚拟控制误差和Lyapuonv函数得到潜水器推力控制器；

优化模块，用于根据所述潜水器推力控制器建立控制分配代价函数，根据控制分配代价函数并利用神经网络对推进器推力进行优化分配。

Images