CN114755917B - 一种无模型自适应抗干扰船舶速度控制器及设计方法 - Google Patents
一种无模型自适应抗干扰船舶速度控制器及设计方法 Download PDFInfo
- Publication number
- CN114755917B CN114755917B CN202210273292.0A CN202210273292A CN114755917B CN 114755917 B CN114755917 B CN 114755917B CN 202210273292 A CN202210273292 A CN 202210273292A CN 114755917 B CN114755917 B CN 114755917B
- Authority
- CN
- China
- Prior art keywords
- filter
- ship
- speed
- control
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013461 design Methods 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 7
- 230000005284 excitation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 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
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
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
本发明提供一种无模型自适应抗干扰船舶速度控制器及设计方法,涉及船舶抗干扰控制技术领域,本发明无模型自适应抗干扰船舶速度控制器,包括:速度控制器、扩张状态观测器、第一滤波器、第二滤波器、堆栈存储器以及控制输入增益学习模块;本发明将滤波器处理数据与扩张状态观测器相结合,提出一种无模型自适应抗干扰船舶速度控制器,以用来对控制输入增益b0和未知总扰动s的有效估计,保证了船舶运动时速度实际值u收敛于参考信号期望值ur。本发明技术方案实现了船舶速度的控制不依赖任何模型参数信息或环境扰动信息,有效地解决了复杂海洋环境下模型不确定船舶的速度控制问题。
Description
技术领域
本发明涉及船舶抗干扰控制技术领域,具体而言,尤其涉及一种无模型自适应抗干扰船舶速度控制器及设计方法。
背景技术
海洋占地表面积的三分之二,蕴含丰富的物质资源,是人类赖以生存和可持续发展的资源要地,世界各国现已高度重视和发展海洋资源。而智能化船舶已经成为海洋领域发展之大势,鉴于智能船舶的广阔发展前景,各国都致力于智能船舶的研究,目前正处于蓬勃发展阶段。而船舶在工作过程中不可避免地会受到外界环境因素的影响。如风、浪、流等不确定海洋环境。在实际情况中,如果不考虑外界环境扰动造成的影响,那么船舶的航迹将无法收敛到目标路径上,即外界的扰动造成的流动速度将会导致恒定的偏差。不仅外界环境数学模型不确定还有***建模不准确等众多影响因素,如欠驱动船舶模型自身就是一个特殊的非线性***,其个体复杂性表现为不确定、强耦合、快时变和多约束等。
为了克服此类影响,针对欠驱动船舶动力学的控制方法主要有模型预测控制、自适应控制、自抗扰控制等控制方法。其中模型预测控制依赖于船舶模型已知,在船舶建模不准确或模型发生变化时表现出局限性。基于神经网络、模糊逻辑***的自适应控制虽然能够对被控船舶的模型实时在线辨识,但自适应参数的准确辨识依赖于续激励条件或周期参考信号等条件。
针对含非线性及不确定性的船舶***,自抗扰控制引入扩张状态观测器估计外界环境变化和自身扰动。将影响船舶输入的扰动作用扩张成新的状态变量,进而进行观测被扩张的状态变量。并且基于扩张状态观测器的控制方法不依赖于产生扰动的具体的数学模型,也不需直接测量。总体而言,现有的船舶速度控制器的控制方法依然存在如下问题:
(1)现有基于模型的控制方法中,控制性能高度依赖于精确的数学模型,鲁棒性较差。而船舶模型由于自身***建模不准确和周围环境的数学模型的不确定,为了保证控制性能,还需对鲁棒性和稳定性进行设计。
(2)现有的自适应控制方法中,***的一些未知参数需要辨识时,在不满足持续激励条件时,参数可能无法收敛至真实值所在区间,即需要相应的持续激励等条件来保证参数辨识的功能。
(3)现有的抗干扰控制器设计中,在设计控制器时,一般假设控制增益参数已知或者标称增益参数已知,而控制增益参数的获取需要大量繁琐实验数据。即使获得控制增益参数,而在运动过程中,也可能由于负载或者执行器发生故障而造成变化。
发明内容
根据上述提出的技术问题,提供一种无模型自适应抗干扰船舶速度控制器及设计方法。本发明将滤波器处理数据与扩张状态观测器相结合,提出一种无模型自适应抗干扰船舶速度控制器,以用来对控制输入增益b0和未知总扰动s的有效估计,保证了船舶运动时速度实际值u收敛于参考信号期望值ur。
本发明采用的技术手段如下:
一种无模型自适应抗干扰船舶速度控制器,包括:速度控制器、扩张状态观测器、第一滤波器、第二滤波器、堆栈存储器以及控制输入增益学习模块;其中,连接关系如下:
速度控制器的输入端与船舶纵向动力学模型的纵向速度状态u、未知扰动估计值控制增益估计值/>***期望速度状态ur相连;速度控制器的输出端与船舶模型的输入端所得输入状态τ相连;
扩张状态观测器的输入端与速度控制模块的输出值τ、船舶模型的纵向速度状态u和控制增益估计值相连,扩张状态观测器的输出端与未知总扰动估计值/>第二滤波器输入端相连;
第一滤波器的输入端与船舶模型的纵向速度状态u相连,第二滤波器的输入端与未知扰动总估计值和速度控制器的输出值τ运算处理完的结果相连;第一滤波器、第二滤波器的输出分别与滤波值N和滤波状态导数g相连;
堆栈存储器的输入端与第一滤波器、第二滤波器的输出端相连;堆栈存储器的输出端与堆栈处理运算完后的回归量M和G相连;
控制输入增益学习模块的输入端与滤波值N、滤波状态导数g、堆栈存储器处理完后的回归量M、G相连;控制输入增益学习模块的输出端与控制增益估计值导数相连。
本发明还提供了一种基于上述无模型自适应抗干扰船舶速度控制器的设计方法,包括如下步骤:
S1、构建无人船舶的纵向动力学模型;
S2、构建速度控制器;
S3、构建扩张状态观测器;
S4、构建滤波器;
S5、构建堆栈存储器;
S6、构建控制输入增益学习模块。
进一步地,所述步骤S1中,构建的无人船舶纵向动力学模型,描述如下:
其中,m表示船舶纵向质量参数,u表示船舶在船体坐标系下的纵向速度,Xu和Xu|u|表示在纵向方向的水动力参数,ω为外部的扰动,τ为控制力矩。
进一步地,所述步骤S2的具体实现过程如下:
S21、引入状态跟踪误差信号,如下式所示:
ue=u-ur
其中,ur表示***期望速度,即给定参考信号,ue表示状态跟踪误差;
S22、设计速度控制器,如下:
其中,表示控制输入增益的估计值,ωc表示控制器参数,/>表示未知扰动的估计值。
进一步地,所述步骤S3中构建的扩张状态观测器,如下所示:
其中,表示船舶运动过程中的未知扰动,即模型内部和外部的总扰动,/>表示船舶的纵向速度估计值,/>表示船舶的纵向速度估计值的导数,/>表示未知扰动估计值的导数,τ表示速度控制模块控制器输出值,/>和/>表示估计未知扰动/>所引入的增益参数。
进一步地,所述步骤S4的具体实现过程如下:
S41、速度控制器输出的控制信号τ通过第一滤波器输出滤波值N,滤波方程如下:
其中,a为稳定滤波器而引入的标量增益,表示滤波值的导数;
S42、未知扰动估计值和船舶的纵向速度u一同运算后经第二滤波器,得到输出滤波状态导数g:
其中,u(0)表示船舶纵向速度的初始值,t表示时间,uf和sf分别表示纵向速度和未知总扰动的滤波值,表示纵向速度滤波值的导数,/>表示未知总扰动滤波估计值的导数,通过以下滤波方程获得:
进一步地,所述步骤S5的具体实现过程如下:
S51、堆栈存储器的输入端与第一滤波器处理完后的滤波值N、第二滤波器处理完后的滤波状态导数g相连;
S52、基于每个存储周期Δt,从堆栈存储器器中得到经过进一步综合过滤的回归器的回归量M和G,如下所示:
进一步地,所述步骤S6的具体实现过程如下:
S61、为学习控制增益b0引入以下自适应律:
其中,表示控制增益估计值的导数,Proj(·)为投影算子,该设计可保证b0估计值的有界性;Γ1和Γ2表示为估计b0时收敛速度所引入的标量增益参数;
S62、通过从堆栈存储器中得到的综合过滤的回归量M和G、滤波器处理完后的滤波回归值N和滤波状态导数g一同对控制输入增益b0进行学习,通过引用控制输入增益的导数再经积分器得到控制输入增益估计。
较现有技术相比,本发明具有以下优点:
1、本发明提供的无模型自适应抗干扰船舶速度控制器,与现有基于模型的船舶速度控制器相比,本发明设计的无模型速度控制器实现了船舶速度的控制不依赖任何模型参数信息或环境扰动信息,有效地解决了复杂海洋环境下模型不确定船舶的速度控制问题。
2、本发明提供的无模型自适应抗干扰船舶速度控制器,与现有基于自适应控制的船舶速度控制器相比,本发明在设计控制增益b0的自适应更新律时,加入类积分项,无需满足持续激励条件,只需初始时间内施加激励信号,不依赖信号未来行为,即可实现在线参数学习。
3、本发明提供的无模型自适应抗干扰船舶速度控制器,与现有的船舶速度控制器的控制方法相比,本发明先设计扩张状态观测器,估计b0和未知扰动s,并利用的以往历史数据,采用并行学习的方法,实现了对控制输入参数b0和未知总扰动s二者在线学习。
基于上述理由本发明可在船舶抗干扰控制等领域广泛推广。
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,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图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为本发明无模型自适应抗干扰船舶速度控制器结构示意图。
图2为本发明船舶模型动力学的纵向速度状态u的控制效果图。
图3为本发明船舶模型动力学***的纵向速度的控制力矩效果图。
图4为本发明船舶模型动力学的未知不确定性s的观测效果图。
图5为本发明船舶模型动力学的控制输入增益b0的观测效果图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为使本发明实施例的目的、技术方案和优点更加清楚,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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。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。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时,应当清楚,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任向具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
在本发明的描述中,需要理解的是,方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,在未作相反说明的情况下,这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制:方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其位器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
此外,需要说明的是,使用“第一”、“第二”等词语来限定零部件,仅仅是为了便于对相应零部件进行区别,如没有另行声明,上述词语并没有特殊含义,因此不能理解为对本发明保护范围的限制。
如图1所示,本发明提供了一种无模型自适应抗干扰船舶速度控制器,包括:速度控制器、扩张状态观测器、第一滤波器、第二滤波器、堆栈存储器以及控制输入增益学习模块;其中,连接关系如下:
速度控制器的输入端与船舶纵向动力学模型的纵向速度状态u、未知扰动估计值控制增益估计值/>***期望速度状态ur相连;速度控制器的输出端与船舶模型的输入端所得输入状态τ相连;
扩张状态观测器的输入端与速度控制模块的输出值τ、船舶模型的纵向速度状态u和控制增益估计值相连,扩张状态观测器的输出端与未知总扰动估计值/>第二滤波器输入端相连;
第一滤波器的输入端与船舶模型的纵向速度状态u相连,第二滤波器的输入端与未知扰动总估计值和速度控制器的输出值τ运算处理完的结果相连;第一滤波器、第二滤波器的输出分别与滤波值N和滤波状态导数g相连;
堆栈存储器的输入端与第一滤波器、第二滤波器的输出端相连;堆栈存储器的输出端与堆栈处理运算完后的回归量M和G相连;
控制输入增益学习模块的输入端与滤波值N、滤波状态导数g、堆栈存储器处理完后的回归量M、G相连;控制输入增益学习模块的输出端与控制增益估计值导数相连。
本发明还提供了一种基于上述无模型自适应抗干扰船舶速度控制器的设计方法,包括如下步骤:
S1、构建无人船舶的纵向动力学模型;
所述步骤S1中,构建的无人船舶纵向动力学模型,描述如下:
其中,m表示船舶纵向质量参数,u表示船舶在船体坐标系下的纵向速度,Xu和Xu|u|表示在纵向方向的水动力参数,ω为外部的扰动,τ为控制力矩。
S2、构建速度控制器;
所述步骤S2的具体实现过程如下:
S21、引入状态跟踪误差信号,如下式所示:
ue=u-ur
其中,ur表示***期望速度,即给定参考信号,ue表示状态跟踪误差;
S22、设计速度控制器,如下:
其中,表示控制输入增益的估计值,ωc表示控制器参数,/>表示未知扰动的估计值。
S3、构建扩张状态观测器;
所述步骤S3中构建的扩张状态观测器,如下所示:
其中,表示船舶运动过程中的未知扰动,即模型内部和外部的总扰动,/>表示船舶的纵向速度估计值,/>表示船舶的纵向速度估计值的导数,/>表示未知扰动估计值的导数,τ表示速度控制模块控制器输出值,/>和/>表示估计未知扰动/>所引入的增益参数。
S4、构建滤波器;
所述步骤S4的具体实现过程如下:
S41、速度控制器输出的控制信号τ通过第一滤波器输出滤波值N,滤波方程如下:
其中,a为稳定滤波器而引入的标量增益,表示滤波值的导数;
S42、未知扰动估计值和船舶的纵向速度u一同运算后经第二滤波器,得到输出滤波状态导数g:
其中,u(0)表示船舶纵向速度的初始值,t表示时间,uf和sf分别表示纵向速度和未知总扰动的滤波值,表示纵向速度滤波值的导数,/>表示未知总扰动滤波估计值的导数,通过以下滤波方程获得:
S5、构建堆栈存储器;
所述步骤S5的具体实现过程如下:
S51、堆栈存储器的输入端与第一滤波器处理完后的滤波值N、第二滤波器处理完后的滤波状态导数g相连;
S52、基于每个存储周期Δt,从堆栈存储器器中得到经过进一步综合过滤的回归器的回归量M和G,如下所示:
S6、构建控制输入增益学习模块。
所述步骤S6的具体实现过程如下:
S61、为学习控制增益b0引入以下自适应律:
其中,表示控制增益估计值的导数,Proj(·)为投影算子,该设计可保证b0估计值的有界性;Γ1和Γ2表示为估计b0时收敛速度所引入的标量增益参数;
S62、通过从堆栈存储器中得到的综合过滤的回归量M和G、滤波器处理完后的滤波回归值N和滤波状态导数g一同对控制输入增益b0进行学习,通过引用控制输入增益的导数再经积分器得到控制输入增益估计。
实施例
根据步骤S1构建的船舶纵向动力学模型公式,对内外未知不确定性s和控制输入增益b0进行在线学习。将速度控制器公式中的输入引用参数设计为ωc=10,将扩张状态观测器公式中估计未知不确定性所引入参数设计为:k1=9,k2=20.25,为估计b0时收敛速度所引入的标量增益参数:Γ1=2000,Γ2=2000。
本发明的设计目标是使船舶在满足上述构建的无人船舶的纵向动力学模型、速度控制器、扩张状态观测器、滤波器、堆栈存储器以及控制输入增益学习模块具体公式的情况下,通过跟踪参考信号与纵向速度状态之间的误差ue,实现对船舶纵向速度状态u收敛到***参考给定信号ur。通过建立扩张状态观测器对***受到的总扰动进行估计,使其快速跟踪未知总扰动的真实值s。通过建立滤波器模块和堆栈存储器模块对数据进行处理,再经过控制输入增益估计模块使得控制增益估计/>收敛于控制增益真实值所在区间。
根据仿真结果可知,图2为船舶纵向速度状态u的控制效果图,图中u表示船舶纵向速度状态,ur表示给定信号的参考值,从图中可以看到实际纵向速度u快速稳定地跟上给定信号ur。图3为船舶***的纵向速度的控制力矩,图中可以看出控制输入信号有界。图4为船舶***的内外总扰动s的观测效果图,图中s表示未知不确定性,表示未知不确定性观测值。图5为船舶的控制增益b0的观测效果图,图中b0表示控制增益真实值,/>表示控制增益观测值。图4-5可以看出在内外总扰动s和控制增益b0变化时,其估计值可以分别跟随上各自变化信号,符合控制要求。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (2)
1.一种无模型自适应抗干扰船舶速度控制器,其特征在于,包括:速度控制器、扩张状态观测器、第一滤波器、第二滤波器、堆栈存储器以及控制输入增益学习模块;其中,连接关系如下:
速度控制器的输入端与船舶纵向动力学模型的纵向速度状态u、未知扰动估计值控制增益估计值/>***期望速度状态ur相连;速度控制器的输出端与船舶模型的输入端所得输入状态τ相连;
扩张状态观测器的输入端与速度控制模块的输出值τ、船舶模型的纵向速度状态u和控制增益估计值相连,扩张状态观测器的输出端与未知总扰动估计值/>第二滤波器输入端相连;
第一滤波器的输入端与速度控制器的输出值τ相连,第二滤波器的输入端与未知扰动总估计值和船舶模型的纵向速度状态u运算处理完的结果相连;第一滤波器、第二滤波器的输出分别与滤波值N和滤波状态导数g相连;
堆栈存储器的输入端与第一滤波器、第二滤波器的输出端相连;堆栈存储器的输出端与堆栈处理运算完后的回归量M和G相连;
控制输入增益学习模块的输入端与滤波值N、滤波状态导数g、堆栈存储器处理完后的回归量M、G相连;控制输入增益学习模块的输出端与控制增益估计值导数相连。
2.一种基于权利要求1所述无模型自适应抗干扰船舶速度控制器的设计方法,其特征在于,包括如下步骤:
S1、构建无人船舶的纵向动力学模型;
所述步骤S1中,构建的无人船舶纵向动力学模型,描述如下:
其中,m表示船舶纵向质量参数,u表示船舶在船体坐标系下的纵向速度,Xu和Xu|u|表示在纵向方向的水动力参数,ω为外部的扰动,τ为控制力矩;
S2、构建速度控制器;
所述步骤S2的具体实现过程如下:
S21、引入状态跟踪误差信号,如下式所示:
ue=u-ur
其中,ur表示***期望速度,即给定参考信号,ue表示状态跟踪误差;
S22、设计速度控制器,如下:
其中,表示控制增益估计值,ωc表示控制器参数,/>表示未知扰动的估计值;
S3、构建扩张状态观测器;
所述步骤S3中构建的扩张状态观测器,如下所示:
其中,表示船舶运动过程中的未知扰动,即模型内部和外部的总扰动,/>表示船舶的纵向速度估计值,/>表示船舶的纵向速度估计值的导数,/>表示未知扰动估计值的导数,τ表示速度控制模块控制器输出值,/>和/>表示估计未知扰动/>所引入的增益参数;
S4、构建滤波器;
所述步骤S4的具体实现过程如下:
S41、速度控制器输出的控制信号τ通过第一滤波器输出滤波值N,滤波方程如下:
其中,a为稳定滤波器而引入的标量增益,表示滤波值的导数;
S42、未知扰动估计值和船舶的纵向速度u一同运算后经第二滤波器,得到输出滤波状态导数g:
其中,u(0)表示船舶纵向速度的初始值,t表示时间,uf和sf分别表示纵向速度和未知总扰动的滤波值,表示纵向速度滤波值的导数,/>表示未知总扰动滤波估计值的导数,通过以下滤波方程获得:
uf(0)=0
S5、构建堆栈存储器;
所述步骤S5的具体实现过程如下:
S51、堆栈存储器的输入端与第一滤波器处理完后的滤波值N、第二滤波器处理完后的滤波状态导数g相连;
S52、基于每个存储周期Δt,从堆栈存储器器中得到经过进一步综合过滤的回归器的回归量M和G,如下所示:
S6、构建控制输入增益学习模块;
所述步骤S6的具体实现过程如下:
S61、为学习控制增益b0引入以下自适应律:
其中,表示控制增益估计值的导数,Proj(·)为投影算子,该设计可保证控制增益估计值/>的有界性;Γ1和Γ2表示为估计控制增益b0时收敛速度所引入的标量增益参数;
S62、通过从堆栈存储器中得到的综合过滤的回归量M和G、滤波器处理完后的滤波回归值N和滤波状态导数g一同对控制增益b0进行学习,通过引用控制增益估计值的导数再经积分器得到控制输入增益估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210273292.0A CN114755917B (zh) | 2022-03-18 | 2022-03-18 | 一种无模型自适应抗干扰船舶速度控制器及设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210273292.0A CN114755917B (zh) | 2022-03-18 | 2022-03-18 | 一种无模型自适应抗干扰船舶速度控制器及设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114755917A CN114755917A (zh) | 2022-07-15 |
CN114755917B true CN114755917B (zh) | 2024-05-21 |
Family
ID=82326471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210273292.0A Active CN114755917B (zh) | 2022-03-18 | 2022-03-18 | 一种无模型自适应抗干扰船舶速度控制器及设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114755917B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116627043B (zh) * | 2023-07-24 | 2023-09-15 | 中国船舶集团有限公司第七〇七研究所 | 一种联合锚泊***的区域动力定位控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110687800A (zh) * | 2019-11-19 | 2020-01-14 | 大连海事大学 | 一种数据驱动自适应抗干扰控制器结构及其估计方法 |
CN111208734A (zh) * | 2020-02-18 | 2020-05-29 | 大连海事大学 | 一种控制增益未知不确定***的数据驱动抗干扰控制结构 |
CN112558477A (zh) * | 2020-12-03 | 2021-03-26 | 大连海事大学 | 一种基于加速度信息的无人船状态和扰动观测器 |
CN114089749A (zh) * | 2021-11-09 | 2022-02-25 | 武汉量宇智能科技有限公司 | 无人艇运动控制抗扰控制器及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10809780B2 (en) * | 2017-03-13 | 2020-10-20 | Samsung Electronics Co., Ltd. | Active disturbance rejection based thermal control |
-
2022
- 2022-03-18 CN CN202210273292.0A patent/CN114755917B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110687800A (zh) * | 2019-11-19 | 2020-01-14 | 大连海事大学 | 一种数据驱动自适应抗干扰控制器结构及其估计方法 |
CN111208734A (zh) * | 2020-02-18 | 2020-05-29 | 大连海事大学 | 一种控制增益未知不确定***的数据驱动抗干扰控制结构 |
CN112558477A (zh) * | 2020-12-03 | 2021-03-26 | 大连海事大学 | 一种基于加速度信息的无人船状态和扰动观测器 |
CN114089749A (zh) * | 2021-11-09 | 2022-02-25 | 武汉量宇智能科技有限公司 | 无人艇运动控制抗扰控制器及方法 |
Non-Patent Citations (2)
Title |
---|
Output-Feedback Flocking Control of Multiple Autonomous Surface Vehicles Based on Data-Driven Adaptive Extended State Observers;Zhouhua Peng.etc;IEEE TRANSACTIONS ON CYBERNETICS;20210923;第51卷(第9期);全文 * |
基于扩张状态观测器的双桨推进无人艇抗干扰目标跟踪控制;吴文涛等;中国舰船研究;20210129;第16卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114755917A (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | Distributed containment maneuvering of multiple marine vessels via neurodynamics-based output feedback | |
Deng et al. | Model-based event-triggered tracking control of underactuated surface vessels with minimum learning parameters | |
Shojaei | Neural adaptive robust control of underactuated marine surface vehicles with input saturation | |
Shojaei | Observer-based neural adaptive formation control of autonomous surface vessels with limited torque | |
Shojaei | Leader–follower formation control of underactuated autonomous marine surface vehicles with limited torque | |
Peng et al. | Robust adaptive formation control of underactuated autonomous surface vehicles with uncertain dynamics | |
Wang et al. | Extreme learning-based monocular visual servo of an unmanned surface vessel | |
Yan et al. | Global adaptive neural network control of underactuated autonomous underwater vehicles with parametric modeling uncertainty | |
Liu et al. | Robust trajectory tracking control of marine surface vessels with uncertain disturbances and input saturations | |
Esfahani et al. | High performance super-twisting sliding mode control for a maritime autonomous surface ship (MASS) using ADP-based adaptive gains and time delay estimation | |
Liu et al. | Barrier Lyapunov function based adaptive region tracking control for underwater vehicles with thruster saturation and dead zone | |
CN114755917B (zh) | 一种无模型自适应抗干扰船舶速度控制器及设计方法 | |
Hu et al. | Adaptive synchronization of marine surface ships using disturbance rejection without leader velocity | |
Qin et al. | Fast fixed-time nonsingular terminal sliding-mode formation control for autonomous underwater vehicles based on a disturbance observer | |
Li et al. | Prescribed performance trajectory tracking fault-tolerant control for dynamic positioning vessels under velocity constraints | |
Lv et al. | Barrier-certified distributed model predictive control of under-actuated autonomous surface vehicles via neurodynamic optimization | |
Li et al. | Finite-time composite learning control for trajectory tracking of dynamic positioning vessels | |
Zhou et al. | Trajectory tracking control for autonomous underwater vehicles under quantized state feedback and ocean disturbances | |
Yuan et al. | Event-based adaptive horizon nonlinear model predictive control for trajectory tracking of marine surface vessel | |
Zhong et al. | Recursive parameter identification for second-order KT equations of marine robot in horizontal motion | |
Sivaraj et al. | On the performance of different Deep Reinforcement Learning based controllers for the path-following of a ship | |
Yu et al. | Adaptive simplified surge-heading tracking control for underwater vehicles with thruster’s dead-zone compensation | |
Cui et al. | Anti-disturbance cooperative formation containment control for multiple autonomous underwater vehicles with actuator saturation | |
Sun et al. | Extreme learning control of surface vehicles with unknown dynamics and disturbances | |
CN116880184A (zh) | 无人船轨迹追踪预测控制方法、***及存储介质 |
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 |