CN103777635A - 动力定位船舶鲁棒自适应航迹跟踪控制系统 - Google Patents

Abstract

本发明提供的是一种动力定位船舶鲁棒自适应航迹跟踪控制系统。位置与角度传感器采集实际位置和航向角以及参考路径生成器产生的参考位置和参考航向角信息同时发送给神经网络估计器和二阶滑模观测器，分别得到模型未知非线性函数的估计值和状态估计值，然后将状态估计值同时传递给干扰估计器和微分同胚变换器，分别得到干扰估计值和新的状态变量，将神经网络估计器、二阶滑模观测器、干扰估计器、微分同胚变换器和位置与角度传感器得到的信息均传递给控制器，解算出控制指令去驱动执行机构，实现水面船的航迹跟踪。本发明无需已知水面船精确水动力参数，且惯性质量参数不要求精确辨识，在存在未知环境干扰的情况下实现动力定位船舶的航迹跟踪。

Description

动力定位船舶鲁棒自适应航迹跟踪控制系统

技术领域

本发明涉及的是一种船舶航迹跟踪控制方法。具体地说是一种基于非线性控制理论的动力定位船舶在模型参数不完全已知，速度信息不可直接测量，且存在未知环境干扰时的航迹跟踪控制方法。

背景技术

随着人类对海洋世界探索的不断深入，动力定位技术在海洋石油勘探、海洋开发等领域起到了越来越重要的作用。

动力定位船舶除了定位模式，还有低速/高速循迹模式，即船舶航迹跟踪控制。当船舶处于定位模式时，由于船舶速度较低，因此可对船舶模型进行线性化，然后基于线性化模型进行控制器设计。但是当船舶进行航迹跟踪控制时，科氏向心力和非线性阻尼项不可忽略，此时船舶模型具有较强的非线性，且模型参数辨识困难，因此需设计鲁棒性和自适应性较好的控制方法。同时，在动力定位船舶航迹跟踪控制时，通常只有船舶的位置和航向角可直接测量，因此在控制系统设计时必须设计观测器对船舶的速度变量进行观测。另外，由于未知环境干扰的影响，设计观测器和控制器时需对干扰进行补偿，以减小控制器和观测器输入的增益。

目前国内外有较多研究船舶航迹跟踪控制的文献，但这些文献或对模型参数精度要求较高、或没有考虑外部干扰、或需要所有状态均可测量。如《Path following control system for atanker ship model》（Ocean Engineering34,2007:2074-2085）对模型要求较高且需要所要状态均可测量；《船舶轨迹跟踪半全局一致指数稳定观测控制器》（控制与决策2013，28(6):920-924）要求模型已知且没有考虑外部干扰；《基于最优控制的船舶航迹全局NPD控制算法》（系统工程与电子技术，2013-09-05网络出版）也是要求所有状态均可测量。

发明内容

本发明的目的在于提供一种动力定位船舶在模型水动力参数不精确，存在未知外部干扰，且速度信息不可直接测量的情况下实现航迹跟踪控制的动力定位船舶鲁棒自适应航迹跟踪控制系统。

本发明的目的是这样实现的：

包括参考路径生成器1、神经网络估计器2、二阶滑模观测器3、干扰估计器4、微分同胚变换器5、控制器6，位置与角度传感器8采集的水面船7的实际位置和航向角以及参考路径生成器1产生的参考位置和参考航向角信息，同时发送给神经网络估计器2和二阶滑模观测器3，分别得到模型未知非线性函数的估计值和状态估计值，然后将状态估计值同时传递给干扰估计器4和微分同胚变换器5，分别得到干扰估计值和新的状态变量，将神经网络估计器2、二阶滑模观测器3、干扰估计器4、微分同胚变换器5和位置与角度传感器8得到的信息均传递给控制器6，解算出控制指令去驱动水面船7的执行机构，调整水面船的推力和转艏力矩，实现水面船的航迹跟踪。

本发明还可以包括：

（1）参考路径生成器1产生的参考位置和参考航向角信息发送给神经网络估计器2和二阶滑模观测器3是指：参考路径生成器1通过给定的参考航迹点生成参考路径信息，将产生的位置及航向角信息及其一阶导数和二阶导数，同时传递给神经网络估计器2和二阶滑模观测器3。

（2）神经网络估计器2得到的模型未知非线性函数的估计值除了发送给控制器6之外，还发送给二阶滑模观测器3，且神经网络权值更新律根据二阶滑模观测器3得到的状态估计值设计。

（3）干扰估计器4得到的干扰估计值除了发送给控制器6之外，还发送给二阶滑模观测器3，且干扰估计自适应更新律根据二阶滑模观测器3得到的状态估计值设计。

（4）解算出控制指令去驱动水面船7的执行机构是指：控制器6针对航迹跟踪误差动态方程，根据参考路径信息、模型未知非线性函数的估计值、干扰估计值、新的状态变量和实际的航向角信息，通过反步法和滑模控制思想解算出推力和转艏力矩信息传递给水面船的执行机构，调整水面船的位置、航向和速度，以完成航迹跟踪控制。

本发明是一种基于非线性控制理论的动力定位船舶在模型参数不完全已知，速度信息不可直接测量，且存在未知环境干扰时的航迹跟踪控制系统。

本发明的优点在于无需已知水面船精确水动力参数，且惯性质量参数不要求精确辨识，在存在未知环境干扰的情况下实现动力定位船舶的航迹跟踪。本发明通过仿真试验验证了方案具有较强的鲁棒性和自适应性。

附图说明

图1为动力定位船舶鲁棒自适应航迹跟踪控制系统总体结构图；

图2为船舶航迹跟踪曲线；

图3为位置和航向角跟踪误差曲线；

图4为ξ₁的观测误差曲线；

图5为ξ₂的观测误差曲线；

图6为模型未知非线性函数F(ξ₁,ξ₂)的实际值及其估计值；

图7为干扰B的实际值及其估计值；

图8为纵向推力、侧向推力和转艏力矩的变化曲线；

图9为纵向速度、横向速度和转艏角速度的变化曲线。

具体实施方式

下面对本发明进行详细描述：

如图1所示，本发明的动力定位船舶鲁棒自适应航迹跟踪控制系统包括参考路径生成器1，神经网络估计器2，二阶滑模观测器3，干扰估计器4，微分同胚变换器5，控制器6。位置与角度传感器8采集水面船的实际位置和航向角、以及参考路径生成器1产生的参考位置和参考航向角信息，同时发送给神经网络估计器2和二阶滑模观测器3，分别得到模型未知非线性函数的估计值和状态估计值，然后将状态估计值同时传递给干扰估计器4和微分同胚变换器5，分别得到干扰估计值和新的状态变量，将神经网络估计器2、二阶滑模观测器3、干扰估计器4、微分同胚变换器5和位置与角度传感器8得到的信息均传递给控制器6，解算出控制指令去驱动执行机构，调整水面船的推力和转艏力矩，实现水面船的航迹跟踪。

参考路径生成器1通过给定的参考航迹点生成参考路径信息，将产生的位置、航向角信息及其一阶导数和二阶导数，同时传递给神经网络估计器2和二阶滑模观测器3；

位置与角度传感器8采集水面船的实际位置和航向角，将采集的信息同时传递给神经网络估计器2和二阶滑模观测器3，同时将船舶的实际航向角发送给控制器6；

微分同胚变换器5对二阶滑模观测器3得到的状态估计值进行微分同胚变换，得到新的状态变量并传递给控制器6；

神经网络估计器2得到的模型未知非线性函数的估计值除了发送给控制器6之外，还发送给二阶滑模观测器3，且神经网络权值更新律根据二阶滑模观测器3得到的状态估计值设计；

干扰估计器4得到的干扰估计值除了发送给控制器6之外，还发送给二阶滑模观测器3，且干扰估计自适应更新律根据二阶滑模观测器3得到的状态估计值设计；

控制器6针对航迹跟踪误差动态方程，根据参考路径信息、模型未知非线性函数的估计值、干扰估计值、新的状态变量和实际的航向角信息，通过反步法和滑模控制思想解算出推力和转艏力矩信息传递给水面船的执行机构，调整水面船的位置、航向和速度，以完成航迹跟踪控制。

本实施例采用某动力定位船舶的缩尺度模型，其数学模型如下：

$\left\{\begin{array}{c}\stackrel{.}{\mathrm{\η}}=J\left(\mathrm{\ψ}\right)\mathrm{\υ}\\ M\stackrel{.}{\mathrm{\υ}}+C\left(\mathrm{\υ}\right)\mathrm{\υ}+D\left(\mathrm{\υ}\right)\mathrm{\υ}=\mathrm{\τ}+J^T\left(\mathrm{\ψ}\right)b\end{array}\right.---\left(1\right)$

其中η=[x y ψ]表示大地坐标系下船舶的位置和艏向，υ=[u v r]表示船体坐标系下船舶的前向速度、横向速度和艏摇角速度；M为惯性矩阵，包括附加质量；C(υ)为向心力和科氏力矩阵；D(υ)为阻尼力矩阵；τ=[τ_u τ_v τ_r]分别为纵向推力、侧向推力和转艏力矩；b表示大地坐标系下作用在船体上的低频慢变未知干扰，高频干扰部分进入控制回路之前经过滤波器去除，船体坐标向大地坐标的转换矩阵为 $J\left(\mathrm{\ψ}\right)=\left[\begin{array}{ccc}\cos \left(\mathrm{\ψ}\right)& -\sin \left(\mathrm{\ψ}\right)& 0\\ \sin \left(\mathrm{\ψ}\right)& \cos \left(\mathrm{\ψ}\right)& 0\\ 0& 0& 1\end{array}\right].$

为验证所设计方法的性能，仿真中采用动力定位船舶的航迹跟踪方式，参考信号为η_d=[3cos(0.2t) 3sin(0.2t) π/3]。

定义变量 ${\mathrm{\ξ}}_1=\mathrm{\η}-{\mathrm{\η}}_d,{\mathrm{\ξ}}_2=J\left(\mathrm{\ψ}\right)\mathrm{\υ}-{\stackrel{.}{\mathrm{\η}}}_d,$ 则式(1)变为：

$\left\{\begin{array}{c}{\stackrel{.}{\mathrm{\ξ}}}_1={\mathrm{\ξ}}_2\\ {\stackrel{.}{\mathrm{\ξ}}}_2=F({\mathrm{\ξ}}_1,{\mathrm{\ξ}}_2)+J\left(\mathrm{\ψ}\right)M^{-1}(\mathrm{\τ}+B)\end{array}\right.$

其中B=J^T(ψ)b，由干扰估计器4在线估计，

$\begin{array}{c}F({\mathrm{\ξ}}_1,{\mathrm{\ξ}}_2)=\stackrel{.}{J}\left(\mathrm{\ψ}\right)\mathrm{\υ}-J\left(\mathrm{\ψ}\right)M^{-1}[C\left(\mathrm{\υ}\right)\mathrm{\υ}+D\left(\mathrm{\υ}\right)\mathrm{\υ}]-{\stackrel{..}{\mathrm{\η}}}_d\\ =\stackrel{.}{J}\left(\mathrm{\ψ}\right)J^{-1}\left(\mathrm{\ψ}\right)({\mathrm{\ξ}}_2+{\stackrel{.}{\mathrm{\η}}}_d)+D\left(J^{-1}\left(\mathrm{\ψ}\right)({\mathrm{\ξ}}_s+{\stackrel{.}{\mathrm{\η}}}_d)\right)J^{-1}\left(\mathrm{\ψ}\right)({\mathrm{\ξ}}_2+{\stackrel{.}{\mathrm{\η}}}_d)]\\ -J\left(\mathrm{\ψ}\right)M^{-1}[C\left(J^{-1}\left(\mathrm{\ψ}\right)({\mathrm{\ξ}}_2+{\stackrel{.}{\mathrm{\η}}}_d)\right)J^{-1}\left(\mathrm{\ψ}\right)({\mathrm{\ξ}}_2+{\stackrel{.}{\mathrm{\η}}}_d)-{\stackrel{..}{\mathrm{\η}}}_d\end{array}$

表示模型未知非线性函数（F(ξ₁,ξ₂)=[F₁ F₂ F₃]^T），由神经网络估计器2在接收到参考路径生成器1、位置与角度传感器8和二阶滑模观测器3的信息后进行在线逼近，其中神经网络的结构采用动态递归模糊神经网络(DRFNN)，由于ξ₁,ξ₂存在

的关系，因此ξ₂无需作为神经网络的输入，即

其中

为神经网络权值估计，φ(ξ₁)取高斯函数，且有 $\hat{F}({\mathrm{\ξ}}_1,{\mathrm{\ξ}}_2)={\left[\begin{array}{ccc}{\hat{F}}_1& {\hat{F}}_2& {\hat{F}}_3\end{array}\right]}^T.$

同时，由于ξ₂无法直接测量，可由二阶滑模观测器3在接收到参考路径生成器1、位置与角度传感器8和F(ξ₁,ξ₂)的估计值后进行在线观测，观测器方程为：

其中λ₁,λ₂为观测器参数，为B的估计值，饱和函数为：

状态估计值

同时发送给神经网络估计器2、二阶滑模观测器3、干扰估计器4、微分同胚变换器5和控制器6。

微分同胚变换器5变换后得到新的状态变量z₁,z₂，它们和

的关系为 $\left[\begin{array}{c}{z}_1\\ z_2\end{array}\right]=\left[\begin{array}{cc}1& 0\\ k_1& 1\end{array}\right]\left[\begin{array}{c}{\mathrm{\ξ}}_1\\ {\mathrm{\ξ}}_2\end{array}\right].$ 同时神经网络估计器2和干扰估计器4的自适应更新律均可根据得到，分别为： $\stackrel{\stackrel{.}{^}}{\mathrm{\ω}}=-{\mathrm{\γ}}_{\mathrm{\ω}}\widehat{\mathrm{\ω}}+\mathrm{\φ}\left({\mathrm{\ξ}}_1\right)(k_1{\widehat{\mathrm{\ξ}}}_1+{\widehat{\mathrm{\ξ}}}_2),\stackrel{\stackrel{.}{^}}{B}=-{\mathrm{\γ}}_B\hat{B}+(k_1{\widehat{\mathrm{\ξ}}}_1+{\widehat{\mathrm{\ξ}}}_2).$

然后将神经网络估计器2、二阶滑模观测器3、干扰估计器4、微分同胚变换器5和位置与角度传感器8得到的信息均传递给控制器6，解算出控制指令为

其中k₁,k₂,β是控制器参数，饱和函数为

仿真试验时某动力定位船舶的缩尺度模型参数为：

$M=\left[\begin{array}{ccc}25.8& 0& 0\\ 0& 33.8& 1.0115\\ 0& 1.0115& 2.76\end{array}\right],$

$C\left(\mathrm{\υ}\right)=\left[\begin{array}{ccc}0& 0& -33.8v-1.0115r\\ 0& 0& 25.8u\\ 33.8v+1.0115r& -25.8& 0\end{array}\right],$

$D\left(\mathrm{\υ}\right)=\left[\begin{array}{ccc}0.72+1.33\left|u\right|& 0& 0\\ 0& 0.86+36.28\left|v\right|& -0.11\\ 0& -0.11-5.04\left|v\right|& 0.5\end{array}\right].$

控制器参数为：

观测器参数为：

神经网络参数为：γ_ω=0.5,节点数为10，初始权值为随机数。

干扰估计器参数为：γ_B=6，初始值为0。

仿真开始时船舶初始状态值均为0。仿真结果见附图2至图9。

从仿真结果可知，被控量(x y ψ)快速收敛到参考值，观测误差也收敛到平衡点附近较小邻域，且速度变量(u v r)和推进器输出（推力和力矩）变化合理。通过对仿真曲线和数据分析后可以看出，在本发明提出的滑模观测器和鲁棒自适应控制律作用下，水面船在模型参数不完全辨识、存在未知环境干扰，且仅位置和航向角可直接测量的情况下，能快速准确跟踪上参考路径。结果表明，本发明的控制方案对模型不确定性和未知干扰具有较强鲁棒性和较好的自适应性。

Claims (9)

1.一种动力定位船舶鲁棒自适应航迹跟踪控制系统，包括参考路径生成器(1)、神经网络估计器(2)、二阶滑模观测器(3)、干扰估计器(4)、微分同胚变换器(5)、控制器(6)，其特征是：位置与角度传感器(8)采集的水面船(7)的实际位置和航向角以及参考路径生成器(1)产生的参考位置和参考航向角信息，同时发送给神经网络估计器(2)和二阶滑模观测器(3)，分别得到模型未知非线性函数的估计值和状态估计值，然后将状态估计值同时传递给干扰估计器(4)和微分同胚变换器(5)，分别得到干扰估计值和新的状态变量，将神经网络估计器(2)、二阶滑模观测器(3)、干扰估计器(4)、微分同胚变换器(5)和位置与角度传感器(8)得到的信息均传递给控制器(6)，解算出控制指令去驱动水面船(7)的执行机构，调整水面船的推力和转艏力矩，实现水面船的航迹跟踪。

2.根据权利要求1所述的动力定位船舶鲁棒自适应航迹跟踪控制系统，其特征是：参考路径生成器(1)产生的参考位置和参考航向角信息发送给神经网络估计器(2)和二阶滑模观测器(3)是指：参考路径生成器(1)通过给定的参考航迹点生成参考路径信息，将产生的位置及航向角信息及其一阶导数和二阶导数，同时传递给神经网络估计器(2)和二阶滑模观测器(3)。

3.根据权利要求1或2所述的动力定位船舶鲁棒自适应航迹跟踪控制系统，其特征是：神经网络估计器(2)得到的模型未知非线性函数的估计值除了发送给控制器(6)之外，还发送给二阶滑模观测器(3)，且神经网络权值更新律根据二阶滑模观测器(3)得到的状态估计值设计。

4.根据权利要求1或2所述的动力定位船舶鲁棒自适应航迹跟踪控制系统，其特征是：干扰估计器(4)得到的干扰估计值除了发送给控制器(6)之外，还发送给二阶滑模观测器(3)，且干扰估计自适应更新律根据二阶滑模观测器(3)得到的状态估计值设计。

5.根据权利要求3所述的动力定位船舶鲁棒自适应航迹跟踪控制系统，其特征是：干扰估计器(4)得到的干扰估计值除了发送给控制器(6)之外，还发送给二阶滑模观测器(3)，且干扰估计自适应更新律根据二阶滑模观测器(3)得到的状态估计值设计。

6.根据权利要求1或2所述的动力定位船舶鲁棒自适应航迹跟踪控制系统，其特征是：解算出控制指令去驱动水面船(7)的执行机构是指：控制器(6)针对航迹跟踪误差动态方程，根据参考路径信息、模型未知非线性函数的估计值、干扰估计值、新的状态变量和实际的航向角信息，通过反步法和滑模控制思想解算出推力和转艏力矩信息传递给水面船的执行机构，调整水面船的位置、航向和速度，以完成航迹跟踪控制。

7.根据权利要求3所述的动力定位船舶鲁棒自适应航迹跟踪控制系统，其特征是：解算出控制指令去驱动水面船(7)的执行机构是指：控制器(6)针对航迹跟踪误差动态方程，根据参考路径信息、模型未知非线性函数的估计值、干扰估计值、新的状态变量和实际的航向角信息，通过反步法和滑模控制思想解算出推力和转艏力矩信息传递给水面船的执行机构，调整水面船的位置、航向和速度，以完成航迹跟踪控制。

8.根据权利要求4所述的动力定位船舶鲁棒自适应航迹跟踪控制系统，其特征是：解算出控制指令去驱动水面船(7)的执行机构是指：控制器(6)针对航迹跟踪误差动态方程，根据参考路径信息、模型未知非线性函数的估计值、干扰估计值、新的状态变量和实际的航向角信息，通过反步法和滑模控制思想解算出推力和转艏力矩信息传递给水面船的执行机构，调整水面船的位置、航向和速度，以完成航迹跟踪控制。

9.根据权利要求5所述的动力定位船舶鲁棒自适应航迹跟踪控制系统，其特征是：解算出控制指令去驱动水面船(7)的执行机构是指：控制器(6)针对航迹跟踪误差动态方程，根据参考路径信息、模型未知非线性函数的估计值、干扰估计值、新的状态变量和实际的航向角信息，通过反步法和滑模控制思想解算出推力和转艏力矩信息传递给水面船的执行机构，调整水面船的位置、航向和速度，以完成航迹跟踪控制。

Images