CN110045615A - 一种uuv水下回收自抗扰控制方法 - Google Patents
一种uuv水下回收自抗扰控制方法 Download PDFInfo
- Publication number
- CN110045615A CN110045615A CN201910414679.1A CN201910414679A CN110045615A CN 110045615 A CN110045615 A CN 110045615A CN 201910414679 A CN201910414679 A CN 201910414679A CN 110045615 A CN110045615 A CN 110045615A
- Authority
- CN
- China
- Prior art keywords
- uuv
- controller
- control
- design
- disturbance rejection
- 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.)
- Pending
Links
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
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
本发明公开一种UUV水下回收自抗扰控制方法,包括:步骤一,设计UUV的叉柱式回收流程,叉柱式回收流程包括水平面第I阶段运动、垂直面运动、水平面第II阶段运动;步骤二,对UUV的数学模型进行解耦;步骤三,针对解耦后的UUV模型,为步骤一中的叉柱式回收流程的每个阶段设计自抗扰控制器;步骤四,设计神经网络结构对步骤三中每个阶段的自抗扰控制器进行优化,把优化后的自抗扰控制器进行组合,UUV顺序执行每个阶段控制任务。本发明可以解决UUV数学模型的严重耦合问题,有效且高精度的对UUV进行控制,使UUV实现叉柱式自动回收的全过程。
Description
技术领域
本发明涉及一种回收控制方法,尤其涉及一种UUV水下回收自抗扰控制方法,属于UUV水下回收控制领域。
背景技术
进入20世纪以来,各沿海强国都把发展重心向着海洋倾斜,充分的开发海洋离不开大量的海洋装备,水下无人航行器(Unmanned Underwater Vehicle,简称UUV,本说明书中“航行器”均为UUV)以其灵活,自带能源,作业范围大,隐蔽性强等特点,成为深海探测的重要装备。UUV在执行任务之后,需要通过回收来交换数据、进行维护和补充能源,所以自动化的进行UUV的回收会大幅度的提高UUV的工作效率。UUV的自动布放和回收一直是UUV控制理论的研究重点。
UUV自动回收已经被各国学者广泛研究多年,回收形式多种多样,本发明采用的叉柱式回收方式简单,成本小,不需要对UUV进行大量的改进,具有易于操作和实施的特点。
前人对回收中的控制方法做出了很多很多探索,目前在UUV的控制方面,主要的控制方法有PID控制、H∞控制、模糊控制、神经网络控制、滑模控制、自适应控制以及鲁棒控制,或者是不同控制方法的组合,如:神经元PID、模糊PID、神经元滑模变结构控制、模糊神经网络控制等。
虽然控制方法有很多,但是也有其优缺点。
(1)PID控制:PID控制是最经典一种控制策略,它采用误差的过去现在和将来的加权和产生控制量对UUV进行控制,算法结构简单,且不依赖于精确数学模型。但是PID误差的取法不合理,直接取目标与实际反馈之间的误差,容易使初始控制力过大而产生超调;误差的微分信号提取困难;把误差的过去现在和将来进行加权求和来计算控制输出量,不是最合理的方法。对于随时变化的误差,积分抑制的效果不显著。
(2)自适应控制:可以在线监测控制变量,并适当修正系统的参数和结构,以降低与控制有关的不确定因素,减小对系统的影响并达到预期效果。但是参数的估计方法是在理想情况下随时间趋于无穷而渐进收敛,而实际工程应用上不可能在时间无穷条件下收敛,测量精度也将直接影响控制器参数从而影响控制效果。
(3)模糊控制:模糊控制是通过定性描述模型和控制行为,实现符号化、语言化的控制规律,可以实现非线性映射。模糊控制的特点是响应迅速,易于理解和修改规则。然而模糊规则的获取及隶属度函数的设计方法是凭经验进行的,没有建立一套系统的模糊控制理论,以解决模糊控制的机理、稳定性分析、系统设计方法等问题,在应对复杂问题上难以胜任。信息简单的模糊处理将导致系统的控制精度降低和动态品质变差。若要提高精度就必然增加量化级数,导致规则搜索范围扩大,降低决策速度,甚至不能进行实时控制。
(4)神经网络控制:神经网络控制可以模拟人脑的神经系统,从细胞学习和条件反射的角度,使机器像人脑一样的具有并行处理数据、分布式存储、自适应学习和逻辑推理能力。很难解释网络的推理过程和依据,如果没有充足的数据进行学习,神经网络很难进行有效的工作,在把问题转化成数字进行计算的过程中也会丢失信息,从而影响控制效果。
(5)滑模控制:根据系统所期望的动态特性来设计系统的切换超平面,是通过控制量的切换,使系统的状态运动轨迹按照切换面滑动,如有扰动,则会在滑模面上做之字切换。然而滑模控制存在抖振现象,会使执行机构出现振荡。需要对抖振情况进行特殊处理,否则控制器无法正常使用。
(6)鲁棒H∞控制:在控制过程中把模型的不确定性和干扰都作为有界干扰。然而没有对动态扰动建模,用H∞范数考虑了最坏的情况,鲁棒性保守;存在状态空间解——Riccati方程的可解性问题;还要考虑计算速度问题;
综上所述,各种控制理论都有其优缺点,很多理论都处在研究阶段,虽然新方法层出不穷,但是真正能投入到工程应用上的新控制方法还很少。现在工程上应用最为广泛的还是PID控制,主要是由于PID控制算法结构简单,不依赖于精确数学模型,在工程上容易实现等原因。
自抗扰控制器(Active Disturbance Rejection Controller,ADRC)是90年代由中科院韩京清研究员设计和开发的,其设计初衷是对PID控制器在工业上显露的不足进行改进。主要体现在以下方面:
(1)安排合适的过渡过程;
(2)合理的提取“微分”,设计跟踪微分器(Tracking Differentiator,TD);
(3)探讨“扰动估计”办法,设计扩张状态观测器(Extended State Observer,ESO)。
(4)对误差的过去,现在,将来设计非线性状态误差反馈率(Nonliner StateError Feedback,NLSEF);
根据这几个环节组合成自抗扰控制器。经过大量的仿真和实践验证,自抗扰控制器确实具有很好的控制效果。现已在电力系统、电机调速系统、飞行器姿态控制、精密仪器加工、运动控制以及现代武器系统等领域得到了推广和应用。因此,本发明采用自抗扰技术控制UUV的回收过程。
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种可以解决UUV数学模型的严重耦合问题,有效且高精度的对UUV进行控制的UUV水下回收自抗扰控制方法。
为解决上述技术问题,本发明提供一种UUV水下回收自抗扰控制方法,包括以下步骤:
步骤一:设计UUV的叉柱式回收流程,叉柱式回收流程包括水平面第I阶段运动、垂直面运动、水平面第II阶段运动;
步骤二:对UUV的数学模型进行解耦;
步骤三:针对解耦后的UUV模型,为步骤一中的叉柱式回收流程的每个阶段设计自抗扰控制器;
步骤四:设计神经网络结构对步骤三中每个阶段的自抗扰控制器进行优化,把优化后的自抗扰控制器进行组合,UUV顺序执行每个阶段控制任务。
本发明还包括:
1.步骤一所述叉柱式回收流程包括三个阶段,具体为:
水平面第I阶段运动:根据回收装置的位置信息和对接需要的UUV艏向角度信息,UUV做水平面的运动,并调整艏向角,将回收装置开口向UUV运动所在平面做投影,UUV在保持运动平面不变的情况下,运行至开口投影所在位置的正前方设定位置;
垂直面运动:UUV进行垂直面的下潜运动到回收位置所在的深度位置;
水平面第II阶段运动:UUV慢速直航运动,到达回收位置。
2.步骤二具体为:
UUV的运动学模型为:
UUV的动力学模型:
式中:d11=Xu+Xu|u||u|;d22=Yv+Yv|v||v|;d33=Zw+Zw|w||w|;d55=Mq+Mq|q||q|;d66=Nr+Nr|r||r|;其中分别为UUV沿x、y、z轴方向做加速运动所受到的x、y、z轴方向的水作用力,Xu、Yv、Zw分别为UUV作x、y、z轴方向的匀速运动所受到的x、y、z方向的水作用力,Xu|u|,Yv|v|,Zw|w|分别为UUV作x、y、z轴方向的匀速运动所受到的x、y、z方向的近似二阶水动力,为UUV绕y、z轴做角加速运动所受到的绕y、z轴的水作用力矩,Mq,Nr为UUV绕y、z轴的匀速旋转运动所受到的绕y、z轴的水作用力矩,Mq|q|,Nr|r|为UUV绕y、z轴方向的匀速旋转运动所受到的y、z方向的近似二阶水动力矩。x,y,z为UUV在固定坐标系下的空间位置坐标,u,v,w为UUV在x,y,z方向的速度,ψ,θ,q,r分别表示艏向角,纵倾角,艏向角角速度和纵倾角角速度,τu,τv,τq分别表示x,y,z方向的推力,τq,τr分别为绕着y轴旋转的力矩和绕着z轴旋转的力矩,转矩的正方向遵循右手定则。
将UUV的模型分为水平面模型和垂直面模型:
在水平面模型中,令与垂直面相关的变量z=w=θ=q=τq=0,得到水平面运动学方程:
得到水平面动力学方程:
解耦后:
其中,[τu τv τr]T为实际控制量,[τa τb τc]T为虚拟控制量;
在垂直面模型中,令水平面相关的变量y=v=ψ=r=τr=0,得到垂直面运动学方程如下:
得到垂直面动力学方程:
解耦后:
其中,[τd τe τf]T是虚拟控制量,[τu τw τq]T是实际控制量;
3.步骤三包括水平面第I阶段回收控制器设计、垂直面阶段回收控制器设计和水平面第II阶段回收控制器设计;
水平面第I阶段回收控制器设计包括:分别设计x自抗扰控制器,y自抗扰控制器,ψ自抗扰控制器:
x自抗扰控制器:分别设计自抗扰控制器的跟踪微分器TD,扩张状态观测器ESO,非线性状态误差反馈率NLSEF和扰动补偿,并分别调整参数,最后根据自抗扰控制分离性定理把跟踪微分器TD,扩张状态观测器ESO,非线性状态误差反馈率NLSEF和扰动补偿组合得到完整控制器,具体为:
其中,h为步长,跟踪微分器TD部分中的v为系统接受的输入值,输出变量为v1,v2,v1跟踪v的变化,v2跟踪的变化,h0为抑制超调和扰动的变量;fhan()是一个非线性函数,满足:
在扩张状态观测器ESO部分中的u为本结构的输入量,y是系统实际输出状态,z1,z2,z3为ESO的输出量,其中z1估计y值,z2估计z3是估计系统未知扰动和未知状态的扩张变量,e为估计值z1和实际值y之差,δ是fal()的线性区间的宽度,β01,β02,β03为扩张状态观测器的参数,需要根据实际调试情况进行配置;fal()是一个非线性函数,满足:
非线性误差反馈NLSEF中的e1为TD估计的输出v1与ESO估计的输出z1之差,e2为TD估计的输出v2与ESO估计的输出z2之差,u0为非线性组合之后的输出;
扰动补偿中u为控制器的实际输出,为NLSEF的输出u0与ESO中的z3之差;
v为控制目标,即目的位置,艏向角信息,u为控制器的实际输出,即为输出的力和力矩;
X自抗扰控制器的控制目标v即为X方向的目标位置x*,控制器的实际输出为虚拟控制变量τa;
Y自抗扰控制器的控制目标v即为Y方向的目标位置y*,控制器的实际输出为虚拟控制变量τb;
ψ自抗扰控制器的控制目标v即为ψ的目标角度ψ*,控制器的实际输出为虚拟控制变量τc,虚拟控制变量通过矩阵B-1作用得到实际控制变量;
其余参数均为控制器内部参数;
垂直面阶段回收控制器设计包括:设计垂直面自抗扰回收Z控制器,控制器结构满足:
控制器输入为目标深度z*,控制器输出为虚拟控制变量τe,经过B-1作用得到垂直槽道推进器推力τw,分别设计自抗扰控制器的TD,ESO,NLSEF,扰动补偿,每设计好一个部分即可根据系统情况调整参数,最后根据自抗扰控制分离性定理把设计好的各个部分组合得到完整控制器;
水平面第II阶段回收控制器设计包括:UUV的x位置控制设计控制器,控制器结构包括:
控制器输入为目地位置x*,输出为虚拟控制变量τa,经过B-1作用可得垂直槽道推进器推力τu,分别设计自抗扰控制器的TD,ESO,NLSEF,扰动补偿,每设计好一个部分即可根据系统情况调整参数,最后根据自抗扰控制分离性定理把设计好的各个部分组合得到完整控制器。
4.步骤四包括:
(1)配置好参数,TD中为r0,h0;ESO中为β01,β02,β03,δ;NLSEF中为c,r,h1;扰动补偿中为b。使得ADRC能大致控制好系统;
(2)从ESO中取出z1,z2,z3,并保存;
(3)以z1,z2为输入,z3为希望输出,设计神经网络结构,并制定训练的终止条件,用BP算法开始训练;
(4)训练完成之后,将fANN嵌入到控制器中,进行补偿;
含fANN补偿项的自抗扰控制器方程设计如下:
神经网络训练集采用的z1,z2,z3为水平面第I阶段回收控制器、垂直面阶段回收控制器和水平面第II阶段回收控制器中的ESO的输出量,把训练好的神经网络补偿项加入自抗扰控制器中,替换设计好的自抗扰控制器进行控制,以完成UUV的叉柱式回收任务。
本发明有益效果:本发明可以解决UUV数学模型的严重耦合问题,有效且高精度的对UUV进行控制,使UUV实现叉柱式自动回收的全过程。
(1)安排合适的过渡过程;
(2)合理的提取“微分”,设计跟踪微分器(Tracking Differentiator,TD);
(3)探讨“扰动估计”办法,设计扩张状态观测器(Extended State Observer,ESO)。
(4)对误差的过去,现在,将来设计非线性状态误差反馈率(Nonliner StateError Feedback,NLSEF);
根据这几个环节组合成自抗扰控制器。经过大量的仿真和实践验证,自抗扰控制器确实具有很好的控制效果。
附图说明
图1是本发明的叉柱式回收流程图;
图2是本发明的叉柱式回收阶段示意图;
图3是本发明的叉柱式回收架示意图;
图4是本发明的UUV回收杆关闭与打开示意图;
图5是本发明的水平面第I阶段自抗扰控制器示意图;
图6是本发明的含有神经网络补偿项的第I阶段自抗扰控制器示意图;
具体实施方式
下面结合附图对本发明具体实施方式做进一步说明。
为了控制UUV实现自主水下回收过程,采用叉柱式回收方式,并针对叉柱式回收方式设计了UUV的叉柱式回收流程,然后对UUV的数学模型进行解耦,分不同阶段对解耦之后的数学模型进行控制,对自抗扰控制器设计神经网络补偿结构,最后让控制过程顺序执行,即可实现UUV水下回收自抗扰控制。
本发明包括:
步骤一:针对叉柱式回收的特点设计UUV的叉柱式回收流程;
步骤二:参考自抗扰控制针对多变量耦合系统的控制方法,针对UUV数学模型强耦合的特性,设计一种基于UUV模型的解耦算法,对UUV的模型进行解耦。
步骤三:根据自抗扰控制理论的分离性原理,针对解耦后的UUV的模型分阶段设计自抗扰控制器的各个组成部分,并把设计好的各个部分进行组合形成此阶段的自抗扰控制器。
步骤四:采用步骤三的方法分别设计叉柱式回收各个阶段的控制器,顺序安排UUV执行每个阶段的控制任务就可以完成整个UUV的回收任务。
步骤五:设计神经网络结构对每个阶段的自抗扰控制器进行优化,把优化后的自抗扰控制器进行组合,形成新的含有神经网络补偿项的自抗扰控制器,顺序安排UUV执行每个阶段的控制任务就可以完成整个UUV的回收任务。
本发明还包括:
叉柱式回收方案设计,UUV数学模型解耦算法、UUV回收自抗扰控制器设计、含神经网络优化项的UUV回收自抗扰控制器优化算法。
1、UUV叉柱式回收流程设计
由于UUV模型的复杂性以及各种状态变量之间的强耦合,为了便于控制,采取把UUV的回收控制依照所在的运动平面的不同进行分解,分解成在水平面和垂直面的不同运动阶段,来分阶段进行回收的形式。
UUV叉柱式回收流程的具体方法如下:
(1)航行器接收到回收指令,竖直下潜到水下2m左右。
(2)航行器做水平面小范围回转运动,利用UUV上的超短基线声呐(USBL)搜寻回收架上的信标信号,搜索到信号之后,获取回收架的位置信息,航行器的使命计算机经过解算计算出回收架的相对UUV的具体位置(x,y,z)和与回收架对接需要的航行器艏向角度信息
(3)水平面第I阶段运动:航行器依靠主推进器,水平槽道推进器,方向舵,做水平面的运动,并调整艏向角,运动到回收架斜上方,即:将回收架开口向UUV运动所在平面做投影,UUV在保持运动平面不变的情况下,运行至开口投影所在位置的正前方约2m处(具体数值也可根据UUV的体型做出修改)。
(4)垂直面运动:当航行器到达水平面第I阶段运动结束的预定位置之后,航行器依靠垂直槽道推进器进行垂直面的下潜运动,调整深度到回收架开口所在的深度位置。
(5)水平面第II阶段运动:航行器在结束垂直面运动之后做慢速直航运动,到预定位置停止,使航行器下方的对接杆和回收架的锁紧装置锁紧,回收任务完成。
2、UUV数学模型解耦算法
所述的UUV数学模型解耦的具体方法为:
依照国际水池会议(ITTC)与造船和轮机工程学会(SNAME)术语公报推荐的体系定义固定坐标系(也称地面坐标系)和运动坐标系(也称船体坐标系),采用右手系,旋转角速度的正向按照右手定则确定。相关参量和符号见表1:
表1运动坐标系中的主要参数
经过优化处理的UUV模型如式1所示:
运动学模型:
动力学模型:
式中:d11=Xu+Xu|u||u|;d22=Yv+Yv|v||v|;d33=Zw+Zw|w||w|;d55=Mq+Mq|q||q|;d66=Nr+Nr|r||r|;其中分别为UUV沿x、y、z轴方向做加速运动所受到的x、y、z轴方向的水作用力,Xu、Yv、Zw分别为UUV作x、y、z轴方向的匀速运动所受到的x、y、z方向的水作用力,Xu|u|,Yv|v|,Zw|w|分别为UUV作x、y、z轴方向的匀速运动所受到的x、y、z方向的近似二阶水动力,为UUV绕y、z轴做角加速运动所受到的绕y、z轴的水作用力矩,Mq,Nr为UUV绕y、z轴的匀速旋转运动所受到的绕y、z轴的水作用力矩,Mq|q|,Nr|r|为UUV绕y、z轴方向的匀速旋转运动所受到的y、z方向的近似二阶水动力矩。x,y,z为UUV在固定坐标系下的空间位置坐标,u,v,w为UUV在x,y,z方向的速度,ψ,θ,q,r分别表示艏向角,纵倾角,艏向角角速度和纵倾角角速度,τu,τv,τq分别表示x,y,z方向的推力,τq,τr分别为绕着y轴旋转的力矩和绕着z轴旋转的力矩,转矩的正方向遵循右手定则。
模型的各个自由度间都具有较强的耦合性,研究过程相对复杂,考虑把模型分成水平面和垂直面来分别研究,以降低耦合性,简化如下:
在水平面模型中,令跟垂直面相关的变量z=w=θ=q=τq=0,得到水平面运动学方程如下:
水平面动力学方程:
在垂直面模型中,跟水平面相关的变量y=v=ψ=r=τr=0,得到垂直面运动学方程如下:
垂直面动力学方程:
对于(3)(4)所示的UUV的水平面模型,输入量是τu,τv,τr,被控量是x,y,ψ是一个耦合严重的多输入多输出系统,对(3)求导,得:
将(4)带入上式得:
记:
其中,[τu τv τr]T为实际控制量,[τa τb τc]T为虚拟控制量,静态耦合矩阵:
把式子(9)代入式子(8)为:
可以看出在式子(11)中,x,y,ψ分别由τa,τb,τc控制,不再受τu,τv,τr混合作用,即解耦成功。最后输出给被控对象的控制量需要τu,τv,τr,所以需要B矩阵可逆,把τa,τb,τc经过B-1作用转化为τu,τv,τr。
经过计算|B|=1/m11m22m66,恒不为0,所以B矩阵可逆,可以解耦。
以上是UUV水平面模型解耦过程。
对于(5)(6)所示的UUV的垂直面模型,输入量是τu,τw,τq,被控量是x,z,θ是一个耦合严重的多输入多输出系统,对(5)求导,得:
把(6)带入(13)可得:
记:
其中,[τd τe τf]T是虚拟控制量,[τu τw τq]T是实际控制量,静态耦合矩阵B:
经过计算|B|=1/m11m33m55,恒不为0,所以B矩阵可逆,可以解耦。
3、UUV回收自抗扰控制器设计
所述的UUV回收自抗扰控制器设计的具体方法为:
UUV回收自抗扰控制器需要按照叉柱式回收流程进行设计,所以分成水平面第I阶段回收控制器、垂直面阶段回收控制器、水平面第II阶段回收控制器进行设计。
(1)水平面第I阶段回收控制器设计
根据UUV数学模型解耦算法中解耦之后的水平面数学模型可知,解耦之后UUV水平面的输入量变成了[τa τb τc]T为虚拟控制量,[τu τv τr]T为实际控制量。
由于UUV的回收运动是最终使得UUV到达一个指定位置,可以分别针对x,y,ψ设计X自抗扰控制器,Y自抗扰控制器,ψ自抗扰控制器,使用不同的控制器对每个控制变量进行分别控制,经过解算,输出控制力和力矩。所以,水平面的控制器设计又分为X自抗扰控制器,Y自抗扰控制器,ψ自抗扰控制器的设计。这三个控制量在控制上没有区别,控制器设计方法相同。
以X自抗扰控制器为例说明设计方法:分别设计自抗扰控制器的TD,ESO,NLSEF,扰动补偿,每设计好一个部分即可根据系统情况调整参数,最后根据自抗扰控制分离性定理把设计好的各个部分组合即可得完整控制器如(17)式所示。
式(17)中的h为步长。
跟踪微分器(TD)部分中的v为系统接受的输入值,输出变量为v1,v2。v1跟踪v的变化,v2跟踪的变化。h0为抑制超调和扰动的变量。fhan()是一个非线性函数,具体表示如式(18)所示。
在扩张状态观测器(ESO)部分中的u为本结构的输入量,y是系统实际输出状态,z1,z2,z3为ESO的输出量,其中z1估计y值,z2估计z3是估计系统未知扰动和未知状态的扩张变量。e为估计值z1和实际值y之差。δ是fal()的线性区间的宽度。β01,β02,β03为扩张状态观测器的参数,需要根据实际调试情况进行配置。fal()是一个非线性函数,具体表示为:
非线性误差反馈(NLSEF)中的e1为TD估计的输出v1与ESO估计的输出z1之差,e2为TD估计的输出v2与ESO估计的输出z2之差。u0为非线性组合之后的输出。
扰动补偿中u为控制器的实际输出,为NLSEF的输出u0与ESO中的z3之差。
把自抗扰控制器作为一个整体考虑的话,v为控制目标,即目的位置,艏向角信息,u为控制器的实际输出,即为输出的力和力矩。
X自抗扰控制器的控制目标v即为X方向的目标位置x*,控制器的实际输出为虚拟控制变量τa。
Y自抗扰控制器的控制目标v即为Y方向的目标位置y*,控制器的实际输出为虚拟控制变量τb。
ψ自抗扰控制器的控制目标v即为ψ的目标角度ψ*,控制器的实际输出为虚拟控制变量τc。虚拟控制变量通过矩阵B-1作用得到实际控制变量。
其余参数均为控制器内部参数,各个控制器都需要对参数进行配置,调整方法一致。
(2)垂直面阶段回收控制器设计和水平面第II阶段回收控制器设计
由于在开始垂直面运动和水平面第II阶段任务的时候,UUV已经调整好位置和姿态,继续以水平面第I阶段回收阶段之后的状态进行运动即可,即位置X,Y和艏向ψ均不需要进行调整,为了设计方便,可以把接下来的垂直面运动和水平面第II阶段任务看成是垂直面的运动。
根据UUV数学模型解耦算法中解耦之后的垂直面数学模型可知,解耦之后UUV垂直面的输入量变成了虚拟控制量[τd τe τf]T,[τu τw τq]T为实际控制量。
对UUV的深度控制设计垂直面自抗扰回收Z控制器,控制器结构如式(17),控制器输入为目标深度z*,控制器输出为虚拟控制变量τe,经过B-1作用得到垂直槽道推进器推力τw,分别设计自抗扰控制器的TD,ESO,NLSEF,扰动补偿,每设计好一个部分即可根据系统情况调整参数,最后根据自抗扰控制分离性定理把设计好的各个部分组合即可得完整控制器。
对UUV的水平面第II阶段航行器的x位置控制设计控制器,控制器结构参考式(17),控制器输入为目地位置x*,输出为虚拟控制变量τa,经过B-1作用可得垂直槽道推进器推力τu,分别设计自抗扰控制器的TD,ESO,NLSEF,扰动补偿,每设计好一个部分即可根据系统情况调整参数,最后根据自抗扰控制分离性定理把设计好的各个部分组合即可得完整控制器。
可以根据以下规律整定自抗扰控制器的参数:
(1)TD:r越大,v1跟踪输入信号v越快,但是如果跟踪速度越快对系统的冲击就会越剧烈,使得跟踪微分器的过渡过程效果不明显。通过适当增大u=fhan(v1-v,v2,r,h0)中的h0,能对微分信号中的噪声进行很好的抑制,也可以减小速度曲线中的超调。
(2)ESO:非线性函数fal()的参数一般取α01=0.5,α02=0.25,α01,α02越小fal()的非线性越强,δ是fal()线性段宽度,如果过小可能导致高频脉冲,过大则线性区间过宽,非线性会退化为线性,弱化了非线性的优势。β01,β02主要影响状态变量的估计,β03主要影响扰动的估计。如果干扰的幅度较大,则β01,β02,β03的值应该适当增大,对干扰估计的滞后大小主要取决于参数β03,β03越大则滞后越小。但β03过大会引起其他估计值的振荡,适当增大β01,β02能有效抑制β03引起的振荡,但如果β01,β02过大也会引起估计值的振荡,β01,β02,β03应相互配合进行调整。通过仿真可知β01,β02,β03的变化对z2,z3的影响较大,对z1的影响不大。
(3)NEF:自抗扰控制的非线性组合有很多种形式,u0=-fhan(e1,ce2,r,h1)这种非线性组合可以有效的消除震颤,所以本发明采用这种非线性组合形式。当c太大时,NLSEF输出的误差反馈控制量δs0会产生高频震荡,r如果过小系统输出将无法跟上设定的目标输出。
4、含神经网络优化项的UUV回收自抗扰控制器优化算法
由于自抗扰控制器中的扩张状态观测器的参数是固定的,对于控制对象变化范围比较小的系统会控制的比较好,如果对于被控对象的变化范围比较大的系统控制效果就会很有限。由于UUV工作环境的干扰复杂、模型不确定等原因,水动力参数会发生变化,从而UUV模型在作业时也不是固定不变的,因此自抗扰控制器也存在巨大的优化空间,本发明将通过人工神经网络的方法对上述所有自抗扰控制器自抗扰控制进行优化。设计神经网络补偿结构,对设计好的自抗扰控制器进行优化,可以减轻自抗扰控制器的负担,使用经过优化的控制器代替原控制器进行控制,会使控制器更快的对干扰做出补偿。
具体方法为:
(1)配置好参数,TD中为r0,h0;ESO中为β01,β02,β03,δ;NLSEF中为c,r,h1;扰动补偿中为b。使得ADRC能大致控制好系统;
(2)从ESO中取出z1,z2,z3,并保存;
(3)以z1,z2为输入,z3为希望输出,设计神经网络结构,并制定训练的终止条件,用BP算法开始训练,得到神经网络补偿函数fANN;
(4)训练完成之后,将fANN嵌入到控制器中,进行补偿;
含fANN补偿项的自抗扰控制器方程设计如下:
神经网络训练集采用的z1,z2,z3为前文设计好的各个UUV回收自抗扰控制器中的ESO的输出量。把训练好的神经网络补偿项加入自抗扰控制器中,替换设计好的自抗扰控制器进行控制,以完成UUV的叉柱式回收任务。
由于神经网络存在局部极小值问题,为了避免陷入局部极小值,采用梯度下降动量和自适应学习率的BP算法训练函数(traingdx)。
分别设计X,Y自抗扰控制器神经网络输入层的节点数为2个,隐含层的节点数为5个,输出层节点1个。设计ψ自抗扰控制器的神经网络输入层节点数为8个,输出节点为1个。在激活函数选择上,隐含层选用tansig,输出层选用purelin。
每个自抗扰控制器的补偿方法都完全一致,在此不一一赘述。
结合图1,UUV水下叉柱式回收流程图,主要包括如下阶段:
(1)航行器接收到回收指令,竖直下潜到水下2m左右。
(2)航行器做水平面小范围回转运动,利用UUV上的超短基线声呐(USBL)搜寻回收架上的信标信号,搜索到信号之后,获取回收架的位置信息,航行器的使命计算机经过解算计算出回收架的具体位置(x,y,z)和与回收架对接需要的航行器艏向角度信息
(3)水平面第I阶段运动:航行器依靠主推进器,水平槽道推进器,方向舵,做水平面的运动,并调整艏向角,运动到回收架斜上方。
(4)垂直面运动:当航行器到达预定位置之后,航行器依靠垂直槽道推进器进行垂直面的下潜运动,调整深度到回收架开口所在的深度位置。
(5)水平面第II阶段运动:航行器慢速直航运动,到预定位置停止,使航行器下方的对接杆和回收架的锁紧装置锁紧,回收任务完成。
回收阶段示意图如图2所示,上述的(1)(2)(3)(4)(5)对应图中的(1)(2)(3)(4)(5)。
结合图3,图4,本发明的回收架如图3所示,回收架由回收导轨1,锁紧装置2,支撑架3,底座4组成。图3中左图是UUV5上的回收对接杆6关闭和打开状态示意图。
UUV执行任务时回收架收起如图4左图所示,当UUV准备回收时回收架打开如图4右图所示。
结合图5,水平面第I阶段自抗扰控制器示意图,由于UUV数学模型是非线性、强耦合的,在控制过程中会出现不同控制量互相影响的情况,所以需要对模型进行解耦。图5是X,Y,ψ三个控制器的解耦过程。[τa τb τc]T为虚拟控制量,[τu τv τr]T为实际控制量。[τa τbτc]T通过静态耦合矩阵B的逆矩阵B-1的计算得到实际控制量[τu τv τr]T,最终作用在UUV上的控制量还是实际控制量。
在控制器设计上可以利用自抗扰控制的分离性原理,也就是可以不用考虑其它结构,各自结构独立进行调试,最后再将调试好的各个结构进行组合,最终形成一套完整的自抗扰控制器。这种特性使得自抗扰控制器具有模块化的特点,可以方便的进行设计和参数整定。
剩余两个回收阶段的控制器设计和解耦方法也是参考图5进行,在此不再赘述。
结合图6,含有神经网络补偿项的第I阶段自抗扰控制器示意图。
采用神经网络项补偿的具体方法为:
(1)配置好参数,使得ADRC能大致控制好系统;
(2)从ESO中取出z1,z2,z3,并保存;
(3)以z1,z2为输入,z3为希望输出,设计神经网络结构,并制定训练的终止条件,用BP算法开始训练;
(4)训练完成之后,将fANN嵌入到控制器中,进行补偿;
为了避免陷入局部极小值问题,采用梯度下降动量和自适应学习率的BP算法训练函数(traingdx)。
分别设计X,Y自抗扰控制器神经网络输入层的节点数为2个,隐含层的节点数为5个,输出层节点1个。设计ψ自抗扰控制器的神经网络输入层节点数为8个,输出节点为1个。在激活函数选择上,隐含层选用tansig,输出层选用purelin。
根据每个控制器的参数输出,把训练好的神经网络结构嵌入设计的自抗扰控制器中。将设计好的含有神经网络补偿项的自抗扰控制器替换原控制器进行控制即可。
Claims (5)
1.一种UUV水下回收自抗扰控制方法,其特征在于,包括以下步骤:
步骤一:设计UUV的叉柱式回收流程,叉柱式回收流程包括水平面第I阶段运动、垂直面运动、水平面第II阶段运动;
步骤二:对UUV的数学模型进行解耦;
步骤三:针对解耦后的UUV模型,为步骤一中的叉柱式回收流程的每个阶段设计自抗扰控制器;
步骤四:设计神经网络结构对步骤三中每个阶段的自抗扰控制器进行优化,把优化后的自抗扰控制器进行组合,UUV顺序执行每个阶段控制任务。
2.根据权利要求1所述的一种UUV水下回收自抗扰控制方法,其特征在于:步骤一所述叉柱式回收流程包括三个阶段,具体为:
水平面第I阶段运动:根据回收装置的位置信息和对接需要的UUV艏向角度信息,UUV做水平面的运动,并调整艏向角,将回收装置开口向UUV运动所在平面做投影,UUV在保持运动平面不变的情况下,运行至开口投影所在位置的正前方设定位置;
垂直面运动:UUV进行垂直面的下潜运动到回收位置所在的深度位置;
水平面第II阶段运动:UUV慢速直航运动,到达回收位置。
3.根据权利要求1所述的一种UUV水下回收自抗扰控制方法,其特征在于:步骤二具体为:
UUV的运动学模型为:
UUV的动力学模型:
式中:d11=Xu+Xu|u||u|;d22=Yv+Yv|v||v|;d33=Zw+Zw|w||w|;d55=Mq+Mq|q||q|;d66=Nr+Nr|r||r|;其中分别为UUV沿x、y、z轴方向做加速运动所受到的x、y、z轴方向的水作用力,Xu、Yv、Zw分别为UUV作x、y、z轴方向的匀速运动所受到的x、y、z方向的水作用力,Xu|u|,Yv|v|,Zw|w|分别为UUV作x、y、z轴方向的匀速运动所受到的x、y、z方向的近似二阶水动力,为UUV绕y、z轴做角加速运动所受到的绕y、z轴的水作用力矩,Mq,Nr为UUV绕y、z轴的匀速旋转运动所受到的绕y、z轴的水作用力矩,Mq|q|,Nr|r|为UUV绕y、z轴方向的匀速旋转运动所受到的y、z方向的近似二阶水动力矩。x,y,z为UUV在固定坐标系下的空间位置坐标,u,v,w为UUV在x,y,z方向的速度,ψ,θ,q,r分别表示艏向角,纵倾角,艏向角角速度和纵倾角角速度,τu,τv,τq分别表示x,y,z方向的推力,τq,τr分别为绕着y轴旋转的力矩和绕着z轴旋转的力矩,转矩的正方向遵循右手定则。
将UUV的模型分为水平面模型和垂直面模型:
在水平面模型中,令与垂直面相关的变量z=w=θ=q=τq=0,得到水平面运动学方程:
得到水平面动力学方程:
解耦后:
其中,[τu τv τr]T为实际控制量,[τa τb τc]T为虚拟控制量;
在垂直面模型中,令水平面相关的变量y=v=ψ=r=τr=0,得到垂直面运动学方程如下:
得到垂直面动力学方程:
解耦后:
其中,[τd τe τf]T是虚拟控制量,[τu τw τq]T是实际控制量。
4.根据权利要求1所述的一种UUV水下回收自抗扰控制方法,其特征在于:步骤三包括水平面第I阶段回收控制器设计、垂直面阶段回收控制器设计和水平面第II阶段回收控制器设计;
水平面第I阶段回收控制器设计包括:分别设计x自抗扰控制器,y自抗扰控制器,ψ自抗扰控制器:
x自抗扰控制器:分别设计自抗扰控制器的跟踪微分器TD,扩张状态观测器ESO,非线性状态误差反馈率NLSEF和扰动补偿,并分别调整参数,最后根据自抗扰控制分离性定理把跟踪微分器TD,扩张状态观测器ESO,非线性状态误差反馈率NLSEF和扰动补偿组合得到完整控制器,具体为:
其中,h为步长,跟踪微分器TD部分中的v为系统接受的输入值,输出变量为v1,v2,v1跟踪v的变化,v2跟踪的变化,h0为抑制超调和扰动的变量;fhan()是一个非线性函数,满足:
在扩张状态观测器ESO部分中的u为本结构的输入量,y是系统实际输出状态,z1,z2,z3为ESO的输出量,其中z1估计y值,z2估计z3是估计系统未知扰动和未知状态的扩张变量,e为估计值z1和实际值y之差,δ是fal()的线性区间的宽度,β01,β02,β03为扩张状态观测器的参数,需要根据实际调试情况进行配置;fal()是一个非线性函数,满足:
非线性误差反馈NLSEF中的e1为TD估计的输出v1与ESO估计的输出z1之差,e2为TD估计的输出v2与ESO估计的输出z2之差,u0为非线性组合之后的输出;
扰动补偿中u为控制器的实际输出,为NLSEF的输出u0与ESO中的z3之差;
v为控制目标,即目的位置,艏向角信息,u为控制器的实际输出,即为输出的力和力矩;
X自抗扰控制器的控制目标v即为X方向的目标位置x*,控制器的实际输出为虚拟控制变量τa;
Y自抗扰控制器的控制目标v即为Y方向的目标位置y*,控制器的实际输出为虚拟控制变量τb;
ψ自抗扰控制器的控制目标v即为ψ的目标角度ψ*,控制器的实际输出为虚拟控制变量τc,虚拟控制变量通过矩阵B-1作用得到实际控制变量;
其余参数均为控制器内部参数;
垂直面阶段回收控制器设计包括:设计垂直面自抗扰回收Z控制器,控制器结构满足:
控制器输入为目标深度z*,控制器输出为虚拟控制变量τe,经过B-1作用得到垂直槽道推进器推力τw,分别设计自抗扰控制器的TD,ESO,NLSEF,扰动补偿,每设计好一个部分即可根据系统情况调整参数,最后根据自抗扰控制分离性定理把设计好的各个部分组合得到完整控制器;
水平面第II阶段回收控制器设计包括:UUV的x位置控制设计控制器,控制器结构包括:
控制器输入为目地位置x*,输出为虚拟控制变量τa,经过B-1作用可得垂直槽道推进器推力τu,分别设计自抗扰控制器的TD,ESO,NLSEF,扰动补偿,每设计好一个部分即可根据系统情况调整参数,最后根据自抗扰控制分离性定理把设计好的各个部分组合得到完整控制器。
5.根据权利要求1所述的一种UUV水下回收自抗扰控制方法,其特征在于:步骤四包括:
(1)配置好参数,TD中为r0,h0;ESO中为β01,β02,β03,δ;NLSEF中为c,r,h1;扰动补偿中为b。使得ADRC能大致控制好系统;
(2)从ESO中取出z1,z2,z3,并保存;
(3)以z1,z2为输入,z3为希望输出,设计神经网络结构,并制定训练的终止条件,用BP算法开始训练;
(4)训练完成之后,将fANN嵌入到控制器中,进行补偿;
含fANN补偿项的自抗扰控制器方程设计如下:
神经网络训练集采用的z1,z2,z3为水平面第I阶段回收控制器、垂直面阶段回收控制器和水平面第II阶段回收控制器中的ESO的输出量,把训练好的神经网络补偿项加入自抗扰控制器中,替换设计好的自抗扰控制器进行控制,以完成UUV的叉柱式回收任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910414679.1A CN110045615A (zh) | 2019-05-17 | 2019-05-17 | 一种uuv水下回收自抗扰控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910414679.1A CN110045615A (zh) | 2019-05-17 | 2019-05-17 | 一种uuv水下回收自抗扰控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110045615A true CN110045615A (zh) | 2019-07-23 |
Family
ID=67282602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910414679.1A Pending CN110045615A (zh) | 2019-05-17 | 2019-05-17 | 一种uuv水下回收自抗扰控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110045615A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110937087A (zh) * | 2019-12-03 | 2020-03-31 | 哈尔滨工程大学 | 一种auv水下布放与回收对接装置和对接方法 |
CN111830832A (zh) * | 2020-07-27 | 2020-10-27 | 中国科学院自动化研究所 | 仿生滑翔机器海豚平面路径跟踪方法及系统 |
CN112947477A (zh) * | 2021-03-23 | 2021-06-11 | 哈尔滨工程大学 | 一种无人艇航向自抗扰控制系统及控制方法 |
CN114924576A (zh) * | 2022-04-20 | 2022-08-19 | 中国科学院沈阳自动化研究所 | 一种适用于水下机器人的定深控制方法 |
CN116101464A (zh) * | 2022-09-20 | 2023-05-12 | 西北工业大学深圳研究院 | 无人水下航行器含有动态参数的变阶次模糊逻辑控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170229025A1 (en) * | 2016-02-04 | 2017-08-10 | Proxy Technologies, Inc. | Unmanned vehicle, system and method for determining a planned path for unmanned vehicles |
CN108622333A (zh) * | 2018-05-28 | 2018-10-09 | 哈尔滨工程大学 | 一种多uuv布放回收对接装置及其布放回收方法 |
-
2019
- 2019-05-17 CN CN201910414679.1A patent/CN110045615A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170229025A1 (en) * | 2016-02-04 | 2017-08-10 | Proxy Technologies, Inc. | Unmanned vehicle, system and method for determining a planned path for unmanned vehicles |
CN108622333A (zh) * | 2018-05-28 | 2018-10-09 | 哈尔滨工程大学 | 一种多uuv布放回收对接装置及其布放回收方法 |
Non-Patent Citations (3)
Title |
---|
张英浩: "基于自抗扰技术的欠驱动AUV路径跟随控制", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
张荣等: "BP神经网络在自抗扰控制器中的应用", 《中国控制会议论文集》 * |
郁晨曦: "基于模型预测的UUV叉柱式回收控制方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110937087A (zh) * | 2019-12-03 | 2020-03-31 | 哈尔滨工程大学 | 一种auv水下布放与回收对接装置和对接方法 |
CN110937087B (zh) * | 2019-12-03 | 2021-10-01 | 哈尔滨工程大学 | 一种auv水下布放与回收对接装置和对接方法 |
CN111830832A (zh) * | 2020-07-27 | 2020-10-27 | 中国科学院自动化研究所 | 仿生滑翔机器海豚平面路径跟踪方法及系统 |
CN111830832B (zh) * | 2020-07-27 | 2021-08-31 | 中国科学院自动化研究所 | 仿生滑翔机器海豚平面路径跟踪方法及系统 |
CN112947477A (zh) * | 2021-03-23 | 2021-06-11 | 哈尔滨工程大学 | 一种无人艇航向自抗扰控制系统及控制方法 |
CN114924576A (zh) * | 2022-04-20 | 2022-08-19 | 中国科学院沈阳自动化研究所 | 一种适用于水下机器人的定深控制方法 |
CN116101464A (zh) * | 2022-09-20 | 2023-05-12 | 西北工业大学深圳研究院 | 无人水下航行器含有动态参数的变阶次模糊逻辑控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110045615A (zh) | 一种uuv水下回收自抗扰控制方法 | |
Gu et al. | Disturbance observers and extended state observers for marine vehicles: A survey | |
Elmokadem et al. | Terminal sliding mode control for the trajectory tracking of underactuated Autonomous Underwater Vehicles | |
Zhang et al. | Concise robust adaptive path-following control of underactuated ships using DSC and MLP | |
Tomera | Nonlinear controller design of a ship autopilot | |
CN108897217A (zh) | 一种基于模型预测控制的欠驱动水面船轨迹跟踪控制方法 | |
Ihle et al. | Nonlinear formation control of marine craft with experimental results | |
Zhang et al. | Anti-disturbance control for dynamic positioning system of ships with disturbances | |
Qin et al. | Disturbance-observer-based prescribed performance fault-tolerant trajectory tracking control for ocean bottom flying node | |
Liu et al. | A hierarchical disturbance rejection depth tracking control of underactuated AUV with experimental verification | |
Liu et al. | Modified adaptive complementary sliding mode control for the longitudinal motion stabilization of the fully-submerged hydrofoil craft | |
Do et al. | Robust adaptive control of underactuated ships on a linear course with comfort | |
Zhou et al. | Robust dynamic heading tracking control for wave gliders | |
Li et al. | Formation control of a group of AUVs using adaptive high order sliding mode controller | |
Li et al. | An Iterative learning extended-state observer-based fuzzy fault-tolerant control approach for AUVs | |
Fossen | Nonlinear passive control and observer design for ships | |
Wang et al. | Adaptive fuzzy control of underwater vehicle manipulator system with dead-zone band input nonlinearities via fuzzy performance and disturbance observers | |
Tang et al. | Robust fixed-time trajectory tracking control of the dynamic positioning ship with actuator saturation | |
Healey | Model-based maneuvering controls for autonomous underwater vehicles | |
Jagannathan et al. | One-layer neural-network controller with preprocessed inputs for autonomous underwater vehicles | |
Wang et al. | Finite-time prescribed performance trajectory tracking control for the autonomous underwater helicopter | |
Børhaug et al. | Formation control of underactuated marine vehicles with communication constraints | |
Miao et al. | PECLOS path-following control of underactuated AUV with multiple disturbances and input constraints | |
Guo et al. | Robust adaptive event-triggered path following control for autonomous surface vehicles in shallow waters | |
Gao et al. | Disturbance observer based finite-time trajectory tracking control of unmanned surface vehicles with unknown dead-zones |
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 |