CN110398971B - 一种直流电机推进无人船的速度控制方法 - Google Patents

Abstract

本发明公开了一种直流电机推进无人船的速度控制方法，将预估器设计和有限集模型预测控制方法结合，实现直流电机推进无人船的速度控制。首先，设计两个基于神经网络的预估器来估计无人船速度动力学、直流电机以及螺旋桨模型中的不确定项。然后，采用有限集模型预测控制方法设计无人船速度控制器。本发明提出的速度控制系统采用有限集模型预测控制方法设计，具有结构简单、动态响应快的特点，且能够达到最优的速度控制效果。本发明提出的速度控制方法通过在每个采样时刻反复计算速度偏差，能够及时校正无人船航行过程中遇到的各种复杂情况，抗干扰能力强，更加适用于无人船航行的复杂环境。

Description

一种直流电机推进无人船的速度控制方法

技术领域

本发明涉及无人船运动控制领域，特别是一种直流电机推进无人船的速度控制方法。

背景技术

由于无人船在军事、商业等诸多领域越来越广泛地应用，无人船运动控制问题已经成为一个非常重要的研究领域。速度控制作为无人船运动控制中不可缺少的一部分，是实现无人船安全可靠应用的前提和基础。无人船的速度控制不仅与推进系统提供的推力有关，而且与船体的形状、海面风浪大小和海水流速等多重因素有关，因此，使用传统的PID控制方法通常难以获得良好的控制效果。随着无人船控制技术的不断发展和完善，许多新的控制方法被应用于无人船的速度控制中，例如：模糊控制、神经网络控制、反步法等。将这些控制方法互相结合，或是引入传统的PID控制中，优化调整PID参数，都有效地提高了无人船速度控制性能。针对无人船的速度控制问题，已经有了一些可行的技术方案。

但现有的技术仍然存在以下问题：

第一，现有的无人船速度控制方法中，虽然采用了一些新颖的控制方法，但所设计出的控制器结构复杂，实际中难以实现，而且，采用这些方法只是提高了无人船速度控制性能，却无法达到最优的速度控制效果。

第二，无人船航行的环境较为复杂，对速度控制器的抗干扰以及自适应能力要求较高，现有的速度控制方法还需进一步提高抗干扰能力，以保证无人船在复杂海况下仍可安全可靠地运行。

第三，现有的无人船速度控制方法中，大多未考虑到电力推进部分的控制，控制器的控制输出为力矩，而力矩的控制又需要通过控制电机来完成，使得这些控制方法在实际应用中实现起来较为困难。

发明内容

为解决现有方法存在的不足，本发明要提出一种控制器结构简单、动态响应快且抗干扰能力强的直流电机推进无人船的速度控制方法。

本发明的基本思路是：将预估器设计和有限集模型预测控制方法结合，实现直流电机推进无人船的速度控制。首先，设计两个基于神经网络的预估器来估计无人船速度动力学、直流电机以及螺旋桨模型中的不确定项。然后，采用有限集模型预测控制方法设计无人船速度控制器，具体包括两个步骤：第一步，将可能的电压控制信号分成有限个等级，建立离散化的系统模型，依靠从预估器获得的未知信息以及当前时刻的速度值和转速值，预测每个电压等级所对应的未来时刻的速度值和转速值；第二步，根据预先定义的代价函数选择出最优的电压控制信号。

本发明的技术方案如下：一种直流电机推进无人船的速度控制方法，利用直流电机推进无人船的速度控制系统进行控制，所述的直流电机推进无人船的速度控制系统包括速度控制器、离散模型、神经网络A、航速预估器、神经网络B和转速预估器；

所述的速度控制器的输入端分别与无人船的航速输出端、无人船的转速输出端以及离散模型的输出端相连；

所述的离散模型的输入端分别与神经网络A的输出端、神经网络B的输出端、无人船的航速输出端和无人船的转速输出端相连；

所述的神经网络A的输入端分别与无人船的航速输出端以及航速预估器的输出端相连；

所述的航速预估器的输入端分别与无人船的航速输出端、无人船的转速输出端以及神经网络A的输出端相连；

所述的神经网络B的输入端分别与无人船的转速输出端以及转速预估器的输出端相连；

所述的转速预估器的输入端分别与无人船的航速输出端、无人船的转速输出端以及神经网络B的输出端相连。

设直流电机推进无人船的前向速度控制回路如下：

其中：

φ₁(v)＝(X_vv+X_|v|v|v|v)/m表示无人船前向速度动力学未知函数，m代表无人船的质量，v代表无人船的前向速度，|v|代表无人船前向速度的绝对值；

φ₂(ω)＝(-ω-F_cK_QρD⁵|ω|ω/4π²)/B_m表示直流电机和螺旋桨模型中的未知函数，ω代表直流电机的角速度，F_c代表直流电机的传递系数，B_m代表直流电机的机电时间常数，K_Q代表螺旋桨的转矩系数，ρ代表海水密度，D代表螺旋桨的直径；

系数d₁＝(1-e)K_FρD⁴/4π²m，d₂＝F_m/B_m，e表示螺旋桨推力减额系数，K_F代表螺旋桨的推力系数，F_m代表直流电机的传递系数；

代表无人船前向速度的导数；

代表直流电机转速的导数；a代表直流电机电枢输入电压。

所述的速度控制方法，包括以下步骤：

A、预估器的设计

所述的航速预估器设计为：

其中，

表示无人船前向速度的估计值；

表示无人船前向速度估计值的导数；

ι₁∈R均为正常数；Z₁表示神经网络权值；

表示神经网络的激活函数；

所述的神经网络权值

的更新律设计为：

其中，γ₁∈R、β₁∈R均为正常数。

所述的转速预估器设计为：

其中，

表示为直流电机转速的估计值；

表示为直流电机转速估计值的导数；

ι₂∈R均为正常数；Z₂表示神经网络权值，

所述的神经网络权值

的更新律设计为：

其中，γ₂∈R、β₂∈R均为正常数。

B、速度控制器的设计

采用有限集模型预测设计方法设计直流电机推进无人船速度控制器。

B1、建立直流电机推进无人船速度控制回路的离散模型

连续时间模型中无人船前向速度的导数近似表示为：

dv/dt≈[v(k+1)-v(k)]/T (6)

其中，v(k)表示为当前时刻的无人船前向速度，v(k+1)表示下一时刻的无人船前向速度，T表示采样周期。

同理，连续时间模型中直流电机转速的导数近似表示为：

dω/dt≈[ω(k+1)-ω(k)]/T (7)

其中，ω(k)表示当前时刻的电机转速，ω(k+1)表示下一时刻的电机转速。

根据式(6)-(7)，式(1)所描述的直流电机推进无人船速度控制回路的离散模型表示为：

其中，a(k)∈A，A＝{a₁,...,a_l}是一个拥有l个元素的有限控制集合。

B2、定义无人船速度控制的代价函数

为了选择出使得无人船前向速度达到给定速度的电压控制信号，依据离散模型预测的速度和给定速度之间的差建立代价函数。若预测步数为N，则代价函数表示为：

其中，v_r(k)表示为k时刻的给定无人船前向速度；

和ξ均为正常数。

速度控制器的控制信号为直流电机电枢的电压，在电压范围内，将电压分成有限个电压等级，每个电压等级所对应的速度预测值根据式(8)计算出来。选择出最接近给定速度的预测速度所对应的电压，作为在下一时刻的控制电压，施加到直流电机上。这一步骤通过解决下面的优化问题来实现：

v^*(k)＝arg min(c(v,v_r)) (10)

其中，v^*(k)为最接近给定速度v_r的预测速度，arg min(c(v,v_r))表示使代价函数c(v,v_r)最小的速度v的值。

因此，与v^*(k)相对应的电压值a^*即为最优的电压控制信号。

与现有的控制方法相比，本发明具有以下特点及有益效果：

第一，与现有的无人船速度控制方法相比，本发明提出的速度控制系统采用有限集模型预测控制方法设计，具有结构简单、动态响应快的特点，且能够达到最优的速度控制效果。

第二，与现有的无人船速度控制方法相比，本发明提出的速度控制方法通过在每个采样时刻反复计算速度偏差，能够及时校正无人船航行过程中遇到的各种复杂情况，抗干扰能力强，更加适用于无人船航行的复杂环境。

第三，与现有的无人船速度控制方法相比，本发明设计的速度控制系统控制输出为直流电机的电压，同时考虑无人船速度动力学部分和电力推进部分，在实际应用中更易于实现。

附图说明

本发明共有附图6张，其中：

图1是直流电机推进无人船的速度控制器结构示意图。

图2是直流电机推进无人船跟踪给定速度的曲线图。

图3是神经网络逼近未知函数φ₁(v)的曲线图。

图4是神经网络逼近未知函数φ₂(ω)的曲线图。

图5是直流电机转速的曲线图。

图6是直流电机推进无人船速度控制器的输出曲线图。

具体实施方式

下面结合附图以一个具体的直流电机推进无人船的为例，对本发明进行进一步说明。图1所示为本发明设计的直流电机推进无人船的速度控制系统结构示意图，控制目标是直流电机推进无人船能够跟踪给定的速度。具体的参数选择如下：

无人船的主要参数设置为：无人船的质量为23.8kg，识别参数X_v、X_|v|v分别取-0.7225、-1.3274；直流电机的参数设置为：机电时间常数B_m取3，传递系数F_m和F_c分别取6和0.02；螺旋桨的参数设置为：螺旋桨的直径为0.05m，推力减额系数取0.9，海水密度取1025kg/m³；预估器及速度控制器的参数设置为：

均取1，ι₁、ι₂均取10，γ₁、γ₂均取1000，β₁、β₂均取0.001，

取3，ξ取0.04；有限控制电压集合取A＝{1V,2V,...,12V}；预测步数N取3；采样周期T取0.01s。

仿真结果如图2-6所示。图2是直流电机推进无人船的跟踪给定速度曲线图，图中的实线为给定的无人船前向速度，虚线为无人船实际的前向速度，给定速度在20s时由0m/s增加到0.6m/s，在100s时由0.6m/s增加到1.2m/s，从图中可以看出无人船的实际航速能够快速而平稳地跟踪给定速度，而且具有较高的稳态精度。图3和图4分别是神经网络估计两个未知函数的曲线图，实线为方程(1)所描述的模型中的未知函数值，虚线为神经网络输出的估计值，从图中可以看出实线和虚线的吻合度很高，说明本发明所设计的神经网络能够准确地估计模型中的非线性未知函数。图5为直流电机转速的曲线图，从图中可以看出，当无人船速度由0m/s增加至0.6m/s时，直流电机转速增大，然后稳定在40rad/s，当无人船速度继续增加至1.2m/s时，直流电机转速继续增大，最终稳定在69rad/s。图6为直流电机推进无人船速度控制系统的输出曲线，也就是直流电机的电枢输入电压，由图可知，无人船速度为0.6m/s时，控制电压为6.5V，无人船速度为1.2m/s时，控制电压为11.5V。

本发明不局限于本实施例，任何在本发明披露的技术范围内的等同构思或者改变，均列为本发明的保护范围。

Claims (1)

1.一种直流电机推进无人船的速度控制方法，其特征在于：利用直流电机推进无人船的速度控制系统进行控制，所述的直流电机推进无人船的速度控制系统包括速度控制器、离散模型、神经网络A、航速预估器、神经网络B和转速预估器；

所述的速度控制器的输入端分别与无人船的航速输出端、无人船的转速输出端以及离散模型的输出端相连；

所述的离散模型的输入端分别与神经网络A的输出端、神经网络B的输出端、无人船的航速输出端和无人船的转速输出端相连；

所述的神经网络A的输入端分别与无人船的航速输出端以及航速预估器的输出端相连；

所述的航速预估器的输入端分别与无人船的航速输出端、无人船的转速输出端以及神经网络A的输出端相连；

所述的神经网络B的输入端分别与无人船的转速输出端以及转速预估器的输出端相连；

所述的转速预估器的输入端分别与无人船的航速输出端、无人船的转速输出端以及神经网络B的输出端相连；

设直流电机推进无人船的前向速度控制回路如下：

其中：

φ₁(v)＝(X_vv+X_|v|v|v|v)/m表示无人船前向速度动力学未知函数，m代表无人船的质量，v代表无人船的前向速度，|v|代表无人船前向速度的绝对值；

φ₂(ω)＝(-ω-F_cK_QρD⁵|ω|ω/4π²)/B_m表示直流电机和螺旋桨模型中的未知函数，ω代表直流电机的角速度，F_c代表直流电机的传递系数，B_m代表直流电机的机电时间常数，K_Q代表螺旋桨的转矩系数，ρ代表海水密度，D代表螺旋桨的直径；

系数d₁＝(1-e)K_FρD⁴/4π²m，d₂＝F_m/B_m，e表示螺旋桨推力减额系数，K_F代表螺旋桨的推力系数，F_m代表直流电机的传递系数；

代表无人船前向速度的导数；

代表直流电机转速的导数；a代表直流电机电枢输入电压；

所述的速度控制方法，包括以下步骤：

A、预估器的设计

所述的航速预估器设计为：

其中，

表示无人船前向速度的估计值；

表示无人船前向速度估计值的导数；

ι₁∈R均为正常数；Z₁表示神经网络权值；

表示神经网络的激活函数；

所述的神经网络权值

的更新律设计为：

其中，γ₁∈R、β₁∈R均为正常数；

所述的转速预估器设计为：

其中，

表示为直流电机转速的估计值；

表示为直流电机转速估计值的导数；

ι₂∈R均为正常数；Z₂表示神经网络权值，

所述的神经网络权值

的更新律设计为：

其中，γ₂∈R、β₂∈R均为正常数；

B、速度控制器的设计

采用有限集模型预测设计方法设计直流电机推进无人船速度控制器；

B1、建立直流电机推进无人船速度控制回路的离散模型

连续时间模型中无人船前向速度的导数近似表示为：

dv/dt≈[v(k+1)-v(k)]/T (6)

其中，v(k)表示为当前时刻的无人船前向速度，v(k+1)表示下一时刻的无人船前向速度，T表示采样周期；

同理，连续时间模型中直流电机转速的导数近似表示为：

dω/dt≈[ω(k+1)-ω(k)]/T (7)

其中，ω(k)表示当前时刻的电机转速，ω(k+1)表示下一时刻的电机转速；

根据式(6)-(7)，式(1)所描述的直流电机推进无人船速度控制回路的离散模型表示为：

其中，a(k)∈A，A＝{a₁,...,a_l}是一个拥有l个元素的有限控制集合；

B2、定义无人船速度控制的代价函数

为了选择出使得无人船前向速度达到给定速度的电压控制信号，依据离散模型预测的速度和给定速度之间的差建立代价函数；若预测步数为N，则代价函数表示为：

其中，v_r(k)表示为k时刻的给定无人船前向速度；θ和ξ均为正常数；

速度控制器的控制信号为直流电机电枢的电压，在电压范围内，将电压分成有限个电压等级，每个电压等级所对应的速度预测值根据式(8)计算出来；选择出最接近给定速度的预测速度所对应的电压，作为在下一时刻的控制电压，施加到直流电机上；这一步骤通过解决下面的优化问题来实现：

v^*(k)＝arg min(c(v,v_r)) (10)

其中，v^*(k)为最接近给定速度v_r的预测速度，arg min(c(v,v_r))表示使代价函数c(v,v_r)最小的速度v的值；

因此，与v^*(k)相对应的电压值a^*即为最优的电压控制信号。

Images