CN110647041A - 一种无人船模型全系数精确辨识方法 - Google Patents

一种无人船模型全系数精确辨识方法 Download PDF

Info

Publication number
CN110647041A
CN110647041A CN201910966937.7A CN201910966937A CN110647041A CN 110647041 A CN110647041 A CN 110647041A CN 201910966937 A CN201910966937 A CN 201910966937A CN 110647041 A CN110647041 A CN 110647041A
Authority
CN
China
Prior art keywords
unmanned ship
model
ship model
matrix
module
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.)
Granted
Application number
CN201910966937.7A
Other languages
English (en)
Other versions
CN110647041B (zh
Inventor
王丹
彭周华
岳佳旺
李永明
古楠
刘陆
王浩亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201910966937.7A priority Critical patent/CN110647041B/zh
Publication of CN110647041A publication Critical patent/CN110647041A/zh
Application granted granted Critical
Publication of CN110647041B publication Critical patent/CN110647041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种无人船模型全系数精确辨识方法，利用无人船模型全系数精确辨识结构进行辨识，所述无人船模型全系数精确辨识结构包括滤波器模块、积分滤波模块、参数在线估计模块和船舶模型。现有采用人工神经网络或模糊逻辑的模型辨识方法中，仅能实现对无人船模型未知部分进行整体辨识，而本发明仅需通过采集无人船控制力矩以及无人船的状态量，即无人船的输入输出数据，即可实现对无人船模型所有未知系数进行单独精确辨识，有效提高了模型辨识的准确性。现有采用人工神经网络或模糊逻辑的模型辨识方法中，无法对无人船模型惯性矩阵进行辨识，而本发明可以对无人船的惯性矩阵进行精确辨识，进而为无人船高精度控制提供有力保障。

Description

一种无人船模型全系数精确辨识方法
技术领域
本发明涉及无人船控制领域，特别是一种无人船模型全系数精确辨识方法。
背景技术
二十一世纪是海洋的世纪，海洋因其蕴含极其丰富的能源以及具有重要的战略意义，成为各大国之间博弈的焦点，各国都纷纷致力于海洋装备的研究。近些年来，随着人工智能、智能控制等技术的蓬勃发展，无人船因其小型化、轻量化、智能化等特点，逐渐成为人们探索并研究海洋、开发和保护海洋资源的一种重要工具。无人船模型参数包括无人船所受向心力系数与阻尼系数、以及无人船本身的惯性矩阵系数，是无人船控制领域不可或缺的参数，无人船模型的参数识别成为该领域一个非常重要的研究课题，其中无人船模型全系数精确辨识作为一种能够精确识别无人船参数的方法引起广泛的关注。
无人船模型全系数精确辨识的目标是使系统准确地辨识无人船模型的阻尼系数、向心力系数以及惯性矩阵系数。目前，有很多技术用于无人船模型系数辨识。主流的辨识方法有人工神经网络、模糊系统、支持向量机等方法，它们属于在线辨识和离线辨识。但是，现有技术仍然存在以下问题：
第一，现有采用人工神经网络或模糊逻辑的模型辨识估计方法中，仅能在输入矩阵已知的情况下，通过在线或离线的方式对控制增益系数进行辨识。当仅知道无人船模型的控制输入和状态量时，无法完成对控制增益系数的辨识。现有技术仅能实现对无人船模型未知部分进行整体辨识。在实际辨识中，输入矩阵的参数不易得知，则现有的无人船模型辨识方法有着很大的局限性。
第二，现有采用人工神经网络或模糊逻辑的模型辨识估计方法中，无法对无人船模型惯性矩阵进行辨识，所辨识的系数不全面。无人船模型惯性矩阵作为无人船的重要信息，应该对其进行精确辨识，进而为无人船模型高精度控制提供有力保障。
发明内容
为解决现有技术存在的不足，本发明要设计一种无人船模型全系数精确辨识方法，对无人船模型的阻尼系数、向心力系数以及惯性矩阵进行精确辨识。
为了实现上述目的，本发明的技术方案如下：一种无人船模型全系数精确辨识方法，利用无人船模型全系数精确辨识结构进行辨识，所述无人船模型全系数精确辨识结构包括滤波器模块、积分滤波模块、参数在线估计模块和船舶模型，所述滤波器模块的输入端与全驱动无人船模型的输出端以及外部力矩输出端相连，所述积分滤波模块的输入端与滤波器模块的输出端相连，所述无人船模型参数在线估计模块的输入端分别与滤波器模块和积分滤波模块的输出端相连；
所述船舶模型为全驱动无人船模型；
所述滤波器模块、积分滤波模块和无人船模型参数在线估计模块构成全系数辨识模块；
所述辨识方法，包括以下步骤：
A、建立船舶模型
所述的船舶模型用如下微分方程描述：
Figure BDA0002230164690000021
式中，
Figure BDA0002230164690000022
代表无人船的惯性矩阵，
Figure BDA0002230164690000023
Figure BDA0002230164690000024
其中m(·)表示无人船的质量，Iz是无人船关于z轴的惯性矩，
Figure BDA0002230164690000025
分别表示无人船在前向、侧向和艏摇方向的流体力学导数；
Figure BDA0002230164690000026
表示船体坐标系下无人船的速度向量，其中u表示前向速度，v表示侧向速度，r表示艏摇角速度；
Figure BDA0002230164690000027
C代表无人船的向心力矩阵，c13＝-m22v，c23＝m11u；
Figure BDA0002230164690000028
D代表无人船的阻尼矩阵，d11＝-Xu-X|u|u|u|-Xuuuu2，d22＝-Yv-Y|v|v|v|-Y|r|v|r|,d23＝-Y|v|r|v|-Y|r|r|r|,d32＝-N|v|v|v|-N|r|v|r|,d33＝-Nr-N|v|r|v|-N|r|r|r|,其中X(·)、Y(·)、N(·)均表示阻尼系数；
Figure BDA0002230164690000029
τu、τv、τr分别是无人船前向、侧向和艏摇方向的控制输入。为进行船舶模型参数辨识，将公式(1)中的船舶模型表示为如下形式：
Figure BDA0002230164690000031
其中ζ为未知参数矢量，定义为：
Figure BDA0002230164690000032
其中vec(Z)表示通过堆叠矩阵Z的列从而获得矩阵Z的矢量化，即：
Figure BDA0002230164690000033
Figure BDA0002230164690000035
是已知的回归矩阵；
Figure BDA0002230164690000036
是单位对角矩阵；
Figure BDA0002230164690000037
是矩阵的Kronecker积，设
Figure BDA0002230164690000038
则：
Figure BDA0002230164690000039
B、建立滤波器方程
所述的滤波器方程用以下微分方程描述：
Figure BDA00022301646900000310
其中
Figure BDA00022301646900000312
表示滤波后的回归矩阵；
表示滤波器的状态导数；
k>0是滤波器的时间常数；
E(0)、x(0)分别表示E、x的初始值；
由于
Figure BDA00022301646900000314
是未知的，所以通过对公式(4)积分得到x(t)：
x(t)＝θ(t)-e-ktθ(0)-kg(t) (5)
其中
Figure BDA0002230164690000041
是以下滤波器方程的输出：
其中θ(t)通过测量得到，从而避免了对
Figure BDA0002230164690000043
信息的需要。
C、建立积分滤波回归方程
所述的积分滤波回归方程用以下微分方程表示：
Figure BDA0002230164690000044
Figure BDA0002230164690000045
其中
Figure BDA0002230164690000046
是积分滤波后的回归量；
L(0)、G(0)分别表示L、G的初始值；
G(t)进一步定义为：
Figure BDA0002230164690000047
D、建立参数ζ的在线估计方程
引入以下参数建立参数ζ的在线估计方程：
Figure BDA0002230164690000048
其中是未知无人船参数向量ζ的在线估计；
μζ>0、ηζ>0均是用于调节收敛速度的两个标量增益。
与现有技术相比，本发明具有以下有益效果：
第一，现有采用人工神经网络或模糊逻辑的模型辨识方法中，仅能实现对无人船模型未知部分进行整体辨识，而本发明仅需通过采集无人船控制力矩以及无人船的状态量，即无人船的输入输出数据，即可实现对无人船模型所有未知系数进行单独精确辨识，有效提高了模型辨识的准确性。
第二，现有采用人工神经网络或模糊逻辑的模型辨识方法中，无法对无人船模型惯性矩阵进行辨识，而本发明可以对无人船的惯性矩阵进行精确辨识，进而为无人船高精度控制提供有力保障。
附图说明
本发明共有附图6张，其中：
图1是无人船模型全系数辨识方法网络系统示意图。
图2是无人船模型向心力矩阵系数观测效果图。
图3是无人船模型u方向阻尼系数观测效果图。
图4是无人船模型v方向阻尼系数观测效果图。
图5是无人船模型r方向阻尼系数观测效果图。
图6是无人船模型惯性矩阵观测效果图。
具体实施方式
下面结合附图对本发明作进一步地说明。本发明涉及的无人船模型全系数辨识方法网络系统示意图如图1所示。将无人船控制输入τ和速度θ输出给滤波器，利用所建立的滤波器方程将滤波后的回归矩阵E和滤波器的状态导数x输出给积分滤波模块，通过建立积分滤波回归方程输出积分滤波后的回归量L和未知参数矢量ζ，同滤波器方程输出的回归矩阵E和滤波器的状态导数x一起输出给参数在线估计模块。本发明的目标是无人船模型在满足式(2)-(8)的情况下实现对无人船模型向心力系数C、阻尼系数D和惯性矩阵系数M精确识别。
仿真结果如图2-6所示。图2显示了无人船模型向心力系数观测效果，图3显示了无人船模型u方向阻尼系数观测效果，图4显示了无人船模型v方向阻尼系数观测效果，图5显示了无人船模型r方向阻尼系数观测效果，图6显示了无人船模型惯性矩阵观测效果，通过以上仿真结果图可以看出，观测参数均与实际参数实现了收敛，也就是意味着对无人船模型的向心力系数C、阻尼系数D和惯性矩阵系数M成功地实现了精确辨识。
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)

1.一种无人船模型全系数精确辨识方法，其特征在于：利用无人船模型全系数精确辨识结构进行辨识，所述无人船模型全系数精确辨识结构包括滤波器模块、积分滤波模块、参数在线估计模块和船舶模型，所述滤波器模块的输入端与全驱动无人船模型的输出端以及外部力矩输出端相连，所述积分滤波模块的输入端与滤波器模块的输出端相连，所述无人船模型参数在线估计模块的输入端分别与滤波器模块和积分滤波模块的输出端相连；
所述船舶模型为全驱动无人船模型；
所述滤波器模块、积分滤波模块和无人船模型参数在线估计模块构成全系数辨识模块；
所述辨识方法，包括以下步骤：
A、建立船舶模型
所述的船舶模型用如下微分方程描述：
Figure FDA0002230164680000011
式中，代表无人船的惯性矩阵，
Figure FDA0002230164680000013
Figure FDA0002230164680000014
其中m(·)表示无人船的质量，Iz是无人船关于z轴的惯性矩，
Figure FDA0002230164680000015
分别表示无人船在前向、侧向和艏摇方向的流体力学导数；
Figure FDA0002230164680000016
表示船体坐标系下无人船的速度向量，其中u表示前向速度，v表示侧向速度，r表示艏摇角速度；
C代表无人船的向心力矩阵，c13＝-m22v，c23＝m11u；
Figure FDA0002230164680000018
D代表无人船的阻尼矩阵，d11＝-Xu-X|u|u|u|-Xuuuu2，d22＝-Yv-Y|v|v|v|-Y|r|v|r|,d23＝-Y|v|r|v|-Y|r|r|r|,d32＝-N|v|v|v|-N|r|v|r|,d33＝-Nr-N|v|r|v|-N|r|r|r|,其中X(·)、Y(·)、N(·)均表示阻尼系数；
Figure FDA0002230164680000019
τu、τv、τr分别是无人船前向、侧向和艏摇方向的控制输入；为进行船舶模型参数辨识，将公式(1)中的船舶模型表示为如下形式：
Figure FDA0002230164680000021
其中ζ为未知参数矢量，定义为：
Figure FDA0002230164680000022
其中vec(Z)表示通过堆叠矩阵Z的列从而获得矩阵Z的矢量化，即：
Figure FDA0002230164680000023
Figure FDA0002230164680000025
是已知的回归矩阵；
Figure FDA0002230164680000026
是单位对角矩阵；
Figure FDA0002230164680000027
是矩阵的Kronecker积，设
Figure FDA0002230164680000028
则：
Figure FDA0002230164680000029
B、建立滤波器方程
所述的滤波器方程用以下微分方程描述：
Figure FDA00022301646800000210
E(0)＝0
Figure FDA00022301646800000211
x(0)＝0 (4)
其中
Figure FDA00022301646800000212
表示滤波后的回归矩阵；
Figure FDA00022301646800000213
表示滤波器的状态导数；
k>0是滤波器的时间常数；
E(0)、x(0)分别表示E、x的初始值；
由于
Figure FDA00022301646800000214
是未知的，所以通过对公式(4)积分得到x(t)：
x(t)＝θ(t)-e-ktθ(0)-kg(t) (5)
其中
Figure FDA0002230164680000031
是以下滤波器方程的输出：
Figure FDA0002230164680000032
其中θ(t)通过测量得到，从而避免了对
Figure FDA0002230164680000033
信息的需要；
C、建立积分滤波回归方程
所述的积分滤波回归方程用以下微分方程表示：
Figure FDA0002230164680000034
L(0)＝0
Figure FDA0002230164680000035
G(0)＝0 (7)
其中
Figure FDA0002230164680000036
是积分滤波后的回归量；
L(0)、G(0)分别表示L、G的初始值；
G(t)进一步定义为：
Figure FDA0002230164680000037
D、建立参数ζ的在线估计方程
引入以下参数建立参数ζ的在线估计方程：
Figure FDA0002230164680000038
其中
Figure FDA0002230164680000039
是未知无人船参数向量ζ的在线估计；
μζ>0、ηζ>0均是用于调节收敛速度的两个标量增益。
CN201910966937.7A 2019-10-11 2019-10-11 一种无人船模型全系数精确辨识方法 Active CN110647041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910966937.7A CN110647041B (zh) 2019-10-11 2019-10-11 一种无人船模型全系数精确辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910966937.7A CN110647041B (zh) 2019-10-11 2019-10-11 一种无人船模型全系数精确辨识方法

Publications (2)

Publication Number Publication Date
CN110647041A true CN110647041A (zh) 2020-01-03
CN110647041B CN110647041B (zh) 2022-03-04

Family

ID=68993959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910966937.7A Active CN110647041B (zh) 2019-10-11 2019-10-11 一种无人船模型全系数精确辨识方法

Country Status (1)

Country Link
CN (1) CN110647041B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084574A (zh) * 2020-08-11 2020-12-15 智慧航海（青岛）科技有限公司 一种基于神经网络的船舶附加质量和附加惯性矩确定方法
CN117131809A (zh) * 2023-10-26 2023-11-28 中国船舶集团有限公司第七〇七研究所 基于多次测量扩维并行滤波的动力定位船舶参数辨识方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103592846A (zh) * 2013-11-07 2014-02-19 哈尔滨工程大学 基于自适应模糊估计器的滤波反步船舶运动控制系统
CN105005679A (zh) * 2015-05-18 2015-10-28 哈尔滨工程大学 一种基于粒子滤波的船舶参数辨识方法
JP2016035677A (ja) * 2014-08-04 2016-03-17 日本電産サンキョー株式会社 モータシステム
CN105867136A (zh) * 2016-05-16 2016-08-17 北京理工大学 基于参数辨识的多电机伺服系统同步与跟踪控制方法
CN108279695A (zh) * 2018-01-25 2018-07-13 北京控制工程研究所 一种航天器干扰力矩的快速在轨闭环辨识方法、系统和介质
CN108563897A (zh) * 2018-04-25 2018-09-21 哈尔滨工业大学 一种基于极值搜索算法的四旋翼无人机参数辨识方法
CN109345875A (zh) * 2018-09-28 2019-02-15 哈尔滨工程大学 一种提高船舶自动识别系统测量精度的估计方法
CN110209054A (zh) * 2019-06-11 2019-09-06 大连海事大学 基于rbf神经网络的无人船艇航向自抗扰控制系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103592846A (zh) * 2013-11-07 2014-02-19 哈尔滨工程大学 基于自适应模糊估计器的滤波反步船舶运动控制系统
JP2016035677A (ja) * 2014-08-04 2016-03-17 日本電産サンキョー株式会社 モータシステム
CN105005679A (zh) * 2015-05-18 2015-10-28 哈尔滨工程大学 一种基于粒子滤波的船舶参数辨识方法
CN105867136A (zh) * 2016-05-16 2016-08-17 北京理工大学 基于参数辨识的多电机伺服系统同步与跟踪控制方法
CN108279695A (zh) * 2018-01-25 2018-07-13 北京控制工程研究所 一种航天器干扰力矩的快速在轨闭环辨识方法、系统和介质
CN108563897A (zh) * 2018-04-25 2018-09-21 哈尔滨工业大学 一种基于极值搜索算法的四旋翼无人机参数辨识方法
CN109345875A (zh) * 2018-09-28 2019-02-15 哈尔滨工程大学 一种提高船舶自动识别系统测量精度的估计方法
CN110209054A (zh) * 2019-06-11 2019-09-06 大连海事大学 基于rbf神经网络的无人船艇航向自抗扰控制系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HONGLI CHEN: "Improved Maximum Likelihood Method for Ship Parameter Identification", 《2018 37TH CHINESE CONTROL CONFERENCE (CCC)》 *
吕光颢: "无人船集群队形重构的目标任务分配", 《中国舰船研究》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084574A (zh) * 2020-08-11 2020-12-15 智慧航海（青岛）科技有限公司 一种基于神经网络的船舶附加质量和附加惯性矩确定方法
CN112084574B (zh) * 2020-08-11 2024-04-19 智慧航海（青岛）科技有限公司 一种基于神经网络的船舶附加质量和附加惯性矩确定方法
CN117131809A (zh) * 2023-10-26 2023-11-28 中国船舶集团有限公司第七〇七研究所 基于多次测量扩维并行滤波的动力定位船舶参数辨识方法
CN117131809B (zh) * 2023-10-26 2024-01-26 中国船舶集团有限公司第七〇七研究所 基于多次测量扩维并行滤波的动力定位船舶参数辨识方法

Also Published As

Publication number Publication date
CN110647041B (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
CN111766899B (zh) 一种基于干扰观测器的四旋翼无人机集群抗干扰编队控制方法
CN110647041B (zh) 一种无人船模型全系数精确辨识方法
CN109324636B (zh) 基于二阶一致性和自抗扰的多四旋翼主从式协同编队控制方法
CN110083179B (zh) 一种预定时间多智能体系统一致性跟踪控制方法
CN104953913B (zh) 基于自抗扰的网络化交流电机ls-svm广义逆解耦控制方法
CN112904723B (zh) 非匹配干扰下的空地固定时间协同容错编队控制方法
CN109459930B (zh) 一种基于pd结构和邻居滞后控制信号的协同控制方法
Liu et al. Adaptive command filtered backstepping tracking control for AUVs considering model uncertainties and input saturation
CN113238567B (zh) 一种基于扩展状态观测器的底栖式auv弱抖振积分滑模点镇定控制方法
CN110276144B (zh) 一种垂直起降运载器气动参数在线辨识方法
CN109799818B (zh) 多参数化路径导引的无人船协同操纵控制器的设计方法
CN112904872B (zh) 基于扰动逼近的底栖式auv固定时间快速轨迹跟踪控制方法
Ghabcheloo et al. Coordinated path following control of multiple wheeled robots with directed communication links
CN112904890A (zh) 一种电力线路的无人机自动巡检系统及方法
CN112148036A (zh) 网络化机器人系统的固定时间估计器的双边跟踪控制方法
CN114237041A (zh) 一种基于预设性能的空-地协同固定时间容错控制方法
CN115793453A (zh) 融合ai深度学习的旋翼飞行器轨迹跟踪自适应控制方法
CN117250971A (zh) 一种微小型auv的控制方法
CN116107339B (zh) 一种推力损失故障下的蜂群无人机容错协同控制方法
Lu et al. Robust adaptive attitude synchronization of uncertain rigid bodies on special orthogonal group with communication delays and gyro biases
CN115857501A (zh) 一种网络化多移动机器人分布式保性能包含控制方法
CN114115335A (zh) 一种基于跟踪微分器的多四旋翼无人机安全编队控制方法
CN112327622B (zh) 一种中性浮力机器人一致性容错控制方法
Shen et al. Nonlinear observer-based adaptive output feedback tracking control of underactuated ships with input saturation
Hou et al. Interaction matrix based analysis and asymptotic cooperative control of multi-agent systems

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