CN112034858B - 一种融合弱观测高阶输出数据的无模型自适应艏向控制方法 - Google Patents

Abstract

本发明属于舰船自动控制技术领域，具体涉及一种融合弱观测高阶输出数据的无模型自适应艏向控制方法。本发明在输入准则函数中引入弱观测条件下舰船高阶输出数据，将舰船艏向一阶差分和二阶差分信息作为控制器的负反馈输入，重新设计艏向控制律，加快了MFAC控制器在线辨识、学习和控制过程，解决了无模型自适应控制算法直接应用于舰船艏向这类非自衡系统出现震荡发散现象，提高系统的动态响应性能和控制精度。本发明对传感器的要求不高，弱观测类型的姿态传感器即可满足需求，易于工程实施且控制成本低。

Description

一种融合弱观测高阶输出数据的无模型自适应艏向控制方法

技术领域

本发明属于舰船自动控制技术领域，具体涉及一种融合弱观测高阶输出数据的无模型自适应艏向控制方法。

背景技术

舰船艏向控制是舰船运动控制领域最为重要的内容之一，准确可靠的艏向信息能够保证舰船顺利执行各种作业任务。舰船艏向系统是一种典型的欠驱动控制系统，具有大惯性、大时滞等非线性特点，且航行时会受到风、浪、流等外部干扰的影响。因此，依赖于模型的控制理论难以获取系统精确的数学模型，即便建立起数学模型也会存在未建模动态、模型摄动等问题，导致系统的自适应性较差，很难在实际工程中获得应用。舰船艏向系统存在二阶积分环节，是一种典型的非自衡系统。

无模型自适应控制方法(Model Free Adaptive Control,MFAC)不依赖于系统具体的数学模型，仅依靠系统的I/O数据设计控制器，是一种数据驱动方法。公开号：CN106979641B，发明名称“基于改进MFAC的制冷系统数据驱动节能控制系统及方法”，设计改进MFAC控制器控制变最小过热度回路，使该过热度跟踪上最小稳定过热度。该方法适用于温度控制系统，并不适用于舰船艏向系统等非自衡系统。公开号：CN109814386A，发明名称“基于无模型外环补偿的机器人轨迹跟踪自抗扰控制方法”，将无模型自适应控制加在扩张状态观测器中，用于系统外环扰动补偿，提高机器人自抗扰能力。该方法的内部控制器为自抗扰控制器，MFAC控制器只是用来外环扰动补偿。

上述MFAC方法无法直接应用到舰船艏向控制中，因为舰船艏向系统属于非自衡系统。在文献“非自衡系统的无模型自适应控制”中作者李传庆认为，由于积分环节的存在系统表征为一个快速积累扩张的动态过程；MFAC方法在线辨识、学习和控制，表征为一个较为缓慢的动态过程，两者在响应速度上存在矛盾，将其直接应用到艏向系统中，会导致艏向震荡发散、无法收敛。公开号：CN108319140A，发明名称“一种重定义输出式无模型自适应艏向控制方法及系统”，将舰船艏向与角速度线性和定义为系统输出，实现舰船艏向控制，但角加速度的获取对姿态传感器的观测条件要求较高，不易获取。

发明内容

本发明的目的在于提供将无模型自适应控制算法应用于舰船艏向控制，具有较好的控制效果的一种融合弱观测高阶输出数据的无模型自适应艏向控制方法。

本发明的目的通过如下技术方案来实现：包括以下步骤：

步骤1：输入舰船控制终端下达的期望艏向指令y^*(k+1)和舰船当前时刻k的实际艏向y(k)，获取舰船艏向的一阶差分信息Δy(k)和二阶差分信息Δy(k)-Δy(k-1)；Δy(0)＝0；

所述的舰船艏向的一阶差分信息Δy(k)为舰船当前时刻k的实际艏向y(k)与上一时刻k-1的实际艏向y(k-1)的差值，Δy(k)＝y(k)-y(k-1)；

步骤2：将舰船艏向的一阶差分信息Δy(k)和二阶差分信息Δy(k)-Δy(k-1)输入至无模型自适应控制器，计算伪偏导数φ_c(k)；

其中，η为步长因子，η∈(0,1]；μ为权重系数，μ＞0；φ_c(0)为初始设定的值；Δu(k-1)为k-1时刻舰船期望舵角的变化量，u(0)＝0；

步骤3：无模型自适应控制器根据艏向控制律计算当前k时刻舰船的期望舵角u(k)，并将期望舵角u(k)输入至舰船系统改变艏向；

其中，ρ、ω和ξ为步长因子，ρ∈(0,1]，ω＞0，ξ＞0；λ为权重系数，λ＞0；T为控制周期；e(k)＝y^*(k+1)-y(k)。

本发明的有益效果在于：

本发明在输入准则函数中引入弱观测条件下舰船高阶输出数据，将舰船艏向一阶差分和二阶差分信息作为控制器的负反馈输入，重新设计艏向控制律，加快了MFAC控制器在线辨识、学习和控制过程，解决了无模型自适应控制算法直接应用于舰船艏向这类非自衡系统出现震荡发散现象，提高系统的动态响应性能和控制精度。本发明对传感器的要求不高，弱观测类型的姿态传感器即可满足需求，易于工程实施且控制成本低。

附图说明

图1是本发明的算法原理图。

图2是本发明的系统流程图。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明提供一种融合弱观测高阶输出数据的无模型自适应艏向控制方法，主要包括：(1)将舰船艏向一阶和二阶差分信息引入到无模型自适应控制算法的输入准则函数中，重新设计艏向控制律；(2)控制终端下达期望艏向指令y^*(k+1)，计算期望艏向与实际艏向的偏差，将其输入至无模型自适应控制器，构成无模型自适应艏向控制律的偏差项；(3)利用舰船当前实际艏向信息y(k)，计算艏向的一阶差分Δy(k)和二阶差分Δy(k)-Δy(k-1)，将其输入至无模型自适应控制器，构成无模型自适应艏向控制律的一阶差分项和二阶差分项；(4)利用舰船当前输入输出信息，基于伪偏导数估计算法估算伪偏导数

输入至无模型自适应控制器；(5)在控制器中利用步骤(2)～(4)的计算结果，依据改进无模型自适应艏向控制律计算期望输入u(k)出，并将其输入至舰船系统改变艏向。

本发明在输入准则函数中引入弱观测条件下舰船高阶输出数据，重新设计艏向控制律，加快了MFAC控制器在线辨识、学习和控制过程，解决了无模型自适应控制算法无法直接应用于舰船这类非自衡系统问题，提高了艏向系统的动态响应性能和控制精度；该算法仅需要准确的艏向信息，弱观测姿态传感器即可满足需求，可以降低控制成本低，且易于工程应用。

一种融合弱观测高阶输出数据的无模型自适应艏向控制方法，包括以下步骤：

步骤1：输入舰船控制终端下达的期望艏向指令y^*(k+1)和舰船当前时刻k的实际艏向y(k)，获取舰船艏向的一阶差分信息Δy(k)和二阶差分信息Δy(k)-Δy(k-1)；Δy(0)＝0；

所述的舰船艏向的一阶差分信息Δy(k)为舰船当前时刻k的实际艏向y(k)与上一时刻k-1的实际艏向y(k-1)的差值，Δy(k)＝y(k)-y(k-1)；

步骤2：将舰船艏向的一阶差分信息Δy(k)和二阶差分信息Δy(k)-Δy(k-1)输入至无模型自适应控制器，计算伪偏导数φ_c(k)；

其中，η为步长因子，η∈(0,1]；μ为权重系数，μ＞0；φ_c(0)为初始设定的值；Δu(k-1)为k-1时刻舰船期望舵角的变化量，u(0)＝0；

步骤3：无模型自适应控制器根据艏向控制律计算当前k时刻舰船的期望舵角u(k)，并将期望舵角u(k)输入至舰船系统改变艏向；

其中，ρ、ω和ξ为步长因子，ρ∈(0,1]，ω＞0，ξ＞0；λ为权重系数，λ＞0；T为控制周期；e(k)＝y^*(k+1)-y(k)。

本发明在原有的控制准则函数中引入舰船艏向一阶和二阶差分信息。

其中，艏向的一阶差分为Δy(k)，二阶差分为Δy(k)-Δy(k-1)，y^*(k+1)和y(k+1)分别为k+1时刻的期望输出和实际输出，u(k)为k时刻的系统期望输入，λ＞0为权重系数，T为控制周期，上述准则函数对u(k)求偏导可得重新设计的艏向控制律。

将控制准则函数对u(k)求偏导得到无模型自适应艏向控制律。

其中，ρ、ω和ξ为步长因子，ρ∈(0,1]，ω＞0，ξ＞0；λ为权重系数，λ＞0；e(k)为k+1时刻期望艏向y^*(k+1)与k时刻实际艏向y(k)的差值；u(k)为k时刻系统期望输入；φ_c(k)为k时刻伪偏导数；无模型自适应艏向控制律的偏差项、一阶差分项和二阶差分项分别为

伪偏导数估计算法为：

其中，η为步长因子，η∈(0,1]；μ为权重系数，μ＞0；φ_c(k)为k时刻伪偏导数，

为k时刻伪偏导数的估计值，当|Δu(k-1)|≤ε或

或

时，令

本发明引入了步长因子ω和ξ，使控制算法更具有一般性。本发明引入了舰船艏向一阶差分和二阶差分，加快了算法在线辨识、学习和控制过程，解决无模型自适应控制算法无法直接应用于舰船这类非自衡系统问题，避免出现震荡发散现象，提高系统的动态响应性能和控制精度；该算法仅需要准确的艏向信息，弱观测姿态传感器即可满足需求，可以降低控制成本，且易于工程应用。

本发明对实际艏向数据进行差分处理，作为控制器的负反馈输入，重新设计艏向控制律，使算法具有一定的预测作用，加快了MFAC控制器在线辨识、学习和控制过程，解决MFAC方法直接应用于艏向系统产生的震动发散问题，提高系统的动态响应性能和控制精度。本发明对传感器的要求不高，弱观测类型的姿态传感器即可满足需求，易于工程实施且控制成本低。

本发明提供了一种融合弱观测高阶输出数据的无模型自适应艏向控制算法，舰船艏向一阶差分和二阶差分信息作为控制器的负反馈输入，重新设计艏向控制律，使算法具有一定的预测作用，加快了算法在线辨识、学习和控制过程，解决了无模型自适应控制算法直接应用于舰船艏向这类非自衡系统出现震荡发散现象，提高系统的动态响应性能和控制精度。本发明对传感器的要求不高，弱观测类型的姿态传感器即可满足需求，易于工程实施且控制成本低。

结合图1，首先下达期望艏向指令y^*(k+1)，利用姿态传感器反馈的实际艏向y(k)，计算得到艏向偏差e(k)、艏向一阶差分Δy(k)和二阶差分Δy(k)-Δy(k-1)，以及伪偏导数φ_c(k)，将上述结果输入至无模型自适应控制器中，依据重新设计的艏向控制律解算出艏向系统的期望输入舵角u(k)，由操纵机构执行期望舵角指令，不断改变和更新舰船实际艏向信息，直至实际艏向稳定收敛于期望艏向。

结合图2说明本发明提供的一种融合弱观测高阶输出数据的无模型自适应艏向控制算法，该算法的步骤为：

步骤1：将舰船艏向一阶和二阶差分信息引入到无模型自适应控制算法的输入准则函数中，重新设计无模型自适应艏向控制律；

步骤2：控制终端下达期望艏向指令y^*(k+1)，计算期望艏向与实际艏向的偏差，将其输入至无模型自适应控制器，构成无模型自适应艏向控制律的偏差项；

步骤3：利用舰船当前实际艏向信息y(k)，计算艏向的一阶差分Δy(k)和二阶差分Δy(k)-Δy(k-1)，将其输入至无模型自适应控制器，构成无模型自适应艏向控制律的一阶差分项和二阶差分项；

步骤4：利用舰船当前输入输出信息，基于伪偏导数估计算法估算伪偏导数φ_c(k)，输入至无模型自适应控制器；

步骤5：在控制器中利用步骤2～4的计算结果，依据改进无模型自适应艏向控制律计算期望输入u(k)出，并将其输入至舰船系统改变艏向；

步骤6：更新实际艏向输出y(k)，执行步骤2直至稳定收敛。

控制准则函数为：

其中，艏向的一阶差分为Δy(k)，二阶差分为Δy(k)-Δy(k-1)，y^*(k+1)和y(k+1)分别为k+1时刻的期望输出和实际输出，u(k)为k时刻的系统期望输入，λ＞0为权重系数，T为控制周期，上述准则函数对u(k)求偏导可得重新设计的艏向控制律。

无模型自适应艏向控制律为：

其中，ρ、ω和ξ为步长因子，ρ∈(0,1]，ω＞0，ξ＞0；λ为权重系数，λ＞0；e(k)为k+1时刻期望艏向y^*(k+1)与k时刻实际艏向y(k)的差值；u(k)为k时刻系统期望输入；φ_c(k)为k时刻伪偏导数；无模型自适应艏向控制律的偏差项、一阶差分项和二阶差分项分别为

伪偏导数估计算法为：

其中，η为步长因子，η∈(0,1]；μ为权重系数，μ＞0；φ_c(k)为k时刻伪偏导数，

为k时刻伪偏导数的估计值，当|Δu(k-1)|≤ε或

或

时，令

舰船艏向一阶差分和二阶差分信息的引入，重新设计艏向控制律，使算法具有一定的预测作用，加快了算法在线辨识、学习和控制过程，解决了无模型自适应控制算法直接应用于舰船艏向这类非自衡系统出现震荡发散现象，提高系统的动态响应性能和控制精度。该算法对传感器的要求不高，弱观测类型的姿态传感器即可满足需求，易于工程实施且控制成本低。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种融合弱观测高阶输出数据的无模型自适应艏向控制方法，其特征在于，包括以下步骤：

步骤1：输入舰船控制终端下达的期望艏向指令y^*(k+1)和舰船当前时刻k的实际艏向y(k)，获取舰船艏向的一阶差分信息Δy(k)和二阶差分信息Δy(k)-Δy(k-1)；Δy(0)＝0；

所述的舰船艏向的一阶差分信息Δy(k)为舰船当前时刻k的实际艏向y(k)与上一时刻k-1的实际艏向y(k-1)的差值，Δy(k)＝y(k)-y(k-1)；

步骤2：将舰船艏向的一阶差分信息Δy(k)和二阶差分信息Δy(k)-Δy(k-1)输入至无模型自适应控制器，计算伪偏导数φ_c(k)；

其中，η为步长因子，η∈(0,1]；μ为权重系数，μ＞0；φ_c(0)为初始设定的值；Δu(k-1)为k-1时刻舰船期望舵角的变化量，u(0)＝0；

步骤3：无模型自适应控制器根据艏向控制律计算当前k时刻舰船的期望舵角u(k)，并将期望舵角u(k)输入至舰船系统改变艏向；

其中，ρ、ω和ξ为步长因子，ρ∈(0,1]，ω＞0，ξ＞0；λ为权重系数，λ＞0；T为控制周期；e(k)＝y^*(k+1)-y(k)。

Images