CN112835373A - 在线建模及预测控制一体化方法及装置 - Google Patents
在线建模及预测控制一体化方法及装置 Download PDFInfo
- Publication number
- CN112835373A CN112835373A CN202011621847.3A CN202011621847A CN112835373A CN 112835373 A CN112835373 A CN 112835373A CN 202011621847 A CN202011621847 A CN 202011621847A CN 112835373 A CN112835373 A CN 112835373A
- Authority
- CN
- China
- Prior art keywords
- control
- underwater
- parameters
- control law
- intelligent unmanned
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000003044 adaptive effect Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000005096 rolling process Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013016 damping Methods 0.000 description 3
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种用于水下航行器系统的在线建模及预测控制一体化方法，所述方法包括：对工作状态下的水下智能无人装备的动力学模型参数进行在线辨识，初步建立水下智能无人装备的动力学模型；预测得到水下智能无人装备在工作过程中下一时刻所受的外界以及内部干扰；根据所述外界以及内部干扰，对模型参数进行在线滚动优化，得到水下非线型系统的最终动力学模型；根据所述最终动力学模型，在线生成主动控制律，初步得到控制律的基本形式以及控制参数的初值；根据控制律的基本形式以及控制参数的初值，对控制参数采用间接自适应模糊调节方法进行在线自适应调节，得到最终的主动控制律。
Description
技术领域
本发明涉及水下航行控制系统中控制器设计和控制策略技术领域，尤其是涉及一种用于水下航行器系统的在线建模及预测控制一体化方法及装置。
背景技术
随着人类对水下探索与资源开发的需求日益增长，智能化是水下无人装备控制系统发展的趋势。传统的控制工程总是在建模后根据模型以及对系统的要求等设计控制器，而后将控制器接入闭合系统中进行仿真、分析以及调试。但由于系统越来越复杂，很多影响系统运行的因素不是事前能够估计的，各种干扰有时会因突发的原因而对系统产生较大的影响，这就使得一种不断建模、验模与控制过程同时进行的控制系统成为必然。这种建模与控制一体化的思想趋势已经有几十年的研究历史。然而该类研究仅仅是在建模中重新确定系统的参数，现如今系统面临着在相当陌生环境下的工作，目前的技术缺乏系统对自身和环境的自主判断能力，对涉及到系统模型因大的重构而改变的问题束手无策。
发明内容
本发明的目的在于提供一种用于水下航行器系统的在线建模及预测控制一体化方法及装置，旨在实现对水下智能无人装备的同步建模及控制。
本发明提供一种用于水下航行器系统的在线建模及预测控制一体化方法，包括：
对工作状态下的水下智能无人装备的动力学模型参数进行在线辨识，初步建立水下智能无人装备的动力学模型；
预测得到水下智能无人装备在工作过程中下一时刻所受的外界以及内部干扰；
根据所述水下智能无人装备下一时刻所受的外界以及内部干扰，对模型参数进行在线滚动优化，得到水下非线型系统的最终动力学模型；
根据所述水下非线型系统的最终动力学模型，在线生成主动控制律，初步得到控制律的基本形式以及控制参数的初值；
根据所述控制律的基本形式以及控制参数的初值，对控制参数采用间接自适应模糊调节方法进行在线自适应调节，得到最终的主动控制律。
本发明提供一种用于水下航行器系统的在线建模及预测控制一体化装置，包括：
参数辨识模块：用于对工作状态下的水下智能无人装备的动力学模型参数进行在线辨识，初步建立水下智能无人装备的动力学模型；
扰动预测模块：用于预测得到水下智能无人装备在工作过程中下一时刻所受的外界以及内部干扰；
参数优化模块：用于根据所述水下智能无人装备下一时刻所受的外界以及内部干扰，对模型参数进行在线滚动优化，得到水下非线型系统的最终动力学模型；
控制律生成模块：用于根据所述水下非线型系统的最终动力学模型，在线生成主动控制律，初步得到控制律的基本形式以及控制参数的初值；
参数调节模块：用于根据所述控制律的基本形式以及控制参数的初值，对控制参数采用间接自适应模糊调节方法进行在线自适应调节，得到最终的主动控制律。
本发明实施例还提供一种用于水下航行器系统的在线建模及预测控制一体化设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述方法的步骤。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述方法的步骤。
采用本发明实施例，综合考虑了系统的干扰与控制时机的配合，实现了对水下智能无人装备的同步建模及控制。且通过本发明方法，可以使得水下智能无人装备在受到外界干扰或经历自身重构之后均能够稳定航行。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种用于水下航行器系统的在线建模及预测控制一体化方法示意图；
图2是本发明实施例的一种用于水下航行器系统的在线建模及预测控制一体化方法流程图；
图3是本发明实施例的一种用于水下航行器系统的在线建模及预测控制一体化控制器结构；
图4是本发明实施例的一种用于水下航行器系统的在线建模及预测控制一体化装置示意图；
图5是本发明实施例的一种用于水下航行器系统的在线建模及预测控制一体化设备示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
方法实施例
根据本发明实施例，提供了一种用于水下航行器系统的在线建模及预测控制一体化方法，所述在线建模是指水下智能无人装备作业过程中同步进行的模型建立及重构；所述预测控制是指水下智能无人装备作业过程中根据在线建模得出的实时模型进行的主动控制，图1是本发明实施例的的流程图，如图1所示，根据本发明实施例的一种用于水下航行器系统的在线建模及预测控制一体化方法具体包括：
步骤101，对工作状态下的水下智能无人装备的动力学模型参数进行在线辨识，初步建立水下智能无人装备的动力学模型；
具体的，采用限制参数含遗忘因子的最小二乘法对工作状态下的水下智能无人装备的动力学模型参数进行在线辨识，通过公式1和公式2在线建立水下航行器系统的动力学模型：
其中，Q为水下航行器的动量，K为水下航行器的动量矩，ω代表选择角速度矢量，v0代表速度矢量，F为水下航行器受到的全部外力在体坐标系上的投影，M为水下航行器受到的全部外力矩在体坐标系上的投影。
其中，辨识的参数包括全部水动力参数以及其他模型参数，保证在线辨识的速度和准确性；
步骤102，预测得到水下智能无人装备在工作过程中下一时刻所受的外界以及内部干扰；
具体的，采用神经网络在线学习预测航行器所受的外界扰动，其中，预测的量包括海浪或涌流的干扰、以及水下航行器系统模型主要参数的变化量；
步骤103，根据所述水下智能无人装备下一时刻所受的外界以及内部干扰，对模型参数进行在线滚动优化，得到水下非线型系统的最终动力学模型；
具体的，对模型参数进行在线滚动优化时将干扰的影响融合进动力学模型中，如公式3和公式4所示，得到水下非线型系统的优化后动力学模型：
其中，Q为水下航行器的动量，K为水下航行器的动量矩，ω代表选择角速度矢量，v0代表速度矢量，F为水下航行器受到的全部外力在体坐标系上的投影，M为水下航行器受到的全部外力矩在体坐标系上的投影，ΔF为外界干扰力，ΔM为外界干扰力矩。
步骤104，根据所述水下非线型系统的最终动力学模型，在线生成主动控制律，初步得到控制律的基本形式以及控制参数的初值；
具体的，所述控制律采用纵向控制律和横向控制律分开设计的方式生成，两方向控制律相互解耦，所述纵向控制律采用姿态控制和深度控制结构，所述姿态控制作为内回路，增加系统的阻尼和姿态控制，所述深度控制为外回路，控制系统的深度；所述横向控制律采用姿态控制作为内回路，偏航距离控制作为外回路；控制律包含对扰动的补偿，初步得到控制律的基本形式，纵向控制律如公式5和公式6所示，横向控制律如公式7和公
式8所示：
其中，Ty1、Ty2、Tz1、Tz2为水下航行器的四个推进器的推力，
为相关的控制参数，ΔY1、ΔY2、ΔZ1、ΔZ2为对扰动的补偿。
步骤105，根据所述控制律的基本形式以及控制参数的初值，对控制参数采用间接自适应模糊调节方法进行在线自适应调节，得到最终的主动控制律，纵向控制律如公式9和公式10所示，横向控制律如公式11和公式12所示：
其中，Ty1、Ty2、Tz1、Tz2为水下航行器的四个推进器的推力，
为相关的控制参数，ΔY1、ΔY2、ΔZ1、ΔZ2为对扰动的补偿。
综上所述，采用本发明实施例，综合考虑了系统的干扰与控制时机的配合，实现了对水下智能无人装备的同步建模及控制。且通过本发明方法，可以使得水下智能无人装备在受到外界干扰或经历自身重构之后均能够稳定航行。
系统实施例
根据本发明实施例，提供了一种用于水下航行器系统的在线建模及预测控制一体化装置，图4是本发明实施例的用于水下航行器系统的在线建模及预测控制一体化的装置示意图，如图4所示，根据本发明实施例的用于水下航行器系统的在线建模及预测控制一体化的装置具体包括：
参数辨识模块：用于对工作状态下的水下智能无人装备的动力学模型参数进行在线辨识，初步建立水下智能无人装备的动力学模型；参数辨识模块具体用于：
采用限制参数含遗忘因子的最小二乘法对工作状态下的水下智能无人装备的动力学模型参数进行在线辨识，其中，辨识的参数包括全部水动力参数。
扰动预测模块：用于预测得到水下智能无人装备在工作过程中下一时刻所受的外界以及内部干扰；扰动预测模块具体用于：
采用神经网络在线学习预测航行器所受的外界扰动，其中，预测的量包括海浪或涌流的干扰、以及水下航行器系统模型主要参数的变化量。
参数优化模块：用于根据所述水下智能无人装备下一时刻所受的外界以及内部干扰，对模型参数进行在线滚动优化，得到水下非线型系统的最终动力学模型；
控制律生成模块：用于根据所述水下非线型系统的最终动力学模型，在线生成主动控制律，初步得到控制律的基本形式以及控制参数的初值；控制律生成模块具体用于：采用纵向和横向分开设计的方式生成控制律。
参数调节模块：用于根据所述控制律的基本形式以及控制参数的初值，对控制参数采用间接自适应模糊调节方法进行在线自适应调节，得到最终的主动控制律。
本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
装置实施例一
本发明实施例提供一种用于水下航行器系统的在线建模及预测控制一体化设备，如图5所示，包括：存储器50、处理器52及存储在所述存储器50上并可在所述处理器52上运行的计算机程序，所述计算机程序被所述处理器52执行时实现如下方法步骤：
步骤101，对工作状态下的水下智能无人装备的动力学模型参数进行在线辨识，初步建立水下智能无人装备的动力学模型；
具体的，采用限制参数含遗忘因子的最小二乘法对工作状态下的水下智能无人装备的动力学模型参数进行在线辨识，通过公式1和公式2在线建立水下航行器系统的动力学模型：
其中，Q为水下航行器的动量，K为水下航行器的动量矩，ω代表选择角速度矢量，v0代表速度矢量，F为水下航行器受到的全部外力在体坐标系上的投影，M为水下航行器受到的全部外力矩在体坐标系上的投影。
其中，辨识的参数包括全部水动力参数以及其他模型参数，保证在线辨识的速度和准确性；
步骤102，预测得到水下智能无人装备在工作过程中下一时刻所受的外界以及内部干扰；
具体的，采用神经网络在线学习预测航行器所受的外界扰动，其中，预测的量包括海浪或涌流的干扰、以及水下航行器系统模型主要参数的变化量；
步骤103，根据所述水下智能无人装备下一时刻所受的外界以及内部干扰，对模型参数进行在线滚动优化，得到水下非线型系统的最终动力学模型；
具体的，对模型参数进行在线滚动优化时将干扰的影响融合进动力学模型中，如公式3和公式4所示，得到水下非线型系统的优化后动力学模型：
其中，Q为水下航行器的动量，K为水下航行器的动量矩，ω代表选择角速度矢量，v0代表速度矢量，F为水下航行器受到的全部外力在体坐标系上的投影，M为水下航行器受到的全部外力矩在体坐标系上的投影，ΔF为外界干扰力，ΔM为外界干扰力矩。
步骤104，根据所述水下非线型系统的最终动力学模型，在线生成主动控制律，初步得到控制律的基本形式以及控制参数的初值；
具体的，所述控制律采用纵向控制律和横向控制律分开设计的方式生成，两方向控制律相互解耦，所述纵向控制律采用姿态控制和深度控制结构，所述姿态控制作为内回路，增加系统的阻尼和姿态控制，所述深度控制为外回路，控制系统的深度；所述横向控制律采用姿态控制作为内回路，偏航距离控制作为外回路；控制律包含对扰动的补偿，初步得到控制律的基本形式，纵向控制律如公式5和公式6所示，横向控制律如公式7和公式8所示：
其中，Ty1、Ty2、Tz1、Tz2为水下航行器的四个推进器的推力，
为相关的控制参数，ΔY1、ΔY2、ΔZ1、ΔZ2为对扰动的补偿。
步骤105，根据所述控制律的基本形式以及控制参数的初值，对控制参数采用间接自适应模糊调节方法进行在线自适应调节，得到最终的主动控制律，纵向控制律如公式9和公式10所示，横向控制律如公式11和公式12所示：
其中，Ty1、Ty2、Tz1、Tz2为水下航行器的四个推进器的推力，
为相关的控制参数，ΔY1、ΔY2、ΔZ1、ΔZ2为对扰动的补偿。
装置实施例二
本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传输的实现程序，所述程序被处理器52执行时实现如下方法步骤：
步骤101，对工作状态下的水下智能无人装备的动力学模型参数进行在线辨识，初步建立水下智能无人装备的动力学模型；
具体的，采用限制参数含遗忘因子的最小二乘法对工作状态下的水下智能无人装备的动力学模型参数进行在线辨识，通过公式1和公式2在线建立水下航行器系统的动力学模型：
其中，Q为水下航行器的动量，K为水下航行器的动量矩，ω代表选择角速度矢量，v0代表速度矢量，F为水下航行器受到的全部外力在体坐标系上的投影，M为水下航行器受到的全部外力矩在体坐标系上的投影。
其中，辨识的参数包括全部水动力参数以及其他模型参数，保证在线辨识的速度和准确性；
步骤102，预测得到水下智能无人装备在工作过程中下一时刻所受的外界以及内部干扰；
具体的，采用神经网络在线学习预测航行器所受的外界扰动，其中，预测的量包括海浪或涌流的干扰、以及水下航行器系统模型主要参数的变化量；
步骤103，根据所述水下智能无人装备下一时刻所受的外界以及内部干扰，对模型参数进行在线滚动优化，得到水下非线型系统的最终动力学模型；
具体的，对模型参数进行在线滚动优化时将干扰的影响融合进动力学模型中，如公式3和公式4所示，得到水下非线型系统的优化后动力学模型：
其中，Q为水下航行器的动量，K为水下航行器的动量矩，ω代表选择角速度矢量，v0代表速度矢量，F为水下航行器受到的全部外力在体坐标系上的投影，M为水下航行器受到的全部外力矩在体坐标系上的投影，ΔF为外界干扰力，ΔM为外界干扰力矩。
步骤104，根据所述水下非线型系统的最终动力学模型，在线生成主动控制律，初步得到控制律的基本形式以及控制参数的初值；
具体的，所述控制律采用纵向控制律和横向控制律分开设计的方式生成，两方向控制律相互解耦，所述纵向控制律采用姿态控制和深度控制结构，所述姿态控制作为内回路，增加系统的阻尼和姿态控制，所述深度控制为外回路，控制系统的深度；所述横向控制律采用姿态控制作为内回路，偏航距离控制作为外回路；控制律包含对扰动的补偿，初步得到控制律的基本形式，纵向控制律如公式5和公式6所示，横向控制律如公式7和公式8所示：
其中，Ty1、Ty2、Tz1、Tz2为水下航行器的四个推进器的推力，
为相关的控制参数，ΔY1、ΔY2、ΔZ1、ΔZ2为对扰动的补偿。
步骤105，根据所述控制律的基本形式以及控制参数的初值，对控制参数采用间接自适应模糊调节方法进行在线自适应调节，得到最终的主动控制律，纵向控制律如公式9和公式10所示，横向控制律如公式11和公式12所示：
其中，Ty1、Ty2、Tz1、Tz2为水下航行器的四个推进器的推力，
为相关的控制参数，ΔY1、ΔY2、ΔZ1、ΔZ2为对扰动的补偿。
综上所述，采用本发明实施例，综合考虑了系统的干扰与控制时机的配合，实现了对水下智能无人装备的同步建模及控制。且通过本发明方法，可以使得水下智能无人装备在受到外界干扰或经历自身重构之后均能够稳定航行。
本实施例所述计算机可读存储介质包括但不限于为：ROM、RAM、磁盘或光盘等。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种用于水下航行器系统的在线建模及预测控制一体化方法，其特征在于，包括：
对工作状态下的水下智能无人装备的动力学模型参数进行在线辨识，初步建立水下智能无人装备的动力学模型；
预测得到水下智能无人装备在工作过程中下一时刻所受的外界以及内部干扰；
根据所述水下智能无人装备下一时刻所受的外界以及内部干扰，对模型参数进行在线滚动优化，得到水下非线型系统的最终动力学模型；
根据所述水下非线型系统的最终动力学模型，在线生成主动控制律，初步得到控制律的基本形式以及控制参数的初值；
根据所述控制律的基本形式以及控制参数的初值，对控制参数采用间接自适应模糊调节方法进行在线自适应调节，得到最终的主动控制律。
2.根据权利要求1所述的方法，其特征在于，所述对工作状态下的水下智能无人装备的动力学模型参数进行在线辨识具体包括：采用限制参数含遗忘因子的最小二乘法对工作状态下的水下智能无人装备的动力学模型参数进行在线辨识，其中，辨识的参数包括全部水动力参数。
3.根据权利要求1所述的方法，其特征在于，所述预测得到水下智能无人装备在工作过程中下一时刻所受的外界以及内部干扰具体包括：采用神经网络在线学习预测航行器所受的外界扰动，其中，预测的量包括海浪或涌流的干扰、以及水下航行器系统模型主要参数的变化量。
4.根据权利要求1所述的方法，其特征在于，所述控制律采用纵向控制律和横向控制律分开设计的方式，所述纵向控制律采用姿态控制和深度控制结构，所述姿态控制作为内回路，所述深度控制为外回路；所述横向控制律采用所述姿态控制作为内回路，偏航距离控制作为外回路；控制律包含对扰动的补偿，初步得到控制律的基本形式。
5.一种用于水下航行器系统的在线建模及预测控制一体化装置，其特征在于，包括：
参数辨识模块：用于对工作状态下的水下智能无人装备的动力学模型参数进行在线辨识，初步建立水下智能无人装备的动力学模型；
扰动预测模块：用于预测得到水下智能无人装备在工作过程中下一时刻所受的外界以及内部干扰；
参数优化模块：用于根据所述水下智能无人装备下一时刻所受的外界以及内部干扰，对模型参数进行在线滚动优化，得到水下非线型系统的最终动力学模型；
控制律生成模块：用于根据所述水下非线型系统的最终动力学模型，在线生成主动控制律，初步得到控制律的基本形式以及控制参数的初值；
参数调节模块：用于根据所述控制律的基本形式以及控制参数的初值，对控制参数采用间接自适应模糊调节方法进行在线自适应调节，得到最终的主动控制律。
6.根据权利要求5所述的一种用于水下航行器系统的在线建模及预测控制一体化装置，其特征在于，所述参数辨识模块具体用于：采用限制参数含遗忘因子的最小二乘法对工作状态下的水下智能无人装备的动力学模型参数进行在线辨识，辨识的参数包括全部水动力参数。
7.根据权利要求5所述的一种用于水下航行器系统的在线建模及预测控制一体化装置，其特征在于，所述扰动预测模块具体用于：采用神经网络在线学习预测航行器所受的外界扰动，其中，预测的量包括海浪或涌流的干扰、以及水下航行器系统模型主要参数的变化量。
8.根据权利要求5所述的一种用于水下航行器系统的在线建模及预测控制一体化装置，其特征在于，所述控制律生成模块具体用于：采用纵向和横向分开设计的方式生成控制律：采用姿态控制和深度控制结构，所述姿态控制作为内回路，所述深度控制为外回路，生成纵向控制律；采用所述姿态控制作为内回路，偏航距离控制作为外回路生成横向控制律，初步得到控制律的基本形式。
9.一种用于水下航行器系统的在线建模及预测控制一体化设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的用于水下航行器系统的在线建模及预测控制一体化方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至4中任一项所述的用于水下航行器系统的在线建模及预测控制一体化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011621847.3A CN112835373B (zh) | 2020-12-30 | 2020-12-30 | 在线建模及预测控制一体化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011621847.3A CN112835373B (zh) | 2020-12-30 | 2020-12-30 | 在线建模及预测控制一体化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112835373A true CN112835373A (zh) | 2021-05-25 |
| CN112835373B CN112835373B (zh) | 2023-05-26 |
Family
ID=75924154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011621847.3A Active CN112835373B (zh) | 2020-12-30 | 2020-12-30 | 在线建模及预测控制一体化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112835373B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107121961A (zh) * | 2017-05-25 | 2017-09-01 | 北京航空航天大学 | 一种基于迭代学习干扰观测器的航天器姿态容错控制方法 |
| CN109583144A (zh) * | 2019-01-08 | 2019-04-05 | 大连海事大学 | 一种无人海洋航行器的动力学优化控制器结构及设计方法 |
| CN110262513A (zh) * | 2019-07-12 | 2019-09-20 | 大连海事大学 | 一种海洋机器人轨迹跟踪控制结构的设计方法 |
| US20200225385A1 (en) * | 2019-01-15 | 2020-07-16 | International Business Machines Corporation | Dynamic adaption of vessel trajectory using machine learning models |
-
2020
- 2020-12-30 CN CN202011621847.3A patent/CN112835373B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107121961A (zh) * | 2017-05-25 | 2017-09-01 | 北京航空航天大学 | 一种基于迭代学习干扰观测器的航天器姿态容错控制方法 |
| CN109583144A (zh) * | 2019-01-08 | 2019-04-05 | 大连海事大学 | 一种无人海洋航行器的动力学优化控制器结构及设计方法 |
| US20200225385A1 (en) * | 2019-01-15 | 2020-07-16 | International Business Machines Corporation | Dynamic adaption of vessel trajectory using machine learning models |
| CN110262513A (zh) * | 2019-07-12 | 2019-09-20 | 大连海事大学 | 一种海洋机器人轨迹跟踪控制结构的设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112835373B (zh) | 2023-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Three-dimensional trajectory tracking for underactuated AUVs with bio-inspired velocity regulation | |
| Xia et al. | Neuroadaptive distributed output feedback tracking control for multiple marine surface vessels with input and output constraints | |
| Zhang et al. | A novel event-triggered robust neural formation control for USVs with the optimized leader–follower structure | |
| Song et al. | Guidance and control of autonomous surface underwater vehicles for target tracking in ocean environment by deep reinforcement learning | |
| CN112882380A (zh) | 时序逻辑任务下多无人艇系统协同控制方法、终端及介质 | |
| Liu et al. | Deep reinforcement learning for vectored thruster autonomous underwater vehicle control | |
| CN113093735A (zh) | 随机扰动下输出受限欠驱动无人艇的横截函数控制方法、系统及介质 | |
| Gao et al. | Online optimal control for dynamic positioning of vessels via time-based adaptive dynamic programming | |
| CN110262513A (zh) | 一种海洋机器人轨迹跟踪控制结构的设计方法 | |
| Kosch et al. | Hardware-in-the-loop trajectory tracking and collision avoidance of automated inland vessels using model predictive control | |
| CN109240317B (zh) | 考虑螺旋桨故障的海底地震检波飞行节点有限时间构型包含控制方法 | |
| Zhong et al. | Recursive parameter identification for second-order KT equations of marine robot in horizontal motion | |
| Yu et al. | Adaptive simplified surge-heading tracking control for underwater vehicles with thruster’s dead-zone compensation | |
| Zhou et al. | Nonparametric modeling of ship maneuvering motions in calm water and regular waves based on R-LSTM hybrid method | |
| CN114609905A (zh) | 一种船舶编队事件触发控制方法 | |
| Zhang et al. | AUV 3D docking control using deep reinforcement learning | |
| CN117850424A (zh) | 一种考虑输入饱和的多usv事件触发误差约束控制方法 | |
| Ding et al. | Research on static fault-tolerant control method of thruster based on MPC | |
| CN109240081B (zh) | 考虑误差约束的海底地震检波飞行节点有限时间构型包含容错控制方法 | |
| CN116088309B (zh) | 一种基于故障辨识的水面船复合学习容错控制方法 | |
| CN112835373A (zh) | 在线建模及预测控制一体化方法及装置 | |
| CN116736725A (zh) | 一种基于自触发机制的多智能体鲁棒包含控制方法及介质 | |
| CN116430718A (zh) | 一种基于ddpg算法的水下机器人推进器故障容错控制方法 | |
| CN114115307B (zh) | 一种基于深度学习的航天器反交会逃逸脉冲求解方法 | |
| CN115616907A (zh) | 一种无人艇航向智能规划方法及控制器 |
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 |