CN112947477A - 一种无人艇航向自抗扰控制系统及控制方法 - Google Patents

Abstract

本发明涉及一种基于模糊神经网络的无人艇航向自抗扰控制系统及其控制方法，所述系统包括线性自抗扰控制模块和模糊神经网络模块，通过模糊神经网络的自学习功能，可以解决模糊控制中需要通过一定的摸索经验来调试参数的问题，同时能够自适应调节自抗扰控制器的控制参数，采用线性扩张状态观测器能够很好的估计无人艇的外界干扰和系统内部扰动在控制量处给与补偿，并且将观测器带宽作为唯一参量，降低了参数整定难度。

Description

一种无人艇航向自抗扰控制系统及控制方法

技术领域

本发明涉及一种基于模糊神经网络的无人艇航向自抗扰控制方法，属于无人艇航向控制技术领域。

背景技术

近年来，随着海洋资源勘探与开发，海洋安全越来越受到人们的高度重视。无人水面艇，简称无人艇，是一种能够监测海洋环境、维护海洋权益和用于现代化军事作战的水面机器人，随着技术的进步，其应用范围日益扩大，人们对无人艇的需求也逐步增多，尤其是一些不适合人类作业的场景，比如检测存在核污染和化工污染的水域的重要水文资料，因此具有广泛的应用前景，己成为国内外智能化海洋装备的研究热点。

航向控制作为无人艇自主控制中的重要环节之一，不可避免的成为了许多学者的关注重点。目前为止，针对无人艇航向控制有许多方法，例如PID控制，自适应控制、反步控制等，但是这些控制方法对被控对象建模精度要求较高，对外界环境的干扰较为敏感，设计时只是在一定范围内有效，鲁棒性不高。自抗扰控制方法继承了经典PID控制方法，独立于被控对象。它是对经典PID控制方法固有缺点的改进而发展起来的一种新型控制方法。自抗扰控制算法简单，参数适应范围广，是解决非线性、不确定性、强扰动耦合、大时滞问题的有效方法。具有较强的适应性、鲁棒性和操作简便等优点。但是，自抗扰控制器需要整定的参数较多，这直接影响控制器的性能。为此，可以采用模糊控制器在线修改自抗扰控制器参数。模糊控制器对被控对象和过程具有较强的鲁棒性，对非线性系统能进行有效控制，但模糊控制器的规则提取困难，在此基础上利用人工神经网络技术的学习特性，可使模糊规则自动提取及模糊隶属函数自动生成。同时克服了神经网络结构难以确定以及模糊控制无自学能力的缺点，使模糊系统成为一种自适应的模糊系统，提高自抗扰控制器自适应能力。在本领域中存在已有的无人艇控制方法，例如专利CN110209054A公开了一种基于RBF神经网络的无人艇控制系统，其采用RBF神经网络利用其优秀的逼近非线性函数能力对控制量和实际航向角进行在线识别并利用梯度下降法自适应调整网络权值，但是其采用的是非线性自抗扰系统，系统参数繁多且神经网络逼近的实际航向输出在自抗扰系统中通过状态扩张观测器得出更为直接，在网络参数调整中其应用了传统的固定学习率会增加网络出现局部最优的概率，无法优化网络学习速度。基于以上缺点，本发明采用线性自抗扰控制方法并基于模糊神经网络在线调整控制参数，增加对被控对象和过程鲁棒性的同时引入动态学习力优化神经网络调整网络参数自适应输出线性自抗扰控制器参数过程，加快网络收敛速度的同时能避免网络陷入局部最优解的情况。

发明内容

本发明的目的是为了克服传统控制方法在无人艇航向控制中表现出抗干扰能力弱，控制精度低等问题，结合自抗扰控制的优缺点，提出一种基于模糊神经网络的无人艇航向控制方法，保证无人艇在外界环境干扰和系统内扰未知条件下，能够较好的跟踪期望航向，并依靠模糊神经网络去优化自抗扰单元内的参数，提高自抗扰控制器的自适应能力，降低参数整定难度。

本发明所述系统包括两大模块：线性自抗扰控制模块和模糊神经网络模块。其中，线性自抗扰控制模块包含跟踪微分器(TD)、线性扩张状态观测器(LESO)、线性误差反馈(LSEF)。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：跟踪微分器接收设定的期望航向角信息ψ_d，计算出期望航向角的近似值x₁以及该近似航向角的微分信号x₂；

步骤2：线性扩张状态观测器接收实际的航向角信息ψ和无人艇的输入控制量u，计算出无人艇实际航向及其一阶微分的估计值分别表示为z₁，z₂，同时计算出无人艇受到的总扰动z₃，包括称为外扰的外界环境力和由于模型不精确或者模型参数改变造成的系统内扰；

步骤3：计算通过跟踪微分器得到的x₁和观测变量z₁的偏差e₁以及相应微分信号x₂与z₂的偏差e₂，得e₁＝x₁-z₁，e₂＝x₂-z₂。将计算得到的偏差输入模糊神经网络，通过误差方向传播来调节模糊神经网络权值，从而达到自适应调节输出的控制参数β₁，β₂的目的；

步骤4：线性误差反馈模块e1，e₂获得控制分量，并利用未知扰动的估计值z₃对控制分量进行扰动补偿，从而得到无人艇的控制量u。

步骤5：无人艇接收控制量u，实时调整航向，并输出当前实际航向重新传入线性扩张状态观测器继续循环控制。

基于上述技术方案，本发明提供了一种基于模糊神经网络的无人艇航向自抗扰控制方法，相比于传统控制方法，该方法对控制对象的精度要求不高，抗干扰能力强，通过模糊神经网络的自学习功能，可以解决模糊控制中需要通过一定的摸索经验来调试参数的问题，同时能够自适应调节自抗扰控制器的控制参数，采用线性扩张状态观测器能够很好的估计无人艇的外界干扰和系统内部扰动在控制量处给与补偿，并且将观测器带宽作为唯一参量，降低了参数整定难度。

附图说明

图1为本发明中提供的基于模糊神经网络的无人艇航向自抗扰控制系统结构示意图；

图2为本发明中模糊神经网络模块结构示意图；

图3为本发明提供的基于模糊神经网络的无人艇航向自抗扰控制流程图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

如图1所示的基于模糊神经网络的无人艇航向自抗扰控制系统的结构示意图，该系统包括了自抗扰单元和模糊神经网络模块，其中自抗扰单元中包含跟踪微分器(TD)、线性扩张状态观测器(LESO)、线性状态误差反馈(LSEF)和扰动补偿模块，模糊神经网络模块结构如图2所示，该模块是基于Mamdani模型的模糊神经网络，是由5层组成的前馈型网络，第一层至2第五层分别为：输入层、隶属函数生成层、推理层、归一化层和输出层。输入层的功能是接收输入的误差及其微分信号，隶属函数生成层的功能是实现输入变量的模糊化，推理层的功能是计算隶属度函数的模糊规则输出，推理层的功能是对网络结构总体归一化，输出层的功能是实现反模糊计算并输出控制量信号。

图3为本发明实施例提供给的基于模糊神经网络的无人艇航向自抗扰控制方法流程图，该方法具体包括如下步骤：

步骤1：跟踪微分器接收设定的期望航向角信息ψ_d并计算出期望航向角的近似值x₁以及该近似航向角的微分信号x₂，跟踪微分器的计算公式如下：

其中，r为速度因子，其值越大，逼近速度越快。h、h₀为积分步长，一般来说h可以等于h₀，步长大，振荡幅度大，步长小，只是减小了振荡幅度，高频振荡并不能完全消除，所以在确定积分步长h后，取h₀适当大于步长h，那么能够消除曲线中出现的超调现象，从而能很好的抑制微分信号中的噪声放大，通常h₀＝2～5h。fhan(·)函数为最速控制综合函数，具有快速消除震颤的特殊功能，公式如下：

其中，d、d₀、y、a₀、a均为中间变量。

步骤2：线性扩张状态观测器接收实际的航向角信息ψ和无人艇的输入控制量u计算出无人艇实际航向及其一阶微分的估计值分别表示为z₁，z₂，线性扩张状态观测器还将系统总扰动扩张成新的一维系统状态，对其进行观测，计算出无人艇受到的总扰动z₃，其中包括了外界环境力的外扰和由于模型不精确或者模型参数改变造成的系统内扰。线性扩张状态观测器连续形式计算公式如下：

为满足工程应用，一般采用如下离散形式：

其中，e为状态误差，y为实际航向角信息ψ，h为积分步长，b₀为补偿系数，在确定被控对象后它是一个已知量。β₀₁、β₀₂、β₀₃为待设计观测器增益，

分别是z₁、z₂、z₃的一阶导数。

为了简化参数整定过程，选取观测器增益为：β₀₁＝3ω₀，β₀₂＝3ω₀ ²，β₀₃＝ω₀ ³，ω₀为观测器带宽，要求选取的ω₀值能跟上外界总扰动，但是ω₀越大观测器输出的噪声会增大，所以需要适当选取。

步骤3：计算通过跟踪微分器得到的x₁和观测变量z₁的偏差e₁以及相应微分信号x₂与z₂的偏差e₂，得e₁＝x₁-z₁，e₂＝x₂-z₂。将计算得到的偏差输入模糊神经网络模块。

模糊神经网络模块第一层为输入层，输入层的节点与输入量的各个分量连接，将输入量传到下一层，该层每个节点的输入输出表示为：

x_i＝e_i

其中，x_i表示第i个分量，节点数N₁＝2。

第二层为隶属度函数生成层，计算各输入变量属于各语言变量值模糊集合的隶属度函数

隶属度函数采用高斯函数，那么：

其中，c_ij和σ_ij分别表示第i个输入变量第j个模糊集合的隶属度函数的中心、宽度，i表示输入量的维度，j表示x_i的模糊分割数，本发明中j＝7，节点数N₂＝14。

第三层为推理层，计算隶属度函数的模糊规则输出a_j，该层的节点个数等于模糊规则数。该层每个节点分别与第二层隶属度函数相连，该层每个节点的输入输出表示为：

其中，i₁∈{1，2，3，...，m₁}，i₂∈{1，2，3，...，m₂}表示输入变量的模糊分割数，本发明分别划分成7个语言值：{负大(NB)，负中(NM)，负小(NS)，零(ZO)，正小(PS)，正中(PM)，正大(PB)}，节点数N₃＝49。

第四层为归一化层，完成归一化计算，该层节点的输入输出之间的关系表示为：

节点数N₄＝m＝49。

第五层为输出层，实现反模糊计算并输出控制量信号，即：

其中，w_ij表示第i个输出变量对应的第j个模糊规则输出节点的权值。

模糊神经网络还需要通过误差反向传播来调节参数c_ij，σ_ij，w_ij，从而使得输出参数β₁，β₂达到最优，误差反向传播采用梯度下降法，性能指标函数定义为：

其中，t_i和y_i分别表示期望输出和实际输出。

通过梯度下降法训练模糊神经网络，调节网络参数c_ij，σ_ij，w_ij，区别于一般的神经网络误差反向传播方法，本发明引入动态学习率。当学习率太小，可以动态的增大学习率，有利于加快网络逼近速度；当学习率太大时，可以自动减小，避免网络陷入局部最优，保证网络收敛。得到三个参数的更新公式如下：

得到三个参数的更新公式如下：

η(k)＝σ^λη(k-1)

其中，其中，η(k)为学习率，σ为动态因子，影响动态增大或者减少学习率的大小，sign(·)为符号函数，α为动量因子，可以明显减少网络开始逼近时的抖振现象，

表示在三个参数更新公式中分别对应性能指标函数对输出层的连接权值w_ij、隶属度函数中心值c_ij和宽度σ_ij的-阶导数。

步骤4：线性误差反馈模块接收跟踪微分器与线性扩张状态观测器输出的偏差e₁及其一阶微分e₂，同时模糊神经网络模块输出控制量β₁，β₂至线性误差反馈模块，误差反馈控制律计算公式如下：

u₀＝β₁e₁+β₂e₂

结合线性扩张状态观测器输出的总扰动估计值对控制分量进行扰动补偿，计算出无人艇航向控制律：

其中，u为输出控制量，z₃为线性扩张状态观测器输出无人艇受到的总扰动估计，b₀为补偿系数。

步骤5：无人艇接收控制量u，通过舵机实时调整航向，并输出当前实际航向重新传入线性扩张状态观测器继续循环控制。

本发明提供的一种基于模糊神经网络的无人艇航向自抗扰控制方法具有以下作用效果：

1.基于自抗扰控制策略，相比于传统控制算法，适应性、鲁棒性更强且操作简便。

2.结合模糊神经网络对控制量和实际航向角进行在线辨识，采用梯度下降法在线调节网络输出控制量使其能够控制无人艇航向逼近期望航向。引入动态学习率优化网络逼近速度和保证网络收敛。解决模糊控制中需要通过一定的摸索经验来调试参数的问题，同时能够自适应调节自抗扰控制器的控制参数。

3.相比于一般的自抗扰控制器，本发明改变为线性形式，采用线性误差反馈控制和线性扩张状态观测器，简化了控制器的结构降低了设计难度，同时将观测器带宽作为线性扩张状态观测器的唯一参数，降低了参数整定难度。

Claims (4)

1.一种基于模糊神经网络的无人艇航向自抗扰控制系统，其特征在于：所述系统包括线性自抗扰控制模块、模糊神经网络模块及舵机，线性自抗扰控制模块包含跟踪微分器(TD)、线性扩张状态观测器(LESO)、线性误差反馈模块(LSEF)，所述跟踪微分器接收设定的期望航向角信息ψ_d，计算出期望航向角的近似值x₁以及该近似航向角的微分信号x₂，线性扩张状态观测器接收实际的航向角信息ψ和无人艇的输入控制量u，计算出无人艇实际航向及其一阶微分的估计值分别表示为z₁，z₂，同时计算出无人艇受到的总扰动z₃；线性误差反馈模块获得控制分量，利用未知扰动的估计值z₃对控制分量进行扰动补偿，并得到无人艇的控制量u；所述模糊神经网络模块用于接收得到的x₁和观测变量z₁的偏差e₁以及相应微分信号x₂与z₂的偏差e₂，并输出控制量β₁，β₂至线性误差反馈模块，所述舵机用于接收控制量u实时调整无人艇航向，并输出当前实际航向重新传入线性扩张状态观测器继续循环控制。

2.根据权利要求1所述的一种基于模糊神经网络的无人艇航向自抗扰控制系统的控制方法，其特征在于：所述方法包括如下步骤：

步骤1：跟踪微分器接收设定的期望航向角信息ψ_d，计算出期望航向角的近似值x₁以及该近似航向角的微分信号x₂；

步骤2：线性扩张状态观测器接收实际的航向角信息ψ和无人艇的输入控制量u，计算出无人艇实际航向及其一阶微分的估计值分别表示为z₁，z₂，同时计算出无人艇受到的总扰动z₃，包括称为外扰的外界环境力和由于模型不精确和/或模型参数改变造成的系统内扰；

步骤3：计算通过跟踪微分器得到的x₁和观测变量z₁的偏差e₁以及相应微分信号x₂与z₂的偏差e₂，得e₁＝x₁-z₁，e₂＝x₂-z₂，将计算得到的偏差输入模糊神经网络，通过误差方向传播来调节模糊神经网络权值，从而达到自适应调节输出的控制参数β₁，β₂的目的；

步骤4：线性误差反馈模块获得控制分量e₁，e₂，并利用未知扰动的估计值z₃对控制分量进行扰动补偿，从而得到无人艇的控制量u。

步骤5：无人艇接收控制量u，实时调整航向，并输出当前实际航向重新传入线性扩张状态观测器继续循环控制。

3.根据权利要求2所述的控制方法，其特征在于：步骤1中所述跟踪微分器的计算公式如下：

其中，r为速度因子，其值越大，逼近速度越快。h、h₀为积分步长；fhan(·)函数为最速控制综合函数，公式如下：

其中，d、d₀、y、a₀、a均为中间变量。

4.根据权利要求2或3所述的控制方法，其特征在于：在步骤2中，所述线性扩张状态观测器连续形式计算公式如下：

为满足工程应用，采用如下离散形式：

其中，e为状态误差，y为实际航向角信息ψ，h为积分步长，b₀为补偿系数，在确定被控对象后它是一个已知量；β₀₁、β₀₂、β₀₃为待设计观测器增益，

分别是z₁、z₂、z₃的一阶导数。

Images