CN113093734A - 一种输入受限的无人船航向共融控制方法、系统及结构 - Google Patents
一种输入受限的无人船航向共融控制方法、系统及结构 Download PDFInfo
- Publication number
- CN113093734A CN113093734A CN202110287295.5A CN202110287295A CN113093734A CN 113093734 A CN113093734 A CN 113093734A CN 202110287295 A CN202110287295 A CN 202110287295A CN 113093734 A CN113093734 A CN 113093734A
- Authority
- CN
- China
- Prior art keywords
- input
- module
- control
- model
- limited
- 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 15
- 230000003044 adaptive effect Effects 0.000 claims abstract description 20
- 230000008447 perception Effects 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000006978 adaptation Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 19
- 150000001875 compounds Chemical class 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 230000005856 abnormality Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
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)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种输入受限的无人船航向共融控制方法、系统及结构，包括：模型参考模块、自适应输入控制器模块、μ‑mod输入受限模块及故障感知决策模块；模型参考模块在航向系统遭遇执行器故障而引发的效率不足时，通过比较受控对象与参考模型获取两者的误差信息，从而使得航向系统的输出尽可能跟随参考模型的输出；自适应输入控制器模块包含前馈和反馈调节器，在不完全确定或局部变化的环境中，保持与环境的自适应性；μ‑mod输入受限模块通过建立虚拟缓冲区，克服输入饱和的问题，保证无人船航向控制系统能够跟随给定信号；故障感知决策模块依据监管者的置信度，对异常检测的结果加权重，拓展了自动驾驶仪单独处理异常的能力。
Description
技术领域
本发明涉及无人船运动控制技术领域，尤其涉及一种输入受限的无人船航向共融控制方法、系统及结构。
背景技术
海洋蕴藏着巨大的矿产资源、石油天然气资源和海洋生物资源等，对人类的生存和可持续发展具有重要意义。为了更好的探索海洋环境，利用海洋资源，维护海洋权益，各种海洋自主航行装备成为海洋领域的研究热点，无人船(USV)作为一种智能的、多功能的且可以远程控制或者自主航行两种方式操纵的水面平台，凭借高机动性、可部署性、智能化等特点，具有重要的军用和民用价值。无人船在高度复杂多样的环境下执行任务，当机械元器件遭遇物理故障或通信传感器遭受网络攻击时，会出现无人船动力推进系统运行效率下降，引发执行动力缺失等问题。在跟踪给定指令时，执行器效率不足难以完成跟踪任务，将出现控制输入快速饱和的现象，导致无人船控制系统稳定性降低，甚至失控，造成严重后果。
目前针对无人船在异常情况下的控制问题有很多控制方法，如自适应控制、模型预测控制、反步控制、模糊PID控制等。然而在无人船控制方面，在发生故障时，现有的控制技术存在下列不足：
一是在现有具有执行机构故障的无人船在完成任务的过程中存在执行效率不足的状况，将引发控制输入过于饱和，对航向命令的跟踪出现误差甚至完全跟踪失败，风浪流等扰动具有随机性和不确定性加剧了航向控制系统的不稳定性。
二是无人船的实际运动异常复杂多变，行进过程中容易遭受海风浪的扰动，要求无人船航向控制系统具有一定的精确性和鲁棒性。现有航向控制器在控制过程中无法实时在线修改参数，对于不能建立精确数学模型的被控系统没有很好的适应性。
三是现有无人船自动驾驶仪在面对执行器故障时无法单独完成对异常的检测和纠正，需要解除控制权转移给监管人排除异常，难以维持对给定指令的持续跟踪，不能达到很好的控制效果。
发明内容
本发明提供一种输入受限的无人船航向共融控制方法、系统及结构，以克服上述技术问题。
本发明一种输入受限的无人船航向共融控制方法，包括：
建立无人船的运动学模型和航向控制系统模型；
当航向控制系统遭遇执行器故障而引发效率不足时，通过所述航向控制系统模型获得控制舵角指令，设定共融控制输入信号初始值，并依据监管者的置信度对所述执行器故障的检测结果进行加权处理，得到执行器效率估计信号；
根据所述控制舵角指令、共融控制输入信号初始值及执行器效率估计信号，获得航向控制系统状态和参考模型系统状态；通过比较所述航向控制系统状态和参考模型系统状态得到状态误差信号；
根据所述控制舵角指令及状态误差信号，建立前馈和反馈自适应律，并通过误差和非线性估计，得到自适应控制输入信号；
根据所述自适应控制输入信号和状态误差信号，得到受限控制输入，以防止控制输入达到饱和界限，并得到共融控制输入信号，以在执行器故障时保证航向控制系统跟随给定信号。
进一步地，所述建立无人船的运动学模型和航向控制系统模型，包括：
所述运动学模型表示为：
其中，式(2)表示船体参考坐标系到地球参考坐标系之间的旋转变换矩阵；
式(3)代表地球参考坐标系下船舶位置信息；
式中，x代表在地球参考坐标系下x轴方向的位置坐标，y代表地球参考坐标系下y轴方向的位置坐标，ψ表示地球参考坐标系下船舶的艏摇角；
式(4)代表船体参考坐标系下船舶的速度信息；
式中，u为船体参考坐标系下的纵荡速度，υ为船体参考坐标系下的横荡速度，r为船体参考坐标系下的艏摇角速度；
所述航向控制系统模型表示为：
式中，K和T是流体力学系数，δ代表执行器的控制舵角指令，H(r)是关于艏摇角速度的未知非线性方程。
一种输入受限的无人船航向共融控制系统，包括：
模型参考模块、自适应输入控制器模块、μ-mod输入受限模块及故障感知决策模块；
所述模型参考模块，用于在航向系统遭遇执行器故障而引发的效率不足时，根据控制舵角指令、所述μ-mod输入受限模块输出的共融控制输入信号及所述故障感知决策模块输出的执行器效率估计信号，得到状态误差信号，并输出至所述自适应输入控制器模块和μ-mod输入受限模块；
所述自适应输入控制器模块，用于根据所述控制舵角指令及状态误差信号，得到自适应控制输入信号，并输出至所述μ-mod输入受限模块；
所述μ-mod输入受限模块，用于根据所述自适应控制输入信号、状态误差信号，得到共融控制输入信号，并输出至所述模型参考模块；
所述故障感知决策模块，用于依据监管者的置信度，对执行器故障检测的结果加权重，得到执行器效率估计信号，并输出至所述模型参考模块。
进一步地，所述模型参考模块，包括：航向控制模块和模型参考自适应模块；所述航向控制模块和参考模型模块，表示为：
式中，xp(t)＝[ψ,r]T为航向控制系统状态，
是系统状态矩阵，
代表控制输入矩阵，u(t)代表系统输入，Λf代表故障后执行器的效率，d代表未知非线性误差，ΦT是未知参数，f(x)代表非线性高阶函数；xm(t)＝[ψm,rm]T为参考模型系统状态，
代表参考状态矩阵，
代表参考输入矩阵，
代表指令退化自适应律，Δuad(t)代表对给定指令的纠正，
为参数矩阵且L＜0，e(t)＝xp(t)-xm(t)代表系统模型参考误差。
进一步地，所述自适应输入控制器模块，表示为：
式中，
代表输入命令的前馈自适应律，
代表系统的反馈自适应律，
代表误差估计，
代表未知非线性估计；
所述前馈自适应律和反馈自适应律表示为：
式中，
是所述前馈自适应律的反馈参数，
是反馈自适应律的前馈参数，P＝PT是李亚普诺夫方程的解并满足
所述误差估计和未知非线性估计表示为：
式中，
是为调节误差估计精度所引入的参数，
是为调节非线性函数估计精度所引入的参数。
进一步地，所述μ-mod输入受限模块，表示为：
式中，μ为防止控制输入饱和的调节参数，sat(·)表示饱和度函数，
代表控制输入的虚拟界限且
uimax代表控制输入的实际界限，δ代表为引入的虚拟缓冲区设计的参数；
通过式(11)使得虚拟缓冲区在控制输入未达到饱和超过实际界限之前加以限制；
式中，sgn(·)表示符号函数，ui表示共融控制输入，uci表示加受限的输入。
进一步地，所述故障感知决策模块，表示为：
式中，η表示监管者的置信度，η和1-η为加权系数；Λf代表实际执行器的效率，
代表监管者对执行器效率的估计，
代表共融控制器对执行器效率的评估，ΔΛf代表效率估计误差即
Λnom代表Λf的标称值，σ为设计的调节参数。
一种输入受限的无人船航向共融控制结构，其特征在于，包括：所述模型参考模块的输入端与控制舵角指令、所述μ-mod输入受限模块和故障感知决策模块的输出端相连；所述模型参考模块的输出端与所述自适应输入控制器模块和μ-mod输入受限模块的输入端相连；所述自适应输入控制器模块的输入端与控制舵角指令和模型参考模块的输出端相连；所述自适应输入控制器模块的输出端与所述μ-mod输入受限模块的输入端相连；所述μ-mod输入受限模块的输入端与所述自适应输入控制器模块和模型参考模块的输出端相连；所述μ-mod输入受限模块的输出端与所述模型参考模块的输入端相连；所述故障感知决策模块的输出端与模型参考模块的输入端相连。
本发明通过建立μ-mod输入受限模块，在航向执行器发生故障时，通过在控制输入建立虚拟缓冲区并基于共融输入偏差降低参考指令，对输入饱和的问题进行及时的解决，从而保证无人船在正常情况及异常情况下均可精确跟踪给定信号，使得航向控制系统具有良好的瞬态效应和稳定性；本发明采用无人船模型参考自适应自动舵不断地检测被控对象，将在线参数估计同前馈/反馈控制方法结合，产生具有自适应能力的控制律，一定程度上克服系统未建模动态、非线性、未知干扰等不确定性的影响；本发明采用监管者和自动驾驶仪合作的共融控制框架，监管者可以依据经验和逻辑推理按置信度权重执行对异常检测和纠正的高层决策任务，而自适应自动驾驶仪执行对给定命令跟踪的任务，拓展了自动驾驶仪处理异常的能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；
图1是一种输入受限的无人船航向共融控制结构示意图；
图2是一种输入受限的无人船航向共融控制系统指令跟踪效果图；
图3是一种输入受限的无人船航向共融控制系统反馈增益效果图；
图4是一种输入受限的无人船航向共融控制系统前馈增益效果图；
图5是一种输入受限的无人船航向共融控制系统指令退化效果图；
图6是一种输入受限的无人船航向共融控制系统模型参考误差观测效果图；
图7是一种输入受限的无人船航向共融控制系统的轨迹观测效果图；
图8是一种输入受限的无人船航向共融控制方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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作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。
如图8所示，本实施例提供了一种输入受限的无人船航向共融控制方法，包括：
101、建立无人船的运动学模型和航向控制系统模型；
具体而言，运动学模型表示为：
其中，
表示船体参考坐标系到地球参考坐标系之间的旋转变换矩阵
代表地球参考坐标系下船舶位置信息；
式中，x代表在地球参考坐标系下x轴方向的位置坐标，y代表地球参考坐标系下y轴方向的位置坐标，ψ表示地球参考坐标系下船舶的艏摇角；
代表船体参考坐标系下船舶的速度信息；
式中，u为船体参考坐标系下的纵荡速度，υ为船体参考坐标系下的横荡速度，r为船体参考坐标系下的艏摇角速度；
航向控制系统模型表示为：
式中，K和T是流体力学系数，δ代表执行器的控制舵角指令，H(r)是关于艏摇角速度的未知非线性方程。
102、当航向控制系统遭遇执行器故障而引发效率不足时，通过所述航向控制系统模型获得控制舵角指令，设定共融控制输入信号初始值，并依据监管者的置信度对所述执行器故障的检测结果进行加权处理，得到执行器效率估计信号；
103、根据控制舵角指令、共融控制输入信号初始值及执行器效率估计信号，获得航向控制系统状态和参考系统状态；通过比较航向控制系统状态和参考模型系统状态得到状态误差信号；
104、根据控制舵角指令及状态误差信号，建立前馈和反馈自适应律，并通过误差和非线性估计，得到自适应控制输入信号，以调节控制输入；
105、根据自适应控制输入信号和状态误差信号，得到受限控制输入，以防止控制输入达到饱和界限，并得到共融控制输入信号，以在执行器故障时保证航向控制系统跟随给定信号。
如图1所示，本实施例提供一种输入受限的无人船航向共融控制系统，包括：模型参考模块、自适应输入控制器模块、μ-mod输入受限模块及故障感知决策模块；
模型参考模块，用于在航向系统遭遇执行器故障而引发的效率不足时，根据控制舵角指令、μ-mod输入受限模块输出的共融控制输入信号及故障感知决策模块输出的执行器效率估计信号，得到状态误差信号，并输出至自适应输入控制器模块和μ-mod输入受限模块；
自适应输入控制器模块，用于根据控制舵角指令及状态误差信号，得到自适应控制输入信号，并输出至μ-mod输入受限模块；
μ-mod输入受限模块，用于根据自适应控制输入信号、状态误差信号，得到共融控制输入信号，并输出至模型参考模块；
故障感知决策模块，用于依据监管者的置信度，对执行器故障检测的结果加权重，得到执行器效率估计信号，并输出至模型参考模块。
本实施例中，如图1所示，模型参考模块包括：航向控制模块和模型参考自适应模块；
航向控制模块和模型参考自适应模块，表示为：
式中，xp(t)＝[ψ,r]T为航向控制系统状态，
是系统状态矩阵，
代表控制输入矩阵，u(t)代表系统输入，Λf代表故障后执行器的效率，d代表未知非线性误差，ΦT是未知参数，f(x)代表非线性高阶函数；xm(t)＝[ψm,rm]T为参考系统状态，
代表参考状态矩阵，
代表参考输入矩阵，
代表指令退化自适应律，Δuad(t)代表对给定指令的纠正，
为参数矩阵且L＜0，e(t)＝xp(t)-xm(t)代表系统模型参考误差。
本实施例中，如图1所示，自适应输入控制器模块，表示为：
式中，
代表输入命令的前馈自适应律，
代表系统的反馈自适应律，
代表误差估计，
代表未知非线性估计；
前馈自适应律和反馈自适应律表示为：
式中，
是前馈自适应律的反馈参数，
是反馈自适应律的前馈参数，P＝PT是李亚普诺夫方程的解并满足
误差估计和未知非线性估计表示为：
式中，
是为调节误差估计精度所引入的参数，
是为调节非线性函数估计精度所引入的参数。
本实施例中，如图1所示，μ-mod输入受限模块，表示为：
式中，μ为防止控制输入饱和的调节参数，sat(·)表示饱和度函数，
代表控制输入的虚拟界限且
uimax代表控制输入的实际界限，δ代表为引入的虚拟缓冲区设计的参数；
通过式(11)使得虚拟缓冲区在控制输入未达到饱和超过实际界限之前加以限制；
式中，sgn(·)表示符号函数，ui表示共融控制输入，uci表示加受限的输入。
本实施例中，如图1所示，故障感知决策模块，表示为：
式中，η表示监管者的置信度，η和1-η为加权系数；Λf代表实际执行器的效率，
代表监管者对执行器效率的估计，
代表共融控制器对执行器效率的评估，ΔΛf代表效率估计误差即
Λnom代表Λf的标称值，σ为设计的调节参数。
如图1所示，本实施例提供一种输入受限的无人船航向共融控制结构，包括：模型参考模块的输入端与控制舵角指令、μ-mod输入受限模块和故障感知决策模块的输出端相连；模型参考模块的输出端与自适应输入控制器模块和μ-mod输入受限模块的输入端相连；自适应输入控制器模块的输入端与控制舵角指令和模型参考模块的输出端相连；自适应输入控制器模块的输出端与μ-mod输入受限模块的输入端相连；μ-mod输入受限模块的输入端与自适应输入控制器模块和模型参考模块的输出端相连；μ-mod输入受限模块的输出端与模型参考模块的输入端相连；故障感知决策模块的输出端与模型参考模块的输入端相连。
仿真试验具体情况如下：
无人船航向控制系统参考模型为：
其中参数矩阵
当仿真时间t＜故障时间ta＝400s时，执行器的效率设计为Λf＝1；
当仿真时间t≥故障时间ta＝400s时，执行器的效率设计为Λf＝0.4+0.02sin(0.1t)；
前馈/反馈自适应律单元设计如下：
其中所引入的反馈参数Γx＝800；所引入的前馈参数Γr＝600；
误差/非线性估计单元设计如下：
其中为精确估计引入参数Γd＝200，Γf＝250；
控制输入虚拟界限设计如下：
其中为引入虚拟缓冲区设计参数δ＝0.25，实际界限uimax＝8；
μ-mod输入受限模块设计如下：
当仿真时间t＜纠正时间tc＝700s时，输入受限引入参数μ＝0；
当仿真时间t≥纠正时间tc＝700s时，输入受限引入参数μ＝10；
航向共融控制器异常估计误差设计如下：
ΔΛf＝||diag(1-η)(σ-1)Λnom+(1-η)Λf|| (18)
其中人类监管者的置信度η＝0.95，执行器效率的标称值Λnom＝1，参数σ＝0.9。
仿真结果如图2-图7所示。如图2所示，在300s-700s时间段内因航向执行器效率降低，无法有效的完成转向任务，在700s后加入人为故障评估机制后恢复航向角对控制舵角指令的跟踪，且跟踪误差极小。如图3-图6所示，在0-300s时，未发生故障即Λf＝1，航向控制系统与参考模型系统的误差极小；在300s-1000s时间段内，执行器出现故障；在700s时刻对执行器效率评估并对参考模型纠正，参考系统与实际系统间的误差趋近去零。如图6所示，无人船在300s之前与理想路径相同，在300-700s时航向执行器异常，路径出现偏差；700s纠正参考模型后与给定指令恢复一致。仿真结果证明，当航向执行器发生故障时，采用本发明通过在控制输入建立虚拟缓冲区并基于共融输入偏差降低参考指令，对输入饱和的问题进行及时的解决；在纠正故障时依据监管者的置信度对异常评估，拓展了无人船自动驾驶仪处理异常的能力。
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 (8)
1.一种输入受限的无人船航向共融控制方法，其特征在于，包括：
建立无人船的运动学模型和航向控制系统模型；
当航向控制系统遭遇执行器故障而引发效率不足时，通过所述航向控制系统模型获得控制舵角指令，设定共融控制输入信号初始值，并依据监管者的置信度对所述执行器故障的检测结果进行加权处理，得到执行器效率估计信号；
根据所述控制舵角指令、共融控制输入信号初始值及执行器效率估计信号，获得航向控制系统状态和参考模型系统状态；通过比较所述航向控制系统状态和参考模型系统状态得到状态误差信号；
根据所述控制舵角指令及状态误差信号，建立前馈和反馈自适应律，并通过误差和非线性估计，得到自适应控制输入信号；
根据所述自适应控制输入信号和状态误差信号，得到受限控制输入，以防止控制输入达到饱和界限，并得到共融控制输入信号，以在执行器故障时保证航向控制系统跟随给定信号。
2.根据权利要求1所述的一种输入受限的无人船航向共融控制方法，其特征在于，所述建立无人船的运动学模型和航向控制系统模型，包括：
所述运动学模型表示为：
其中，式(2)表示船体参考坐标系到地球参考坐标系之间的旋转变换矩阵；
式(3)代表地球参考坐标系下船舶位置信息；
式中，x代表在地球参考坐标系下x轴方向的位置坐标，y代表地球参考坐标系下y轴方向的位置坐标，ψ表示地球参考坐标系下船舶的艏摇角；
式(4)代表船体参考坐标系下船舶的速度信息；
式中，u为船体参考坐标系下的纵荡速度，υ为船体参考坐标系下的横荡速度，r为船体参考坐标系下的艏摇角速度；
所述航向控制系统模型表示为：
式中，K和T是流体力学系数，δ代表执行器的控制舵角指令，H(r)是关于艏摇角速度的未知非线性方程。
3.一种输入受限的无人船航向共融控制系统，其特征在于，包括：
模型参考模块、自适应输入控制器模块、μ-mod输入受限模块及故障感知决策模块；
所述模型参考模块，用于在航向系统遭遇执行器故障而引发效率不足时，根据控制舵角指令、所述μ-mod输入受限模块输出的共融控制输入信号及所述故障感知决策模块输出的执行器效率估计信号，得到状态误差信号，并输出至所述自适应输入控制器模块和μ-mod输入受限模块；
所述自适应输入控制器模块，用于根据所述控制舵角指令及状态误差信号，得到自适应控制输入信号，并输出至所述μ-mod输入受限模块；
所述μ-mod输入受限模块，用于根据所述自适应控制输入信号、状态误差信号，得到共融控制输入信号，并输出至所述模型参考模块；
所述故障感知决策模块，用于依据监管者的置信度，对执行器故障检测的结果加权重，得到执行器效率估计信号，并输出至所述模型参考模块。
4.根据权利要求3所述的一种输入受限的无人船航向共融控制系统，其特征在于，所述模型参考模块，包括：航向控制模块和参考模型模块；
所述航向控制模块和模型参考模块，表示为：
式中，xp(t)＝[ψ,r]T为航向控制系统状态，
是系统状态矩阵，
代表控制输入矩阵，u(t)代表系统输入，Λf代表故障后执行器的效率，d代表未知非线性误差，ΦT是未知参数，f(x)代表非线性高阶函数；xm(t)＝[ψm,rm]T为参考模型系统状态，
代表参考状态矩阵，
代表参考输入矩阵，
代表指令退化自适应律，Δuad(t)代表对给定指令的纠正，
为参数矩阵且L＜0，e(t)＝xp(t)-xm(t)代表系统模型参考误差。
5.根据权利要求4所述的一种输入受限的无人船航向共融控制系统，其特征在于，所述自适应输入控制器模块，表示为：
式中，
代表输入命令的前馈自适应律，
代表系统的反馈自适应律，
代表误差估计，
代表未知非线性估计；
所述前馈自适应律和反馈自适应律表示为：
式中，
是所述前馈自适应律的反馈参数，
是反馈自适应律的前馈参数，P＝PT是李亚普诺夫方程的解并满足
所述误差估计和未知非线性估计表示为：
式中，
是为调节误差估计精度所引入的参数，
是为调节非线性函数估计精度所引入的参数。
6.根据权利要求5所述的一种输入受限的无人船航向共融控制系统，其特征在于，所述μ-mod输入受限模块，表示为：
式中，μ为防止控制输入饱和的调节参数，sat(·)表示饱和度函数，
代表控制输入的虚拟界限且
uimax代表控制输入的实际界限，δ代表为引入的虚拟缓冲区设计的参数；
通过式(11)使得虚拟缓冲区在控制输入未达到饱和超过实际界限之前加以限制；
式中，sgn(·)表示符号函数，ui表示共融控制输入，uci表示加受限的输入。
7.根据权利要求6所述的一种输入受限的无人船航向共融控制系统，其特征在于，所述故障感知决策模块，表示为：
式中，η表示监管者的置信度，η和1-η为加权系数；Λf代表实际执行器的效率，
代表监管者对执行器效率的估计，
代表共融控制器对执行器效率的评估，ΔΛf代表效率估计误差即
Λnom代表Λf的标称值，σ为设计的调节参数。
8.一种基于权利要求3所述的输入受限的无人船航向共融控制结构，其特征在于，包括：
所述模型参考模块的输入端与控制舵角指令、所述μ-mod输入受限模块和故障感知决策模块的输出端相连；所述模型参考模块的输出端与所述自适应输入控制器模块和μ-mod输入受限模块的输入端相连；所述自适应输入控制器模块的输入端与控制舵角指令和模型参考模块的输出端相连；所述自适应输入控制器模块的输出端与所述μ-mod输入受限模块的输入端相连；所述μ-mod输入受限模块的输入端与所述自适应输入控制器模块和模型参考模块的输出端相连；所述μ-mod输入受限模块的输出端与所述模型参考模块的输入端相连；所述故障感知决策模块的输出端与模型参考模块的输入端相连。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110287295.5A CN113093734B (zh) | 2021-03-17 | 2021-03-17 | 一种输入受限的无人船航向共融控制方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110287295.5A CN113093734B (zh) | 2021-03-17 | 2021-03-17 | 一种输入受限的无人船航向共融控制方法、系统及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113093734A true CN113093734A (zh) | 2021-07-09 |
| CN113093734B CN113093734B (zh) | 2023-11-03 |
Family
ID=76668609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110287295.5A Active CN113093734B (zh) | 2021-03-17 | 2021-03-17 | 一种输入受限的无人船航向共融控制方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113093734B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008213681A (ja) * | 2007-03-05 | 2008-09-18 | Tokimec Inc | 船舶用自動操舵装置 |
| WO2015066964A1 (zh) * | 2013-11-07 | 2015-05-14 | 哈尔滨工程大学 | 基于自适应模糊估计器的滤波反歩船舶运动控制系统 |
| CN106227223A (zh) * | 2016-09-27 | 2016-12-14 | 哈尔滨工程大学 | 一种基于动态滑模控制的uuv轨迹跟踪方法 |
| CN109189071A (zh) * | 2018-09-25 | 2019-01-11 | 大连海事大学 | 基于模糊观测器的鲁棒自适应无人船路径跟踪控制方法 |
| CN109634289A (zh) * | 2019-01-24 | 2019-04-16 | 大连海事大学 | 一种无人船自主航行系统及其工作方法 |
| CN109765892A (zh) * | 2019-01-16 | 2019-05-17 | 大连海事大学 | 一种无人船集群的碰撞自规避编队控制器结构及设计方法 |
| CN109814392A (zh) * | 2019-02-21 | 2019-05-28 | 大连海事大学 | 一种欠驱动水下机器人执行器故障鲁棒容错控制方法 |
| CN110096048A (zh) * | 2019-05-17 | 2019-08-06 | 山东科技大学 | 一种基于区间观测器的自主水下机器人auv执行器故障检测方法 |
| CN111273549A (zh) * | 2020-02-21 | 2020-06-12 | 大连海事大学 | 一种智能船舶自动舵系统的模糊自适应输出反馈容错控制方法及系统 |
| CN111930124A (zh) * | 2020-08-14 | 2020-11-13 | 大连海事大学 | 一种智能船舶自动舵系统的模糊自适应输出反馈有限时间控制方法及系统 |
-
2021
- 2021-03-17 CN CN202110287295.5A patent/CN113093734B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008213681A (ja) * | 2007-03-05 | 2008-09-18 | Tokimec Inc | 船舶用自動操舵装置 |
| WO2015066964A1 (zh) * | 2013-11-07 | 2015-05-14 | 哈尔滨工程大学 | 基于自适应模糊估计器的滤波反歩船舶运动控制系统 |
| CN106227223A (zh) * | 2016-09-27 | 2016-12-14 | 哈尔滨工程大学 | 一种基于动态滑模控制的uuv轨迹跟踪方法 |
| CN109189071A (zh) * | 2018-09-25 | 2019-01-11 | 大连海事大学 | 基于模糊观测器的鲁棒自适应无人船路径跟踪控制方法 |
| CN109765892A (zh) * | 2019-01-16 | 2019-05-17 | 大连海事大学 | 一种无人船集群的碰撞自规避编队控制器结构及设计方法 |
| CN109634289A (zh) * | 2019-01-24 | 2019-04-16 | 大连海事大学 | 一种无人船自主航行系统及其工作方法 |
| CN109814392A (zh) * | 2019-02-21 | 2019-05-28 | 大连海事大学 | 一种欠驱动水下机器人执行器故障鲁棒容错控制方法 |
| CN110096048A (zh) * | 2019-05-17 | 2019-08-06 | 山东科技大学 | 一种基于区间观测器的自主水下机器人auv执行器故障检测方法 |
| CN111273549A (zh) * | 2020-02-21 | 2020-06-12 | 大连海事大学 | 一种智能船舶自动舵系统的模糊自适应输出反馈容错控制方法及系统 |
| CN111930124A (zh) * | 2020-08-14 | 2020-11-13 | 大连海事大学 | 一种智能船舶自动舵系统的模糊自适应输出反馈有限时间控制方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张骜: "带有执行器故障的无人船的基于模糊逻辑系统的容错控制", 沈阳师范大学学报(自然科学版), vol. 38, no. 3, pages 214 - 219 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113093734B (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hao et al. | Quantized sliding mode control of unmanned marine vehicles: Various thruster faults tolerated with a unified model | |
| Witkowska et al. | Adaptive dynamic control allocation for dynamic positioning of marine vessel based on backstepping method and sequential quadratic programming | |
| CN108008628B (zh) | 一种不确定欠驱动无人艇系统的预设性能控制方法 | |
| Chen et al. | Tracking control of surface vessels via fault-tolerant adaptive backstepping interval type-2 fuzzy control | |
| Wang | Active fault tolerant control for unmanned underwater vehicle with actuator fault and guaranteed transient performance | |
| Perera et al. | Lyapunov and Hurwitz based controls for input–output linearisation applied to nonlinear vessel steering | |
| CN109189103B (zh) | 一种具有暂态性能约束的欠驱动auv轨迹跟踪控制方法 | |
| CN113219978B (zh) | 一种基于零阶保持器的船舶路径跟踪事件触发控制方法 | |
| Zhou et al. | Three-dimensional trajectory tracking for underactuated AUVs with bio-inspired velocity regulation | |
| CN114089749A (zh) | 无人艇运动控制抗扰控制器及方法 | |
| CN111381595A (zh) | 基于事件触发的船舶动力定位方法 | |
| Yuan et al. | An efficient control allocation algorithm for over-actuated AUVs trajectory tracking with fault-tolerant control | |
| Witkowska et al. | Adaptive backstepping tracking control for an over–actuated DP marine vessel with inertia uncertainties | |
| CN116088309B (zh) | 一种基于故障辨识的水面船复合学习容错控制方法 | |
| Salim et al. | A robust of fuzzy logic and proportional derivative control system for monitoring underwater vehicles | |
| CN113093734A (zh) | 一种输入受限的无人船航向共融控制方法、系统及结构 | |
| Liu et al. | Active fault-tolerant control design for a submarine semi-physical simulation system | |
| CN116048090A (zh) | 一种具有能耗优化效应的风帆助航船路径跟踪控制方法 | |
| Fan et al. | Formation control of unmanned surface vehicle for actuator failure | |
| Luo et al. | Robust fin control for ship roll stabilization by using functional-link neural networks | |
| Gallehdari et al. | Control reconfiguration for multiple autonomous vehicles subject to actuator faults and disturbances | |
| Yang et al. | Self-Organizing Neural-Net Control of Ship's Horizontal Motion | |
| Soltani et al. | Robust FDI for a ship-mounted satellite tracking antenna: A nonlinear approach | |
| Guo et al. | Predictive Fault-tolerant Control for Trajectory Tracking of Unmanned Surface Vehicle | |
| Grigoryev et al. | Development of a neural network-based controller for ships |
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 |