CN113485121B - 一种分布式多船协同动力定位控制方法 - Google Patents
一种分布式多船协同动力定位控制方法 Download PDFInfo
- Publication number
- CN113485121B CN113485121B CN202110888067.3A CN202110888067A CN113485121B CN 113485121 B CN113485121 B CN 113485121B CN 202110888067 A CN202110888067 A CN 202110888067A CN 113485121 B CN113485121 B CN 113485121B
- Authority
- CN
- China
- Prior art keywords
- ship
- vessel
- ith
- error vector
- vector
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 121
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 238000013178 mathematical model Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 72
- 238000013461 design Methods 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000015572 biosynthetic process Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 11
- 238000005755 formation reaction Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000013016 damping Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 102000002274 Matrix Metalloproteinases Human genes 0.000 claims description 2
- 108010000684 Matrix Metalloproteinases Proteins 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 14
- 230000007547 defect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008054 signal transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000007998 vessel formation Effects 0.000 description 2
- 241001235534 Graphis <ascomycete fungus> Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种分布式多船协同动力定位控制方法,包括:S1、建立动力定位船舶的数学模型;S2、建立执行器故障模型;S3、计算分布式协同误差矢量以及姿态误差矢量和速度误差矢量;S4、计算引入零阶保持器后的分布式协同误差矢量;S5、计算事件触发误差;S6、计算分布式虚拟控制律;计算自适应律;S7、对所述执行器故障模型计算,控制船舶进行动力定位操作。本发明解决了传统单一船舶动力定位操作的局限性,能够在很大程度上提高作业效率,且能够执行一些更加复杂的工程任务。解决了传统动力定位控制算法中信道频繁占用的缺陷;解决了海船协同动力定位控制操作过程中执行器的未知故障问题。
Description
技术领域
本发明涉及船舶控制领域,尤其涉及一种分布式多船协同动力定位控制方法。
背景技术
在航海实践中,动力定位系统通过使用主动推进器和螺旋桨,可以在不同的运动方向产生力和力矩,从而使船舶在外界环境干扰下保持船舶姿态在预先确定的位置和航向。目前已有的关于动力定位的控制算法都是基于连续时间系统进行的,需要在控制器和执行器之间连续不断地传输控制信号,从而使船舶稳定地保持在期望状态。
随着人类对海洋资源开发的不断深入,单一的动力定位船舶作业已经不能满足海洋开发的工程需求,且无法解决一些复杂的工程任务。现有的动力定位理论研究中,多数研究方法都是基于连续时间系统进行的控制器设计。采用该类控制器执行动力定位任务,控制器需要实时计算执行控制任务所需的控制信号并将其实时传输给执行器。特别是在控制性能及精度满足定位要求的时候,这将产生大量不必要的信息传输,造成通信资源浪费。长期执行定位任务的海洋平台或动力定位船舶,不可避免地会出现执行器故障问题(如效率损失故障、偏置故障等)。传统的动力定位控制算法并没有解决执行器故障对系统控制性能产生的影响(如定位失效、系统崩溃等)。这类问题是船舶控制工程中亟需解决的问题。
发明内容
本发明提供一种分布式多船协同动力定位控制方法,以克服以上问题。
本发明包括:
S1、建立动力定位船舶的三自由度数学模型;
S2、建立执行器故障模型;
S3、根据预先人为设定的多艘船舶间的通信关系,通过传感器获得的船舶的当前姿态和当前速度,计算第一分布式协同误差矢量、姿态误差矢量和速度误差矢量;
S4、引入零阶保持器,计算引入零阶保持器后的第一分布式协同误差矢量,此分布式协同误差矢量即为第二分布式协同误差矢量;
S5、根据姿态误差矢量、速度误差矢量,建立事件触发机制,并计算事件触发机制的事件触发误差矢量;
S6、根据引入零阶保持器前后的分布式协同误差矢量、船舶的当前姿态和当前速度,计算分布式虚拟控制律;根据所述分布式虚拟控制律、事件触发误差矢量,计算自适应律;
S7、根据所述分布式虚拟控制律,计算所述执行器故障模型,获得每艘船舶的控制输入矢量,控制船舶进行动力定位操作。
S1中建立动力定位船舶的三自由度数学模型为:
其中,第i艘船舶姿态矢量ηi=[xi,yi,ψi]T,xi,yi为位置坐标,ψi为艏向角,第i艘船舶速度矢量vi=[ui,vi,ri]T,ui,vi,ri分别为第i艘船舶的前进、横漂、艏摇速度,R(ψi)是转换矩阵且有R-1(ψi)=RT(ψi)和||R(ψi)||=1;Mi是第i艘船舶惯性矩阵,Dil,Din(vi)分别表示第i艘船舶的线形阻尼矩阵和非线性阻尼项;τiw表示作用在第i艘船舶上的扰动矢量。
进一步地,S2执行器故障模型为:
其中,kip=diag{kip1,kip2,…,kipq}表示第i艘船舶驱动效率矩阵,且0≤kipj≤1,j=1,2,…q,kip1,kip2,…,kipq分别为第i艘船舶第1个至第q个推进器的驱动效率系数,第q为第i艘船舶所配备推进器的个数;表示第i艘船舶偏置故障矩阵,分别为第i艘船舶第1个至第q个推进器的偏置系数;vip=[vip1,vip2,…,vipq]T表示第i艘船舶推进器输入指令控制律,vip1,vip2,…,vipq分别为第i艘船舶第1个至第q个推进器的输入指令控制律,且vipj=|pijo|pijo,j=1,2,…q,pijo表示第i艘船舶的第j个执行器的输入指令。
执行器故障模式有四种模式,包括:
kipj=1且表示推进器在正常运行;
0<kipj<1且表示推进器发生部分效率损失故障;
kipj=1且表示推进器出现偏置故障;
0<kipj<1且表示推进器出现混合故障。
进一步地,S3中分布式协同误差矢量为:
其中,aij为邻接矩阵中表示第i艘船舶和第j艘船舶间通信关系的元素,ηi为第i艘船舶的姿态矢量和ηj为第j艘船舶的姿态矢量,Δi,Δj为维持船舶间几何队形的元素矢量,bi为领导船的邻接矩阵/>中的第i个元素,若第i艘船舶获得领导船的信息,则bi>0,否则bi=0,ηd为期望姿态矢量。
进一步地,S4中引入零阶保持器后的分布式协同误差矢量:
其中,aij为邻接矩阵中表示第i艘船舶和第j艘船舶间通信关系的元素,/>分别为引入零阶保持器后的第i艘船舶和第j艘船舶的姿态矢量,Δi,Δj表示维持船舶间几何队形的元素矢量,bi为领导船的邻接矩阵/>中的元素,若第i艘船舶能够获得领导船的信息,则bi>0,否则bi=0,ηd为期望姿态矢量。
进一步地,S5中事件触发机制的事件触发误差矢量:
其中,esi,evi为事件触发误差矢量,Ksi,Kvi为事件触发阈值系数,ηie为第i艘船舶的姿态误差矢量,vie为第i艘船舶的速度误差矢量,∈si>0,∈vi>0为正的设计参数,0<Γsi<1,0<Γvi<1为设计参数,kiη,kiv为对角矩阵形式的设计参数矩阵,为设计参数矩阵,/>为神经网络权值矩阵的估计,Li为设计参数;
所述事件触发机制为:
若所述事件触发误差矢量大于阈值,所述阈值由人为设定,引入滤波器后的分布式协同误差矢量以及引入滤波器后的速度误差矢量更新为所述分布式协同误差矢量以及速度误差矢量,并更新神经网络自适应参数;
若所述事件触发误差矢量不大于阈值,则保持所引入滤波器后的分布式协同误差矢量以及引入滤波器后的速度误差矢量。
进一步地,S6中分布式虚拟控制律为:
所述自适应律为:
其中,R(ψi)为转换矩阵,kiη,kiv为对角矩阵形式的设计参数矩阵,为引入零阶保持器后的分布式协同误差矢量,ηie,vie分别为第i艘船舶的姿态误差矢量和速度误差矢量,为神经网络权值矩阵的估计,/>为径向基函数,Mi是第i艘船舶惯性矩阵,βiwm,βiλj,βiθj为自适应学习率,j=1,2,…,q表示第i艘船舶的推进器序号,/>表示第i艘船舶的配置矩阵Ti(βi)的伪逆,/>表示第i艘船舶的配置矩阵Ti(βi)伪逆的第j行第n列元素,Timj(βi)表示第i艘船舶的配置矩阵Ti(βi)的第m行第j列元素,σiwm,σiλj,σiθj为设计参数,γiλ,γiw,γiθ分别为自适应参数/>中事件触发误差eivm的反馈信号,其中ciζ是正常数形式的设计参数。
进一步地,S7中每艘船舶的控制输入矢量为:
τi=Ti(βi)κi(ni)uip (12)
其中,τi=[τiu,τiv,τir]T表示第i艘船舶控制输入矢量,Ti(βi)表示第i艘船舶的配置矩阵,q表示等效推进器的数量,βi表示方位角推进器的方位角,κi(·)=diag{κi1(ni1),κi2(ni2),…,κiq(niq)}表示第i艘船舶螺旋桨转速相关的力系数矩阵,其中,κi1(ni1),κi2(ni2),…,κiq(niq)分别为第i艘船舶对应于q个推进器的力系数;uip=[|pi1|pi1,|pi2|pi2,…,|piq|piq]T为第i艘船舶实际可控输入控制律,其中pij∈[-1,1],j=1,2,…q表示第i艘船舶第j个推进器的实际可控输入。
进一步地,S3中姿态误差矢量为:
ηie=ηi-Δi-ηd (13)
其中,ηd为预先设定的期望姿态矢量,Δi为维持船舶间几何队形的元素矢量,ηi为当前姿态。
进一步地,S3中速度误差矢量为:
vie=vi-αi1 (14)
其中,αi1为分布式虚拟控制律、vi为当前速度。
本发明采用分布式协同动力定位控制方案解决了传统单一船舶动力定位操作的局限性,能够在很大程度上提高作业效率,且能够执行一些更加复杂的工程任务。利用本发明事件触发机制解决了传统动力定位控制算法中信道频繁占用的缺陷,实现了命令信号的非周期计算,避免了大量不必要的信号传输,使船舶稳定性能在能够满足工程任务需求的前提下,极大地降低了信道传输负担。本发明解决了海船协同动力定位控制操作过程中执行器的未知故障问题,通过设计故障相关的自适应律来对执行器的故障参数进行在线估计,从而通过控制器对其进行补偿,在推进器出现未知故障的情况下仍然能够保持动力定位任务的正常进行。
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一简单地介绍,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为本发明船舶事件触发协同动力定位控制流程图;
图2为本发明动力定位船舶推进器配置图;
图3为本发明二维风场;
图4为本发明风生浪波面视图;
图5为本发明船舶间的信息交换关系图;;
图6为本发明船舶编队运动轨迹;
图7为本发明船舶编队误差变化曲线;
图8为本发明混合故障条件下的No.3船舶实际控制输入;
图9为本发明混合故障条件下的No.3船舶自适应参数;
图10为本发明间隔采样点分析;
图11为本发明姿态误差对比曲线;
图12为本发明控制力/力矩对比曲线。
附图标号说明:
1、主推进器;2、隧道推进器;3、全回转推进器;4、虚拟领导船;5、第一船舶;6、第二船舶;7、第三船舶。
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。
实施例1
如图2所示,船舶推进器包括:两个主推进器1、两个隧道推进器2、一个全回转推进器3。
如图1、图2所示,本发明包括:
S1、根据船舶动力定位操纵特点,建立动力定位船舶的三自由度数学模型为式(1)。
其中,第i艘船舶姿态矢量ηi=[xi,yi,ψi]T,xi,yi为位置坐标,ψi为艏向角,第i艘船舶速度矢量vi=[ui,vi,ri]T,ui,vi,ri分别为第i艘船舶的前进、横漂、艏摇速度,R(ψi)是转换矩阵且有R-1(ψi)=RT(ψi)和||R(ψi)||=1。Mi是第i艘船舶惯性矩阵,Dil,Din(vi)分别表示第i艘船舶的线形阻尼矩阵和非线性阻尼项;τiw表示作用在第i艘船舶上的扰动矢量。
τi=Ti(βi)κi(ni)uip (2)
在式(2)中,第i艘船舶控制输入矢量τi=[τiu,τiv,τir]T,Ti(βi)表示第i艘船舶的配置矩阵(q是等效推进器的数量),βi是方位角推进器的方位角,κi(·)=diag{κi1(ni1),κi2(ni2),…,κiq(niq)}表示螺旋桨转速相关的力系数矩阵,uip=[|pi1|pi1,|pi2|pi2,…,|piq|piq]T为第i艘船舶实际可控输入控制律,其中pij∈[-1,1],j=1,2,…q是第i艘船舶第j个推进器的实际可控输入(螺距比)。
S2、在实际工程中,推进器可能遭受偏置故障和效率损失故障。因此,我们建立执行器故障模型为式(3)。
其中,kip=diag{kip1,kip2,…,kipq}表示第i艘船舶驱动效率矩阵,且0≤kipj≤1,j=1,2,…q,kip1,kip2,…,kipq分别为第i艘船舶q个推进器的驱动效率系数,q为第i艘船舶所配备推进器的个数;表示第i艘船舶偏置故障矩阵,/>分别为第i艘船舶q个推进器的偏置系数;vip=[vip1,vip2,…,vipq]T表示第i艘船舶推进器输入指令控制律,vip1,vip2,…,vipq分别为第i艘船舶q个推进器的输入指令控制律,且vipj=|pijo|pijo,j=1,2,…q,pijo表示第i艘船舶的第j个执行器的输入指令。
基于故障模型(3),有如下四种模式:
kipj=1且表示推进器在正常运行;
0<kipj<1且表示推进器发生部分效率损失故障;
kipj=1且表示推进器出现偏置故障;
0<kipj<1且表示推进器出现混合故障。
S3、n艘船舶间的通信关系可以用无向图来表示,其中/>为对应于每艘船舶的一组顶点,/>表示任意两艘船舶间的边组成的集合。边(Ni,Nj)∈ε表示船舶i和船舶j是相邻的。如果如果任意两个顶点间有一条路径,则表示图/>是连通的。/>为邻接矩阵,且当(j,i)∈ε时,aij=1;当/>aij=0。/>表示度矩阵,其中dij为矩阵/>第j行元素之和。/>的拉普拉斯矩阵为/>对角矩阵表示领导船的邻接矩阵,若第i艘船舶能够获得领导船的信息,则bi>0,否则bi=0。为了促进控制方案的分析与设计,定义/>
通过传感器获得船舶的当前姿态ηi和当前速度vi,从而计算分布式协同误差矢量si、姿态误差矢量ηie=ηi-Δi-ηd、速度误差矢量vie=vi-αi1,其中Δi,Δj表示维持船舶间几何队形的元素矢量,ηd为期望姿态矢量,αi1为分布式虚拟控制律。
S4、在所提出的控制方案中,引入零阶保持器(Zero-order holder,ZOH)来设计事件触发机制,即通过ZOH保持上一采样时刻的系统状态并直至下一触发时刻,从而获得通过ZOH后的系统状态为了便于进一步分析,时域被分为两部分,即t=tk(tk+1>tk,i=0,1,2,…)以及(tk<t<tk+1)。在触发时刻(t=tk),/>在连续两个采样点间的时间段(tk<t<tk+1),/>
基于上述分析,分布式协同误差矢量其中引入零阶保持器后的分布式协同误差/>的表达式如式(5)所示。
S5、事件触发误差可以表达为
基于上述分析,我们设计事件触发条件如下所示:
其中,事件触发阈值系数Ksi,Kvi如式(20)所示,0<Γsi<1,0<Γvi<1,且∈si>0,∈vi>0为正的设计参数。为设计参数矩阵,/>为神经网络权值矩阵的估计,Li为设计参数。
具体而言,阈值越小控制效果越好,但是信号传输越频繁,消耗的通信资源越多。阈值设定的规则是,在保证系统控制性能满足工程需求的条件下,最大限度地降低信号传输频率,从而节约通信资源。
判断所述事件触发误差是否大于阈值,若是,则将所述引入滤波器后的分布式协同误差矢量以及引入滤波器后的速度误差矢量/>更新为所述分布式协同误差矢量si以及速度误差矢量vi,若否,则保持所述引入滤波器后的分布式协同误差矢量/>以及引入滤波器后的速度误差矢量/>
此外,若事件触发误差大于阈值,则自适应参数进行更新,若否,则自适应参数保持不变。所述神经网络自适应参数通过非周期地在线更新来逼近系统不确定性函数。故障自适应参数/>是对λij,θij的估计,其通过在线更新来对执行器的故障参数进行估计,从而通过控制器对其进行补偿。此外,由于大部分现有的动力定位船舶都配备全回转推进器,因此采用执行器配置矩阵的扩展进行控制器设计,在线更新的自适应参数的个数与扩展配置矩阵的维度相一致。
其中,R(ψi)为转换矩阵,kiη,kiv为对角矩阵形式的设计参数矩阵,为引入零阶保持器后的分布式协同误差矢量,ηie,vie分别为第i艘船舶的姿态误差矢量和速度误差矢量,为神经网络权值矩阵的估计,/>为径向基函数,Mi是第i艘船舶惯性矩阵,βiwm,βiλj,βiθj为自适应学习率,j=1,2,…,q表示第i艘船舶的推进器序号,/>表示第i艘船舶的配置矩阵Ti(βi)的伪逆,/>表示第i艘船舶的配置矩阵Ti(βi)伪逆的第j行第n列元素,Timj(βi)表示第i艘船舶的配置矩阵Ti(βi)的第m行第j列元素,σiwm,σiλj,σiθj为设计参数,γiλ,γiw,γiθ分别为自适应参数/>中事件触发误差eivm的反馈信号,其中ciζ是正常数形式的设计参数。
S6、本申请的实际控制输入矢量用于调节船舶期望姿态与当前姿态的差值,该差值的计算如下:
姿态误差矢量被定义为ηie=ηi-Δi-ηd,其中ηd为期望姿态矢量。可以表示为式(11)。
分布式虚拟控制律αi1被设计为式(12)。
其中,kiη是对角矩阵形式的设计参数。
定义速度误差矢量vie=vi-αi1,误差向量可以被表达为式(13)。
基于式(1),vie的导数可以表达为式(14)。
其中,Dilvi+Din(vi)为系统不确定性函数,为处理这一不确定性函数,我们引入如下所示的径向基函数神经网络来对其进行逼近。
其中,Finn(vi)=[finu(vi),finv(vi),finr(vi)]T,并且采用finu(vi),finv(vi),finr(vi)来分别逼近ui,vi,ri三个子系统的不确定性函数,Wi为神经网络权值矩阵,Si(vi)为径向基函数,为神经网络逼近误差εi的上界矢量。
基于故障模型(3)以及式(14)和式(15),可以得到式(16)。
S6、设计分布式虚拟控制律αi2如式(17)所示。
其中,kiv表示正的设计参数矩阵,为神经网络权值矩阵的估计。
在航海实际工程中,推进器力系数矩阵κi(·)和驱动效率系数矩阵kip都是未知的,这可能产生系统的增益不确定性。定义然后我们可以得到λi=diag{λi1,λi2,…,λiq}=1/(κi(ni)kip)和/>其中,li=[1,1,…,1]T。基于以上分析,式(16)可以被重新表达为式(18)。
S7、第i艘船舶实际控制输入指令矩阵pio=[pi1o,pi2o,…,piqo]T被推导为式(19)。
其中, 表示Ti(βi)的伪逆,Tiq(βi)表示矩阵Ti(βi)的第q列,ε>0为设计参数。
实施例2
采用仿真实验来验证本发明所提出控制算法的有效性,以三艘长度为76.2m,排水量为4.591×106kg的船舶(配备两个主螺旋桨,三个隧道推进器和一个方位角推进器)为被控对象,并采用matlab进行计算机仿真实验。
对于海洋环境扰动,采用NORSOK风谱来模拟风干扰,采用JONSWAP来模拟浪干扰。对海洋环境扰动的平均风速为Vwind=15.6m/s且风向为ψwind=220deg,环境扰动的二维风场如图3所示、对应的风生浪波面视图如图4所示。
船舶间的通信关系如图5所示,虚拟领导船4能够和第一船舶5进行信息交换。期望姿态为ηd=[100m,100m,60deg]T,船舶间的几何队形为Δ1=[50m,50m,270deg]T,Δ2=[-100m,0m,120deg]T,Δ3=[0m,-100m,-20deg]T。对于船舶1-3,初始状态为η1(0)=[200m,50m,270deg]T,η2(0)=[50m,200m,240deg]T,η3(0)=[0m,-100m,90deg]T,v1(0)=v2(0)=v3(0)=[0m/s,0m/s,0deg/s]T。部分效率损失故障和混合故障分别在200s被设置在第二船舶6的第三3推进器和在300s被设置在第三船舶7的第五推进器。
三艘船舶的编队轨迹如图6所示,一个三角形的队形最终形成。编队误差的变化情况如图7所示,误差xie,yie,ψie是半全局最终一致有界的。
发生在第三船舶7的第五推进器的混合故障,控制输入和自适应参数的曲线变化情况如图8-9所示,在300s时通过重新计算控制输入和自适应参数来补偿混合故障对系统稳定性产生的影响。
控制输入指令p32o和实际控制输入p32曲线如图7所示,其他推进器的控制输入曲线变化情况相似于第三推进器。
图8中方位角的取值范围是(-180deg,180deg],在工程实际中通常需要将其取值范围转换为(0,360deg]。如图9所示,对于每个推进器采用两个自适应参数对推进器故障参数进行估计,其仅在触发时刻进行更新计算,大量节约了通信资源。图10给出了两个连续的采样点间的时间间隔变化情况。
为进一步验证本文所提出算法的有效性,将第一船舶5的仿真结果与传统动力定位控制算法的仿真结果进行对比。两种算法的对比结果如图11-12所示。在图11中,我们可以清楚地看出,两种算法是具有相似地收敛速度,但显然本文所提出算法具有更加优越的稳定性能。图12给出了两种算法的控制力/力矩曲线,本文提出的控制算法更加稳定,本文算法不仅稳定性更高,更加节约能源。
有益效果:
1、本发明采用分布式协同动力定位控制方案解决了传统单一船舶动力定位操作的局限性,能够在很大程度上提高作业效率,且能够执行一些更加复杂的工程任务。
2、利用本发明事件触发控制策略解决了传统动力定位控制算法中信道频繁占用的缺陷,实现了命令信号的非周期计算,避免了大量不必要的信号传输,使船舶稳定性能在能够满足工程任务需求的前提下,极大地降低了信道传输负担。
3、本发明解决了海船协同动力定位控制操作过程中执行器的未知故障问题,通过设计故障相关的自适应律来对执行器的故障参数进行在线估计,从而通过控制器对其进行补偿,在推进器出现未知故障的情况下仍然能够保持动力定位任务的正常进行。
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)
1.一种分布式多船协同动力定位控制方法,其特征在于,包括:
S1、建立动力定位船舶的三自由度数学模型;
S2、建立执行器故障模型;
S3、根据预先人为设定的多艘船舶间的通信关系,通过传感器获得的船舶的当前姿态和当前速度,计算第一分布式协同误差矢量、姿态误差矢量和速度误差矢量;
S4、引入零阶保持器,计算引入零阶保持器后的第一分布式协同误差矢量,此分布式协同误差矢量即为第二分布式协同误差矢量;
S5、根据姿态误差矢量、速度误差矢量,建立事件触发机制,并计算事件触发机制的事件触发误差矢量;
所述事件触发机制的事件触发误差矢量:
其中,esi,evi为事件触发误差矢量,Ksi,Kvi为事件触发阈值系数,ηie为第i艘船舶的姿态误差矢量,vie为第i艘船舶的速度误差矢量,∈si>0,∈vi>0为正的设计参数,0<Γsi<1,0<Γvi<1为设计参数,kiη,kiv为对角矩阵形式的设计参数矩阵,为设计参数矩阵,/>为神经网络权值矩阵的估计,Li为设计参数;
所述事件触发机制为:
若所述事件触发误差矢量大于阈值,所述阈值由人为设定,引入滤波器后的分布式协同误差矢量以及引入滤波器后的速度误差矢量更新为所述分布式协同误差矢量以及速度误差矢量,并更新神经网络自适应参数;
若所述事件触发误差矢量不大于阈值,则保持所引入滤波器后的分布式协同误差矢量以及引入滤波器后的速度误差矢量;
S6、根据引入零阶保持器前后的分布式协同误差矢量、船舶的当前姿态和当前速度,计算分布式虚拟控制律;根据所述分布式虚拟控制律、事件触发误差矢量,计算自适应律;
S7、根据所述分布式虚拟控制律,计算所述执行器故障模型,获得每艘船舶的控制输入矢量,控制船舶进行动力定位操作。
2.根据权利要求1所述的一种分布式多船协同动力定位控制方法,其特征在于,S1中建立动力定位船舶的三自由度数学模型为:
其中,第i艘船舶姿态矢量ηi=[xi,yi,ψi]T,xi,yi为位置坐标,ψi为艏向角,第i艘船舶速度矢量vi=[ui,vi,ri]T,ui,vi,ri分别为第i艘船舶的前进、横漂、艏摇速度,R(ψi)是转换矩阵且有R-1(ψi)=RT(ψi)和||R(ψi)||=1;Mi是第i艘船舶惯性矩阵,Dil,Din(vi)分别表示第i艘船舶的线形阻尼矩阵和非线性阻尼项;τi表示第i艘船舶控制输入矢量;τiw表示作用在第i艘船舶上的扰动矢量。
3.根据权利要求2所述的一种分布式多船协同动力定位控制方法,其特征在于,S2所述执行器故障模型为:
其中,kip=diag{kip1,kip2,…,kipq}表示第i艘船舶驱动效率矩阵,且0≤kipj≤1,j=1,2,…q,kip1,kip2,…,kipq分别为第i艘船舶第1个至第q个推进器的驱动效率系数,第q为第i艘船舶所配备推进器的个数;表示第i艘船舶偏置故障矩阵,分别为第i艘船舶第1个至第q个推进器的偏置系数;vip=[vip1,vip2,…,vipq]T表示第i艘船舶推进器输入指令控制律,vip1,vip2,…,vipq分别为第i艘船舶第1个至第q个推进器的输入指令控制律,且vipj=|pijo|pijo,j=1,2,…q,pijo表示第i艘船舶的第j个执行器的输入指令;
所述执行器故障模式有四种模式,包括:
kipj=1且表示推进器在正常运行;
0<kipj<1且表示推进器发生部分效率损失故障;
kipj=1且表示推进器出现偏置故障;
0<kipj<1且表示推进器出现混合故障。
4.根据权利要求3所述的一种分布式多船协同动力定位控制方法,其特征在于,S3中所述第一分布式协同误差矢量为:
其中,aij为邻接矩阵中表示第i艘船舶和第j艘船舶间通信关系的元素,ηi为第i艘船舶的姿态矢量和ηj为第j艘船舶的姿态矢量,Δi,Δj为维持船舶间几何队形的元素矢量,bi为领导船的邻接矩阵/>中的第i个元素,若第i艘船舶获得领导船的信息,则bi>0,否则bi=0,ηd为期望姿态矢量;
S4中所述引入零阶保持器后的第一分布式协同误差矢量即第二分布式协同误差矢量,表示为:
其中,aij为邻接矩阵中表示第i艘船舶和第j艘船舶间通信关系的元素,/>分别为引入零阶保持器后的第i艘船舶和第j艘船舶的姿态矢量,Δi,Δj表示维持船舶间几何队形的元素矢量,bi为领导船的邻接矩阵/>中的元素,若第i艘船舶能够获得领导船的信息,则bi>0,否则bi=0,ηd为期望姿态矢量。
5.根据权利要求4所述的一种分布式多船协同动力定位控制方法,其特征在于,S6中所述分布式虚拟控制律为:
所述自适应律为:
其中,R(ψi)为转换矩阵,kiη,kiv为对角矩阵形式的设计参数矩阵,为引入零阶保持器后的分布式协同误差矢量,ηie,vie分别为第i艘船舶的姿态误差矢量和速度误差矢量,/>为神经网络权值矩阵的估计,/>为径向基函数,Mi是第i艘船舶惯性矩阵,βiwm,βiλj,βiθj为自适应学习率,j=1,2,…,q表示第i艘船舶的推进器序号,/>表示第i艘船舶的配置矩阵Ti(βi)的伪逆,/>表示第i艘船舶的配置矩阵Ti(βi)伪逆的第j行第n列元素,Timj(βi)表示第i艘船舶的配置矩阵Ti(βi)的第m行第j列元素,σiwm,σiλj,σiθj为设计参数,γiλ,γiw,γiθ分别为自适应参数/>中事件触发误差eivm的反馈信号,其中ciζ是正常数形式的设计参数。
6.根据权利要求5所述的一种分布式多船协同动力定位控制方法,其特征在于,S7中所述每艘船舶的控制输入矢量为:
τi=Ti(βi)κi(ni)uip (12)
其中,τi=[τiu,τiv,τir]T表示第i艘船舶控制输入矢量,Ti(βi)表示第i艘船舶的配置矩阵,q表示等效推进器的数量,βi表示方位角推进器的方位角,κi(ni)=diag{κi1(ni1),κi2(ni2),…,κiq(niq)}表示第i艘船舶螺旋桨转速相关的力系数矩阵,其中,κi1(ni1),κi2(ni2),…,κiq(niq)分别为第i艘船舶对应于q个推进器的力系数;uip=[|pi1|pi1,|pi2|pi2,…,|piq|piq]T为第i艘船舶实际可控输入控制律,其中pij∈[-1,1],j=1,2,…q表示第i艘船舶第j个推进器的实际可控输入。
7.根据权利要求6所述的一种分布式多船协同动力定位控制方法,其特征在于,S3中所述姿态误差矢量为:
ηie=ηi-Δi-ηd (13)
其中,ηd为预先设定的期望姿态矢量,Δi为维持船舶间几何队形的元素矢量,ηi为当前姿态。
8.根据权利要求7所述的一种分布式多船协同动力定位控制方法,其特征在于,S3中所述速度误差矢量为:
vie=vi-αi1 (14)
其中,αi1为分布式虚拟控制律、vi为当前速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110888067.3A CN113485121B (zh) | 2021-08-03 | 2021-08-03 | 一种分布式多船协同动力定位控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110888067.3A CN113485121B (zh) | 2021-08-03 | 2021-08-03 | 一种分布式多船协同动力定位控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113485121A CN113485121A (zh) | 2021-10-08 |
CN113485121B true CN113485121B (zh) | 2024-04-16 |
Family
ID=77945381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110888067.3A Active CN113485121B (zh) | 2021-08-03 | 2021-08-03 | 一种分布式多船协同动力定位控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113485121B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111273549B (zh) * | 2020-02-21 | 2023-01-13 | 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容错控制方法及系统 |
CN113888853A (zh) * | 2021-10-25 | 2022-01-04 | 哈尔滨工程大学 | 一种多船运动姿态实时监测系统 |
CN116360260B (zh) * | 2023-03-22 | 2023-10-20 | 大连海事大学 | 基于触发制导和自更新阈值的asv预设性能控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050069824A (ko) * | 2003-12-31 | 2005-07-05 | 삼성중공업 주식회사 | 선박 항해기록 자동보고시스템 및 그 방법 |
CN109581876A (zh) * | 2019-01-08 | 2019-04-05 | 大连海事大学 | 一种无人船的事件触发状态观测器结构及其设计方法 |
CN111381595A (zh) * | 2020-03-10 | 2020-07-07 | 大连海事大学 | 基于事件触发的船舶动力定位方法 |
CN111708280A (zh) * | 2020-06-30 | 2020-09-25 | 大连海事大学 | 一种考虑执行器故障的船舶路径跟踪事件触发控制器方法 |
CN112650231A (zh) * | 2020-12-15 | 2021-04-13 | 哈尔滨工程大学 | 一种实现避碰和避障的欠驱船编队控制系统 |
CN112947375A (zh) * | 2021-02-09 | 2021-06-11 | 大连海事大学 | 一种考虑未知死区的复合自适应容错控制器设计方法 |
CN113178098A (zh) * | 2021-05-20 | 2021-07-27 | 大连海事大学 | 一种无人船事件触发分层协同控制系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7451022B1 (en) * | 2006-12-28 | 2008-11-11 | Lockheed Martin Corporation | Calibration of ship attitude reference |
-
2021
- 2021-08-03 CN CN202110888067.3A patent/CN113485121B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050069824A (ko) * | 2003-12-31 | 2005-07-05 | 삼성중공업 주식회사 | 선박 항해기록 자동보고시스템 및 그 방법 |
CN109581876A (zh) * | 2019-01-08 | 2019-04-05 | 大连海事大学 | 一种无人船的事件触发状态观测器结构及其设计方法 |
CN111381595A (zh) * | 2020-03-10 | 2020-07-07 | 大连海事大学 | 基于事件触发的船舶动力定位方法 |
CN111708280A (zh) * | 2020-06-30 | 2020-09-25 | 大连海事大学 | 一种考虑执行器故障的船舶路径跟踪事件触发控制器方法 |
CN112650231A (zh) * | 2020-12-15 | 2021-04-13 | 哈尔滨工程大学 | 一种实现避碰和避障的欠驱船编队控制系统 |
CN112947375A (zh) * | 2021-02-09 | 2021-06-11 | 大连海事大学 | 一种考虑未知死区的复合自适应容错控制器设计方法 |
CN113178098A (zh) * | 2021-05-20 | 2021-07-27 | 大连海事大学 | 一种无人船事件触发分层协同控制系统 |
Non-Patent Citations (2)
Title |
---|
Event-triggered based consensus of autonomous underactuated surface vessels;MIRZAEI M等;The 4th International Conference on Control, Decision and Information Technologies(CoDIT);第477-482页 * |
考虑事件触发输入的船舶自适应动力定位控制;张国庆等;控制理论与应用;第38卷(第10期);第1597-1606页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113485121A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113485121B (zh) | 一种分布式多船协同动力定位控制方法 | |
CN108803632B (zh) | 基于饱和补偿技术的水面无人艇全状态约束轨迹跟踪控制方法 | |
Lindegaard et al. | Fuel-efficient rudder and propeller control allocation for marine craft: Experiments with a model ship | |
CN112965371B (zh) | 基于固定时间观测器的水面无人艇轨迹快速跟踪控制方法 | |
Fan et al. | Course keeping control based on integrated nonlinear feedback for a USV with pod-like propulsion | |
CN112947375B (zh) | 一种考虑未知死区的复合自适应容错控制器设计方法 | |
CN108710373B (zh) | 一种网络化欠驱动无人艇分布式编队控制器及其设计方法 | |
CN111708280B (zh) | 一种考虑执行器故障的船舶路径跟踪事件触发控制器方法 | |
CN109240289B (zh) | 波浪滑翔器艏摇信息自适应滤波方法 | |
CN110032075B (zh) | 一种动力定位船饱和补偿控制系统设计方法 | |
CN111381595B (zh) | 基于事件触发的船舶动力定位方法 | |
CN108333926B (zh) | 动力定位船舶的固定角度推力分配方法 | |
CN114442640B (zh) | 一种水面无人艇轨迹跟踪控制方法 | |
CN113341953A (zh) | 一种吊舱式无人艇航向控制方法 | |
CN114089749A (zh) | 无人艇运动控制抗扰控制器及方法 | |
CN116819950B (zh) | 一种船舶与浮式海洋平台动力定位控制方法及系统 | |
Song et al. | Event-triggered fuzzy finite-time reliable control for dynamic positioning of nonlinear unmanned marine vehicles | |
CN116088309B (zh) | 一种基于故障辨识的水面船复合学习容错控制方法 | |
CN116449703A (zh) | 一种有限时间框架下的auh编队协同控制方法 | |
CN114943168B (zh) | 一种水上浮桥组合方法及系统 | |
CN114578819B (zh) | 一种基于人工势场法的多水面船分布式编队的控制方法 | |
Lee et al. | Dynamic positioning of drilling vessels with a fuzzy logic controller | |
CN114924485A (zh) | 一种过驱动水下机器人动力定位自适应容错控制架构及方法 | |
Zhao et al. | UUV trajectory tracking control with fault tolerant based on MPC | |
CN112327626A (zh) | 基于数据分析的飞行器通道耦合协调控制方法 |
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 |