CN115562005A - 一种基于复合学习的水面船舶动态事件触发控制方法 - Google Patents

Abstract

本发明属于船舶自动控制技术领域，具体涉及一种基于复合学习的水面船舶动态事件触发控制方法，包括：建立船舶数学模型；设计神经网络状态观测器；设计控制律的控制指令。本发明通过采用神经网络逼近技术对船舶数学模型中纵向、转向中非线性动态不确定项进行重构，建立有限时间扰动估计器，对纵向、转向中包括未知外部扰动和不可接近部分在内的整体不确定性进行在线重构，能够实现复杂不确定性的快速、准确在线重构，释放了在线干扰估计技术对船舶运动模型的精确要求，扩大了在线干扰估计技术的应用范围，引入事件触发控制方法，抑制驱动器不必要的磨损。

Description

一种基于复合学习的水面船舶动态事件触发控制方法

技术领域

本发明属于水面船舶自动控制技术领域，具体涉及一种基于复合学习的水面船舶动态事件触发控制方法。

背景技术

水面船舶对于各种海上作业活动至关重要，如海洋勘探、海上运输、海洋勘测等。船舶在航行过程中，航行环境复杂多变，经常遭遇风、浪、流影响，同时船舶本身存在着诸多不确定性，如船舶参数的不确定性、传感设备的测量不确定性、推进系统的突发故障等等，这些都给智能船舶的安全航行带来了极大的挑战。由于外部环境、船舶操纵特性，船舶的动力学部分必然受到内部动态不确定性和未知外部扰动的影响。值得注意的是，在运动控制设计中处理这些不确定性，会对控制性能产生重大影响，如控制精度、稳定时间、稳定性能等。针对以上问题，相关现有技术公开如下：为应对内部和/外部不确定性造成的不利影响，文献《Disturbance observer-based adaptive intelligent control of marine vesselwith position and heading constraint condition related to desired output》和文献《Event-triggered finite-time tracking control of underactuated MSVs basedon neural network disturbance observer》利用基于自适应神经网络的扰动观测器重建包括内部动态不确定性和未知外部扰动的复合不确定性。为了进一步提高复合不确定性的重建精度，文献《Composite neural dynamic surface control of a class ofuncertain nonlinear systems in strict-feedback form》引入了串-并行估计模型(SPEM)，构建了与文献《Composite neural learning fault-tolerant control forunderactuated vehicles with event-triggered input》中动态相同的并行动态，并设计了一种改进的自适应律。需要指出的是，上述工作一般要求船舶速度已知。显然，由于传感器故障或其他问题，船舶的速度信息可能无法直接取得。针对这一问题，文献《Event-triggered composite adaptive fuzzy output-feedback control for path followingof autonomous surface vessels》基于神经网络的状态观测器的思想设计了一种基于模糊的状态观测器，并引入了SPEM，然后开发了一种基于复合学习的自适应模糊输出反馈路径跟踪控制方案。应该指出的是，尽管上述中的工作有效地解决了船舶速度信息未知的问题，但没有充分考虑扰动估计精度问题。针对这一问题，在现有的工作中，很少有针对船舶速度未知条件下设计扰动观测器的文献。在缺乏船舶速度信息的情况下，能否对内部和外部不确定性进行分类重建一直是一个悬而未决的问题。

从实际角度来看，安装在船舶上的执行器会遭受响应频率等的物理约束。此外，由于船体和设备的振动、测量噪声等，会加剧机械磨损。为了减少机械磨损并确保控制命令保持在执行器的工作范围内，有效的措施是降低控制律与执行器之间控制命令的传输频率。为了实现这一点，文献《Event-triggered approximate optimal path-followingcontrol for unmanned surface vehicles with state constraints》采用事件触发控制(ETC)方法解决路径跟踪问题，与连续时间控制相比，ETC下的控制方案不仅减少了控制律计算的控制命令的传输次数，而且保持了满意的控制性能。应该指出的是，事件触发协议(ETP)，包括内部触发、外部触发和复合触发。上述文献中提出的ETP均属于静态ETP。与静态ETP相比，动态触发协议(DETP)可以进一步减少事件数量，同时保持可接受的控制性能。但在船舶速度未知情况下，将动态触发控制方法应用于解决具有内部和外部不确定性的控制问题，现有文献中很少讨论。

因此，亟需开发一种基于复合学习的水面船舶动态事件触发控制方法，以解决上述问题。

发明内容

本发明的目的是提供一种基于复合学习的水面船舶动态事件触发自适应神经输出反馈控制方法。

为了解决上述技术问题，本发明提供了一种基于复合学习的水面船舶动态事件触发控制方法，包括：

步骤1：建立船舶数学模型；

步骤2：设计神经网络状态观测器；

步骤3：设计控制律的控制指令。

本发明充分利用自适应神经网络和扰动观测器的独特优势，解决了在船舶速度未知情况下，对内部、外部不确定进行重构与补偿。为了提高控制性能，在backstepping设计框架下，为了提高重构精度，引入串-并行估计模型，通过嵌入预测误差和复合扰动的估计值来设计复合学习律。并在控制律和执行器之间建立动态事件触发协议，减少执行器的机械磨损。

进一步地，

所述步骤1中建立的船舶数学模型为：

式中η＝[x,y,ψ]^T表示船舶在惯性坐标系中位置(x,y)和航向角ψ；

υ＝[u,v,r]^T为附体坐标系下船舶的速度向量，且u、v、r分别表示船体坐标系中船舶的前向速度、横漂速度、艏摇角速度；

R(ψ)是由

给出的旋转矩阵；

M∈R^3×3是惯性矩阵；

f(υ)是非线性动力学，包括科里奥利向心项和阻尼项；

τ＝[τ₁,τ₂,τ₃]^T是推进系统产生的控制输入矢量；

τ_d＝[τ_d,1,τ_d,2,τ_d,3]^T是由风、流、波等引起的未知、时变的外部扰动矢量。

进一步地，

所述步骤2包括：依据船舶数学模型，利用自适应神经网络和扰动观测器技术，提出了一种分类重构思想，通过状态观测器和扰动观测器之间的耦合设计，设计了一种新的自适应神经网络状态观测器。用于在速度未知情况下，对水面船舶遭受的复合不确定影响进行重构：

根据式(1)和式(2)，船舶的动态写为

式中，β(υ,τ)＝Μ^-1(τ-f(υ))、

考虑到假设2，β(υ,τ)和

在基于神经网络的状态观测器的设计中不可使用，根据引理3，未知项β(υ,τ)可以通过神经网络近似技术在线重构；

式中，ζ＝[υ^T,τ^T]^T，

为权重矩阵，

是基函数向量，并且ε_o是近似误差向量。这里

ρ_i(ζ)＝[ρ_i,1(ζ),…,ρ_i,l(ζ)]^T且||ε_o||≤ε^ι其中ε^ι＞0是未知常量；

进一步，

可以写成

式中，

是复合扰动，根据神经网络的逼近理论和假设1，存在一个未知常数

满足

其中，

假设1为：外部扰动τ_d其导数未知且有界，即：存在未知常量

和

满足

和

将位置、速度、复合扰动和

的估计定义为

和

即

和

和

由基于如下状态观测器取得：

式中，

σ为辅助变量，κ>0、κ₁>0和κ₂＞0为观测器增益；

为了获得复合扰动ω的估计值

设计如下辅助变量δ_o∈R³：

δ_o＝ω-κ_oυ；(7)

式中，κ₀>0是一个设计常数，由式(7)可知，如果取得

和

则可以得到复合扰动ω的估计，而根据式(6)，可以得到

为了获得

设计如下动态：

进一步，复合扰动的估计值为：

记

可以得到

进一步，取

的导数，并利用式(5)和(7)-(9)可得

式中，

神经网络状态观测器的误差为：

神经网络状态观测中，神经网络的自适应律设计为：

式中，K_o＝diag(K_o,1,K_o,2,K_o,3)是一个设计矩阵，K_o,i为常数，k₃是一个设计常数。

进一步地，

所述步骤3包括：依据水面船舶数学模型采用引入串并联估计模型来获得预测误差，然后通过嵌入预测误差和复合扰动估计来设计复合学习律，并在控制律和执行器之间建立了动态事件触发协议：

定义位置误差e_η∈R³和速度误差e_υ∈R³；

e_η＝η-η_r；(13)

e_υ＝υ-α；(14)

式中，α∈R³为α_υ∈R³的滤波形式，α∈R³可通过以下多变量滤波器获得

其中，J＞0是滤波器的时间常数；设

得到

对e_η微分并代入上式可得

设计虚拟控制函数α_υ

式中，c₁∈R^3×3是对称正定设计矩阵；

对e_υ微分，并代入式(2)可得

式中，

和

根据假设1和假设2，式(19)中存在两个未知项，即F(υ)和τ_d。控制律τ中不直接使用F(υ)和τ_d，根据神经网络在线重构理论，F(υ)可以在线重构，但τ_d不能在线重构，因为它状态η和υ无关；

其中，假设2为：惯性矩阵M包括标准部分M₀和不确定部分δM即M＝M₀+δM，且δM和f(υ)完全未知；

进一步，利用引理2，可以得到

式中，

ρ(ν)＝[ρ₁(ν)^T,ρ₂(ν)^T,ρ₃(ν)^T]^T、ε_υ＝[ε_υ,1,ε_υ,2,ε_υ,3]^T。

根据NN的逼近原理，误差向量ε_υ满足

和

为常数；

记

根据假设1和

存在未知常数

使得

此外，将式(20)和

代入式(19)得

水面船舶的轨迹跟踪控制律设计如下：

式中，c₂∈R^3×3是对称正定设计矩阵，

是

的估计，

是τ_w的估计值；

动态事件触发协议为：

a_ι和b_ι是设计常数，θ_ι由以下动态

式中，ρ_ι∈R⁺为设计常数，θ_ι(0)为θ_ι的初始值。

复合扰动的估计

可通过以下扰动观测器获得；

式中，

是辅助变量δ_w的估计值。这里，

其中κ_w是用户设计的常数。在这项工作中，为了获得δ_w的估计值，设计了以下动态：

式中，

是正定设计矩阵，μ∈R^3×3是一个预测误差变量，在后续过程中设计；

将预测误差变量定义为

式中，

是e_υ的预测值；

通过建立串行-并行估计模型取得预测值

自适应律

设计为：

式中，K_c∈R^3×3为正定设计矩阵，κ_c∈R⁺为设计常数。

与现有技术相比，本发明的有益效果是：

本发明通过采用神经网络逼近技术对船舶数学模型中纵向、转向中非线性动态不确定项进行重构，建立有限时间扰动估计器，对纵向、转向中包括未知外部扰动和不可接近部分在内的整体不确定性进行在线重构，能够实现复杂不确定性的快速、准确在线重构，释放了在线干扰估计技术对船舶运动模型的精确要求，扩大了在线干扰估计技术的应用范围，引入事件触发控制方法，抑制驱动器不必要的磨损。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

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为本发明流程图；

图2本发明的x-y平面的跟踪性能曲线图；

图3本发明提供的参考位置与实际位置响应曲线图；

图4本发明的跟踪误差变化曲线图；

图5本发明的控制输入曲线图；

图6本发明的权值向量估计值范数的变化曲线图；

图7本发明的速度及其估计值的变化曲线图；

图8本发明的观测器误差的变化曲线图；

图9本发明的触发时间与触发瞬间的响应图。

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，下面将结合附图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。

实施例1

在本实施例中，如图1至图9所示，本实施例提供了一种基于复合学习的水面船舶动态事件触发控制方法，本船舶动态事件触发控制方法包括：

步骤1：建立船舶数学模型；

步骤2：设计神经网络状态观测器；

步骤3：设计控制律的控制指令。

本发明充分利用自适应神经网络和扰动观测器的独特优势，提出了一种分类重构的思想，实现了状态观测器和扰动观测器之间的耦合器设计。解决了在船舶速度未知情况下，遭受内部、外部不确定性影响下的控制问题。进一步，为了提高控制性能，在backstepping设计框架下，为了提高重构精度，引入串-并行估计模型，通过嵌入预测误差和复合扰动的估计值来设计复合学习律。并在控制律和执行器之间建立动态事件触发协议，减少执行器的机械磨损。最后，提出了一种新的动态事件触发复合学习自适应神经输出反馈控制方案。与先前研究相较，本发明所设计的控制方案，能够实现复合不确定性的快速、准确在线重构，释放了在线扰动估计技术对船舶运动模型的精确要求，扩大了在线扰动估计技术的应用范围，引入动态事件触发控制方法，抑制执行器不必要的机械磨损。

在本实施例中，所述建立船舶数学模型的方法包括：

式中η＝[x,y,ψ]^T表示船舶在惯性坐标系中位置(x,y)和航向角ψ；

υ＝[u,v,r]^T为附体坐标系下船舶的速度向量，且u、v、r分别表示船体坐标系中船舶的前向速度、横漂速度、艏摇角速度；

R(ψ)是由

给出的旋转矩阵；

旋转矩阵R(ψ)具有以下属性：

属性1：矩阵R(ψ)是正交的，即||R(ψ)||＝1和R^-1(ψ)＝R^T(ψ)；

属性2：

其中

注1：根据属性2，可以得到

即

M∈R^3×3是惯性矩阵；

f(υ)是非线性动力学，包括科里奥利向心项和阻尼项；

τ＝[τ₁,τ₂,τ₃]^T是推进系统产生的控制输入矢量；

τ_d＝[τ_d,1,τ_d,2,τ_d,3]^T是由风、流、波等引起的未知、时变的外部扰动矢量；

为了便于设计和分析，给出了以下假设：

假设1：外部扰动τ_d其导数未知且有界，即：存在未知常量

和

满足

和

假设2：惯性矩阵M包括标准部分M₀和不确定部分δM即M＝M₀+δM，且δM和f(υ)完全未知；

假设3：参考轨迹η_r＝[x_r,y_r,ψ_r]^T具有一阶、二阶导数；

假设4：速度υ在控制设计中未知；

为船舶跟踪控制设计与分析，给出如下定义与定理：

引理1：对于任意标量p和q以及正常数b,m和n，如果m和n满足m＞1，n＞1和(m-1)(n-1)＝1，有

引理2：对于任何给定的非线性函数

Rⁿ→R紧集上定义的

有一个NN

所以对于任何给定的正标量ε，

式中，

和

分别为权重向量和基函数向量，满足

和这里，

和ε为常数，l＞1是节点数。基函数

选择为高斯函数，即：

式中，ι′_i＝[ι_i,1,…,ι_i,l]^T和ω_i为

中心点向量值和宽度。

引理3：对于具有高斯函数的径向基函数向量，如果

为输入向量，且

和

分别是常数和有界向量，存在有界函数向量

使得

式中，

为常数。

基于神经网络的状态观测器设计

根据式子(1)和式子(2)，船舶的动态可写为

式中，β(υ,τ)＝Μ^-1(τ-f(υ))、

考虑到假设2，β(υ,τ)和

在基于神经网络的状态观测器的设计中不可使用。

根据引理3，未知项β(υ,τ)可以通过神经网络近似技术在线重构。

式中，ζ＝[υ^T,τ^T]^T，

为权重矩阵，

是基函数向量，并且ε_o是近似误差向量。这里

ρ_i(ζ)＝[ρ_i,1(ζ),…,ρ_i,l(ζ)]^T且||ε_o||≤ε^ι其中ε^ι＞0是未知常量。

进一步，

可以写成

式中，

是集总扰动。根据神经网络的逼近理论和假设1，存在一个未知常数

满足

将位置、速度、集中扰动和

的估计定义为

和

即

和

和

由基于如下神经的状态观测器取得：

式中，

σ为辅助变量，κ>0、κ₁>0和κ₂＞0为观测器增益。

为了获得集中扰动ω的估计值

设计如下辅助变量δ_o∈R³：

δ_o＝ω-κ_oυ；(12)

式中，κ₀>0是一个设计常数。由式(12)可知，如果取得

和

则可以得到复合扰动ω的估计，而根据式(11)，可以得到

为了获得

设计如下动态：

进一步，复合扰动估计为：

记

可以得到

进一步，取

的导数，并利用式子(10)和(12)-(14)可得

式中，

神经网络状态观测器的误差为：

在神经网络状态观测中，神经网络的权重自适应律设计为：

式中，K_o＝diag(K_o,1,K_o,2,K_o,3)是一个设计矩阵，K_o,i为常数，k₃是一个设计常数。

控制律设计

针对具有内部/外部不确定性和速度不可测量的MSV，在反推设计框架下，利用基于神经的状态观测器(10)等方法、自适应神经技术和扰动观测器技术，设计了一种事件触发的自适应神经输出反馈控制律。整个设计过程包括两个步骤。

在控制设计之前，定义以下位置误差e_η∈R³和速度误差e_υ∈R³

e_η＝η-η_r；(18)

e_υ＝υ-α；(19)

式中，α∈R³为α_υ∈R³的滤波形式，这里，α∈R³可通过以下多变量滤波器获得

其中，J＞0是滤波器的时间常数。设

得到

对e_η微分并使用(1)、(28)和(29)可得

设计虚拟控制函数α_υ

式中，c₁∈R^3×3是对称正定设计矩阵。

利用式(22)可得

步骤2：区分e_υ并使用(2)可得

式中，

和

根据假设1和2，我们知道(24)中存在两个未知项，即F(υ)和τ_d。显然，控制律τ中不直接使用F(υ)和τ_d。根据NN的在线重构理论，F(υ)可以在线重构，但τ_d不能在线重构，因为它状态η和υ无关。

进一步，利用引理2，可以得到

式中，

ρ(ν)＝[ρ₁(ν)^T,ρ₂(ν)^T,ρ₃(ν)^T]^T、ε_υ＝[ε_υ,1,ε_υ,2,ε_υ,3]^T。根据NN的逼近原理，误差向量ε_υ满足

和

为常数。

记

根据假设1和

存在未知常数

使得

此外，将(25)和

代入(24)可得

此外，船舶的轨迹跟踪控制律设计如下

式中，c₂∈R^3×3是对称正定设计矩阵，

是

的估计，

是τ_w的估计；

动态事件触发协议(DETP)

a_ι和b_ι是设计常数，θ_ι由以下动态

式中，ρ_ι∈R⁺为设计常数，θ_ι(0)为θ_ι的初始值。

复合扰动的估计

可通过以下扰动观测器获得

式中，

是辅助变量δ_w的估计值。这里，

其中κ_w是用户设计的常数。在这项工作中，为了获得δ_w的估计值，设计了以下动态

式中，

是正定设计矩阵，μ∈R^3×3是一个预测误差变量，在后续过程中设计。

将预测误差变量定义为

式中，

是e_υ的预测值。

通过建立串行-并行估计模型取得预测值

自适应律

设计为：

式中，K_c∈R^3×3为正定设计矩阵，κ_c∈R⁺为设计常数。

对基于复合学习的水面船舶动态事件触发自适应神经控制方法进行仿真验证研究，验证有效性。

仿真试验时，模型参数如下所示：

m₁₁＝200，m₂₂＝250，m₃₃＝80，d₁₁＝70，d₂₂＝100，d₂₃＝40，d₃₂＝40，d₃₃＝80。

参考轨迹η_r由

方程产生。

式中，τ_r＝[1,0.2cos²(0.01πt),0.3sin²(0.01πt)]^T。

外界扰动设置为：

这里，

由一阶马尔可夫过程

生成，

为零均值高斯白噪声过程。d_w由以下时变函数叠加产生：

设计参数选择为κ＝120、κ₁＝4.5、κ₂＝10、κ_o＝1、κ₃＝5、κ_c＝0.01、J＝0.01、K_o＝diag([30I₇,30I₇,30I₇])、c₁＝diag([0.6,0.5,0.7])、ρ_ι＝(1,1,1)、κ_w＝diag([6,6,3])、

κ_p＝diag([10,10,5])、Π＝diag(2,2,3)Φ＝diag(3,3,2)、c₂＝diag([35,35,42])、a_ι＝(2,1,1)、b_ι＝(2,1.5,0.5)。

初始条件选择为：

υ(0)＝[0.1m/s,0.1m/s,0.01rad/s]^T,其余均设置为0。

β(ζ)和

的节点数分别为6和12，中心分别在[-2,2]×[-2,2]×[-2,2]×[-20,20]×[-25,25]×[-20,20]和

范围内均匀分布，宽度设置为ω_l,o＝4和ω_l,υ＝2。

本实施例利用软件进行计算机仿真研究，结果如图2至图9所示。此外，为了证明所提出的控制方案在工作中的优越性，仿真与文献《Control of fully actuated oceansurface vessels using a class of feedforward approximators》所提出的连续时间自适应神经复合学习控制方案和基于高增益观测器的自适应神经输出反馈控制方案进行对比。图2-3显示了船舶的跟踪控制性能。从中可以发现，所提出的方案可以迫使船舶遵循参考轨迹，并获得满意的控制性能。位置误差和航向误差的曲线如图4所示，这表明位置误差是有界的，所提出的控制方案可以保证令人满意的控制精度，同时自适应神经网络和扰动观测器可以有效补偿复合不确定性。图5绘制了控制输入的变化曲线，从中可以清楚地看出，执行器控制输入是有界的和合理的。图6显示了神经网络权值的2-范数曲线，这意味着其是有界的。图7显示了船舶速度及其估计值的变化曲线，图8绘制了船舶位置和航向的估计误差曲线。图7-8表明基于神经网络的状态观测器，在船舶遭受内部和外部不确定性的影响下，可以准确地重构船舶的速度。图9显示了事件触发的瞬间和事件触发的时间间隔，这清楚地说明执行器控制命令不是无限期传输的，即不会发生ETC方法引起的芝诺现象。图2-3，我们可以清楚地发现，连续时间控制和基于高增益观测器的控制也可以迫使船舶遵循预定的参考轨迹，与本发明提出的控制方案相同。从图4和表1中可以清楚地看到，本发明提出的ETC方案和连续控制方案下的跟踪控制精度几乎相同，并且优于基于高增益观测器的控制方案下的跟踪控制精度，这是由于自适应神经网络不能重构外部扰动。从图5和表2可以得出，三种控制方案下的控制输入是有界的和合理的，但平均能量我们提出的方案的功耗最高，这意味着ETC需要通过增加能耗来补偿ETC造成的控制命令信号损失。

表1

综上所述，本发明考虑船舶在内外复合扰动的影响下，设计了一种基于复合学习的动态事件触发控制方法。充分利用神经网络和扰动估计技术的特殊优势，提出了一种分类重构思想，并将其应用于状态观测器和控制律的控制设计中。在状态观测器的设计中，提出了一种基于自适应神经网络的状态观测器与干扰观测器的耦合设计方法。为了提高控制性能，通过在控制律设计中引入串并行估计模型，设计了一种改进的自适应律。此外，为了减少执行器机械磨损，通过引入额外的动态变量，开发了一种新型的动态事件触发协议。最后，在逆推设计框架下，提出了一种新的基于复合学习的动态事件触发控制方案。

本申请中选用的各个器件(未说明具体结构的部件)均为通用标准件或本领域技术人员知晓的部件，其结构和原理都为本技术人员均可通过技术手册得知或通过常规实验方法获知。

在本发明实施例的描述中，除非另有明确的规定和限定，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。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (5)

1.一种基于复合学习的水面船舶动态事件触发控制方法，其特征在于，包括：

步骤1：建立船舶数学模型；

步骤2：设计神经网络状态观测器；

步骤3：设计控制律的控制指令。

2.如权利要求1所述的基于复合学习的水面船舶动态事件触发控制方法，其特征在于，

所述步骤1中的船舶数学模型为：

式中η＝[x,y,ψ]^T表示船舶在惯性坐标系中位置(x,y)和航向角ψ；

υ＝[u,v,r]^T为附体坐标系下船舶的速度向量，且u、v、r分别表示船体坐标系中船舶的前向速度、横漂速度、艏摇角速度；

R(ψ)是由

给出的旋转矩阵；

M∈R^3×3是惯性矩阵；

f(υ)是非线性动力学，包括科里奥利向心项和阻尼项；

τ＝[τ₁,τ₂,τ₃]^T是推进系统产生的控制输入矢量；

τ_d＝[τ_d,1,τ_d,2,τ_d,3]^T是外部扰动矢量。

3.如权利要求1所述的基于复合学习的水面船舶动态事件触发控制方法，其特征在于，

所述步骤2包括：

根据船舶数学模型，设计如下状态观测器：

式中，

σ为辅助变量，κ>0、κ₁>0和κ₂＞0为观测器增益；

为获得辅助变量δ_o∈R³的估计值

设计如下动态：

式中，κ₀>0是一个设计常数，如果取得

和

则可以得到复合扰动ω的估计；

复合扰动的估计值为：

记

可以得到

神经网络状态观测中，神经网络的自适应律设计为：

式中，K_o＝diag(K_o,1,K_o,2,K_o,3)是一个设计矩阵，K_o,i为常数，k₃是一个设计常数。

4.如权利要求1所述的基于复合学习的水面船舶动态事件触发控制方法，其特征在于，

所述步骤3包括：依据水面船舶数学模型，在矢量backstepping的设计框架下，设计扰动观测器，并将串并联估计模型引入以建立运动学通道的预估器，从而获得速度跟踪误差的预测误差，然后将预测误差、速度跟踪误差和复合扰动估计作为参数自适应的激励条件，从而设计复合学习律；进一步，在控制律和执行器之间建立动态事件触发协议。

5.如权利要求1所述的基于复合学习的水面船舶动态事件触发控制方法，其特征在于，所述步骤3具体包括：

水面船舶的轨迹跟踪控制律设计如下：

式中，c₂∈R^3×3是对称正定设计矩阵，

是

的估计，

是τ_w的估计值；

控制律中的动态事件触发协议为：

a_ι和b_ι是设计常数，θ_ι由以下动态

θ_ι(0)＝0；

式中，ρ_ι∈R⁺为设计常数，θ_ι(0)为θ_ι的初始值；

控制律中的扰动观测器为：

式中，

是辅助变量δ_w的估计值，这里，

其中κ_w是用户设计的常数，为获得δ_w的估计值，设计了以下动态：

式中，

是正定设计矩阵，μ∈R^3×3是一个预测误差变量；

控制律中的串行-并行估计模型取得预测值

式中，

是e_υ的预测值，预测误差变量定义为

自适应律

设计为：

式中，K_c∈R^3×3为正定设计矩阵，κ_c∈R⁺为设计常数。

Images