CN115685751B - 基于Nomoto非线性船舶模型的事件触发控制方法 - Google Patents
基于Nomoto非线性船舶模型的事件触发控制方法 Download PDFInfo
- Publication number
- CN115685751B CN115685751B CN202211284103.6A CN202211284103A CN115685751B CN 115685751 B CN115685751 B CN 115685751B CN 202211284103 A CN202211284103 A CN 202211284103A CN 115685751 B CN115685751 B CN 115685751B
- Authority
- CN
- China
- Prior art keywords
- ship
- nomoto
- function
- nonlinear
- controller
- 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 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 5
- 238000013461 design Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 15
- 240000007049 Juglans regia Species 0.000 claims description 9
- 238000012938 design process Methods 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000013016 damping Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000010355 oscillation Effects 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了基于Nomoto非线性船舶模型的事件触发控制方法,步骤如下:对Nomoto非线性船舶进行数学建模,包括模型分析、线性状态变换、定义观测扰动、引入辅助变量、坐标变换;借助反步技术以及Lyapunov意义下稳定性理论,利用神经网络系统的逼近技术、Young不等式的放缩方法以及tanh函数的性质,设计了扰动观测器以及事件触发自适应控制器;所设计的控制器不仅能够在系统遭受网络攻击的情况下顺利实现控制,而且能够节约通讯资源,减轻通讯负担。仿真算例验证了所设计的扰动观测器能够实现良好的观测效果,证明了所提控制方案的有效性。
Description
技术领域
本发明涉及Nomoto非线性船舶模型控制领域,具体来说为带有网络攻击和外部扰动的Nomoto非线性船舶模型的事件触发自适应控制方法。
背景技术
随着科技的迅速发展,借助网络实现高效控制成为自动控制领域的研究热点。然而,各种复杂的网络环境为系统的控制研究带来了巨大挑战。例如,在网络化系统中,计算资源不足或有限等不利情况发生时可能会导致系统性能变差。特别是在进行控制设计时,如果执行器周期的或者变周期的执行控制任务可能会产生一些不必要的控制传输,造成资源的浪费。传统的时间触发控制方案往往会考虑到系统性能而将触发周期设计的比较小,因此容易导致信息或者数据的频繁更新和传递,造成资源的浪费,而事件触发能够在确保系统性能的前提下,按需更新控制信息,减少控制信号的产生次数,减轻通讯负担;此外,网络安全是物联网、智能交通等许多网络化领域的基本要求。目前,两种破坏网络安全的主要攻击模式为拒绝服务攻击和欺骗攻击,它们通过阻断通信通道和篡改数据包等操作导致系统性能下降甚至崩溃,特别是通过欺骗攻击,系统可能会错误地朝着黑客的恶意意图运行。因此,针对具有误导性和危害性的欺骗攻击,研究系统的安全控制策略就显得尤为重要。在实际环境中,船舶航行过程中会受到外部环境的影响,故现有的控制方案通常通过对外部扰动设计扰动观测器以提高控制的鲁棒性,然而现有的有关扰动观测器的设计过程大多较为复杂且具有高耦合性;与现有的设计方案相比,本发明改进了扰动观测器的设计方案,其结构简单并且耦合性低,具有更好的可读性和更强的适用性;特别地,建模后的Nomoto非线性船舶系统具有未知控制系数,现有的大多控制方案通常引入具有高频增益的Nussbaum函数,但是该方法会导致系统产生振荡现象;与现有控制方案不同的是本发明通过引入线性状态变换以及设计了一个新的坐标变换,避免了将Nussbaum函数引入到控制器中;综上所述,基于Nomoto非线性船舶系统的数学模型,本发明考虑了如何设计自适应控制器使得控制不受网络恶意攻击的影响同时又能节约通讯资源、提高鲁棒性的核心问题。
发明内容
本发明的目的是针对现有研究的热点问题,提出了带有网络攻击和外部扰动的Nomoto非线性船舶模型事件触发自适应控制方法。首先该方法根据Nomoto非线性船舶模型,在考虑遭受网络攻击和外部扰动影响的情况下,将其建模成更贴合实际的系统。其次,借助反步技术以及Lyapunov(李雅普诺夫)意义下稳定性理论,利用神经网络系统的逼近技术、Young不等式的放缩方法以及tanh函数的性质,对所考虑的系统设计了扰动观测器以及事件触发自适应控制器,所设计的控制器不仅能够在系统遭受网络攻击的情况下顺利实现控制,而且能够节约通讯资源,减轻通讯负担。
本发明基于带有网络攻击和外部扰动的Nomoto非线性船舶模型提供了一种事件触发自适应控制方法,包含以下步骤:
(a)建立Nomoto非线性船舶系统的状态空间模型;对于一阶线性Nomoto船舶模型,其动力学微分方程表述为:
其中ψ是船的航向角,是船的航向角速率,u是舵角,K和T是被广泛应用于船舶操纵性评价的指数,K是舵产生的力矩与阻尼力矩之比,T是惯性矩与阻尼矩之比;当T>0时船舶做直线航行,否则T<0;
在实际环境中,船舶运动具有非线性;将上述等式左边的第二项替换为非线性项/>其中/>且α和β是实常数;考虑船舶受外部扰动d1(t)和d2(t)的影响,定义坐标变换x1=ψ和/>则带有未知扰动的Nomoto非线性船舶模型表示为:
其中且/>控制系数h2的符号和大小未知;d1(t)和d2(t)为系统的未知扰动;u(v(t))代表Nomoto非线性船舶模型系统的控制输入,且存在如下形式的网络攻击:u(v(t))=v(t)+ξ(t),其中ξ(t)表示一致有界的执行器网络攻击信号,并且|ξ(t)|≤ξ0,ξ0∈[γ1,γ2],其中γ1和γ2表示网络攻击的威胁程度;
(b)设定约束条件:
通常情况下,时变扰动d(t)主要是由外源性效应引起的,而外源性效应能量有限;一些实际扰动,如风扰动、波浪扰动和摩擦等通常被假设满足:存在未知常数和/>使得且存在未知常数使复合扰动/>满足|Di(t)|≤ri *且
(c)在控制器的设计过程中,对于未知的非线性函数通过径向基神经网络来近似,具体表述为:
径向基函数神经网络可近似任意连续函数,其被描述为如下形式:
其中是输入向量,W=[w1,...,wl]T∈Rl为权向量,为基函数向量,l>1;/>表示高斯函数,η为高斯函数宽度;ui=[ui1,...,uiq]称为接收域中心;对给定精度ε>0,若有足够多节点l,径向基函数神经网络可逼近任意连续函数/>有/> 是理想的常权向量且近似误差/>满足
(d)为处理未知控制系数引入线性状态变换:
zi=xi/h2,i=1,2,
其中,zi表示变换后的状态;
(e)变换后的系统为:
其中令/>则
利用神经网络逼近可以得到
则
其中,k2>0为设计参数;
(f)为变换后的系统设计状态观测器:
其中,表示zi的估计,z=[z1,z2]T,/>Di(t)(i=1,2)被简记为Di;/>为复合扰动Di的估计;扰动观测误差为/>通过选择适当的整参数ki(i=1,2)可以得到
是一个赫尔维茨矩阵;则存在正定矩阵P=PT和Q=QT使得ATP+PA=-Q;观测误差被定义为那么有
其中
B=[0,ξ(t)]T,K=[k1,k2]T;
(g)设计扰动观测器:
令辅助变量si表示为如下
进而,可以得到
其中,表示复合扰动Di的估计;其特征在于:所设计的扰动观测器中只包含一个状态估计和当前的自适应参数,具有较低的耦合性,便于实施。
(h)在控制器的设计过程中每一步都会选取一个候选Lyapunov(李雅普诺夫)函数构造虚拟控制器直到最后一步构造真实的控制输入,控制方法具体如下:
引理1考虑初始条件有界,若存在C1连续的正Lyapunov函数V(x)满足β0(||x||)≤V(x)≤β1||x||,使得成立,则解x(t)一致有界;
如前所述,C1表示具有连续一阶偏导数的函数集,β0,β1:Rn→R是K类函数,o1,o2是正常数;
引理2对于给定的精度ε>0,若有足够多节点l,径向基函数神经网络可逼近任意连续函数有
其中,是理想常权向量且误差/>满足
引理3(Young不等式)对于有
其中,ι>0,p>1,q>1且(p-1)(q-1)=1;
引理4对于任意的和/>以下不等式成立
(i)定义状态观测误差为:
选取如下的候选Lyapunov函数:
根据上式可以得到
其中,κ0=λmin(Q),λmin(·)表示矩阵的最小特征值;由Young不等式可得
其中,ci(i=1,2)代表正设计参数,将(3)-(7)代入(2)可得
其中,
(j)定义误差变量为:
其中,α1定义为待设计的虚拟控制律;其特征在于:所定义的误差变量避免了利用具有高频增益的Nussbaum函数补偿未知控制系数,进而避免了控制器中引入Nussbaum函数所产生的振荡现象;
对e1求导得:
选取如下的候选Lyapunov函数:
其中,a1为正设计参数,计算V1的导数得:
应用Young不等式可得
考虑(10)、(11)和(12)式以及所设计的扰动观测器可以得出
其中,且rj>0为正设计参数;
根据引理1,未知非线性函数Γ1(X11)可用神经网络逼近为
定义θ1=||M1||2且M1为理想的等权向量,δ1(X11)为逼近误差满足||δ1(X11)||≤ε1,ε1>0;利用Young不等式可以得出
(k)构造虚拟控制律α1及自适应律为:
其中,d1,p1,l1,b1和m1为设计的参数;记为θ1的估计,记/>将(14)-(16)代入到(13)中可得:
其中
接下来,设计真正控制器;对e2求导得:
其中
选取如下的候选Lyapunov函数:
其中,a2和τ2为正设计参数;计算V2的导数得:
应用Young不等式可得
考虑(21)式以及所设计的扰动观测器可以得出
其中,根据引理1,未知非线性函数Γ2(X22)用神经网络逼近为
定义θ2=||M2||2且M2为理想的等权向量,δ2(X22)为逼近误差满足||δ2(X22)||≤ε2,ε2>0;利用Young不等式可以得出
(l)构造虚拟控制律α2及自适应律为:
其中,d2,p2,l2,b2和m2为设计的参数;和/>分别记为W2和θ2的估计,且记
(m)事件触发机制以及自适应事件触发控制器为:
事件触发机制被描述为:
tk+1=inf{t>tk||o(t)|≥κ|v(t)|+z1},(27)
其中,o(t)=w(t)-v(t),tk,k∈z+,s>0,z1>0,0<κ<1且是设计参数;
实际的控制器被构造如下:
v(t)=w(tk),t∈[tk,tk+1),(29)
考虑式(27),可以推出其中/>进而有
根据引理4以及ξtanh(ξ)>0的性质可以得到
将(23)-(26)以及(31)代入到(22)中可得:
考虑约束性条件以及应用Young不等式可以得到
根据Φ的定义,可以得到
进而
其中,
取V=V2可以得到:
V≤-σ1V+σ2,
其中,(n)接下来,证明芝诺行为不会发生;
通过证明t*>0使得tk+1-tk≥t*,k∈z+来排除芝诺现象;由于o(t)=w(t)-v(t),可得
由(28)可以得出w是可微的且是一个由有界信号组成的连续函数;因此,存在一个常数w*使得/>成立;通过结合o(tk)=0以及/>可得t*≥(κ|v(t)|+z1)/w*;综上,芝诺现象被排除。
该方法结合一些现实问题,针对具有网络攻击以及外部扰动的Nomoto非线性船舶模型设计了事件触发自适应控制器;与现有技术相比,本发明提供的技术方案具有的有益效果是:
(1)建模后的非线性系统具有未知控制系数,现有的大多控制方案通常引入具有高频增益的Nussbaum函数,其可以通过不断地反馈调节作用得到系统正确的控制方向,但是该方法会导致系统产生振荡现象;与现有控制方案不同的是本发明通过引入线性状态变换以及设计了一个新的坐标变换避免将Nussbaum函数引入到控制器中,故本发明所提出的控制方案能够避免由Nussbaum函数所产生的振荡现象;
(2)由于船舶航行过程中会受到外部环境的影响,故现有的控制方案通常通过对外部扰动设计扰动观测器以提高控制的鲁棒性,然而现有的有关扰动观测器的设计过程大多较为复杂且具有高耦合性;与现有的设计方案相比,本发明通过引入辅助变量以及定义扰动估计改进了扰动观测器的设计方案,所设计的扰动观测器只包含一个状态估计以及当前的自适应参数,其结构简单并且耦合性低,具有更好的可读性和较强的适用性;
(3)由于目前的控制通常基于网络开展,网络安全也是控制设计必须要考虑的因素之一,当系统遭受网络攻击时可能会导致数据丢失,影响系统的稳定程度以及控制性能,故本发明考虑了系统在遭受网络欺骗攻击时的控制研究;
(4)在网络化系统中,当处于网络计算资源不足或有限等不利情况时传统的周期性网络控制不再适用,甚至可能会导致系统性能变差;此外,如果执行器周期或者变周期的执行控制任务时可能会产生一些不必要的控制传输,造成资源的浪费;故本发明引入了事件触发机制,设计了事件触发自适应控制器,它能够在确保系统性能的前提下,按需更新控制信息,减少控制信号的产生次数,从而避免冗余数据的传输,减轻通讯负担,降低能源消耗。
附图说明
图1是本发明给出的船舶航向角度的轨迹。
图2是本发明给出船舶航向角速度轨迹。
图3是本发明给出的状态观测误差角度的轨迹。
图4是本发明给出的扰动观测误差角度的轨迹。
图5是本发明给出的实际控制输入的轨迹。
图6是本发明给出的触发间隔的轨迹。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要说明的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
(a)建立Nomoto非线性船舶系统的状态空间模型;对于一阶线性Nomoto船舶模型,其动力学微分方程表述为:
其中ψ是船的航向角,是船的航向角速率,u是舵角,K和T是被广泛应用于船舶操纵性评价的指数,K是舵产生的力矩与阻尼力矩之比,T是惯性矩与阻尼矩之比。当T>0时船舶做直线航行,否则T<0;
在实际环境中,船舶运动具有非线性;将上述等式左边的第二项替换为非线性项/>其中/>且α和β是实常数;考虑船舶受外部扰动d1(t)和d2(t)的影响,定义坐标变换x1=ψ和/>则带有未知扰动的Nomoto非线性船舶模型表示为:/>
其中且/>控制系数h2的符号和大小未知;u(v(t))代表Nomoto非线性船舶模型系统的控制输入,且存在如下形式的网络攻击:u(v(t))=v(t)+ξ(t),其中ξ(t)表示一致有界的执行器网络攻击信号,并且|ξ(t)|≤ξ0,ξ0∈[γ1,γ2],并且γ1和γ2表示网络攻击的威胁程度;
(b)设定约束条件:
通常情况下,时变扰动d(t)主要是由外源性效应引起的,而外源性效应能量有限。一些实际扰动,如风扰动、波浪扰动和摩擦等通常被假设满足:存在未知常数和/>使得且存在未知常数使复合扰动/>满足|Di(t)|≤ri *且
(c)在控制器的设计过程中,未知的非线性函数可通过径向基神经网络来近似,具体表述为:
径向基函数神经网络可近似任意连续函数,其被描述为如下形式
其中是输入向量,W=[w1,...,wl]T∈Rl为权向量,为基函数向量,l>1;/>表示高斯函数,η为高斯函数宽度;ui=[ui1,...,uiq]称为接收域中心;对于给定的精度ε>0,若有足够多节点l,径向基函数神经网络可逼近任意连续函数/>有
其中是理想的常权向量且近似误差/>满足/>
(d)线性状态变换:
zi=xi/h2,i=1,2,
其中,zi表示变换后的状态;
(e)变换后的系统为:
其中令/>则/>
利用神经网络逼近可以得到
则
其中,k2>0为设计参数;
(f)设计状态观测器:
其中,表示状态zi的估计;
(g)设计扰动观测器:
其中,表示复合扰动Di的估计;
(h)定义误差变量:
其中,α1为虚拟控制器;
(i)在控制器的设计过程中每一步都会选取一个候选的李雅普诺夫函数以构造虚拟控制器直到最后一步构造真实的控制器,虚拟控制器αi(i=1,2)被构造为:
其中,di>0,ki>0,pi>0是待设计的参数;
(j)自适应律以及/>被构造为:
其中,bi>0,li>0,m2>0是待设计的参数;
(k)事件触发机制及事件触发控制器被设计为:
tk+1=inf{t>tk||o(t)|≥κ|v(t)|+z1},
其中,o(t)=w(t)-v(t),tk,k∈z+,s>0,z1>0,0<κ<1和是设计的正常数;
(l)证明可排除芝诺现象。
以上所述仅为本发明较佳可行的实施例而已,并非因此局限本发明的权利范围,凡运用本发明说明书及附图内容所作的等效结构变化,均包含于本发明的权利范围之内。
在本实施例中,设置如表1所示的系统参数及仿真时给出的设计参数:
表1:系统参数及设计参数
系统的初始值选为x1(0)=0.417,x2(0)=-0.3, 外部扰动被选择为d1(t)=0.1e-0.2tcos2(t)及d2(t)=0.1e-0.2tsin2(t);选取/>在所设计的事件触发控制器的作用下航向角度、航向角速度、状态观测误差角度、扰动观测误差角度、实际控制输入以及触发间隔的轨迹分别如图1、图2、图3、图4、图5和图6所示。从图1和图2可以得出,所提出设计方案能保证航向速度以及航向角速度收敛到原点附近,从而保证船舶航行过程中的稳定性。由图3和图4可知,状态观测误差以及扰动观测误差收敛到原点附近,表明所设计的状态观测器以及扰动观测器实现了良好的观测效果。由图5和图6可以看出控制器实现了按需更新传输,且传输次数较少,表明了所提出的控制设计方案能节省通讯资源减轻通讯负担。/>
Claims (1)
1.一种基于Nomoto非线性船舶模型的事件触发控制方法,其特征在于:
(a)建立Nomoto非线性船舶系统的状态空间模型;对于一阶线性Nomoto船舶模型,其动力学微分方程表述为:
其中ψ是船的航向角,是船的航向角速率,u是舵角,K和T是应用于船舶操纵性评价的指数,K是舵产生的力矩与阻尼力矩之比,T是惯性矩与阻尼矩之比,当T>0时船舶做直线航行,否则T<0;
在实际环境中,船舶运动具有非线性;将上述等式左边的第二项替换为非线性项其中/>且α和β是实常数;考虑船舶受外部扰动d1(t)和d2(t)的影响,定义坐标变换x1=ψ和/>则带有未知扰动的Nomoto非线性船舶模型表示为:
其中且/>控制系数h2的符号和大小未知;d1(t)和d2(t)为系统的未知扰动;u(v(t))代表Nomoto非线性船舶模型系统的控制输入,且存在如下形式的网络攻击:u(v(t))=v(t)+ξ(t),其中ξ(t)表示一致有界的执行器网络欺骗攻击信号,并且|ξ(t)|≤ξ0,ξ0∈[γ1,γ2],其中γ1和γ2表示网络攻击的威胁程度;
(b)设定约束条件:
通常情况下,时变扰动d(t)主要是由外源性效应引起的,而外源性效应能量有限;一些实际扰动,如风扰动、波浪扰动和摩擦通常被假设满足:存在未知常数和/>使得且存在未知常数使复合扰动/>满足|Di(t)|≤ri *且
(c)在控制器的设计过程中,未知的非线性函数可通过径向基神经网络来近似,表述为:
径向基函数神经网络可近似任意连续函数,其被描述为如下形式:
其中是输入向量,W=[w1,...,wl]T∈Rl为权向量,/>为基函数向量,l>1;/>表示高斯函数,η为高斯函数宽度;ui=[ui1,...,uiq]称为接收域中心;对于给定的精度ε>0,若有足够多节点l,径向基函数神经网络可逼近任意连续函数/>有
其中,是理想的常权向量且误差/>满足
(d)线性状态变换:
zi=xi/h2,i=1,2,
其中,zi表示变换后的状态;
(e)变换后的系统为:
其中,令/>
则
利用神经网络逼近可以得到
则
其中,k2>0为设计参数;
(f)设计状态观测器:
其中,表示状态zi的估计;
(g)设计扰动观测器:
其中,表示复合扰动Di的估计;所设计的扰动观测器中只包含一个状态估计和当前的自适应参数,具有较低的耦合性,便于实施;
(h)定义误差变量:
其中,α1为虚拟控制器;所定义的误差变量避免了利用具有高频增益的Nussbaum函数补偿未知控制系数,进而避免了控制器中引入Nussbaum函数所产生的振荡现象;
(i)在控制器的设计过程中每一步都会选取一个候选的Lyapunov以构造虚拟控制器直到最后一步构造真实的控制输入,虚拟控制器αi(i=1,2)被构造为:
其中,di>0,ki>0,pi>0是待设计的参数;
(j)自适应律以及/>被构造为:
其中,bi>0,li>0,m2>0是待设计的参数;
(k)事件触发机制及事件触发控制器被设计为:
tk+1=inf{t>tk||o(t)|≥κ|v(t)|+z1},
其中,o(t)=w(t)-v(t),tk,k∈z+,s>0,z1>0,0<κ<1和是设计的正常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211284103.6A CN115685751B (zh) | 2022-10-20 | 2022-10-20 | 基于Nomoto非线性船舶模型的事件触发控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211284103.6A CN115685751B (zh) | 2022-10-20 | 2022-10-20 | 基于Nomoto非线性船舶模型的事件触发控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115685751A CN115685751A (zh) | 2023-02-03 |
CN115685751B true CN115685751B (zh) | 2024-05-14 |
Family
ID=85066657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211284103.6A Active CN115685751B (zh) | 2022-10-20 | 2022-10-20 | 基于Nomoto非线性船舶模型的事件触发控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115685751B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111880413A (zh) * | 2020-08-12 | 2020-11-03 | 东南大学 | 一种针对船舶航向保持的自适应动态面算法 |
CN112698575A (zh) * | 2020-12-30 | 2021-04-23 | 大连海事大学 | 一种智能船舶自动舵自适应模糊输出反馈控制方法及系统 |
RU2759068C1 (ru) * | 2021-03-26 | 2021-11-09 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Государственный морской университет имени адмирала Ф.Ф. Ушакова" | Способ автоматической проводки судна |
CN114924480A (zh) * | 2022-02-25 | 2022-08-19 | 哈尔滨工程大学 | 船舶航向跟踪自适应控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6563067B1 (ja) * | 2018-04-18 | 2019-08-21 | 三菱電機株式会社 | 船舶の方位制御装置および方位制御方法 |
-
2022
- 2022-10-20 CN CN202211284103.6A patent/CN115685751B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111880413A (zh) * | 2020-08-12 | 2020-11-03 | 东南大学 | 一种针对船舶航向保持的自适应动态面算法 |
CN112698575A (zh) * | 2020-12-30 | 2021-04-23 | 大连海事大学 | 一种智能船舶自动舵自适应模糊输出反馈控制方法及系统 |
RU2759068C1 (ru) * | 2021-03-26 | 2021-11-09 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Государственный морской университет имени адмирала Ф.Ф. Ушакова" | Способ автоматической проводки судна |
CN114924480A (zh) * | 2022-02-25 | 2022-08-19 | 哈尔滨工程大学 | 船舶航向跟踪自适应控制方法 |
Non-Patent Citations (2)
Title |
---|
简化的鲁棒自适应自动舵控制算法设计;孙红英;;船电技术;20130315(第03期);全文 * |
船舶航向自适应神经网络鲁棒跟踪控制;陈伟强;陈军;张闯;宋立国;谭卓理;;船舶工程;20160915(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115685751A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Event-triggering and quantized sliding mode control of UMV systems under DoS attack | |
US11921505B2 (en) | Unmanned surface vehicle control method based on switching T-S fuzzy system under DoS attack | |
Yuan et al. | Resilient strategy design for cyber-physical system under DoS attack over a multi-channel framework | |
Zhao et al. | Event-triggered control for switched systems with denial-of-service attack | |
Zhao et al. | Resilient platoon control of vehicular cyber physical systems under DoS attacks and multiple disturbances | |
Zhang et al. | Event-triggered prescribed performance control for a class of unknown nonlinear systems | |
Chen et al. | Saturated threshold event-triggered control for multiagent systems under sensor attacks and its application to UAVs | |
Zhang et al. | Resilient decentralized adaptive tracking control for nonlinear interconnected systems with unknown control directions against DoS attacks | |
CN110362110B (zh) | 一种固定时自适应神经网络无人机航迹角控制方法 | |
Temel et al. | Sliding‐mode speed controller for tracking of underactuated surface vessels with extended Kalman filter | |
Zhang et al. | A novel set-membership estimation approach for preserving security in networked control systems under deception attacks | |
Cheng et al. | Network-based adaptive multievent-triggered fuzzy dynamic positioning controller design for unmanned surface vehicles against denial-of-service attacks | |
Zhang et al. | Nussbaum-type function based robust neural event-triggered control of unmanned surface vehicle subject to cyber and physical attacks | |
Liu et al. | Resilient consensus of discrete-time connected vehicle systems with interaction network against cyber-attacks | |
CN115685751B (zh) | 基于Nomoto非线性船舶模型的事件触发控制方法 | |
Li et al. | Security control based on variable‐step predictive approach for networked control system with denial‐of‐service attacks | |
Cai et al. | Event-triggered control strategy for 2-DoF helicopter system under DoS attacks | |
Lu et al. | Variance‐constrained resilient H∞ filtering for mobile robot localization under dynamic event‐triggered communication mechanism | |
Li et al. | Fault diagnosis for non‐linear single output systems based on adaptive high‐gain observer | |
Ren et al. | Event‐triggered control of singularly perturbed linear system with DoS attacks | |
Xia et al. | Adaptive Neural Network Control with Backstepping for Surface Ships with Input Dead‐Zone | |
Zhang et al. | Path following of underactuated vehicles via integral line of sight guidance and fixed‐time heading control | |
Wang et al. | Observer-based model predictive control for uncertain NCS subject to hybrid attacks via interval type-2 T–S fuzzy model | |
Wang et al. | Simplified optimised prescribed performance control for high-order multiagent systems with privacy preservation | |
Yang et al. | Secure predictor-based neural dynamic surface control of nonlinear cyber–physical systems against sensor and actuator attacks |
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 |