基于神经网络的L1自适应船舶动力定位双环控制系统技术方案

本发明专利技术提供一种基于神经网络的L1自适应船舶动力定位双环控制系统，包括海洋船舶、外环位置跟踪回路控制器、基于神经网络的L1自适应内环控制器和路径生成器。外环位置跟踪回路控制器能够跟踪系统的参考路径，得到虚拟的速度指令，基于神经网络的L1自适应内环控制器包括自适应小波神经网络逼近、状态预测器、参数自适应律和L1控制规律，L1控制规律中包含一个滤波器，基于神经网络的L1自适应内环控制器解决了系统中的不确定性问题，并利用递归小波神经网络对系统中的耦合项进行了逼近。L1控制器在进行反馈的同时，将一个低通滤波器引入到了反馈回路中，削弱控制信号中未知高频噪声对系统的影响。本发明专利技术可应用于其它船舶动力定位系统控制问题上。

【技术实现步骤摘要】

本专利技术涉及一种控制系统，尤其涉及一种基于神经网络的L1自适应船舶动力定位双环控制系统。
技术介绍
动力定位系统是船舶或者海洋平台的一种可实现的功能。控制系统是动力定位系统的核心，因而控制技术的发展直接代表了动力定位系统水平的发展。船舶的六自由度定位是一个复杂的非线性问题，具有强耦合、高度非线性、参数不确定性以及未知干扰等问题，这些都会给船舶动力定位控制器的设计带来较大的困难。经过多年的发展，控制技术也有了突破性的发展和进步，从传统的经典PID控制到以现代控制理论为基础的控制，再到现在的智能控制，控制技术的革新使得动力定位系统水平不断得到发展和进步。传统的PID控制器由于结构相对比较简单，易于调整控制参数，因此在船舶航向控制中得到了广泛的应用，但是PID控制参数需随实际情况重新整定，不合适的控制参数会产生较差的控制效果。目前常用的线性随机最优控制即LQG控制方法，采用此方法时系统的在线计算量比较大，并且其中的很多协方差值很难调整。近年来研究者们提出了滑模控制、反步控制、神经网络等控制方法，神经网络控制方法比较适合非线性和不确定性的控制对象，对动力定位控制也很合适。L1控制器是在2006年的美国控制会议上由Gao和Hovakimyan首次提出的，对高频抖动和由其引起的未建模动态具有较好的已知作用。L1自适应控制理论的架构能够保证快速自适应时系统的瞬态性能和鲁棒性，而不需要引入和施加持续激励条件，不需要控制器参数的任何增益调度，也不需要采用高增益反馈。2006年，美国伊利诺伊大学的Naria Hovakimyan和Cao Chengyu对模型参考自适应控制进行了改进，提出了一种改进的自适应算法，即L1控制算法[123][124]，这是一种快速鲁棒自适应控制方法，在保证系统稳态性能的同时，也能对一定程度上改善系统暂态性能，该控制方法是在模型参考自适应系统的基础上加入了一个低通滤波器，从而使得系统的鲁棒性不是自适应部分的影响，对参数变化及模型不确定的系统具有良好的控制效果。L1控制结构简单，工程上易于实现[125][126]，自提出以来，在飞行器、无人机以及卫星等方面的应用日益增多。经文献检索发现，文献名称：基于L1自适应方法的四旋翼飞行器纵向控制，针对四旋翼飞行器的姿态控制系统设计了一种L1自适应控制器，有效抑制了由于机械震荡引起的高频干扰，同时在存在非零初始误差的情况下，避免了瞬态误差的出现；文献名称：基于观测器的不确定非线性系统L1自适应控制，针对一类严格反馈不确定性系统，设计了一种新型的基于滑模观测器的L1自适应控制器，并引入了微分跟踪器来提取虚拟控制量的导数，最后利用L1控制对系统进行改进。文献名称：基于L1自适应方法的超机动飞行控制律设计，将飞机局部飞行包线内的模型参数变化当作系统的模型不确定性,将纵向与横向、航向三个自由度的耦合当作外部干扰来处理,通过L1自适应控制律,使系统跟踪误差快速渐进收敛于零,并确保系统鲁棒性。目前L1控制系统对于系统中的非线性函数，基本上是将其进行参数化来处理的，由于船舶的定位系统中，存在较强的交叉耦合和非线性项，且形式较为复杂，本专利技术将神经网络引入到L1控制系统中，利用神经网络的优秀的逼近能力，对系统中的未知非线性函数进行逼近。
技术实现思路
本专利技术的目的是针对船舶动力定位(船舶的三自由度定位)而提供一种基于神经网络的L1自适应船舶动力定位双环控制系统，以保证系统的输出能够跟踪指令信号，且能够保证一定的动态性能。本专利技术的目的是这样实现的：包括海洋船舶1、外环位置跟踪回路控制器6、基于神经网络的L1自适应内环控制器9和路径生成器7，所述基于神经网络的L1自适应内环控制器9包括自适应小波神经网络逼近4、状态预测器2、参数自适应律3和L1控制规律5四个模块，L1控制规律5中包含一个滤波器8，路径生成器7生成船舶的期望位置和期望速度，并将得到的海洋船舶的期望位置和期望速度两个参数传递给外环位置跟踪回路控制器6，通过外环位置跟踪回路控制器6得到虚拟速度指令，使外环的位置信号能够跟踪系统的参考路径，并将得到的虚拟速度指令传递给基于神经网络的L1自适应内环控制器9使得系统的输出能够跟踪虚拟速度信号，并保证所有的误差信号的暂态和稳态都有界，状态预测器2对船舶状态进行在线估计，并将估计值与船舶的实际状态进行比较得到预测器的估计误差，并输出给参数自适应律3模块，通过参数自适应律3模块计算得到神经网络的参数更新率和干扰信号的估计值；自适应小波神经网络逼近4模块接收船舶状态向量作为输入，输出耦合项的逼近值；参数自适应律3模块输出的干扰信号估计值和自适应小波神经网络逼近4模块输出的耦合项逼近值通过滤波器8后进行前馈。本专利技术还包括这样一些结构特征：1.路径生成器7包含一种基于多项式插值的路径生成算法，通过路径生成器得到的海洋船舶的期望位置x1d和期望速度作为外环位置跟踪回路控制器(6)的输入，利用三次多项式插值，海洋船舶的期望位置x1d为： x d ( κ ) = a 3 κ 3 + a 2 κ 2 + a 1 κ + a 0 y d ( κ ) = b 3 κ 3 + b 2 κ 2 + b 1 本文档来自技高网...

【技术保护点】
基于神经网络的L1自适应船舶动力定位双环控制系统，其特征在于：包括海洋船舶(1)、外环位置跟踪回路控制器(6)、基于神经网络的L1自适应内环控制器(9)和路径生成器(7)，所述基于神经网络的L1自适应内环控制器(9)包括自适应小波神经网络逼近(4)、状态预测器(2)、参数自适应律(3)和L1控制规律(5)四个模块，L1控制规律(5)中包含一个滤波器(8)，路径生成器(7)生成船舶的期望位置和期望速度，并将得到的海洋船舶的期望位置和期望速度两个参数传递给外环位置跟踪回路控制器(6)，通过外环位置跟踪回路控制器(6)得到虚拟速度指令，使外环的位置信号能够跟踪系统的参考路径，并将得到的虚拟速度指令传递给基于神经网络的L1自适应内环控制器(9)使得系统的输出能够跟踪虚拟速度信号，并保证所有的误差信号的暂态和稳态都有界，状态预测器(2)对船舶状态进行在线估计，并将估计值与船舶的实际状态进行比较得到预测器的估计误差，并输出给参数自适应律(3)模块，通过参数自适应律(3)模块计算得到神经网络的参数更新率和干扰信号的估计值；自适应小波神经网络逼近(4)模块接收船舶状态向量作为输入，输出耦合项的逼近值；参数自适应律(3)模块输出的干扰信号估计值和自适应小波神经网络逼近(4)模块输出的耦合项逼近值通过滤波器(8)后进行前馈。...

【技术特征摘要】
1.基于神经网络的L1自适应船舶动力定位双环控制系统，其特征在于：包括海洋船舶(1)、外环位置跟踪回路控制器(6)、基于神经网络的L1自适应内环控制器(9)和路径生成器(7)，所述基于神经网络的L1自适应内环控制器(9)包括自适应小波神经网络逼近(4)、状态预测器(2)、参数自适应律(3)和L1控制规律(5)四个模块，L1控制规律(5)中包含一个滤波器(8)，路径生成器(7)生成船舶的期望位置和期望速度，并将得到的海洋船舶的期望位置和期望速度两个参数传递给外环位置跟踪回路控制器(6)，通过外环位置跟踪回路控制器(6)得到虚拟速度指令，使外环的位置信号能够跟踪系统的参考路径，并将得到的虚拟速度指令传递给基于神经网络的L1自适应内环控制器(9)使得系统的输出能够跟踪虚拟速度信号，并保证所有的误差信号的暂态和稳态都有界，状态预测器(2)对船舶状态进行在线估计，并将估计值与船舶的实际状态进行比较得到预测器的估计误差，并输出给参数自适应律(3)模块，通过参数自适应律(3)模块计算得到神经网络的参数更新率和干扰信号的估计值；自适应小波神经网络逼近(4)模块接收船舶状态向量作为输入，输出耦合项的逼近值；参数自适应律(3)模块输出的干扰信号估计值和自适应小波神经网络逼近(4)模块输出的耦合项逼近值通过滤波器(8)后进行前馈。2.根据权利要求1所述的一种基于神经网络的L1自适应船舶动力定位双环控制系统，其特征在于：路径生成器(7)包含一种基于多项式插值的路径生成算法，通过路径生成器得到的海洋船舶的期望位置x1d和期望速度作为外环位置跟踪回路控制器(6)的输入，利用三次多项式插值，海洋船舶的期望位置x1d为： x d ( κ ) = a 3 κ 3 + a 2 κ 2 + a 1 κ + a 0 y d ( κ ) = b 3 κ 3 + b 2 κ 2 + b 1 κ + b 0 z d ( κ ) = c 3 κ 3 + c 2 κ 2 + c 1 κ + c 0 ]]>其中，[xd(κ)yd(κ)zd(κ)]T表示船舶的期望位置x1d的向量，其中κ为路径变量，a0、a1、a2、a3、b0、b1、b2、b3、c0、c1、c2、c3为待设计系数，且：则[xd(κ)yd(κ)zd(κ)]T关于κ的偏微为： x d ′ ( κ ) = ∂ x d ( κ ) ∂ κ = 3 a 3 κ 2 + 2 a 2 κ + a 1 κ y d ′ ( κ ) = ∂ y d ( κ ) ∂ κ = 3 b 3 κ 2 + 2 b 2 κ + b 1 κ z d ′ ( κ ) = ∂ z d ( κ ) ∂ κ = 3 c 3 κ 2 + 2 c 2 κ + ...

【专利技术属性】
技术研发人员：夏国清，刘彩云，陈兴华，庞程程，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23