一种欠驱动船舶自适应神经网络自动靠泊控制方法，设备及介质技术

本发明专利技术提供一种欠驱动船舶自适应神经网络自动靠泊控制方法，本发明专利技术采用附加控制方法解决欠驱动控制器设计的难题；利用航海动态深度信息的神经网络自适应方法，重构不确定的船舶模型动态参数与未知扰动向量，将神经网络权值、逼近误差、扰动量作为复合不确定参数进行在线估计，解决了扰动与逼近误差分开处理所导致的未知扰动输入难以直接逼近和忽略对系统耦合特性的问题，既考虑了不确定性的耦合特性又降低了设计的保守性，还可以降低系统计算负载度；控制器设计中考虑了舵、桨执行器的输入饱和问题，并引入动态面技术与最小学习参数的方法降低计算负载度，从而使所提出的控制方法更为简捷，易于工程实现。

An adaptive neural network automatic berthing control method, equipment and medium for Underactuated Ships

The invention provides an adaptive neural network automatic berthing control method for underactuated ships, which adopts an additional control method to solve the difficult problem of underactuated controller design, and uses the neural network adaptive method of dynamic depth information of navigation to reconstruct uncertain dynamic parameters and unknown disturbance vectors of the ship model, and the neural network. The network weights, approximation errors and disturbances are estimated on-line as compound uncertainties. The problem that the input of unknown disturbances is difficult to approximate and ignore the coupling characteristics of the system caused by the separation of disturbance and approximation errors is solved. The coupling characteristics of uncertainties are considered and the conservatism of the design is reduced. The input saturation of rudder and propeller actuators is considered in the controller design, and the dynamic surface technique and the method of minimum learning parameters are introduced to reduce the calculation load, so that the proposed control method is more simple and easy to implement in engineering.

【技术实现步骤摘要】
一种欠驱动船舶自适应神经网络自动靠泊控制方法，设备及介质
本专利技术涉及船舶控制
，具体涉及基于航海动态深度信息的欠驱动船舶自适应神经网络自动靠泊控制方法。
技术介绍
随着船舶大型化、自动化、智能化的发展，智能船舶已成为当今海洋交通运输发展的主流方向。根据2016年3月1日生效的中国船级社(CCS)编制的《智能船舶规范》，智能船舶分为六大功能模块：智能航行、智能船体、智能机舱、智能能效管理、智能货物管理和智能集成平台，其中，智能航行模块除具有基本的航行功能外，还需要具有自动靠泊等辅助智能功能。而相比航海实践角度中的船舶离泊，船舶自动靠泊的难度更大。在航海实践中，船舶靠泊操纵一直被公认为是最困难、最复杂操作之一。然而，随着航海科学与技术的迅猛发展，船舶配员数量逐渐减少和高级船员逐渐短缺，使船员的职务提升速度加快，因此一些年轻船员因缺少足够丰富的靠泊经验，导致发生触碰码头的事故时有发生。丰富的靠泊经验需要船员在实践中不断摸索和积累，难以全部通过短时间的理论学习或者模拟器培训获得。实践中，中小型商船一般需利用桨、舵、锚、缆和侧推器等自主靠泊，而大型船往往依靠拖轮协助靠泊，在条件允许时也可进行自主靠泊。由于桨、舵等控制执行器都是针对定常航速设计，但实际船舶靠泊要受到浅水、低速、岸壁效应等影响，操作更加复杂。因此对大型智能船舶中的自动靠泊关键技术进行研究，是目前提高船舶靠泊安全性与高效性的重中之重。在靠泊实践中，船舶要受到时变的浅水、低速、岸壁效应、相对增强的风流等影响，会导致欠驱动船舶靠泊中存在执行器时变增益性、模型动态不确定性与未知扰动等问题。
技术实现思路
为了克服上述现有技术中的不足，本专利技术解决欠驱动船舶自动靠泊中的模型动态不确定性与未知扰动问题提供欠驱动船舶自适应神经网络自动靠泊控制方法，包括如下步骤：包括如下步骤：采用机理建模的方法构建船舶平面运动非线性动力学方程，描述船舶运动模型；采用附加控制方式进行坐标转换，并利用航海动态深度信息的神经网络重构不确定的模型动态参数与未知扰动向量；采用神经网络逼近方法及最小学习参数方法，实现欠驱动船舶自适应神经网络自动靠泊控制。优选地，步骤采用三自由度船舶平面运动非线性动力学的方式，描述船舶运动模型还包括：纵荡(m+mx)vr-(m+my)vr＝X|u|u|u|u+Xvrvr+Xwv2+Xrrr2+Tu横荡(m+my)ur+(m+mx)ur＝Yvv+Yrr+y|v|v|v|v+Y|r|r|r|r+Ywrv2r+Yvrrvr2艏摇(Izz+Jzz)uv+(my+mx)uv＝Nvv+Nrr+N|v|v|v|v+N|r|r|r|r+Nwrv2r+Nvrrvr2+Tr(1)其中，Tu和Tr分别为纵荡和艏摇自由度的控制输入，也就是螺旋桨推力和舵力；自动靠泊中，设计模型动态不确定性与未知扰动的自动靠泊控制器，设模型参数mx、my、mz、X|u|u|u|u+Xvrvr+Xvvv2+Xrrr2、Yvv+Yrr+Y|v|v|v|v+Y|r|r|r|r+Yvvrv2r+Yvrrvr2、Nvv+Nrr+N|v|v|v|v+N|r|r|r|r+Nvvrv2r+Nvrrvr2均为未知向量，并设纵荡、横荡、艏摇三个维度的未知扰动向量分别为du、dv、dr模型参数；式(1)的系统状态方程可变为：x＝ucos(ψ)-vsin(ψ)y＝usin(ψ)+vcos(ψ)ψ＝r其中，高阶流体动力项为：其中，mu＝m+mx、mv＝m+my、mr＝IZ+JZ；[x,y,ψ]∈R3为船舶位置坐标和艏向角的姿态变量；[u,v,r]T∈R3为船舶前向速度、横荡速度和艏摇速度变量；du、dv、dr表示不可测的未知外界海洋环境扰动力/力矩向量，包括风、浪、流的影响；在船舶靠泊实践中，舵、桨执行器驱动力Tu和Tr存在最大值，即Tumax>0、Trmax>0。优选地，步骤采用附加控制方式进行坐标转换，并利用航海动态深度信息的神经网络重构不确定的模型动态与未知扰动还包括：通过坐标变换及附加控制参数设计，构造横向驱动向量α；ψe＝ψ-ψd-f3(α)Ωe＝Ω-Ωd(4)其中，为地理坐标到随船坐标的旋转矩阵函数；fi(α)，i＝1,2,3，满足|fi(α)|≤λi，α∈R，λi为正常数；令根据式(4)则ψ-ψd＝ψe+f3(α)(5)式(5)经范数计算，可得下列不等式：控制器用的矩阵Θ的逆矩阵为：欠驱动船舶自适应神经网络自动靠泊控制器的控制律如下：其中，δ1、δ2、a1、a2、b1、b2、与均为设计正常数。优选地，步骤采用航海深度动态深度信息构造核函数技术、神经网络逼近方式及最小学习参数方式，实现欠驱动船舶自适应神经网络自动靠泊控制还包括：采用航海深度动态深度信息构造核函数技术、RBF神经网络逼近技术及最小学习参数方式：其中，θ1＝max{||W1*T||,|ε1+du|}；航海动态深度信息构造的核函数为由式(15)可知，重构不确定的船舶模型动态参数与未知扰动向量，将神经网络权值、逼近误差、扰动量作为复合不确定参数进行在线估计，使得自适应学习参数明显减少；则：其中，a1与a2为正的设计常数；由式(15)-(22)可得根据Yu＝βu-αu与Yr＝βr-αr求导数，有其中，Bu(xd,yd,ψd,xd,yd,ψd,xd,yd,ψd,x,y,u,v,u,v)与Br(xd,yd,ψd,xd,yd,ψd,xd,yd,ψd,ψ,r)是连续光滑函数，并存在最大值BMi，即|Bi|≤BMi，i＝u,r；将式(26)-(27)代入是式(25)，得其中并通过选择适当设计参数ei与ωi>0使则有其中，其设计参数ku，kr与k2满足：其他设计参数均为正数，实现欠驱动船舶自适应神经网络自动靠泊控制。一种实现欠驱动船舶自适应神经网络自动靠泊控制方法的设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序，以实现欠驱动船舶自适应神经网络自动靠泊控制方法的步骤。一种具有欠驱动船舶自适应神经网络自动靠泊控制方法的计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行欠驱动船舶自适应神经网络自动靠泊控制方法的步骤。从以上技术方案可以看出，本专利技术具有以下优点：本专利技术采用附加控制方法解决欠驱动设计的难题；利用航海动态深度信息的神经网络自适应方法，重构不确定的船舶模型动态参数与未知扰动向量，将神经网络权值、逼近误差、扰动量作为复合不确定参数进行在线估计，解决了扰动与逼近误差分开处理所导致的未知扰动输入难以直接逼近和忽略对系统耦合特性的问题，既考虑了不确定性的耦合特性又降低了设计的保守性，还可以降低系统计算负载度；控制器设计中考虑了舵、桨执行器的的输入饱和问题，并引入动态面(DSC)技术与最小学习参数(MLP)的方法降低计算负载度，从而使所提出的控制方法更为简捷，易于工程实现。本专利技术针对欠驱动船舶自动靠泊控制中模型动态不确定和有界扰动未知等问题展开研究，在前人的研究基础上，采用附加控制方法进行坐标转换，解决了欠驱动问题，并利用航海动态深度信息的神经网络自适应方法重构不确定的模型动态与未知扰动，同时利用动态面(DSC)技术与最小学习参数(MLP)的方法降低计算负载度。附本文档来自技高网...

【技术保护点】
1.一种欠驱动船舶自适应神经网络自动靠泊控制方法，其特征在于，包括如下步骤：采用机理建模的方法构建船舶平面运动非线性动力学方程，描述船舶运动模型；采用附加控制方式进行坐标转换，并利用航海动态深度信息的神经网络重构不确定的模型动态参数与未知扰动向量；采用神经网络逼近方法及最小学习参数方法，实现欠驱动船舶自适应神经网络自动靠泊控制。

【技术特征摘要】
1.一种欠驱动船舶自适应神经网络自动靠泊控制方法，其特征在于，包括如下步骤：采用机理建模的方法构建船舶平面运动非线性动力学方程，描述船舶运动模型；采用附加控制方式进行坐标转换，并利用航海动态深度信息的神经网络重构不确定的模型动态参数与未知扰动向量；采用神经网络逼近方法及最小学习参数方法，实现欠驱动船舶自适应神经网络自动靠泊控制。2.根据权利要求1所述的欠驱动船舶自适应神经网络自动靠泊控制方法，其特征在于，步骤采用三自由度船舶平面运动非线性动力学的方式，描述船舶运动模型还包括：纵荡(m+mx)vr-(m+my)vr＝X|u|u|u|u+Xvrvr+Xwv2+Xrrr2+Tu横荡(m+my)ur+(m+mx)ur＝Yvv+Yrr+Y|v|v|v|v+Y|r|r|r|r+Ywrv2r+Yvrrvr2艏摇(Izz+Jzz)uv+(my+mx)uv＝Nvv+Nrr+N|v|v|v|v+N|r|r|r|r+Nwrv2r+Nvrrvr2+Tr(1)其中，Tu和Tr分别为纵荡和艏摇自由度的控制输入，也就是螺旋桨推力和舵力；自动靠泊中，设计模型动态不确定性与未知扰动的自动靠泊控制器，设模型参数mx、my、mz、X|u|u|u|u+Xvrvr+Xvvv2+Xrrr2、Yvv+Yrr+Y|v|v|v|v+Y|r|r|r|r+Yvvrv2r+Yvrrvr2、Nvv+Nrr+N|v|v|v|v+N|r|r|r|r+Nvvrv2r+Nvrrvr2均为未知向量，并设纵荡、横荡、艏摇三个维度的未知扰动向量分别为du、dv、dr模型参数；式(1)的系统状态方程可变为：x＝ucos(ψ)-vsin(ψ)y＝usin(ψ)+vcos(ψ)ψ＝r其中，高阶流体动力项为：其中，mu＝m+mx、mv＝m+my、mr＝IZ+JZ；[x，y，ψ]∈R3为船舶位置坐标和艏向角的姿态变量；[u，v，r]T∈R3为船舶前向速度、横荡速度和艏摇速度变量；du、dv、dr表示不可测的未知外界海洋环境扰动力/力矩向量，包括风、浪、流的影响；在船舶靠泊实践中，舵、桨执行器驱动力Tu和Tr存在最大值，即Tumax＞0、Trmax＞0。3.根据权利要求1所述的欠驱动船舶自适应神经网络自动靠泊控制方法，其特征在于，步骤采用附加控制方式进行坐标转换，并利用航海动态深度信息的神经网络重构不确定的模型动态与未知扰动还包括：通过坐标变换及附加控...

【专利技术属性】
技术研发人员：张强，张显库，刘洋，许世波，张燕，江娜，孙昱浩，杨仁明，华莱士杰克逊，
申请(专利权)人：山东交通学院，
类型：发明
国别省市：山东,37