一种基于人工蜂群优化的模型预测的欠驱动UUV深度控制方法技术

一种基于人工蜂群优化的模型预测的欠驱动UUV深度控制方法，本发明专利技术涉及欠驱动UUV深度控制方法。本发明专利技术是要解决存在复杂水平舵角约束条件时UUV深度控制问题，而提出的一种基于人工蜂群优化的模型预测的欠驱动UUV深度控制方法。该方法是通过一、得到欠驱动UUV增量型的垂直面预测模型；二、将水平舵角的控制输入约束条件统一处理为:H△U(k)≤γ；三、通过模型预测控制将UUV深度控制问题转化为约束条件下的二次规划问题；四、求得蜜源的全局最优位置，五、得到k时刻的控制输入；六、确保UUV达到指定UUV下潜的深度R(k+1)完成下潜作业等步骤实现的。本发明专利技术应用于UUV深度控制领域。

【技术实现步骤摘要】

本专利技术涉及欠驱动UUV深度控制方法，特别涉及基于人工蜂群优化的模型预测的欠驱动UUV深度控制方法。
技术介绍
无人水下航行器(UnmannedUnderwaterVehicle,UUV)具有活动范围大、潜水深、机动性好、安全、智能化、运行和维护费用低等优点，作为人类在海洋活动中，特别是深海活动中的重要替代者和执行者,已被广泛应用于科学考察,深海作业,打捞救生等领域，其在作业时需要保持在一定的深度，因此，切实有效的深度控制方法对UUV的性能有着重要的作用。目前，国内外学者针对UUV深度控制问题做了大量的研究，相应提出了很多控制方法，如自抗扰法，反步法等等。自抗扰法是一种利用特殊的非线性效应，结合实际的非线性工程算法,是一种自动补偿对象模型的新型控制方法，其抗干扰能力强，运用此方法可以解决海洋环境下UUV近水面垂直面运动的控制扰动问题。反步法计算简单，实时性好，响应快，对传感器要求低，在工程应用中得到了广泛的应用，但该方法中存在虚拟控制量的高阶导数问题。但大多都未能够充分考虑UUV在复杂约束条件下的深度控制问题，因此，将此因素引入UUV深度控制中对其能够安全可靠地执行各种作业任务具有重要的意义。2014年5月ProceedingsoftheInstitutionofMechanicalEngineersPartM:JournalofEngineeringfortheMaritimeEnvironment第228卷中的“Modelpredictivecontrolofahybridautonomousunderwatervehiclewithexperimentalverification”提出将模型预测控制用于AUV悬停状态时深度控制，但其对UUV艏艉槽道推进器推力变化只进行了简单的卡边处理，在推力约束条件变得更加复杂时，该方法将无法有效处理，这将会影响控制器对UUV深度的控制效果，本专利技术引入人工蜂群优化算法可以有效的处理较为复杂的约束条件。
技术实现思路
本专利技术的目的是为了解决存在复杂水平舵角约束条件时UUV深度控制问题而提出的一种基于人工蜂群优化的模型预测的欠驱动UUV深度控制方法。上述的专利技术目的是通过以下技术方案实现的：步骤一、将UUV垂直面模型整理为状态空间模型，将状态空间模型离散化得到欠驱动UUV增量型的垂直面预测模型；步骤二、在k时刻，根据水平舵特性建立水平舵角的控制输入约束；所述的水平舵角的控制输入约束包括幅值约束和每一拍动作的增量约束；并将水平舵角的控制输入约束条件统一处理为:H△U(k)≤γ其中，△U为水平舵控制输入增量序列；H＝[TT-TTΕT-ΕT]T,γ＝[γ1γ2]T；γHTγ1Εγ2为中间矩阵；水平舵特性包括死区特性和饱和特性；步骤三、根据步骤一得到的欠驱动UUV增量型的垂直面预测模型和步骤二得到的水平舵角的控制输入约束条件通过模型预测控制将UUV深度控制问题转化为约束条件下的二次规划问题如下：minΔU(K)J(ΔU(k))sth(ΔU(k))≤0---(8)]]>式中，J(△U(k))＝△U(k)TH△U(k)-G(k+1|k)T△U(k)，h(△U(k))＝H△U(k)-γ；J(·)为反映△U(k)的性能指标，h(·)为描述函数，G(·)为中间变量，G(k+1|k)=2SδTΓyTΓyEp(k+1|k);]]>步骤四、利用基于罚函数的人工蜂群优化算法求解约束条件下的二次规划问题，求得蜜源的全局最优位置，即xbest＝[△δs(k),△δs(k+1),…,△δs(k+m-1)]T为UUV水平舵角控制输入增量序列△U(k)；其中，△δs(k+m-1)为第k+m-1步水平舵角的增量，m为控制时域；步骤五、在求解出蜜源最终全局最优解xbest后，令△U(k)＝xbestT，然后取优化解序列△U(k)的第一个分量，并加上k-1时刻的控制输入作为k时刻的控制输入:Δδs(k)=Inu×nu0...0ΔU(k)δs(k)=Δδs(k)+δs(k-1);]]>步骤六、在k时刻的控制输入δs(k)作用下测得新的状态变量和UUV下潜深度，当UUV未达到指定UUV下潜的深度R(k+1)时，将测得新的状态变量和UUV下潜深度转步骤三，直至当UUV达到指定UUV下潜的深度R(k+1)完成下潜作业；其中，新的状态变量包括UUV状态变量垂向速度、UUV状态变量纵倾角速度、UUV状态变量下潜深度和UUV状态变量纵倾角。专利技术效果本专利技术提供一种基于人工蜂群优化的约束模型预测的欠驱动UUV深度控制方法。基于人工蜂群优化的约束模型预测控制方法解决的是欠驱动UUV在约束条件下准确的下潜到指定深度的问题。本专利技术首先将欠驱动UUV深度控制问题通过模型预测控制转化为约束条件下的二次规划问题，然后通过人工蜂群优化算法求解约束条件下的二次规划问题，最后将优化解序列的第一个分量加上前一时刻的控制输入作为欠驱动UUV当前时刻的控制输入。问题的求解过程具备在线执行的特点，可以使UUV有效降低不确定性因素的累积作用。本专利技术能够为欠驱动UUV存在复杂约束条件时的深度控制提供一种切实有效的方法。在考虑控制约束条件下能够有效的实现深度控制，具有在线优化的特点，可以极大减小外界扰动和系统结构参数变化等不确定性因素对UUV深度控制效果的影响如图1、图2和图3。本专利技术提供一种基于人工蜂群优化的约束模型预测的欠驱动UUV深度控制方法，其直接将UUV深度控制问题转换约束条件下的二次规划问题，并通过人工蜂群算法在约束域中寻找优化解，可以很好的解决在存在约束条件时的UUV深度控制。附图说明图1为具体实施方式一提出的UUV的垂直面建模图；图2为具体实施方式一提出的基于人工蜂群优化的模型预测的欠驱动UUV深度控制的流程图；图3为具体实施方式一提出的基于人工蜂群优化的模型预测的欠驱动UUV深度控制框图；图4(a)为具体实施方式一提出的UUV深度的曲线图；其中，p为预测时域；m为控制时域；图4(b)为具体实施方式一提出的UUV纵倾角的曲线图；图5(a)为具体实施方式一提出的UUV纵倾角角速度的曲线图；图5(b)为具体实施方式一提出的UUV垂向速度的曲线图；图6(a)为具体实施方式一提出的UUV水平舵角曲线图。图6(b)为具体实施方式一提出的UUV水平舵角的每一拍增量变化曲线图。具体实施方本文档来自技高网...

【技术保护点】
一种基于人工蜂群优化的约束模型预测的欠驱动UUV深度控制方法，其特征在于：一种基于人工蜂群优化的约束模型预测的欠驱动UUV深度控制方法具体是按照以下步骤进行的：步骤一、将UUV垂直面模型整理为状态空间模型，将状态空间模型离散化得到欠驱动UUV增量型的垂直面预测模型；步骤二、在k时刻，根据水平舵特性建立水平舵角的控制输入约束；所述的水平舵角的控制输入约束包括幅值约束和每一拍动作的增量约束；并将水平舵角的控制输入约束条件统一处理为:H△U(k)≤γ其中，△U为水平舵控制输入增量序列；H＝[TT ‑TT ΕT ‑ΕT]T,γ＝[γ1 γ2]T；γ、H、T、γ1、Ε和γ2为中间矩阵；步骤三、根据步骤一得到的欠驱动UUV增量型的垂直面预测模型和步骤二得到的水平舵角的控制输入约束条件通过模型预测控制将UUV深度控制问题转化为约束条件下的二次规划问题如下：minΔU(K)J(ΔU(k))]]>st h(△U(k))≤0   (8)式中，J(△U(k))＝△U(k)TH△U(k)‑G(k+1|k)T△U(k)，h(△U(k))＝H△U(k)‑γ；J(·)为反映△U(k)的性能指标，h(·)为描述函数，G(·)为中间变量，G(k+1|k)=2SδTΓyTΓyEp(k+1|k);]]>步骤四、利用基于罚函数的人工蜂群优化算法求解约束条件下的二次规划问题，求得蜜源的全局最优位置，即xbest＝[△δs(k),△δs(k+1),…,△δs(k+m‑1)]T为UUV水平舵角控制输入增量序列△U(k)；其中，△δs(k+m‑1)为第k+m‑1步水平舵角的增量，m为控制时域；步骤五、在求解出蜜源最终全局最优解xbest后，令△U(k)＝xbestT，然后取优化解序列△U(k)的第一个分量，并加上k‑1时刻的控制输入作为k时刻的控制输入:Δδs(k)=Inu×nu0...0ΔU(k)δs(k)=Δδs(k)+δs(k-1);]]>步骤六、在k时刻的控制输入δs(k)作用下测得新的状态变量和UUV下潜深度，当UUV未达到指定UUV下潜的深度R(k+1)时，将测得新的状态变量和UUV下潜深度转步骤三，直至当UUV达到指定UUV下潜的深度R(k+1)完成下潜作业；其中，新的状态变量包括UUV状态变量垂向速度、UUV状态变量纵倾角速度、UUV状态变量下潜深度和UUV状态变量纵倾角。...

【技术特征摘要】
1.一种基于人工蜂群优化的约束模型预测的欠驱动UUV深度控制方法，其特征在于：一
种基于人工蜂群优化的约束模型预测的欠驱动UUV深度控制方法具体是按照以下步骤进行
的：
步骤一、将UUV垂直面模型整理为状态空间模型，将状态空间模型离散化得到欠驱动
UUV增量型的垂直面预测模型；
步骤二、在k时刻，根据水平舵特性建立水平舵角的控制输入约束；所述的水平舵角的
控制输入约束包括幅值约束和每一拍动作的增量约束；并将水平舵角的控制输入约束条件
统一处理为:
H△U(k)≤γ
其中，△U为水平舵控制输入增量序列；H＝[TT-TTΕT-ΕT]T,γ＝[γ1γ2]T；
γ、H、T、γ1、Ε和γ2为中间矩阵；
步骤三、根据步骤一得到的欠驱动UUV增量型的垂直面预测模型和步骤二得到的水平
舵角的控制输入约束条件通过模型预测控制将UUV深度控制问题转化为约束条件下的二次
规划问题如下：
minΔU(K)J(ΔU(k))]]>sth(△U(k))≤0(8)
式中，J(△U(k))＝△U(k)TH△U(k)-G(k+1|k)T△U(k)，h(△U(k))＝H△U(k)-γ；J(·)
为反映△U(k)的性能指标，h(·)为描述函数，G(·)为中间变量，
G(k+1|k)=2SδTΓyTΓyEp(k+1|k);]]>步骤四、利用基于罚函数的人工蜂群优化算法求解约束条件下的二次规划问题，求得
蜜源的全局最优位置，即xbest＝[△δs(k),△δs(k+1),…,△δs(k+m-1)]T为UUV水平舵角控制
输入增量序列△U(k)；其中，△δs(k+m-1)为第k+m-1步水平舵角的增量，m为控制时域；
步骤五、在求解出蜜源最终全局最优解xbest后，令△U(k)＝xbestT，然后取优化解序列△
U(k)的第一个分量，并加上k-1时刻的控制输入作为k时刻的控制输入:
Δδs(k)=Inu×nu0...0ΔU(k)δs(k)=Δδs(k)+δs(k-1);]]>步骤六、在k时刻的控制输入δs(k)作用下测得新的状态变量和UUV下潜深度，当UUV未达
到指定UUV下潜的深度R(k+1)时，将测得新的状态变量和UUV下潜深度转步骤三，直至当UUV
达到指定UUV下潜的深度R(k+1)完成下潜作业；其中，新的状态变量包括UUV状态变量垂向
速度、UUV状态变量纵倾角速度、UUV状态变量下潜深度和UUV状态变量纵倾角。
2.根据权利要求1所述一种基于人工蜂群优化的约束模型预测的欠驱动UUV深度控制
方法，其特征在于：步骤一中将UUV垂直面模型整理为状态空间模型，将状态空间模型离散
化得到欠驱动UUV增量型的垂直面预测模型具体过程为：
步骤一一、建立了UUV的坐标系统，其中，UUV的坐标系统包括固定坐标系E-ξηζ和运动
坐标系O-XYZ；
步骤一二、取状态变量水平舵的舵角δs(t)和t时刻UUV下潜深度
y(t)建立UUV垂直面的状态空间方程即连续的状态空间模型:
x·(t)=Acx(t)+Bcδδs(t)+Bcdd(t)y(t)=Ccx(t)---(1)]]>式中，Ac=a^b^00c^d^0000100001-1e^f^00g^h^00010010-u0,]]>Bcδ=a^b^00c^d^0000100001-10k^00,]]>Bcd=10010000,]]>Cc＝[0001]；
a^=m-12ρL3Zw·′,]]>b^=12ρL4Zq·′,]]>c^=12ρL4Mw·′,]]>d^=Jy-12ρL5Mq·′,]]>e^=12ρL2Zuw′u,]]>f^=mu+12ρL3Zuq′u,]]>g^=12ρL3Muw′u,]]>h^=12ρL4Muq′u,]]>k^=12ρL3u2Mδs,]]>d(t)＝[ω1ω2]T；
ρ为流体密度，L为UUV长度；
为在垂直加速度状态下测得的UUV无因次水动力系数；
为在纵倾角加速度状态下测得的UUV无因次水动力系数；
为在垂直加速度状态下测得的UUV无因次水动力系数；
为在纵倾角加速度状态下测得的UUV无因次水动力系数；
Z′uw为在纵向速度u和垂向速度w状态下测得的UUV无因次水动力系数；
Z′uq为在纵向速度u和纵倾角速度q状态下测得的UUV无因次水动力系数；
M′uw为在纵向速度u和垂向速度w状态下测得的UUV无因次水动力系数；
M′uq为在纵向速度u和纵倾角速度q状态下测得的UUV无因次水动力系数；
为UUV水平舵的舵效系；
w为UUV状态变量垂向速度；
q为UUV状态变量纵倾角速度；
z为UUV状态变量下潜深度；
θ为UUV状态变量纵倾角；
下角标中c代表连续；
t为时间变量；
δ为水平舵角；
d为系统不确定因素及外界扰动；
Ac为连续状态空间模型的系统矩阵
Bcδ为连续状态空间模型的水平舵角δ的参数矩阵
Bcd为连续状态空间模型的在系统不确定因素及外界扰动d下的参数矩阵
Cc为连续状态空间模型的输出矩阵；
d(t)＝[ω1ω2]T为t时刻系统不确定因素及外界扰动；ω1为系统在垂向运动上不确定
因素及外界扰动，ω2为系统在纵倾运动上不确定因素及外界扰动；
步骤一三、取采样时间为Ts，将连续状态空间模型转换为离散状态空间模型：
x(x+1)=Ax(k)+Bδδs(k)+Bdd(k)y(k)=Cx(k)---(2)]]>其中，A=eAcTs,]]>B&d...

【专利技术属性】
技术研发人员：张伟，郭毅，梁志成，孟德涛，周佳加，张宏瀚，严浙平，
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