一种欠驱动船舶鲁棒自适应神经网络控制方法技术

本发明专利技术公开了一种欠驱动船舶鲁棒自适应神经网络控制方法，属于智能船舶自动控制技术领域。该方法包括：建立欠驱动船舶数学模型；基于所述欠驱动船舶数学模型，结合相对阈值事件触发机制补偿部分失效故障；通过基于最小学习参数技术改进的径向基神经网络和自适应技术，将内外不确定性和失效故障转换为单参数的形式；进而设计欠驱动船舶的控制率和自适应律。本发明专利技术采用相对阈值的事件触发策略，减少控制命令的频繁更新，降低了执行器磨损。考虑内部和外部的不确定动态，采用径向基神经网络重构动态不确定性，并结合最小学习参数技术将偏置故障因子、部分失效故障因子以及系统其它的未知动态转换成了单参数的线性化形式，降低了系统的计算负载。统的计算负载。统的计算负载。

【技术实现步骤摘要】
一种欠驱动船舶鲁棒自适应神经网络控制方法


[0001]本专利技术涉及智能船舶自动控制
，特别涉及一种欠驱动船舶鲁棒自适应神经网络控制方法。

技术介绍

[0002]随着海洋经济的持续发展，智能无人船舶受到了特别的关注。为了进一步提高无人船自动化的程度，很多研究都聚焦于改善船舶控制系统的跟踪性能。船舶的轨迹跟踪控制是一种非常典型的应用场景，它经常被用于验证控制方案的有效性。并且在实际的工程中，如石油勘探、海底电缆铺设等特殊的工程任务都不可不免得要使船舶跟踪预定的轨迹。所以，船舶的轨迹跟踪控制的研究具有特殊的理论和工程意义。
[0003]轨迹跟踪控制中常用的控制策略包括滑模控制、神经网络控制、模糊控制和自适应控制。尽管这些控制策略各有优点和适用性，但也存在一些缺点。滑模控制需要设计合适的滑模面，可能会引入高频振荡，并且对系统不确定性和外部扰动的抑制效果有限。神经网络控制需要大量的训练数据和计算资源，对网络结构和参数选择敏感，可能会产生过拟合或欠拟合等问题。模糊控制需要设计合适的模糊规则和隶属度函数，对控制规则的设计和参数选择要求较高，难以解释控制结果。自适应控制需要较高的计算资源和控制模型精度，对控制模型参数的准确估计要求较高，可能会产生过多的控制器输出。同时如果进一步考虑执行器故障、通信资源限制等约束条件时，传统控制方法还存在以下问题：
[0004](1)现有的轨迹跟踪控制方案多为连续的时间触发控制方案，这导致系统对外部变化和不确定性的适应能力较弱，难以灵活地调整控制策略以满足不同的工作条件或需求。另外，频繁地进行控制计算和决策对计算资源和处理能力有着较高的要求。
[0005](2)控制器信号更新频繁更新增加了执行器磨损，导致了控制系统故障增加。而现有控制方案中没有对执行器故障问题进行有效解决，并且消耗了大量不必要的通信资源。

技术实现思路

[0006]针对现有的技术缺陷，本专利技术结合最小学习参数改进的径向基神经网络和自适应技术，将系统的不确定动态和失效故障转换为单参数的形式，既保证了控制器的简捷结构，降低了系统的计算负载。
[0007]为了达到上述目的，本专利技术提出了一种欠驱动船舶鲁棒自适应神经网络控制方法，包括：
[0008]建立欠驱动船舶数学模型；
[0009]基于所述欠驱动船舶数学模型，结合相对阈值事件触发机制补偿部分失效故障；
[0010]通过基于最小学习参数技术改进的径向基神经网络和自适应技术，将内外不确定性和失效故障转换为单参数的形式；
[0011]进而设计欠驱动船舶的控制率和自适应律。
[0012]进一步的，所述欠驱动船舶数学模型包括：
[0013]欠驱动船舶运动学方程：
[0014]欠驱动船舶动力学方程：
[0015]其中：
[0016]x、y、y为水面船舶的实际跟踪轨迹，分别为横向位移、纵向位移、航向角；u、v、r为实际跟踪速度，分别为前向速度、横漂速度和转艏角速度；为船舶纵荡控制力；为艏摇控制力矩；m
i
(i＝u,v,r)为附加质量；d
u
、d
v
、d
r
为扰动；f
u
(u,v,r)、f
v
(u,v,r)、f
r
(u,v,r)为未知动态；{X
(
·
)
,Y
(
·
)
,N
(
·
)
}为水动力参数；
[0017]考虑失效故障和偏置故障，和满足：
[0018][0019]其中：i＝u,r；如果σ
i
＝0，则说明无人船系统是无故障的；如果σ
i
＝0则代表执行器正在遭受失效故障；如果0<σ
i
<1则表明执行器正在遭受偏置故障。
[0020]进一步的，结合相对阈值事件触发机制补偿部分失效故障；具体为：
[0021](2.1)采用RBF神经技术重构f
u
(u,v,r)和f
r
(u,v,r)；
[0022][0023]其中：W
u
和W
r
为神经网络权重，σ
u
(η)和σ
r
(η)为神经网络函数，ε
u
和ε
r
为逼近误差；
[0024]误差动力学方程为：
[0025][0026](2.2)结合相对阈值事件触发机制的思想，设计动态事件触发机制；
[0027][0028][0029]其中：e
u
(t)和e
r
(t)为测量误差，η
11
、η
12
、η
21
、η
22
为正定的设计参数；t
k
为更新时间，在时间间隔t∈[t
k
,t
k+1
]内，输入ω
u
(t
k
)保持不变；
[0030](2.3)在所述动态事件触发机制之下，在任意的时间之内：
[0031]|ω
u
(t)
‑
τ
u
(t)|≤η
12
|τ
u
(t)|+η
11
且|ω
r
(t)
‑
τ
r
(t)|≤η
22
|τ
r
(t)|+η
21
；
[0032]由此得出，当|λ
u,1
(t)|≤1，|λ
u,2
(t)|≤1，|λ
r,1
(t)|≤1，|λ
r,2
(t)|≤1存在如下的关系：
[0033][0034]更进一步得到如下关系：
[0035][0036]误差动力方程变为：
[0037][0038]其中：和为正定且上界小于1的非线性有界函数。
[0039]进一步的，所述通过基于最小学习参数技术改进的径向基神经网络和自适应技术，将内外不确定性和失效故障转换为单参数的形式具体为：
[0040](3.1)采用最小学习参数和RBF神经网络技术对复合不确定向进行降维，具体过程如下：
[0041][0042][0043][0044]其中：W
u
和W
r
为神经网络权重，σ
u
(η)和σ
r
(η)为神经网络函数，ε
u
和ε
r
为逼近误差，d
u
，d
r
为外界不确定干扰，为通过动态面技术获取的虚拟控制变量近似导数；
[0045](3.2)设计如下变量，稳定故障因子给系统带来的影响：
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种欠驱动船舶鲁棒自适应神经网络控制方法，其特征在于，包括：建立欠驱动船舶数学模型；基于所述欠驱动船舶数学模型，结合相对阈值事件触发机制补偿部分失效故障；通过基于最小学习参数技术改进的径向基神经网络和自适应技术，将内外不确定性和失效故障转换为单参数的形式；进而设计欠驱动船舶的控制率和自适应律。2.根据权利要求1所述的欠驱动船舶鲁棒自适应神经网络控制方法，其特征在于，所述欠驱动船舶数学模型包括：欠驱动船舶运动学方程：欠驱动船舶动力学方程：其中：x、y、ψ为水面船舶的实际跟踪轨迹，分别为横向位移、纵向位移、航向角；u、v、r为实际跟踪速度，分别为前向速度、横漂速度和转艏角速度；为船舶纵荡控制力；为艏摇控制力矩；m
i
(i＝u,v,r)为附加质量；d
u
、d
v
、d
r
为扰动；f
u
(u,v,r)、f
v
(u,v,r)、f
r
(u,v,r)为未知动态；{X
(
·
)
,Y
(
·
)
,N
(
·
)
}为水动力参数；考虑失效故障和偏置故障，和满足：其中：i＝u,r；如果σ
i
＝0，则说明无人船系统是无故障的；如果σ
i
＝0则代表执行器正在遭受失效故障；如果0<σ
i
<1则表明执行器正在遭受偏置故障。3.根据权利要求2所述的欠驱动船舶鲁棒自适应神经网络控制方法，其特征在于，结合相对阈值事件触发机制补偿部分失效故障；
具体为：(2.1)采用RBF神经技术重构f
u
(u,v,r)和f
r
(u,v,r)；其中：W
u
和W
r
为神经网络权重，σ
u
(η)和σ
r
(η)为神经网络函数，ε
u
和ε
r
为逼近误差；误差动力学方程为：(2.2)结合相对阈值事件触发机制的思想，设计动态事件触发机制；(2.2)结合相对阈值事件触发机制的思想，设计动态事件触发机制；其中：e
u
(t)和e
r
(t)为测量误差，η
11
、η
12
、η
21
、η
22
为正定的设计参数；t
k
为更新时间，在时间间隔t∈[t
...

【专利技术属性】
技术研发人员：孟祥飞，张桂臣，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：