基于神经网络的鲁棒自适应舵减摇控制北大核心CSCD

[目的]针对存在系统未知非线性函数和外界随机扰动的欠驱动水面船舶舵减摇控制问题,提出一种基于多层循环神经网络的自适应非奇异快速终端滑模舵减摇控制器。[方法]首先,针对传统滑模控制中存在的奇异性和收敛性问题,引入非奇异快速终端滑模面,并在假设船舶模型已知的情况下设计滑模控制律;接着,对传统径向基神经网络进行改进,并利用改进后的神经网络去逼近系统未知非线性函数,以解决船舶航行时模型难以确立的问题,提高控制精度;然后,应用Lyapunov理论证明闭环系统的稳定性和有限时间收敛性,并推导出神经网络参数的自适应律;最后,对一艘多用途海军舰艇进行数值仿真分析。[结果]结果显示,当船舶处于航向保持工况时,所提出的控制器减摇率为50.41%,与非奇异快速终端滑模控制器相比提升了19.2%;当船舶处于变航向工况时,所提出的控制器减摇率为23.46%,与非奇异快速终端滑模控制器相比提升了12.59%。[结论]该方法可以为欠驱动船舶舵减摇控制设计提供参考。     

一种简化的减摇鳍自适应神经网络控制

基于Lyapunov稳定性定理和动态面控制技术,针对船舶减摇鳍系统提出了一种自适应神经网络控制设计方法。本文采用动态面控制技术,以消除传统Backstepping方法中存在的“计算爆炸”问题,同时从实际应用的角度出发,充分考虑系统中存在的显著不确定性,并运用径向基神经网络对不确定性进行估计及补偿。此外,采用最少学习参数技术,以减少控制器的计算负担,使所设计的控制器更贴近工程应用。本文所设计的控制器保证了船舶减摇鳍系统信号一致最终有界,使系统输出收敛到一个较小区间。最后通过数值仿真验证了所提算法的有效性。     

基于RBF神经网络的永磁同步电机矢量控制系统

永磁同步电机(PMSM)数学模型是非线性、强耦合、多变量的。传统的矢量控制采用双闭环控制,转速环和电流环都是采用的传统的PID控制器。针对PID控制方法的不足,提出一种基于径向基函数神经网络的在线辨识的单神经元PID模型参考自适应控制方法,利用神经网络对信息数据的自学习和自适应能力,提高系统对环境改变的稳定性,仿真实验表明,系统很好的实现了给定速度参考模型的自适应跟踪,结构简单,能适应环境变化,具有较强的鲁棒性。     

基于无模型的船舶航向跟踪控制

针对非线性船舶航向运动数学模型中存在的显著不确定性问题及其控制器输入饱和限制问题,提出一种基于Backstepping的直接自适应神经网络控制方法。采用Backstepping方法对船舶航向控制系统进行递归式设计并借助一种饱和内补偿辅助系统处理系统中的输入饱和限制问题;同时,从实际应用的角度出发,充分考虑系统中存在的显著不确定性并运用径向基神经网络对不确定性进行估计和补偿,使所设计的控制器更贴近工程应用。仿真计算结果验证了所提控制方法在船舶航向控制系统中的有效性,可实现高精度的航向保持控制。     

基于分数阶PI~αD~β的船用永磁同步电机控制策略研究

船用永磁同步电机是一种非线性、强耦合、多变量的复杂系统,使用常规的PID对其进行速度控制时难以达到理想的效果。为了改善船用永磁同步电机调速系统的性能,设计了一种新的速度控制器-径向基(RBF)神经网络分数阶PI~αD~β控制器。利用径向基神经网络的自学习和自训练的功能,对控制器的参数进行在线优化,以便使控制器在未知的系统中能够具有快速的适应能力和较好的控制性能。将设计的控制器应用于船用永磁同步电机的速度控制回路中,并在高速度、大负载扰动的条件下对其进行仿真实验。结果表明,使用了RBF神经网络分数阶PI~αD~β控制器的电机控制系统,具有良好的动态响应能力和较强的扰动抑制能力。     

基于神经网络和L2增益的船舶航向自动舵设计

对一类带建模误差和不确定性外界干扰的船舶运动非线性系统,提出了一种基于神经网络和L2增益方法的航向自动舵设计.对模型中的建模误差采用在线神经网络予以辨识和补偿,避免了建模误差界定函数的经验选择;而对不确定外界干扰力项则采用L2增益设计,保证了闭环跟踪系统的鲁棒性.控制器设计步骤应用Lyapunov函数递推法,航向跟踪误差和神经网络权值误差被证明是一致终值有界的.合理的控制器参数选择保证了控制系统的跟踪精度.数值仿真结果验证了控制器设计的有效性.     

径向基函数神经网络在水动力参数智能模型中的应用

船舶在海上航行时受到外界环境的干扰会产生横摇的运动,影响船舶的航行安全。本文利用径向基函数神经网络建立船舶水动力参数智能模型,并利用此模型进行船舶横向运动仿真。仿真结果说明,本文所建立的模型收敛速度快、稳定性好、可行性强。     

基于事件触发的船舶编队有限时间控制

为改善船舶编队的时效性，针对船舶编队在海上作业时存在频繁的不必要的通信消耗问题，提出一种基于事件触发机制的有限时间控制策略。设计一个编队扩张状态观测器观测船舶动态信息并补偿船舶模型中的不确定性及外界干扰；针对自身的船舶编队系统定义一个由广义误差变量组成的固定阈值触发函数，将事件触发函数与非线性终端滑模控制器相结合，大大降低了编队控制律的更新频率；利用Lyapunov有限时间理论验证整个编队系统的有限时间稳定性，并证明控制器不存在Zeno行为。仿真结果显示，设计的编队控制器能在5s左右达到预期队形。与连续时间编队控制器相比，设计的编队控制器在保证编队队形的基础上大大降低了触发次数，从而节约了编队系统的通信资源。     

基于RBF神经网络的TCSC自适应PID控制

针对可控串联补偿(Thyristor Controlled Series Capacitor,TCSC)的传统PID控制器存在鲁棒性差和自学习能力不强的问题,利用径向基函数(Radial Basis Function,RBF)神经网络可以无限逼近非线性系统的特性,提出了一种基于RBF神经网络设计的TCSC自适应PID控制器.该自适应PID控制器不仅具有传统PID控制器结构简单、易于工程实现等特点,而且通过RBF神经网络辨识的被控系统Jacobian信息来在线实时调整PID控制的参数,对被控系统参数和运行状态改变有较强的适应性,克服了常规PID控制器鲁棒性不强的缺点.两机五节点系统和四机两区域系统的仿真结果表明所设计的控制器控制效果明显优于传统PID控制器,具有较好的适应性和鲁棒性,对系统低频振荡的阻尼特性有很大地改善.     

滑模控制船舶动力定位控制系统研究

为了提高动力定位船舶或作业平台在复杂海况条件下的定位精度,对动力定位船舶的控制器进行设计研究,通过建立简化的船舶三自由度数学模型,采用滑模变结构控制方法进行控制器的设计,并基于李雅普诺夫函数进行稳定性分析,通过软件进行仿真验证,仿真结果表明,在存在外界环境干扰的条件下,所设计的滑模控制器能够较好的保持系统的稳定性和鲁棒性,控制性能良好,对进一步研究动力定位船舶的控制系统有一定的参考意义。     

Online learning control of surface vessels for fine trajectory tracking

This paper presents an adaptive neural network (NN) controller for fine trajectory tracking of surface vessels with uncertain environmental disturbances. Regarding to the new demands for fine trajectory tracking, especially to the requirement of high-accuracy tracking in limited working space, the proposed NN controller is designed to contain a tracking error control component and a velocity error control component, aiming to converge both types of error to zero, separately. It utilizes radial basis functions to approximate a vessel’s unknown nonlinear dynamics. Therefore, there is no need of any explicit knowledge of the vessel. The online learning ability is obtained during the stability analysis using the backstepping technique and the Lyapunov theory. Theoretical results guarantee both the convergence of tracking error and velocity error and the boundedness of NN update. Through simulation and tracking performance study based on the CyberShip II model, the proposed controller is verified effective in fine trajectory tracking.     

基于RBF网络和遗传优化的船舶操纵模糊控制器

设计了一种基于RBF网络和遗传优化的船舶操纵模糊控制器。首先讨论了传统模糊控制器应用于船舶操纵控制的不足，然后根据模糊系统在特定情况下与RBF网络具有等价关系的特点，采用具有加权平均输出的RBF网络构造了一个船舶操纵模糊控制器，有效地消除了小偏差范围的舵角抖动现象。在此基础上，根据船舶操纵的特点提出了一种尺度变换因子的自整定方法，并采用遗传算法对自整定过程中的可变参数进行优化，以使控制器能够适应实时控制过程中的时变性和不确定性，保持良好的控制性能。最后针对某大型船舶的非线性模型，采用Matlab 6．1的Simulink工具进行了转艏操纵仿真试验，获得了满意结果。     

基于扩张状态观测器的双桨推进无人艇抗干扰目标跟踪控制

[目的]针对无人艇(USV)的模型不确定性和未知海洋环境扰动,提出一种基于扩张状态观测器(ESO)的双桨推进无人艇抗干扰目标跟踪控制算法。[方法]在运动学层级,设计基于平行接近制导原理的目标跟踪制导律;在动力学层级,针对模型不确定性和未知环境扰动,设计基于ESO的纵荡速度和艏摇角速度自抗扰控制律,以减小模型不确定性和环境扰动的影响;最后,通过输入状态稳定性定理和级联定理分析所提控制器的稳定性。[结果]实验结果表明,基于所提的自抗扰目标跟踪控制方法能使跟踪船有效地跟踪虚拟目标点。[结论]研究成果可为无人艇在环境扰动下的目标跟踪提供参考。     

动力定位船舶全速度路径跟踪CB导引自适应闭环控制

针对仅使用槽道推进器提供横向推力的动力定位船舶路径跟踪控制问题,建立慢变环境干扰影响下的非线性船舶数学模型,设计带有自适应干扰补偿的反步控制算法来消除环境干扰的影响。引入平行目标接近(CB)导引算法为跟踪控制生成期望速度矢量信号,通过与所提出的自适应反步控制算法相结合,得到不受船舶驱动特性限制的全速度范围动力定位船舶导引跟踪控制算法,应用李雅普诺夫稳定性理论证明系统跟踪误差渐进收敛到零。仿真结果表明通过调整导引算法参数可以调节船舶跟踪过程表现,并可以得到较好的控制精度。     

基于扰动观测器的船舶动力定位反步控制

针对船舶动力定位系统模型受到风浪流等环境未知有界扰动的问题，提出一种基于干扰估计补偿的反步控制算法。首先基于滑模面有限时间收敛特点设计干扰观测器，在有限时间内实现对未知有界干扰的估计，并采用一阶低通滤波器连续化干扰观测器估计值，减少抖振；然后基于干扰观测器设计船舶动力定位反步控制器，并应用Lyapunov函数证明了所设计的控制器使船舶的位置和航向收敛于期望值。最后通过铺缆船仿真结果表明所设计控制器具有较好的控制性能，对系统的有界干扰具有良好的鲁棒性。     

带漂角和输入饱和的水面船舶航向控制

[目的]为处理水面船舶航向控制过程中受到的非零漂角和输入饱和影响,提出一种基于反步法的航向控制方法。[方法]首先,利用相对速度求出实际漂角,再通过漂角对航向角误差进行修正;然后,采用一种预滤波方法减小航向改变时对航速变化的影响,同时引入双曲正切函数和Nussbaum函数逼近输入约束,结合自适应律对逼近误差和艏摇方向上的扰动进行估计;最后,借助指令滤波器简化反推过程,并通过Lyapunov理论证明控制系统的稳定性。[结果]仿真结果表明,所提控制器有效减小了水面船舶的航向输出误差,且能始终保持较小的控制输入力矩。[结论]研究成果可为水面船舶航向控制设计提供参考。     

欠驱动无人艇的全局时变反馈镇定控制

欠驱动水面船舶的镇定控制大多采用切换控制的方法,对该问题的研究普遍存在需要角速度持续激励的问题,时变控制可以有效解决该问题,但时变系统存在构造李雅普洛夫函数的困难,为此提出了一种时变状态变换,并基于反步法构造了该系统的李雅普洛夫函数,从而设计了一种全局时变反馈镇定控制器,取消了对初始条件角速度不能为零的约束。仿真结果验证了所提出方法的有效性。     

网络遥操作机器人系统神经网络预测控制仿真研究

为了改善网络随机时延影响网络遥操作机器人系统稳定运行的问题,采用RBF神经网络对网络实测时延进行预测,取得较好的预测效果。结合Smith预估控制,提出了一种基于网络实测时延的遥操作机器人系统神经网络预测控制新方法,仿真实验结果表明了该方案的有效性和鲁棒性。     

基于RBF神经网络补偿的动力定位PD控制

动力定位控制系统在实际工况中会受到外部风、浪、流等环境力的扰动,本文主要研究PD+RBF控制算法以提高动力定位系统的抗干扰性和稳定性.RBF神经网络用来补偿外界环境扰动,其权值自适应律通过Lyapunov稳定性证明得到,通过稳定性的分析能够保证整个系统全局渐进稳定.在一艘平台供应船的仿真结果对比中显示了所提出控制器的有效性.     

基于强化学习的自主式水下潜器障碍规避技术（英文）

Obstacle avoidance becomes a very challenging task for an autonomous underwater vehicle(AUV) in an unknown underwater environment during exploration process. Successful control in such case may be achieved using the model-based classical control techniques like PID and MPC but it required an accurate mathematical model of AUV and may fail due to parametric uncertainties, disturbance, or plant model mismatch. On the other hand, model-free reinforcement learning(RL) algorithm can be designed using actual behavior of AUV plant in an unknown environment and the learned control may not get affected by model uncertainties like a classical control approach. Unlike model-based control model-free RL based controller does not require to manually tune controller with the changing environment. A standard RL based one-step Q-learning based control can be utilized for obstacle avoidance but it has tendency to explore all possible actions at given state which may increase number of collision.Hence a modified Q-learning based control approach is proposed to deal with these problems in unknown environment.Furthermore, function approximation is utilized using neural network(NN) to overcome the continuous states and large statespace problems which arise in RL-based controller design. The proposed modified Q-learning algorithm is validated using MATLAB simulations by comparing it with standard Q-learning algorithm for single obstacle avoidance. Also, the same algorithm is utilized to deal with multiple obstacle avoidance problems.