基于神经网络的无人无缆水下机器人运动建模与控制技术研究

对自主型水下机器人（ＡＵＶ）神经网络运动模型的结构进行了理论分析和探讨,提出了非完全回归型神经网络、增加积分层的输出层结构及相应的分步式学习方法。对ＡＵＶ运动过程中目标运动路径和目标运动速度的同时跟踪控制进行了系统研究。提出了由主控网络和伴随网络构成的神经网络控制器结构,给出了通过计算机模拟来生成教师样本的方法,提出了预测控制的思想。计算机仿真及水下机器人“Ｔｗｉｎ－Ｂｕｒｇｅｒ”的水池实验结果验证了本文所提出的建模方法和跟踪控制方法的有效性和可行性。     

局部回归神经网络在水下机器人运动控制中的应用

探讨了水下机器人神经网络运动模型的结构,提出了带有局部回归结构的水下机器人神经网络控制器结构及预测控制的实现方法,给出了该神经网络的教师样本生成方法及学习方法,计算机仿真与水池实验结果验证了本文提出方法的有效性和可行性。     

基于神经网络的水下机器人推进器故障诊断

为提高水下机器人系统的总体可靠性,开展了推进器故障诊断研究。在三层BP神经网络的基础上,提出了一种改进的递归神经网络并推导了网络的训练算法。利用直航、转艏等试验对网络进行训练,将训练好的网络用于水下机器人运动建模,对比模型的输出与实际传感器测量值来获取残差,通过分析残差特性来提取故障诊断判据,进而进行推进器故障诊断。将提出的方法应用到仿真试验和海上试验中,得出了相应的试验结果。通过对试验结果的分析研究,验证了方法的有效性与可行性,同时也表明该方法在工程应用方面具有一定的参考意义。     

基于模糊神经网络的水下机器人推进系统故障诊断

为了解决水下机器人推进系统运行可靠性问题，提出一种基于模糊神经网络的机器人推进系统故障诊断方法，用以解决故障诊断过程中信息的不确定性问题，并提高推进系统的整体可靠性。该方法在常规神经网络基础上，引入模糊推理形成一种新型模糊神经网络结构，提出一种最小调整的模糊神经网络学习率，完成模糊神经网络训练算法的推导。通过对水下机器人实施定速直航与转向等试验完成神经网络的在线训练，利用已完成训练的神经网络对机器人进行运动建模。通过比对神经网络模型估计值与机器人传感器的实测值获取残差信息，并对残差进行故障信息提取以实现故障诊断。将上述方法应用于仿真试验中，结果表明，基于模糊神经网络水下机器人推进系统故障诊断方法具有较高的可行性和有效性。     

基于目标规划的水下机器人模糊神经网络控制

针对水下机器人运动的精确控制问题,依据模糊逻辑和神经网络理论,提出了一种基于目标规划的模糊神经网络控制方法。根据水下机器人的运动特性构造了模糊神经网络的结构,并推导了网络权值学习的反传算法,最后以水下综合探测机器人为研究对象进行了试验研究。试验研究的结果表明,该方法结合了传统模糊控制和神经网络控制的优点,大大地提高了系统响应速度和控制精度,并且对模型的不确定性有较强的鲁棒性,能够实现水下机器人运动的精确控制,具有较高的理论和实用价值。     

基于小波网络的水下机器人故障诊断研究

由于水下机器人系统的复杂性、不确定性及强非线性等使得对其建模异常困难,采用一种最小调整的小波神经网络对其进行运动建模以获得理想的建模效果.通过该网络的自学习,调节小波函数的伸缩因子与平移因子以及网络连接权值,既能以任意精度逼近函数的整体轮廓,也能捕捉函数的变化细节,使得函数的逼近效果较好.对比模型的输出与实际传感器测量值来生成残差,通过分析残差特性来提取故障诊断判据,进而完成推进器故障诊断.完成了推进器故障诊断的仿真试验,仿真结果验证了该方法的有效性和可行性.     

船用固体氧化物燃料电池电堆建模与仿真

由于船用固体氧化物燃料电池复杂的内部环境不利于对其直接建模,针对船舶设备负载变化导致燃料利用率变化,提出利用径向基函数神经网络的"基"函数.结合宽度学习网络结构和恒燃料利用率控制策略,构造了一种识别恒燃料利用率的固体氧化物燃料电池电堆特性的新方法.根据恒燃料利用率控制策略经研究获得电池的输入输出数据组;在输入输出数据组的基础上,利用Lipschitz商准则确定非线性模型的最佳输入变量阶数;利用粒子群优化算法来估算基于径向基函数宽度学习网络参数,包括增强层参数、增强层和输入层到输出层参数.该方法得到的辨识结果精度高且计算量小.试验结果验证了该方法的准确性和有效性.     

基于神经网络的水下机器人运动预测控制方法

将神经网络和模糊理论应用于水下机器人运动规划和控制中,提出了能实现模拟控制规则的基于强化学习的自学习和自调整的规划算法,设计了水下机器人实时运动规划器结构以及规划器操作过程,提出了基于预测模糊控制进行水下机器人运动控制的方法。在计算机仿真状态下,实现了对水下机器人这一复杂非线性系统的预测控制,仿真实验结果验证了本文所提的方法的有效性。     

基于广义最小二乘法的ROV水下机器人模型在线参数辨识

以水下机器人俯仰操纵响应模型为研究对象,并由小型特种水下机器人实时采集纵向变电机速度、前推电机1速度、前进电机2速度、侧推电机速度和俯仰角等试验数据,通过对这些试验数据进行分析,采用基于ARX模型的广义最小二乘法对一种变桨机构的ROV水下机器人运动模型进行在线辨识建模.将水下机器人航向角实时预报结果与试验数据进行比较,结果表明,辨识得到的水下机器人运动模型具有良好的泛化性能,可为后续ROV水下机器人的航向控制器优化提供参考.     

球形水下机器人滚进特性试验与动力学建模分析北大核心CSCD

[目的]为了探究球形水下机器人的滚进运动规律,以及质量分布对其运动的影响,对其机械机构进行创新设计及分析。[方法]首先,依据牛顿-欧拉方法建立球形机器人的滚进动力学模型;然后,通过地面滚进试验和水下滚进动力学理论研究,分析机器人的质量分配对滚进运动产生的影响;最后,通过搭建仿真环境和虚拟样机,对球形水下机器人在水下和陆地的滚进动力学进行对比分析。[结果]结果表明,当内置小车以恒定角速度输出时,该球形机器人的运动位移呈波动变化且驱动小车在球壳内的摆角也成周期性变化规律;当增加驱动配重时,小车摆角的周期和幅值均相应变小,球形水下机器人的运动更为稳定。[结论]所做研究可为球形水下机器人的设计优化提供指导。     

高阶CMAC神经网络及其在水下机器人运动控制中的应用

对高阶ＣＭＡＣ神经网络的结构和工作原理进行了研究,提出了中间层作用函数地址的计算方法,给出了计算高阶基函数的不同方法,利用高阶ＭＣＡＣ神经网络对水下机器人模糊深度控制器进行了学习,仿真结果显示了不同高阶基函数ＭＣＡＣ网络的不同建模能力,证明了中间层作用函数地址的计算方法正确。     

AUV fuzzy neural BDI

The typical BDI （belief desire intention） model of agent is not efficiently computable and the strict logic expression is not easily applicable to the AUV （autonomous underwater vehicle） domain with uncertainties. In this paper, an AUV fuzzy neural BDI model is proposed. The model is a fuzzy neural network composed of five layers ： input （ beliefs and desires）, fuzzification, commitment, fuzzy intention, and defuzzification layer. In the model, the fuzzy commitment rules and neural network are combined to form intentions from beliefs and desires. The model is demonstrated by solving PEG （pursuit-evasion game） , and the simulation result is satisfactory.     

人工神经网络控制器在水下无人运载器导航中的应用

本文以水下无人运载器（AUV）绕平面圆周航行的速度、位置控制为例，推广到任何轨迹的控制问题。利用神经网络学习AUV运行的内在规律，预测未来一步的运行情况，并用改良的PID方式前馈与后馈相结合控制其执行机构。系统学习、预测及PID各增益量利用GESA（GuidedEvolutionarySimulatedAnnealing）全局优化方法求得。本方法具有自适应性、强非线性及前馈控制等特点，优于其它一般的控制器。     

Black-box modeling of ship manoeuvring motion based on feed-forward neural network with Chebyshev orthogonal basis function

Based on polynomial interpolation and approximation theory, a novel feed-forward neural network, the feed-forward neural network with Chebyshev orthogonal basis function, is proposed for black-box modeling of ship manoeuvring motion. The neural model adopts a three-layer structure, in which the hidden layer neurons are activated by a group of Chebyshev orthogonal polynomial activation functions and the other two layers’ neurons use identity mapping as activation functions. Weight update formulas are derived by employing the standard back-propagation (BP) training method. With the simulated 15º/15º zigzag test data as input and calculated values of the hydrodynamic forces and moment as output, the feed-forward neural network with Chebyshev orthogonal basis function and the BP neural network are applied to identify the nonlinear functions in the nonlinear hydrodynamic model of ship manoeuvring motion. With the simulated 20º/20º zigzag test data and 35º turning test data as input, the hydrodynamic forces and moment are predicted by using the identified nonlinear functions. Comparison between the calculated and predicted hydrodynamic forces and moment shows that the feed-forward neural network with Chebyshev orthogonal basis function is superior to the BP neural network in identifying the nonlinear functions of the nonlinear hydrodynamic model of ship manoeuvring motion and is an effective method to conduct the black-box modeling of ship manoeuvring motion.     

水下潜器改进S面控制及控制系统仿真(英文)

S surface controllers have been proven to provide effective motion control for an autonomous underwater vehicle (AUV). However, it is difficult to adjust their control parameters manually. Choosing the optimum parameters for the controller of a particular AUV is a significant challenge. To automate the process, a modified particle swarm optimization (MPSO) algorithm was proposed. It was based on immune theory, and used a nonlinear regression strategy for inertia weight to optimize AUV control parameters. A semi-physical simulation system for the AUV was developed as a platform to verify the proposed control method, and its structure was considered. The simulation results indicated that the semi-physical simulation platform was helpful, the optimization algorithm has good local and global searching abilities, and the method can be reliably used for an AUV.     

多约束模型预测控制在AUV深度控制中的应用

针对AUV深度控制,提出深度偏差转换为指令纵倾的算法,基于拉盖尔网络逼近的模型预测控制理论,设计了舵角舵速硬约束和纵倾软约束条件下的纵倾运动模型预测控制器。仿真结果表明,该控制方法具有良好的动态控制性能,并可快速处理多种约束条件的二次规划问题。     

微小型潜器空间运动建模与仿真(英文)

对自主式潜器空间运动进行精确建模和仿真对研究其操纵和控制特性有重要意义,本文以开发的"MAUV-Ⅱ"微小型潜器为对象,基于动量定理和动量矩定理建立了潜器空间运动的非线性数学模型,将潜器受力分解为各个模块并表达为矩阵形式.在运动非线性数学模型的基础上,结合虚拟现实技术建立了运动仿真系统,针对所研究潜器的特点,采用S面控制方法对此"MAUV-Ⅱ"水下运动的艏向控制和深度控制进行了仿真研究,同时进行了基于目标规划的长距离航行仿真试验.仿真结果反映了潜器具有较好的空间操纵性能,也验证了控制软件的可行性和可靠性.     

Expert S-surface control for autonomous underwater vehicles

S-surface control has proven to be an effective means for motion control of underwater autonomous vehicles （AUV）. However there are still problems maintaining steady precision of course due to the constant need to adjust parameters, especially where there are disturbing currents. Thus an intelligent integral was introduced to improve precision. An expert S-surface control was developed to tune the parameters on-line, based on the expert system, it provides S-surface control according to practical experience and control knowledge. To prevent control output over-compensation, a fuzzy neural network was included to adjust the production rules to the knowledge base. Experiments were conducted on an AUV simulation platform, and the results show that the expert S-surface controller performs better than an S-surface controller in environments with currents, producing good steady precision of course in a robust way.