专利名称：一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法
技术领域：
本发明涉及欠驱动自主水下航行器的控制技术领域。
背景技术：
海底地形的勘探和测绘对深海资源的开发有着重要的意义，欠驱动自主水下航行器AUV (Autonomous Underwater Vehicle)具有良好的机动性和续航能力，在海底地形、地貌的测绘中扮演着重要的角色，由于欠驱动自主水下航行器AUV的执行机构通常配置为尾部轴向推进器、尾部方向舵和尾部升降舵，在垂向方向上无直接驱动机构(如推进器)，仅通过尾部升降舵在自主水下航行器AUV具有一定的航速下产生的附加力和力矩能够实现深度控制，在地形测绘时自主水下航行器AUV携带的多波束侧扫声纳传感器对距海底的高度有一定要求，这就使得欠驱动自主水下航行器AUV的变深航行控制研究更具有实际意义。同时随着自主水下航行器AUV的工作深度的增加，复杂的海洋环境和外界海流的干扰对自主水下航行器AUV的深度控制器设计提出了更高的要求。目前，国内外对于欠驱动自主水下航行器AUV变深控制的研究大多采用基于线性模型的控制方法，例如滑模控制、增益调度、最优控制，根据不同的工作点对模型进行线性化处理，设计一系列的控制器，仅能保证在工作点邻域内系统的局部稳定性，同时由于忽略模型不确定性的存在，因此无法保证系统的全局渐近稳定性。由于自主水下航行器AUV 的数学模型无法精确获得，汪伟等在文献《AUV深度的模糊神经网络滑模控制》(机器人， 2003，第25卷第3期)中提出利用模糊神经网络对滑模控制器的增益进行在线调整。唐旭东等在文献《一种水下机器人运动的过程神经元控制》(控制理论与应用，2009，第沈卷第 4期)中针对水下机器人受到时变的非线性流体动力和海流的干扰作用，提出了基于S模型的过程神经元控制方法，以上方法由于采用梯度法设计自适应规律，因此无法保证参数收敛速度和系统的全局稳定性。为了实现对模型中的不确定非线性项进行在线补偿，俞建成等分别在文献《水下机器人的神经网络自适应控制》(控制理论与应用，2008，第25卷第 1期)和《基于模糊神经网络水下机器人直接自适应控制》(自动化学报，2007，第33卷第8 期)中提出了神经网络直接自适应控制方法和基于模糊神经网络的自适应控制方法，结合李亚普诺夫稳定性理论证明了存在有界扰动和逼近误差条件下，系统的一致最终有界。以上方法不足之处为均要假设估计误差或不确定性的上界为已知的常值，导致控制器产生不必要的增益较高的控制信号。为实现对模型中不确定性的在线估计，优化控制器输出信号， Li 等在文献〈〈A neural network adaptive controller design for free-pitch-angle diving behavior of an autonomous underwater vehicle》 (Robotics and Autonomous Systems, 2005，第52卷第2期)中提出了基于神经网络的自适应深度控制方法，利用神经网络对非线性函数的逼近特性，能够实现对有界扰动和未建模动态进行在线补偿，但由于采用传统的反步法设计控制器，导致迭代过程中存在虚拟控制量的高阶导数，使得控制器形式过于复杂。以上提出的深度控制器均未讨论不同初始纵倾角下的深度控制效果，无法满足实际工程中的多工况应用需求。目前已经受专利保护或已提出申请的欠驱动自主水下航行器的控制方法，如中国专利局在2006年1月11日公开的(申请号200510010117.9) “浮游式水下机器人运动的S面控制方法”，为针对一类具有六个自由度的全驱动遥控式水下机器人的S面控制方法，不同于本发明方法针对欠驱动自主水下航行器的设计目的；已申请的(申请号 201010173012. 6) “无人潜航器垂直面欠驱动运动控制方法”为基于自适应神经模糊推理系统的自抗扰控制方法，虽然采用神经模糊推理系统对模型的不确定性进行在线辨识，但是由于采用梯度法对参数进行估计，无法保证参数的全局收敛性和系统的渐进稳定性，且本发明的控制方法的选取与其存在极大不同，使得本发明更加符合工程应用。
发明内容
本发明设计了一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法。本发明所述的变深控制方法的过程为步骤1.通过压力传感器采集压力信息，并根据该压力信息计算获得对应的自主水下航行器AUV所在的深度；步骤2.建立欠驱动自主水下航行器AUV的数学模型和鲁棒变深控制器模型；根据海流环境以及AUV水动力参数，建立欠驱动自主水下航行器AUV的数学模型， 采用基于反馈增益的反步法设计鲁棒变深控制器模型；步骤3.获得基于神经网络权重的在线学习算法和自适应鲁棒控制器参数的自适应规律，对步骤2获得的数学模型中存在的不确定性进行在线识别及误差估计，并给予补偿、优化最终控制器的输出信号，然后采用该控制器实现欠驱动自主水下航行器AUV的变深控制。步骤3的具体过程为首先，对获得的欠驱动自主水下航行器AUV的数学模型中存在的不确定性进行在线辨识，并通过反馈回路对不确定性进行补偿，通过李亚普诺夫稳定性理论设计神经网络权重的学习律，保证参数具有李亚普诺夫意义下的全局收敛性；所述不确定性包含未建模动态和由于海流作用引起的参数不确定性。然后，针对欠驱动自主水下航行器AUV的数学模型，设计自适应鲁棒控制器模型对神经网络的估计误差进行在线估计，并通过反馈回路予以补偿，优化最终控制器的输出信号，所述最终控制器的表达形式为Ss = -kxq-k20-k3ze -JnqClC2U ηθ + ΨτΦ{χ) + εtanhjj(43)式中δ s表示自主水下航行器AUV的水平升降舵舵角，单位是弧度，q表示自主水下航行器AUV的纵倾角速度，qe表示纵倾角速度误差，θ表示自主水下航行器AUV的纵倾角，％表示跟踪误差，1^表示舵效系数，旁表示神经网络权值的估计值，Φ U)为径向基神经网络的高斯基函数， 表示神经网络逼近误差的估计值，ο为常数，u表示自主水下航行器 AUV的纵向速度。通过李亚普诺夫稳定性理论设计估计误差的自适应律，保证系统闭环信号的一致渐进有界。
本发明所述的方法利用自主水下航行器搭载的多波束测距声纳和压力传感器的测量数据，设计的一种欠驱动航行器的变深控制方法，进而实现对海底地形的定高跟踪。本发明相对现有技术具有如下的优点及效果1.基于反馈增益的反步法设计变深控制器，避免了采用传统反步法的思想设计变深控制器时，由于存在虚拟控制量的高阶导数导致控制器形式更为复杂的情况，且变深控制器具有相似于PID控制器的形式，参数调节易于工程应用。2.设计神经网络控制器和自适应鲁棒控制器能够实现对模型存在的不确定性进行在线辨识，并通过反馈控制回路予以补偿，基于利亚普诺夫稳定性理论设计神经网络的学习律和估计误差的自适应律，能够保证参数的全局收敛性，使得控制器具有在线补偿由于海洋环境作用引起的模型参数不确定性的能力。3.能够实现在不同初始纵倾角条件和深度幅值下的变深控制，满足实际工程中的多工况应用需求。
图1是本发明欠驱动自主水下航行器AUV的变深控制器框图。图2 5是采用本发明方法，分别在三种控制器参数条件下在不同初始条件下的控制效果图。其中，图2是采用表1中的第二组控制器参数下、分别在三种初始条件下的深度跟踪曲线图，图3是与图2对应的跟踪误差曲线图，图4是与图2对应的控制力矩变化曲线图。图5是与图2对应的在深度跟踪过程中AUV各状态变量的变化曲线图。图6至9是分别采用PID控制方法和本发明的方法进行深度跟踪控制过程中的各种参数对比图，其中，本发明的方法是分别在表1所述的三种控制参数的情况下获得的三种情况，图6是变深控制响应曲线图，图7是跟踪误差曲线图，图8是控制力矩变化曲线图， 图9是AUV变深控制各状态变量变化曲线图。图10至13是在扰动作用下，分别采用PID控制和本发明的控制方法实现深度跟踪过程中的各参数的对比图，其中，本发明的方法是分别采用表1中所述的三种控制参数实现的深度跟踪，图10是深度跟踪曲线图，图11是深度跟踪误差曲线图，图12为控制力矩曲线图，图13为各状态变量曲线图。
具体实施例方式具体实施方式
一本实施方式所述的一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法的过程为步骤1.通过压力传感器采集压力信息，并根据该压力信息计算获得对应的自主水下航行器AUV所在的深度；步骤2.建立欠驱动自主水下航行器AUV的数学模型和鲁棒变深控制器模型；根据海流环境以及AUV水动力参数，建立欠驱动自主水下航行器AUV的数学模型， 采用基于反馈增益的反步法设计鲁棒变深控制器模型；步骤3.获得基于神经网络权重的在线学习算法和自适应鲁棒控制器参数的自适应规律，对步骤2获得的数学模型中存在的不确定性进行在线识别及误差估计，并给予补偿、优化最终控制器的输出信号，然后采用该控制器实现欠驱动自主水下航行器AUV的变深控制。本实施方式中的步骤3的具体过程为首先，对获得的欠驱动自主水下航行器AUV的数学模型中存在的不确定性进行在线辨识，并通过反馈回路对不确定性进行补偿，通过李亚普诺夫稳定性理论设计神经网络权重的学习律，保证参数具有李亚普诺夫意义下的全局收敛性；所述不确定性包含未建模动态和由于海流作用引起的参数不确定性。然后，针对欠驱动自主水下航行器AUV的数学模型，设计自适应鲁棒控制器模型对神经网络的估计误差进行在线估计，并通过反馈回路予以补偿，优化最终控制器的输出信号，所述最终控制器的表达形式为
权利要求
1.一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法，其特征在于，该方法的过程为步骤1.通过压力传感器采集压力信息，并根据该压力信息计算获得对应的自主水下航行器AUV所在的深度；步骤2.建立欠驱动自主水下航行器AUV的数学模型和鲁棒变深控制器模型； 根据海流环境以及AUV水动力参数，建立欠驱动自主水下航行器AUV的数学模型，采用基于反馈增益的反步法设计鲁棒变深控制器模型；步骤3.获得基于神经网络权重的在线学习算法和自适应鲁棒控制器参数的自适应规律，对步骤2获得的数学模型中存在的不确定性进行在线识别及误差估计，并给予补偿、 优化最终控制器的输出信号，然后采用该控制器实现欠驱动自主水下航行器AUV的变深控制。
2.根据权利要求1所述的一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法，其特征在于，步骤3的具体过程为首先，对获得的欠驱动自主水下航行器AUV的数学模型中存在的不确定性进行在线辨识，并通过反馈回路对不确定性进行补偿，通过李亚普诺夫稳定性理论设计神经网络权重的学习律，保证参数具有李亚普诺夫意义下的全局收敛性；所述不确定性包含未建模动态和由于海流作用引起的参数不确定性；然后，针对欠驱动自主水下航行器AUV的数学模型，设计自适应鲁棒控制器模型对神经网络的估计误差进行在线估计，并通过反馈回路予以补偿，优化最终控制器的输出信号， 所述最终控制器的表达形式为
3.根据权利要求1所述的一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法，其特征在于，步骤2中，建立欠驱动自主水下航行器AUV的数学模型的过程为忽略横摇运动对垂直面运动的影响，得到简化的垂直面运动方程，设自主水下航行器 AUV纵向速度由推力系统单独控制保持在稳定航速ud，则自主水下航行器AUV的数学模型的动力学微分方程为
4.根据权利要求1所述的一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法，其特征在于，步骤O)中所述的基于反馈增益的反步法设计鲁棒变深控制器模型的方法的具体过程为 选取如下坐标变换
5.根据欠驱动AUV的数学模型(1)和跟踪误差方程(5)，获得设计控制规律为式(42)，神经网络权重的在线学习算法和自适应鲁棒控制器参数的自适应律为式(3 和式(33)，则能够保证闭环系统的所有信号及状态一致最终有界，且收敛到原点附近极小的邻域内， 将式07)中的中间变量替换为初始的状态变量得到最终的控制器形式
全文摘要
一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法，涉及欠驱动自主水下航行器的控制技术领域。所述的变深控制方法为首先通过压力传感器采集压力信息，并根据该压力信息计算获得对应的自主水下航行器AUV所在的深度；然后建立欠驱动自主水下航行器AUV的数学模型和鲁棒变深控制器模型，根据海流环境以及AUV水动力参数建立欠驱动自主水下航行器AUV的数学模型，采用基于反馈增益的反步法设计鲁棒变深控制器模型；最后获得基于神经网络权重的在线学习算法和自适应鲁棒控制器参数的自适应规律，对获得的数学模型中存在的不确定性进行在线识别及误差估计，并给予补偿、优化最终控制器的输出信号，然后采用该控制器实现欠驱动自主水下航行器AUV的变深控制。
文档编号G05B13/04GK102385316SQ20111027593
公开日2012年3月21日 申请日期2011年9月16日 优先权日2011年9月16日
发明者李娟 , 王宏健, 边信黔, 陈兴华, 陈子印 申请人:哈尔滨工程大学