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
【技术领域】
[0001] 本发明涉及欠驱动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。
【背景技术】
[0002] 无人水下航行器(Unmanned Underwater Vehicle,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。
[0003] 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。
[0004] 2014年 5 月Proceedings of the Institution of Mechanical Engineers Part M: Journal of Engineering for the Maritime Environment第228卷中的 "Model predictive control of a hybrid autonomous underwater vehicle with experimental verification"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，本发明引入人工蜂群优 化算法可以有效的处理较为复杂的约束条件。
【发明内容】
[0005] 本发明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。
[0006] 上述的发明目的是通过以下技术方案实现的：
[0007] 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；
[0008] 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：
[0009] HAU(k) < γ
[0010] 其中，八1]为水平舵控制输入增量序列;!1=[1^-1^瓦了-瓦叩，丫=[丫1丫2]丁；
[0011] γ Η Τ γ i Ε γ 2为中间矩阵；7K平舵特性包括死区特性和饱和特性；
[0012] 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：
[0013]
[0014] 式中，J(AU(k)) = AU(k)THAU(k)-G(k+l |k)TAU(k)，h(AU(k))=HAU(k)-y ;J (·)为反映 Λ U ( k )的性能指标，h ( ·)为描述函数，G ( ·)为中间变量， G(^ + !|A) = 2X；r：.r.A；(A + l|/t)：
[0015] 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=[AS s(k)，ASs(k+l)，~，ASs(k+m-l)]%UUV水平舵角 控制输入增量序列AU(k);其中，AS s(k+m-l)为第k+m-1步水平舵角的增量，m为控制时域；
[0016] 步骤五、在求解出蜜源最终全局最优解Xbest后，令AU(k)=XbestT，然后取优化解序 列AU(k)的第一个分量，并加上k-Ι时刻的控制输入作为k时刻的控制输入：
[0017]
[0018] 步骤六、在k时刻的控制输ASs(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。
[0019]发明效果
[0020] 本发明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。本发明首先将欠驱动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。 本发明能够为欠驱动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。
[0021] 本发明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】
[0022] 图1为【具体实施方式】一提出的UUV的垂直面建模图；
[0023] 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；
[0024] 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；
[0025] 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；
[0026]图4(b)为【具体实施方式】一提出的UUV纵倾角的曲线图；
[0027] 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；
[0028] 图5(b)为【具体实施方式】一提出的UUV垂向速度的曲线图；
[0029] 图6(a)为【具体实施方式】一提出的UUV水平舵角曲线图。
[0030] 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。
【具体实施方式】
[0031]【具体实施方式】一：本实施方式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，具体是按照以下步骤制备的：
[0032]附图2和附图3分别给出了基于人工蜂群优化的模型预测的欠驱动UUV深度控制的 流程图和控制框图；
[0033]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；
[0034] 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：
[0035] HAU(k) < γ
[0036] 其中，AU为水平舵控制输入增量序列;Η=[Ττ -Ττ Ετ -Ετ]τ，γ=[γι γ2]τ;
[0037] γ Η Τ γ ! Ε γ 2为中间矩阵;7Κ平舵特性包括死区特性和饱和特性；
[0038]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：
[0039]
[0040] 式中，J(AU(k)) = AU(k)THAU(k)-G(k+l |k)TAU(k)，h(AU(k))=HAU(k)-y ;J (·)为反映 Λ U ( k )的性能指标，h ( ·)为描述函数，G ( ·)为中间变量， G{k+l\k) = 2 (k + \\k)；
[00411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=[ASs(k)，ASs(k+l)，~，AS s(k+m-l)]%UUV水平舵角 控制输入增量序列AU(k);其中，ASs(k+m-l)为第k+m-1步水平舵角的增量，m为控制时域； [0042]步骤五、在求解出蜜源最终全局最优解a est后，令AU(k)=XbestT，然后取优化解序 列AU(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：
[0043] Δ《⑷= [々Χ"Β 0 …0]Δ〔，⑷
[0044] 5s(k) = A5s(k)+5s(k-l)
[0045] 但只取控制输入序列的第一个分量ASs(k)作用于系统；
[0046]步骤六、在k时刻的控制输入33(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；
[0047] 仿真分析：
[0048] 结合图4(a)~图6(b)仿真结果，从图4(a)和图4(b)可以看出：在m-定时，随着p的 增大，超调量明显减小，但响应的时间变慢了；在一定时，随着m的增大，同样，有超调量量减 小，响应时间变缓，但伴随着震荡加剧;可以看出，不管是P还是m增大了，在一定程度上都会 提高控制效果，但由于P和m的增大，将会增大QP问题求解的计算量，这将使响应变得迟缓； 从图5(a)和图5(b)可以看出，随着m和p的增大，纵倾角角速度和垂向速度的超调量都有所 降低，但伴有震荡加剧特点;从图6(a)和图6(b)中可以看出，水平舵在±30°之间变化，同时 对每一拍的水平舵角增量可以进行严格控制，这里限制为每拍±20°之间，可以避免舵角大 范围变动，同样随着P和m的增大，水平舵的舵角和舵角增量震荡加剧;在实际工程应用中， 对于不同的作业要求