基于RBF神经网络补偿的船舶动力定位滑模控制系统及方法与流程

本发明涉及一种船舶动力定位滑模控制系统，本发明也涉及一种船舶动力定位滑模控制方法。

背景技术：

海上石油和天然气等海洋资源的开采为船舶动力定位的发展开启了新纪元，配备动力定位控制系统的船舶数目从最初的几艘到目前的几千艘甚至更多，充分显示了动力定位控制系统广阔的应用前景。动力定位控制系统广泛应用在海上石油开发、钻取岩心、海底采矿、铺缆、铺管、潜水支援、海上消防等作业中。动力定位系统是指仅通过自身推进器或螺旋桨产生的推力来保持船舶的位置和艏向。在船舶动力定位运动控制中，由于水动力参数等因素引起的模型不确定项、数学模型中的未建模动态项和慢变环境干扰等影响船舶运动的控制效果，并且由于推进器等执行机构的限幅问题使得控制系统输入受限，因此，针对这些问题进行研究具有一定的实际意义。

中国专利cn103760900a提出了一种考虑控制输入约束的船舶运动控制系统，该专利利用滤波反步法与自适应神经网络相结合对船舶运动进行控制，解决了控制过程中的输入约束问题与船舶模型未知非线性问题。与该方法不同的是，本发明主要针对执行机构饱和情况下船舶运动中模型不确定、未建模动态项和环境干扰问题进行研究。

中国专利cn105867382a提出了一种基于等效干扰补偿的船舶动力定位控制系统，该专利将外界环境干扰、内部系统不确定项和干扰项等效成一个状态变量对船舶运动的三个自由度分别设计扩张状态观测器，提高了控制系统的抗干扰能力。与该方法不同的是，本发明除了对船舶运动中模型不确定、未建模动态项和环境干扰问题进行研究，还对控制系统中由于推进器、螺旋桨等执行机构引起的饱和问题进行研究。

技术实现要素：

本发明的目的在于提供一种抗干扰能力好、定位精度高且在执行机构输入受限情况下能够达到较好控制效果的基于rbf神经网络补偿的船舶动力定位滑模控制系统。本发明的目的还在于提供一种基于rbf神经网络补偿的船舶动力定位滑模控制方法。

本发明的基于rbf神经网络补偿的船舶动力定位滑模控制系统，包括显控计算机1，导引系统2，扩张状态观测器3，滑模控制器4，rbf神经网络补偿器5，执行机构6，动力定位船舶7，传感器系统8；其特征是：传感器系统8实时采集动力定位船舶7的位置和角度信息，简称位姿信息η，并将采集到的位姿信息传递给显控计算机1和扩张状态观测器3；显控计算机1实时显示船舶的实际位姿信号并将期望位姿阶跃信号ηd0传递给导引系统2；导引系统2对期望位姿阶跃信号进行平滑处理，得到连续的期望位姿信息ηd和其一阶、二阶导数并传递给滑模控制器4；扩张状态观测器3将船舶运动中的未建模动态、模型不确定项和环境干扰扩张成一个扩张状态向量d，并对位姿信息和扩张状态向量进行估计，得到扩张状态向量估计值位姿信息估计值及其一阶、二阶导数并传递给滑模控制器4；rbf神经网络补偿器5针对控制输入饱和下的控制量误差δ进行rbf逼近，得到控制量补偿误差并传递给滑模控制器4；滑模控制器4针对期望位姿信息和其一阶、二阶导数ηd,位姿信息估计值及其一阶、二阶导数和扩张状态向量估计值控制输入饱和下的控制量误差估计进行滑模控制，得到执行机构6在输入饱和条件下的控制量τ；执行机构6根据滑模控制器4输出的控制量τ对动力定位船舶7进行控制，使得船舶运动到期望位姿状态。

本发明的基于rbf神经网络补偿的船舶动力定位滑模控制方法为：

(1)传感器系统8实时采集动力定位船舶7的位置和角度信息，简称位姿信息η，并将采集到的位姿信息传递给显控计算机1和扩张状态观测器3；

(2)显控计算机1实时显示船舶的实际位姿信号并将期望位姿阶跃信号ηd0传递给导引系统2；

(3)导引系统2对期望位姿阶跃信号进行平滑处理，得到连续的期望位姿信息ηd和其一阶、二阶导数并传递给滑模控制器4；

(4)扩张状态观测器3将船舶运动中的未建模动态、模型不确定项和环境干扰扩张成一个扩张状态向量d，并对位姿信息和扩张状态向量进行估计，得到扩张状态向量估计值位姿信息估计值及其一阶、二阶导数并传递给滑模控制器4；

(5)rbf神经网络补偿器5针对控制输入饱和下的控制量误差δ进行rbf逼近，得到控制量补偿误差并传递给滑模控制器4；

(6)滑模控制器4针对期望位姿信息和其一阶、二阶导数ηd,位姿信息估计值及其一阶、二阶导数和扩张状态向量估计值控制输入饱和下的控制量误差估计进行滑模控制，得到执行机构6在输入饱和条件下的控制量τ；

(7)执行机构6根据滑模控制器4输出的控制量τ对动力定位船舶7进行控制，使得船舶运动到期望位姿状态。

本发明可提高船舶动力定位系统的抗干扰能力和定位精度，在推进器、螺旋桨等执行机构输入受限情况下能够达到较好的控制效果。

附图说明

图1是基于rbf神经网络补偿的船舶动力定位滑模控制系统总体结构图；

图2是动力定位船舶在未考虑控制输入饱和下的运动曲线；

图3是动力定位船舶在考虑控制输入饱和下的运动曲线；

图4是动力定位船舶纵向控制力曲线；

图5是动力定位船舶横向控制力曲线；

图6是动力定位船舶艏向控制力矩曲线。

具体实施方式

下面结合附图对本发明进行更详细描述。

本发明的基于rbf神经网络补偿的船舶动力定位滑模控制系统，包括显控计算机1，导引系统2，扩张状态观测器3，滑模控制器4，rbf神经网络补偿器5，执行机构6，动力定位船舶7，传感器系统8。传感器系统8实时采集动力定位船舶7的位置和角度信息，简称位姿信息η，并将采集到的位姿信息传递给显控计算机1和扩张状态观测器3；显控计算机1实时显示船舶的实际位姿信号并将期望位姿阶跃信号ηd0传递给导引系统2；导引系统2对期望位姿阶跃信号进行平滑处理，得到连续的期望位姿信息ηd和其一阶、二阶导数并传递给滑模控制器4；扩张状态观测器3将船舶运动中的未建模动态、模型不确定项和环境干扰扩张成一个扩张状态向量d，并对位姿信息和扩张状态向量进行估计，得到扩张状态向量估计值位姿信息估计值及其一阶、二阶导数并传递给滑模控制器4；rbf神经网络补偿器5针对控制输入饱和下的控制量误差δ进行rbf逼近，得到控制量补偿误差并传递给滑模控制器4；滑模控制器4针对期望位姿信息和其一阶、二阶导数ηd,位姿信息估计值及其一阶、二阶导数和扩张状态向量估计值控制输入饱和下的控制量误差估计进行滑模控制，得到执行机构6在输入饱和条件下的控制量τ；执行机构6根据滑模控制器4输出的控制量τ对动力定位船舶7进行控制，使得船舶运动到期望位姿状态。

下面对本发明的基于rbf神经网络补偿的船舶动力定位滑模控制方法做更详细的说明：

船舶三自由度(纵荡、横荡、艏摇)低频运动模型为：

其中，为船舶在惯性坐标系下的位置和姿态向量(x,y为船舶横向和纵向位置，ψ为船舶艏向角)，为船舶在惯性系下位姿信息的一阶导数，为船舶在附体坐标系下的位姿向量(u,v为船舶横向和纵向速度，r为船舶艏向角速度)，为船舶质量矩阵，d(υ)＞03×3,d(υ)＝d^τ(υ)为阻尼系数矩阵，为科里奥利和中心力矩阵，为控制力和力矩向量，为由慢变环境干扰和未建模动态产生的力和力矩向量。为地固坐标系和随体坐标系之间的转换矩阵，其具体表示形式为

导引系统对显控计算机输出的期望位姿阶跃信号ηd0进行平滑处理，得到期望位姿信息以及期望位姿信息的一阶、二阶导数

其中，ts为截止时间，ωn导引系统振荡环节固有频率，ζ为导引系统振荡环节相对阻尼比，δ为纵向路径生成器设计参数。

为了便于对船舶进行控制，将船舶模型(1)进行如下变换：

其中，为转换矩阵r(ψ)关于时间的导数，并且

m^*＝r(ψ)mr^τ(ψ)

d^*＝r(ψ)d(υ)r^τ(ψ)

b^*＝r(ψ)r^τ(ψ)b＝b

状态观测器具体形式为：

其中，为船舶位姿向量的估计值，为船舶位姿信号一阶导数的估计值，为船舶位姿向量估计值的一阶导数，为船舶位姿向量估计值的二阶导数，为扩张状态变量的估计值，为扩张状态变量估计值的一阶导数，为正定矩阵，ε＞0为常数。

由于执行机构的输入限幅问题，设实际控制输入与控制量之间的误差为其中sat(τ)为输入饱和函数，具体形式为

其中，为控制输入的最大值。

rbf神经网络补偿器针对控制量之间的误差δ进行逼近，得到补偿值则rbf控制算法为

其中，为神经网络输入，hj,j＝1,2,…,l为高斯向量基函数的输出向量，cj为第j个隐含层神经元的中心位置，bj为高斯分布的宽度，ε≤εmax为神经网络误差估计，神经网络的权值矩阵为

则rbf神经网络的输出为

其中，为权值估计矩阵，h(x)为高斯基向量。

定义误差设则滑模函数s为

其中，υr为中间变量，为增益矩阵。

因此，滑模控制律为

其中，为增益矩阵。

rbf神经网络的自适应律为

其中，γ为常值方阵，s^τ为滑模函数向量的转置。