原文传递
基于复合学习的DP船轨迹跟踪约束控制方法研究
| 论文题名： | 基于复合学习的DP船轨迹跟踪约束控制方法研究 |
| 关键词： | 动力定位船;约束控制;复合学习;轨迹跟踪;容错控制器 |
| 摘要： | 随着社会经济的发展，陆地资源短缺问题日益严重，因此，开发海洋能源势在必行。得益于海洋工程装备的快速发展，具有定位精度高、灵活性强和定位不受海洋深度限制等优点的动力定位（DynamicPositioning,DP）船被广泛用于执行海洋勘探、海上救援和监测等复杂任务。然而，由于DP船长期工作在恶劣的海洋环境中，各种事故频繁发生，严重威胁到作业人员的生命安全，故需要对船舶作业的安全性和可靠性提出更高的要求。本文主要任务是通过设计相关的控制算法，解决船舶作业过程中面临的输出轨迹约束、海洋环境干扰、参数不确定以及推进器故障等问题，进一步提高DP船的跟踪精度和作业安全性。 本文主要的研究内容如下： 首先，建立DP船三自由度数学模型以及推进系统模型。在此基础上，通过MATLAB进行开环实验以验证模型的正确性。 其次，为解决DP船轨迹跟踪控制过程中存在的定常参数不确定以及定常输出轨迹约束问题，提出一种基于非对称积分障碍李雅普诺夫函数（asymmetricintegralbarrierLyapunovfunction，AIBLF）的有限时间复合学习控制器。引入AIBLF来实现船舶轨迹的定常约束，保证船舶作业的安全性。针对模型中未知定常参数问题，将并行学习（Concurrentlearning，CL）思想、滤波系统、动态回归扩张与混合（Dynamicregressorextensionandmixing，DREM）过程以及有限时间控制技术相结合来设计复合学习律，既可放宽未知参数收敛所需的持续激励（Persistentexcitation，PE）条件，又能保证参数估计误差在有限时间内收敛到零。此外，各未知参数估计的收敛过程是相互独立的，这将大大降低自适应参数的选取难度。仿真结果表明该方法可以保证轨迹跟踪误差和参数估计误差在有限时间内收敛到零，并且输出轨迹始终保持在约束边界内。 最后，考虑到更多的工程实际情况，如时变的约束边界、时变的未知参数以及推进器故障等问题，提出一种基于神经网络的复合学习容错控制器。采用一种对数型障碍李雅普诺夫函数（BarrierLyapunovfunction，BLF）将非对称时变约束强加于输出轨迹上，进一步提高船舶运行的安全性和可靠性。使用径向基函数（Radialbasisfunction，RBF）神经网络来逼近模型中的不确定性，并将神经网络最优权重信息与推进器故障信息组合在一起构成未知参数向量。在此基础上，结合CL思想来设计自适应律，从而保证在有限激励（Finiteexcitation，FE）条件下，轨迹跟踪误差和参数估计误差指数收敛到零附近的小邻域内。仿真结果表明该方法能在部分推进器故障的情况下，保证跟踪误差和估计误差指数收敛到零附近的小邻域内，且输出轨迹始终未违反时变非对称约束边界。 |
| 作者： | 徐骄 |
| 专业： | 控制科学与工程 |
| 导师： | 李鸣阳 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨理工大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
