APP下载

船舶路径跟踪RBF神经网络滑模控制

2021-01-06章沪淦卜仁祥于镓铭

上海海事大学学报 2021年4期
关键词:神经网络

章沪淦 卜仁祥 于镓铭

摘要:为解决船舶运动过程中舵角增益不确定、运动模型参数不确定及有外界干扰的路径跟踪问题,提出一种利用径向基函数(radial basis function,RBF)神经网络逼近总未知项和舵角增益的滑模控制算法。根据反推法设计参考艏向,采用双曲正切函数设计滑模控制器,对艏向进行控制。通过MMG模型进行仿真,验证算法的有效性。仿真结果表明,所设计的控制器能够很好地跟踪参考路径,且利用RBF神经网络能够较好地逼近总未知项和舵角增益,故基于RBF神经网络设计的滑模控制器对船舶路径跟踪具有很好的鲁棒性。

关键词: 船舶运动控制; 径向基函数(RBF)神经网络; 滑模控制; 反推法; 舵角增益估计

中图分类号: U664.82    文献标志码: A

Abstract: In order to solve the path following problem of rudder angle gain uncertainty, uncertainty of parameters in the motion model and external disturbance, a sliding mode control algorithm using the radial basis function (RBF) neural network to approximate the total unknown term and the rudder angle gain is proposed. The reference course is designed according to the backstepping algorithm, and the hyperbolic tangent function is used to design the sliding mode controller to control the course. The MMG model simulation is used to verify the effectiveness of the algorithm. Simulation results show that, the designed controller can follow the reference path well, and the total unknown term and the rudder angle gain can be well approximated by RBF neural network, so the sliding mode controller based on RBF neural network is of well robustness for ship path following.

Key words: ship motion control; radial basis function (RBF) neural network; sliding mode control; backstepping algorithm; rudder angle gain estimation

由图3和4可知:y可以很好地跟踪上给定的路径yd;由于时变风、浪、流干扰的影响和舵角δ的不断变化,艏向角φ也不断变化;对f有较好的逼近效果;b ^与b出现了一定的偏差。由于b不是真实值,且舵角增益在船舶拐弯处大,这符合船舶拐弯时需要更大的舵力的实际情况,所以这个偏差是合理的。

4 结 论

本文为解决船舶舵角增益不确定、模型参数不确定以及有外界干扰的路径跟踪问题,提出了一种基于径向基函数(RBF)神经网络逼近总未知项和舵角增益的滑模控制算法。根据反推法设计参考艏向,采用双曲正切函数设计滑模控制器,对艏向角进行控制。为验证算法的有效性,通過MMG模型进行仿真。结果表明,所设计的控制器能够很好地跟踪参考路径,且通过RBF神经网络能够较好地逼近总未知项和舵角增益,因此基于RBF神经网络设计的滑模控制器对船舶路径跟踪具有很好的鲁棒性。本文只考虑了舵角输入,没有考虑螺旋桨转速输入,因此下一步工作是考虑螺旋桨转速和舵角双输入系统,进行船舶路径跟踪控制仿真。

参考文献:

[1] 杨莹, 夏国清, 赵为光. 基于海流观测器对欠驱动水下机器人进行三维路径跟随[J]. 控制理论与应用, 2013, 30(8): 974-980. DOI: 10.7641/CTA.2013.21222.

[2] 张国庆, 张显库, 关巍. 欠驱动船舶简捷鲁棒自适应路径跟踪控制[J]. 哈尔滨工程大学学报, 2014, 35(9): 1053-1059. DOI: 10.3969 /j.issn.1006-7043.201303006.

[3] LIU Yong, BU Renxiang, GAO Xiaori. Ship trajectory tracking control system design based on sliding model control algorithm[J]. Polish Maritime Research, 2018, 25(3): 26-34.

[4] 秦梓荷, 林壮, 李平, 等. 基于LOS导航的欠驱动船舶滑模控制[J]. 中南大学学报(自然科学版), 2016, 47(10): 3605-3611. DOI: 10.1187/j.issn.1672-7207.2016.10.043.

[5] 陈海力, 任鸿翔, 杨柏丞, 等. 基于迭代滑模的船舶动力定位非线性控制[J]. 上海海事大学学报, 2020, 41(3): 31-35. DOI: 10.13340/j.jsmu.2020.03.006.

[6] 刘金琨. RBF神经网络自适应控制及MATLAB仿真[M]. 2版. 北京: 清华大学出版社, 2018.

[7] LI Cunhe, ZHAO Yongsheng, WANG Guofeng, et al. Adaptive RBF neural network control for unmanned surface vessel course tracking[C]//2016 Sixth International Conference on Information Science and Technology. IEEE, 2016: 285-290. DOI: 10.1109/ICIST.2016.7483425.

[8] 沈智鹏, 王茹. 基于DSC和MLP的欠驱动船舶自适应滑模轨迹跟踪控制[J]. 系統工程与电子技术, 2018, 40(3): 643-651. DOI: 10.3969/j.issn.1001-506X.2018.03.24.

[9] 李荣辉, 陈志娟, 李宗宣, 等. 基于欧拉迭代模型预测的欠驱动水面船舶路径跟踪控制[J]. 广东海洋大学学报, 2020, 40(1): 104-110. DOI: 10.3969/j.issn.1673-9159.2020.01.014.

[10] 杨迪, 郭晨, 朱玉华, 等. 欠驱动船舶神经网络自适应路径跟踪控制[J]. 智能系统学报, 2018, 13(2): 254-260. DOI: 10.11992/tis.201611011.

[11] 李荣辉. 欠驱动水面船舶航迹自抗扰控制研究[D]. 大连: 大连海事大学, 2013.

[12] 沈智鹏, 代昌盛, 张宁. 欠驱动船舶自适应迭代滑模轨迹跟踪控制[J]. 交通运输工程学报, 2017, 17(6): 125-134.

[13] ZHANG Wei, ZOU Zaojian, DENG Deheng. A study on prediction of ship maneuvering in regular waves[J]. Ocean Engineering, 2017, 137: 367-381. DOI: 10.1016/j.oceaneng.2017.03.046.

[14] 钱小斌, 尹勇, 神和龙, 等. 船舶动力定位控制算法测试仿真系统[J]. 系统仿真学报, 2016, 28(9): 2028-2034. DOI: 10.16182/j.cnki.joss.2016.09.016.

[15] 章沪淦, 卜仁祥, 李宗宣. 带状态观测器的船舶路径跟踪预测滑模控制[J]. 计算机仿真, 2021, 38(9): 262-266, 271.

(编辑 赵勉)

猜你喜欢

神经网络
复杂神经网络下的多行为识别技术研究
基于人工智能LSTM循环神经网络的学习成绩预测
基于BP神经网络算法的成绩预测模型研究
基于CNN的轻量级神经网络单幅图像超分辨率研究
基于图像处理与卷积神经网络的零件识别
基于改进VGG-16神经网络的图像分类方法
基于 BP 神经网络的城市轨道交通客流预测研究
基于自适应神经网络的电网稳定性预测
基于遗传算法对广义神经网络的优化
基于遗传算法对广义神经网络的优化