全驱动船舶固定时间轨迹跟踪控制方法研究

来源 :哈尔滨工程大学 | 被引量 : 1次 | 上传用户:mm7458106
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
近年来,随着人们对海洋经济的不断发展以及海上地位的日益重视,各国对海洋资源开发和海洋权益维护的力度都不断加大,船舶作为海上重要运载工具也因此得到了广泛应用。在众多类型的船舶中,具有全驱动配置的水面船由于具有独立的横向推进装置可以有效完成一些操纵性和安全性要求较高的海洋作业任务,例如海底管道铺设、海上油气钻探以及海上扫雷作业等。这些海上作业的特点是都需要船舶沿着预先设定的轨迹精确移动以保证作业安全性和经济性,因此,对船舶轨迹跟踪控制方法研究具有重要的实际价值。但由于船舶运动模型具有高度非线性及强耦合性、水动力参数易发生摄动并且不可避免的受到外界未知海洋环境干扰,造成高精度轨迹跟踪控制系统设计具有一定的难度。因此,本文围绕这一控制问题,将船舶模型不确定性以及外界未知干扰、执行器输入饱和约束、跟踪误差输出约束、系统收敛时间有界、速度测量值未知等实际因素和需求考虑进轨迹跟踪控制设计中,以获得具有快速收敛性、高跟踪精度以及强鲁棒性的控制性能为目标,基于有限时间/固定时间控制理论,研究了全驱动船舶的轨迹跟踪控制问题,具体研究工作有以下几方面:
  (1)针对存在模型不确定性、外界未知环境干扰以及跟踪误差约束的全驱动船舶轨迹跟踪控制问题,提出了基于自适应神经网络的有限时间轨迹跟踪约束控制方法。该方法利用径向基函数神经网络结合自适应技术对船舶模型中的未知水动力项进行在线逼近,并且在无需扰动界值信息的条件下,设计了一种非线性干扰观测器对神经网络逼近误差以及外界未知干扰组成的复合扰动进一步估计和补偿。然后,在反步设计框架下,利用时变障碍函数法结合有限时间稳定理论提出了一种具有跟踪误差约束的自适应神经网络有限时间轨迹跟踪控制器,并采用二阶指令滤波器结合辅助动态系统获取虚拟控制律的微分项,有效避免了反步法中的微分膨胀问题。最后,根据李雅普诺夫稳定性理论完成了基于神经网络闭环系统的有限时间稳定性证明,并通过仿真对比验证了所提控制策略可以有效提升系统收敛速度及控制精度。
  (2)针对存在模型参数不确定性、外界未知环境干扰以及执行器饱和约束的全驱动船舶固定时间轨迹跟踪滑模控制问题,提出了基于终端滑模的固定时间轨迹跟踪控制方法。首先,提出了一种新型非奇异固定时间快速终端滑模面,可保证处于滑动阶段的系统状态在固定时间内快速收敛至平衡点。然后,根据齐次系统理论设计了一种实用固定时间干扰观测器,实现了在固定时间内对系统复合扰动的准确重构。并结合干扰观测器输出值,设计了一种非奇异固定时间快速终端滑模轨迹跟踪控制器,有效降低了滑模切换增益参数,并消除了船舶初始状态对系统收敛时间上界的影响。此外,为了从理论设计上避免传统终端滑模中的控制奇异问题,根据固定时间齐次系统理论和积分滑模控制,并结合所设计的输入饱和补偿器,提出了一种基于齐次积分终端滑模的固定时间轨迹跟踪抗饱和控制器,并通过对比仿真验证了所提控制方案相比传统有限时间齐次积分滑模控制器具有更好的控制性能。
  (3)针对存在模型参数不确定性、外界未知环境干扰、跟踪误差约束以及控制信号光滑连续要求下的全驱动船舶固定时间轨迹跟踪控制问题,提出了基于扩展加幂积分算法的固定时间轨迹跟踪连续控制方法。首先,利用自适应技术对复合扰动未知上界进行估计,并结合扩展加幂积分算法设计了一种具有光滑连续特性的自适应固定时间轨迹跟踪控制器。然后,为了进一步提升控制系统的鲁棒性和控制精度,基于多变量超螺旋控制设计了一种固定时间精确鲁棒干扰观测器,可保证干扰估计误差在固定时间内收敛到零。并且通过提出一种具有输出约束的扩展加幂积分算法,为全驱动船舶设计了基于干扰观测器的固定时间轨迹跟踪约束控制器,实现了位置和艏向角跟踪误差严格位于预设约束边界内。最后,仿真试验结果表明了所提控制方案可保证轨迹跟踪误差在固定时间内收敛有界,并且系统具有更快的收敛速度、更强的鲁棒性以及更高的控制精度。
  (4)针对受扰动船舶存在速度测量值未知、跟踪误差约束以及执行器饱和约束条件下的固定时间轨迹跟踪输出反馈控制问题,提出了基于扩张状态观测器的固定时间轨迹跟踪输出反馈约束控制方法。首先,根据齐次系统理论和李雅普诺夫稳定性分析提出了一种新型双幂次固定时间扩张状态观测器,实现了在固定时间内对船舶速度信息以及系统总扰动的同时观测,有效加快了观测误差收敛速度并消除了不同初始条件对观测器收敛速度以及观测精度的影响。然后,通过设计抗饱和辅助动态系统并结合输出约束扩展加幂积分算法,为全驱动船舶设计了抗饱和固定时间轨迹跟踪输出反馈约束控制器。最后,通过仿真试验验证了所提控制策略可以有效提升系统抗饱和能力,并具有良好的观测性能和控制性能。
其他文献
目标检测是计算机视觉中的一个主要研究方向,并且有很多实际的应用,比如无人驾驶、智能医疗等。传统的目标检测算法主要基于手工提取的特征以及可训练的浅层结构。近些年来,随着深度学习技术的快速发展,越来越多的研究人员趋向于用深度学习的方法解决计算机视觉任务。由于深度学习能够提取出更深层次、更高语义级别、更加鲁棒的特征,基于深度学习的目标检测算法在该领域取得了突破性进展。但许多复杂的应用场景既对目标检测系统
学位
随着显示器硬件制造水平的提高以及人们对显示器视觉质量需求的提升,数字显示器已经逐渐可以显示具有高比特深度的高动态范围内容,以提供更多、更细致的颜色表示,提高图像显示的视觉质量。然而,受限于图像采集设备,大多数图像视频以低比特深度形式存储。当这些低比特深度图像经过简单处理后直接在高比特深度显示器上显示时,图像的颜色平滑渐变区域会有明显的伪轮廓,降低了视觉质量。因此,研究合适的图像比特深度增强算法具有
近年来,3D处理技术的发展推进了立体视频的商业化进程。然而,任何3D处理技术都会造成立体视频的质量下降、立体感缺失等问题,从而影响人类的观看体验。因此,如何根据立体视频的特点,构建更加符合人类视觉感知的立体视频质量评价模型,已成为计算机视觉研究领域的关键问题之一。目前,立体视频质量的评价方法主要包括基于特征提取的方法、基于稀疏表示的方法和基于深度学习的方法。卷积神经网络作为深度学习的重要技术理论,
学位
在恶劣天气下,图像采集设备受到大气悬浮粒子(例如:雾、霾和小液滴等)的影响,导致图像产生颜色失真、对比度降低以及细节丢失等问题,不仅影响图像视觉效果,还会影响计算机视觉系统的分析与处理。因此,如何设计高质量的图像去雾算法成为亟待解决的问题。  本文介绍了图像去雾算法的研究背景和现状,讨论了大气散射模型、深度学习和生成对抗网络相关理论,以生成对抗网络为基础提出了两种图像去雾算法。具体工作包括:  首
学位
在语音信号处理系统中,噪声信号会对系统性能造成极大损害。因此,通常采用语音增强技术滤除语音信号中的噪声污染,以提升该段语音的质量。在实际应用场景中,噪声种类的丰富性和噪声特征的多样性大大限制了语音增强算法的性能,降低了增强后语音信号的质量,特别是信号的可懂度。因此本文提出了一种基于噪声分类的语音增强系统,主要包括以下三个部分:语音端点检测、噪声分类和噪声功率谱估计。  首先,使用语音端点检测算法区
学位
激光测距由于原理简单、可靠性强、测量距离远而广泛应用于航天、测绘、军事等领域。随着应用的不断深入,人们对于激光测距系统的尺寸、精度、功耗、测距范围等方面提出了更高的要求。因此采用更小尺寸、更低功耗、能实现更高精度、更大范围测量的单光子激光测距具有特殊的意义。  本文实现了基于时间相关单光子计数(Time-Correlated Single Photon Counting,TCSPC)的光子计数激光
学位
光场成像设备能够同时记录场景传递光线的位置信息和角度信息,将传统的二维图像扩至四维,更具有可塑性,围绕光场图像进行的有关计算机视觉领域的研究引起了广泛关注。其中,深度估计作为计算机视觉领域的一个分支,具有深远的研究意义和广泛的应用场景。基于光场图像的深度信息获取属于被动式深度获取方式,充分地发挥了由光场相机得到光场数据的优异特性,避免了单目深度估计和传统多目深度估计之间的矛盾。立体匹配算法可以对光
学位
随着经济的发展社会的进步,世界人口规模不断扩增,人口密度不断增大,在人类社会活动场所、内容形式变得丰富多彩的同时,人群的安全问题成为了社会各界关注的焦点。如一些购物广场、体育馆、音乐会场、商业街等公共场所常常分布着不同数量规模的人群,随着人群数量的增加,发生安全事故的概率随之增长,如何对聚集在一起的人群进行有效的分析成为了当下研究的热门问题。依靠人工观看监控视频分析人群行为并做出相应决策的方法,往
图像语义分割是计算机视觉领域的一个重要的分支,在卫星图像分割、医学图像诊断、无人驾驶等方面都有着重要的应用。在全卷积网络之后,语义分割领域提出了越来越多的深度学习算法。当前,语义分割算法的关注点主要有两个方面:一是在分割精度上,通过相关算法提升语义分割的准确率。二是在分割的效率上,采用轻量化网络来满足实时性的需求。本文致力于提高语义分割的精度,针对现有语义分割编解码方法中语义信息不平衡的问题,以及
随着信息科技的日益发展,人们对多媒体资源的质量要求也逐渐提升。近年来,高比特深度的显示设备不断发展。然而主流的多媒体资源,尤其是视频资源,仍然处于较低的比特深度,在显示时容易出现伪轮廓和色度畸变等现象。为了缓解这个问题,一些研究工作者利用插值方法、卷积神经网络等,提出了基于图像的比特深度增强算法。然而据我们所知,目前并没有针对视频设计的比特深度增强方法,而当图像算法应用在视频上时,相邻帧之间的信息