System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及水面无人艇航向控制,尤其涉及一种基于神经网络建模的船艇航向控制优化方法。
技术介绍
1、水面无人艇具有反应快速、使用方便和成本低廉的特点,作为一种重要的船舶类型,在水域测绘、水质监测、安防巡逻等领域有着广阔的应用前景。在船舶航向控制中,传统pid控制算法具有鲁棒性好、控制简单、可靠性高等特点,得到了广泛应用。随着现代控制理论的发展,已提出很多船舶航向控制方法,如反步法(backstepping)、滑模控制,神经网络及智能控制等,但在复杂环境下进一步提高水面无人艇的航向控制精度仍是一个难题。自抗扰控制(active disturbance rejection control,adrc)将作用于被控系统的所有不确定因素均视为未知扰动,根据系统输入输出信息对未知扰动进行实时估计并给予补偿,结构简单,易于工程实现,已成功应用于船舶航迹、定位控制。然而,常规自抗扰控制器中有多个互相影响的参数需要调节,参数整定较为困难;同时,受航行过程中风、浪、流等外界环境因素干扰,以及自身运动状态变化产生的水面无人艇航向控制的非线性、不确定性,可能会导致水面无人艇自抗扰航向控制性能下降,出现脱离预计状态、偏离预设轨迹甚至失控问题。
技术实现思路
1、本专利技术对水面无人艇航向控制问题,提出一种基于神经网络建模的船艇航向控制优化方法,即采用nomoto二阶非线性航向响应模型作为usv的运动模型,并设计rbf网络对水面无人艇航向模型进行实时逼近和建模,运用pso优化算法对adrc控制器参数进行调节
2、为实现上述目的,本专利技术提供了一种基于神经网络建模的船艇航向控制优化方法,包括:
3、通过二阶非线性航向响应模型构建水面无人艇操纵响应模型,并基于rbf网络在线逼近所述水面无人艇操纵响应模型,获得逼近后的水面无人艇操纵响应模型;
4、获取输入变量,通过adrc自抗扰控制器对所述输入变量进行处理,得到舵角控制量,并将所述舵角控制量输入至所述逼近后的水面无人艇操纵响应模型中,再采用粒子群优化方法优化所述adrc自抗扰控制器,实现对水面无人艇航向控制的优化,其中,所述输入变量为水面无人艇的期望航向角,所述adrc自抗扰控制器的参数通过粒子群优化方法进行整定。
5、优选地,所述二阶非线性航向响应模型为:
6、
7、其中,r为角速度;δ为舵角;t1,t2,t3为时间常数,表示纵向运动响应和航向稳定性;k为舵角增益;δr为压舵角,a为非线性项系数。
8、优选地,所述rbf网络为三层前向网络,包括输入层、隐含层和输出层,根据梯度下降法对所述rbf网络的权重进行调节;
9、其中,所述rbf网络的输入为x=[x1,x2,...,xn]t时,则所述隐含层的输出为:
10、
11、其中,hj为隐含层第j个神经元的输出,cj=[cj1,cj2,...,cjn]t为第j个隐含层神经元的中心矢量值,bj为隐含层神经元j的高斯基函数宽度;
12、所述rbf网络的输出为:
13、ym(k)=w1h1(x)+w2h2(x)+…wmhm(x)
14、其中,w=[w1,w2,...,wm]t为网络权值,ym(k)为rbf网络的输出,hm为隐含层输出量。
15、优选地,所述rbf网络的逼近误差为:
16、
17、其中,e(k)为逼近误差,ym(k)为rbf网络的输出,y(k)为无人艇实际航向,k为离散时刻点。
18、优选地,所述adrc自抗扰控制器包括:
19、跟踪微分器:用于获取航向角ψd的微分;
20、非线性状态误差反馈控制律:用于获得误差反馈控制律;
21、扩张状态观测器:用于根据控制输入和系统输出,对期望航向角及系统内外总扰动进行估计和补偿。
22、优选地,所述跟踪微分器包括:
23、以所述航向角ψd为目标,设计如下td进行跟踪:
24、
25、式中,h为采样周期,v(k)对应第k时刻的输入航向角ψd信号,r1跟踪ψd,r2是r1的微分;δ0为快速因子,fst(·)为最速控制综合函数;
26、具体形式为:
27、
28、
29、其中,δ0为快速因子,fst(·)为最快速控制综合函数,h为采样周期,y为船艇航向,d=δ0h,d0=h d,y=x1+hx2,x1,x2为fst(·)输入变量。
30、优选地,所述扩张状态观测器为:
31、
32、其中,z1,z2为系统状态变量的估计,z3为扩张状态,δ1为线性段区间长度,fal(·)为饱和函数,b为补偿因子,e为对船艇航向y(k)的观测误差,βi>0(i=1,2,3)为非线性组合权重,α1、α2、δ1、u分别为公式输入参数;
33、饱和函数fal(·)表示为:
34、
35、优选地,所述非线性状态误差反馈控制律为:
36、
37、其中,z1,z2为系统状态变量的估计,a00<0<a01<1<a02,a00、a01、a02分别为预设参数,e1,e2分别为误差量,fal(·)为饱和函数。
38、优选地,通过adrc自抗扰控制器对所述输入变量进行整定,包括:
39、s1、设计rbf神经网络,确定网络的输入量与输出量并调整网络参数,逼近所述水面无人艇操纵响应模型;
40、s2、对所述adrc自抗扰控制器的控制参数初始化,选取扩张状态观测器中的参数和非线性状态误差反馈控制律中的参数;
41、s3、以rbf逼近的水面无人艇操纵响应模型为控制对象,采用粒子群算法,将adrc控制器参数表示为一个粒子的各个维度,设置粒子数目、迭代次数、粒子飞行的速度及粒子每个维度位置,更新粒子状态与当前适应度进行优化,并更新全局最优解以及个体最优解;
42、s4、检查循环次数,当未达最大迭代次数或未找到预设相应的全局最优解时,以获得的全局最优解作为adrc控制器的优化参数,返回s3;
43、s5、流程终止并输出结果。
44、优选地,所述adrc自抗扰控制器通过粒子群优化方法进行优化,包括:
45、确定粒子数目为n,第i个粒子的位置为xi=[xi1,xi2,...,xin]t,表示所述adrc自抗扰控制器的参数;第i个粒子的飞行速度为vi=[vi1,vi2,...,vin]t;
46、将每个粒子的位置作为问题的假设解代入适应度函数,计算对应的适应度值;
47、每次迭代,找出单个粒子个体极值pbest和整个种群全局极值gbest,更新粒子的位置和速度;
48、其中,所述适应度函数为:
49、
50、其中,n为测量数据本文档来自技高网...
【技术保护点】
1.一种基于神经网络建模的船艇航向控制优化方法,其特征在于,包括:
2.根据权利要求1所述的基于神经网络建模的船艇航向控制优化方法,其特征在于,所述二阶非线性航向响应模型为:
3.根据权利要求1所述的基于神经网络建模的船艇航向控制优化方法,其特征在于,所述RBF网络为三层前向网络,包括输入层、隐含层和输出层,根据梯度下降法对所述RBF网络的权重进行调节;
4.根据权利要求3所述的基于神经网络建模的船艇航向控制优化方法,其特征在于,所述RBF网络的逼近误差为:
5.根据权利要求1所述的基于神经网络建模的船艇航向控制优化方法,其特征在于,所述ADRC自抗扰控制器包括:
6.根据权利要求5所述的基于神经网络建模的船艇航向控制优化方法,其特征在于,所述跟踪微分器包括:
7.根据权利要求6所述的基于神经网络建模的船艇航向控制优化方法,其特征在于,所述扩张状态观测器为:
8.根据权利要求7所述的基于神经网络建模的船艇航向控制优化方法,其特征在于,所述非线性状态误差反馈控制律为:
9.根据权利要求1
10.根据权利要求1所述的基于神经网络建模的船艇航向控制优化方法,其特征在于,所述ADRC自抗扰控制器通过粒子群优化方法进行优化,包括:
...【技术特征摘要】
1.一种基于神经网络建模的船艇航向控制优化方法,其特征在于,包括:
2.根据权利要求1所述的基于神经网络建模的船艇航向控制优化方法,其特征在于,所述二阶非线性航向响应模型为:
3.根据权利要求1所述的基于神经网络建模的船艇航向控制优化方法,其特征在于,所述rbf网络为三层前向网络,包括输入层、隐含层和输出层,根据梯度下降法对所述rbf网络的权重进行调节;
4.根据权利要求3所述的基于神经网络建模的船艇航向控制优化方法,其特征在于,所述rbf网络的逼近误差为:
5.根据权利要求1所述的基于神经网络建模的船艇航向控制优化方法,其特征在于,所述adrc自抗扰控制器包括:
<...【专利技术属性】
技术研发人员:向前,李志俊,铁井华,杨洁,苗帅,徐飘,
申请(专利权)人:武汉鱼鹰科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。