一种具有舵机容错性能的船舶航向保持控制方法

技术领域

本发明涉及船舶航行技术领域，尤其涉及一种具有舵机容错性能的船舶航向保持控制方法。

背景技术

随着船舶自动化程度的不断提高，欠驱动船舶的航向保持控制得到了国内外海洋控制领域众多学者的广泛研究，比如自动舵的开发。最为经典的航向保持控制方法有比例-积分-微分(Proportional Integral Differential,PID)控制，这种方法是根据线性模型建立的，然而船舶是一种典型的二阶线性复杂的欠驱动系统，因此用线性化的模型很难完全描述船舶运动特点。

近年来，智能控制理论的迅速发展，鲁棒控制、自适应控制、模糊逼近/神经网络逼近控制等众多控制理论不断涌现，比如，通过一种非线性反馈的欠驱动船航向跟踪控制算法，达到非线性补偿的作用，实现非线性船舶系统跟踪问题。但是，在现有技术中仍然有很多问题有待解决，特别是针对航向保持控制问题，现有技术的缺点主要可总结为以下两点：

(1)船舶在航行中可能会由于设备磨损严重、海生物缠绕等原因使舵机引发偏置和失效故障，从而导致航向保持控制效果变差甚至整个系统的失效。

(2)船舶非线性控制系统中存在未知海洋干扰、模型参数不确定等因素，在现有技术中通常假设模型参数为已知并且未考虑海洋环境干扰，这违背了实际海洋工程实践。

发明内容

本发明主要解决现有技术的上述两点技术问题，提出一种具有舵机容错性能的船舶航向保持控制方法，引入舵机故障模型设计自适应律在线补偿偏置故障、失效故障引起的控制精度影响，并结合最小参数化方法，对繁重的神经网络权值横向压缩，仅需要设计两个自适应参数对故障参数和增益未知项在线补偿，实现有效地保障船舶自主航行安全的目的。

本发明提供了一种具有舵机容错性能的船舶航向保持控制方法，包括：

构建船舶的Nomoto非线性模型和舵机故障模型；

根据所述船舶的Nomoto非线性模型定义航向误差，采用动态面控制技术设计虚拟控制器以镇定航向误差；

引入径向基神经网络以处理所述非线性模型中的不确定项；

根据所述舵机故障模型，并结合最小参数化方法对所述径向基神经网络权值横向压缩；

通过引入自适应参数设计自适应律，在线补偿偏置故障、失效故障引起的控制精度影响，并将所述自适应律输入船舶航向保持控制器，以镇定转艏角速度误差。

进一步地，所述构建船舶的Nomoto非线性模型，包括：

船舶的Nomoto非线性模型如式(1)所示。

式中，ψ为航向角；

进一步地，所述构建船舶的Nomoto非线性模型，还包括：

为了方便控制器设计，将式(1)转换为状态空间的形式：

式中，b＝K/T为未知增益，

进一步地，所述舵机故障模型表示为：

式中，δ

进一步地，所述根据所述船舶的Nomoto非线性模型定义航向误差，采用动态面控制技术设计虚拟控制器以镇定航向误差，包括：

假设船舶期望航向为ψ

为了镇定航向误差，针对r设计虚拟控制器，如式(5)所示：

式中，k

为了避免对虚拟控制律α

式中，β

虚拟控制器α

定义动态面误差为y

其中，B

进一步地，所述引入径向基神经网络以处理所述非线性模型中的不确定项，包括：

定义转艏角速度误差变量为r

式中，非线性项f(r)＝S(r)Ar+ε(r)＝S(r)Aβ

进一步地，所述根据所述舵机故障模型，并结合最小参数化方法对所述径向基神经网络权值横向压缩，包括：

为了避免神经网络实时计算，引入最小参数化学习，通过式(10)表示为：

式中，

进一步地，所述设计通过引入自适应参数设计自适应律，在线补偿偏置故障、失效故障引起的控制精度影响，包括：

控制律和舵角命令分别用式(12)、式(13)表示为：

由于存在舵机故障参数是未知的，因此引入自适应参数λ

式中，g

本发明提供的一种具有舵机容错性能的船舶航向保持控制方法，通过采用非线性二阶Nomoto模型，引入舵机故障模型设计自适应律在线补偿偏置故障、失效故障引起的控制精度影响，并结合最小参数化方法，对繁重的神经网络权值横向压缩，仅需要设计两个自适应参数对故障参数和增益未知项在线补偿，能够有效地保障船舶自主航行安全；针对未知参数问题和海洋干扰问题，通过引入径向基神经网络(Radial Basis Neural Network,RBF-NN)，并利用反步法设计船舶航向保持控制器，最后通过利用李雅普诺夫直接法证明了所设计方法的稳定性。

附图说明

图1是本发明提供的具有舵机容错性能的船舶航向保持控制方法流程图；

图2是本发明与现有技术在MATLAB仿真平台上仿真实验的航向保持效果对比曲线图；

图3是本发明与现有技术在MATLAB仿真平台上仿真实验的控制输入对比曲线图；

图4是仿真实验中本发明的失效故障下的系统控制效果图(左图为本发明系统的控制输出误差曲线，右图为本发明系统在失效故障下的实际输入和控制命令曲线)；

图5是仿真实验中本发明的偏置故障下的系统控制效果图(左图为本发明系统的控制输出误差曲线，右图为本发明系统在偏置故障下的实际输入和控制命令曲线)；

图6是本发明的自适应容错补偿律变化曲线图。

具体实施方式

为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。

如图1所示，本发明实施例提供的具有舵机容错性能的船舶航向保持控制方法包括：

101、构建船舶的Nomoto非线性模型和舵机故障模型；

具体而言，船舶的Nomoto非线性模型如式(1)所示。

式中，ψ为航向角；

为了方便控制器设计，将式(1)转换为状态空间的形式：

式中，b＝K/T为未知增益，

在海洋实践中，船舶驱动装置(即螺旋桨和舵机)可能由于主机速度失效、舵偏置等原因引起未知故障。当船舶处于驱动器故障的情况时，运动模型(2)的控制输入可以描述为舵机故障模型：

式中，δ

102、根据船舶的Nomoto非线性模型定义航向误差，采用动态面控制技术设计虚拟控制器以镇定航向误差；

具体而言，假设船舶期望航向为ψ

为了镇定航向误差，针对r设计虚拟控制器，如式(5)所示：

式中，k

为了避免对虚拟控制律α

式中，β

虚拟控制器α

定义动态面误差为y

其中，B

103、引入径向基神经网络以处理非线性模型中的不确定项；

具体而言，定义转艏角速度误差变量为r

式中，非线性项f(r)＝S(r)Ar+ε(r)＝S(r)Aβ

104、根据舵机故障模型，并结合最小参数化方法对径向基神经网络权值横向压缩；

具体而言，为了避免神经网络实时计算，引入最小参数化学习，通过式(10)表示为：

式中，

105、通过引入自适应参数设计自适应律，在线补偿偏置故障、失效故障引起的控制精度影响，并将自适应律输入船舶航向保持控制器，以镇定转艏角速度误差。

具体而言，控制律和舵角命令分别用式(12)、式(13)表示为：

由于存在舵机故障参数是未知的，因此引入自适应参数λ

式中，g

仿真试验：

为了验证所提控制算法的有效性，在模拟海洋环境干扰下以“育鲲”轮的分离型数学模型为仿真对象(船长为105m、船宽为18m，排水体积5710V/m3)，将本发明所提控制算法与现有技术在MATLAB仿真平台上进行数值仿真实验，本文以WU R,DU J L.Adaptiverobust course-tracking control of time-varying uncertain ships withdisturbances[J].International Journal of Control Automation and System,2019,17:1847-1855中的控制算法为仿真试验的比较对象，仿真时间总长为200s，仿真步长为0.01s。

仿真结果主要如图2-图6所示。从图2中可以发现本发明算法的精度高于现有技术中控制算法。图3中可以看出本文控制算法比现有技术转舵幅值小、舵机损耗较低，并且从放大图中可以看出在100s时刻控制命令与实际控制输入不再重合，这是因为在100s设置了失效故障与偏置故障同时存在的舵机故障。为了更加直观地展示本发明所设计控制算法的容错性能，图4和图5分别给出了失效故障下和偏置故障下的系统控制效果，失效故障参数为30％，故障时刻同样设置在100s，偏置故障参数为5deg。从图4和图5中可以看出，尽管100s后船舶出现舵机故障，但是系统的控制输出误差曲线仍然能够维持令人满意的效果。图6描述了本发明的自适应参数随时间变化曲线。与传统的神经自适应/模糊自适应方法相比，本文所设计的算法仅需要2个自适应参数在线更新且能够同时补偿增益不确定和未知舵机故障参数。其中，图6的上图中，自适应参数

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。