UUV深水作业下潜机动需要较长时间,但由于自身所携带的能源有限,使其作业时间严重压缩。为了实现UUV能源的补充、数据的上传、新任务的下载必须就要对UUV进行回收,快速安全回收一直是研究的热点。在水下回收方面,一种对线控位的回收方法被应用于欠驱动UUV的回收中[1]。对于常规的UUV,其推进装置主要为尾推,执行机构为水平舵、垂直舵,在运动过程中在侧面方向和垂直方向一般没有足够的控制力,需要通过舵和推力间接控制,因此UUV空间的运动具有欠驱动性。贾鹤鸣等[2]将自适应方法与反步法相结合,设计一种自适应反步法来对航行器的三维轨迹进行跟踪控制,并取得良好效果;徐健等[3-4]将滑模控制方法与反步法相结合,设计反步滑模控制器来对UUV的三维轨迹进行跟踪控制,并进行了相关仿真,证明了所设计控制器的有效性;朱齐丹等[5]将反步法与神经网络相结合,并应用到船舶的航迹跟踪控制上,证明了算法的有效性;程相勤[6]将滑模理论应用到UUV的空间路径跟踪上,进行了相关仿真验证,取得较好的效果;贾鹤鸣等将神经网络反步法[7]和滤波反步法[8]分别应用到移动机器人和水下航行器的空间三维路径跟踪上,验证了算法的有效性,取得较好的进展;周佳加等[9-10]将神经网络控制应用到了UUV的航速和跟踪控制上,通过仿真验证了算法的有效性;针对回收过程中的规划控制和路径跟踪问题,文献[11-12]进行了相关研究,并取得一定的进展;严浙平等[13-14]采用滑模控制方法对UUV地形跟踪控制进行研究,实现了UUV地形跟踪,证明了算法的有效性。在UUV的自主回收过程中,跟踪控制作为重要的一环,是不可或缺的,是值得深入研究。
1 控制理论与UUV模型 1.1 反步法与神经网络反步法是将整个非线性系统进行分解,每一个子系统都是不超过系统最高阶数的系统,然后针对每个子系统分别设计Lyapunov控制函数和中间虚拟控制量,使得每个子系统都是镇定的,一直“后退”到整个非线性系统,最终通过设计的控制律保证整个系统的稳定性。
神经网络与传统的控制策略相比具有对任意函数的学习能力,因而与传统自适应控制相比可以避免需要大量的精确复杂数学分析。对于高维非线性控制问题,多层的神经网络的隐含层采用激活函数,具有非线性的映射能力,可以逼近任意非线性函数,因此神经网络广泛应用在不确定模型的控制问题上。
RBF神经网络有3层[15-16]:输入层、隐含层、输出层。隐含层的神经元激活函数由径向基函数构成。隐含层由节点组成,节点中包含一个中心向量,和输入向量具有相同的维数,其欧式距离为‖x(t)-cj(t)‖,隐含层的输出为非线性激活函数:
$ {h_j}\left( t \right) = \exp \left( {\frac{{{{\left\| {\mathit{\boldsymbol{x}}\left( t \right) - {\mathit{\boldsymbol{c}}_j}\left( t \right)} \right\|}^2}}}{{2b_j^2}}} \right),j = 1,2, \cdots ,m $ | (1) |
式中:bj>0,表示高斯基函数的宽度,m是隐含层的节点数量。
网络的输出由加权函数实现:
$ {y_i}\left( t \right) = \sum\limits_{j = 1}^m {{w_{ji}}{h_j}\left( t \right)} ,\;i = 1,2, \cdots ,n $ | (2) |
式中:wj是输出层的权值,n是输出节点个数,y是神经网络输出。
1.2 UUV模型本研究所针对的白鲨UUV外形是左右对称、上下对称,并且欠驱动UUV的重心和浮心在同一垂线上,运动过程中横倾角及角速度一般很小,工程中可以忽略。根据UUV的欠驱动特性建立五自由度含扰动项的动力学模型和运动学模型[17-18]。
UUV运动学模型
$ \left\{ \begin{array}{l} \dot x = \cos \psi \cos \theta u - \sin \psi v + \sin \theta \cos \psi w\\ \dot y = \sin \theta \cos \psi u + \cos \psi v + \sin \theta \sin \psi w\\ \dot z = - \sin \theta u + \cos \theta w\\ \dot \theta = q\\ \dot \psi = r/\cos \theta \end{array} \right. $ | (3) |
UUV动力学模型
$ \left\{ \begin{array}{l} \dot u = \frac{{{a_1}}}{{{m_{11}}}}vr - \frac{{{a_2}}}{{{m_{11}}}}vq - \frac{{{a_3}}}{{{m_{11}}}}u - \frac{{{a_4}}}{{{m_{11}}}}{r^2} - \frac{{{\tau _{d1}}}}{{{m_{11}}}} + \frac{{{\tau _u}}}{{{m_{11}}}}\\ \dot v = \frac{{{b_1}}}{{{m_{22}}}}ur - \frac{{{b_2}}}{{{m_{22}}}}v - \frac{{{b_3}}}{{{m_{22}}}}\dot r + \frac{{{\tau _{d2}}}}{{{m_{22}}}}\\ \dot w = \frac{{{c_1}}}{{{m_{33}}}}uq - \frac{{{c_2}}}{{{m_{33}}}}w - \frac{{{c_3}}}{{{m_{33}}}}\dot q + \frac{{{c_4}}}{{{m_{33}}}}pr + \frac{{{\tau _{d3}}}}{{{m_{33}}}}\\ \dot q = \frac{{{d_1}}}{{{m_{55}}}}uv - \frac{{{d_2}}}{{{m_{55}}}}q - \frac{{{d_3}}}{{{m_{55}}}}\sin \theta - \frac{{{d_4}}}{{{m_{55}}}}\dot w + \frac{{{\tau _{d4}}}}{{{m_{55}}}} + \frac{{{\tau _q}}}{{{m_{55}}}}\\ \dot r = \frac{{{e_1}}}{{{m_{66}}}}nv - \frac{{{e_2}}}{{{m_{66}}}}r - \frac{{{e_3}}}{{{m_{66}}}}\dot v - \frac{{{e_4}}}{{{m_{66}}}}pq + \frac{{{\tau _{d5}}}}{{{m_{66}}}} + \frac{{{\tau _r}}}{{{m_{66}}}} \end{array} \right. $ | (4) |
式中:τu、τq、τr为控制量,τd1、τd2、τd3、τd4、τd5为扰动量,
其中UUV的水动力系数相关说明在文献[18]中有详细论述,此处不再说明。
为了简化UUV的运动学方程和动力学方程,方便控制器的设计来定义如下:
$ \left\{ \begin{array}{l} {{\dot x}_e} = u - {v_p}\cos {\theta _d}\cos \theta \cos {\psi _e} - \\ \;\;\;\;\;\;{v_p}\sin {\theta _d}\sin \theta + r{y_e} - q{z_e}\\ {{\dot y}_e} = v + {v_p}\cos {\theta _d}\sin \theta \cos {\psi _e} - \\ \;\;\;\;\;\;r{x_e} - r{z_e}\tan \theta \\ {{\dot z}_e} = w - {v_p}\cos {\theta _d}\sin \theta \cos {\psi _e} + \\ {v_p}\sin {\theta _d}\cos \theta + q{x_e} + r{y_e}\tan \theta \end{array} \right. $ | (5) |
实际中总有∀t≥0, |θ(t)|<π/2,且期望轨迹变量ud、rd、qd、
对于欠驱动UUV模型进行轨迹跟踪可以采用反步法进行设计,首先构造李雅普诺夫函数为
$ \left\{ \begin{array}{l} {V_1} = \left( {x_e^2 + y_e^2 + z_e^2} \right)/2\\ {{\dot V}_1} = {x_e}{{\dot x}_e} + {y_e}{{\dot y}_e} + {z_e}{{\dot z}_e} \end{array} \right. $ | (6) |
把
$ \begin{array}{*{20}{c}} {{{\dot V}_1} = {x_e}\left( {u - {v_p}\cos {\theta _d}\cos \theta \cos {\psi _e}} \right) - }\\ {{x_e}\left( {{\mathit{\boldsymbol{v}}_p}\sin {\theta _d}\sin \theta + r{y_e} - q{z_e}} \right) + }\\ {{y_e}\left( {{\mathit{\boldsymbol{v}}_p}\cos {\theta _d}\sin \theta \cos {\psi _e} + \mathit{\boldsymbol{v}} - r{x_e} - r{z_e}\tan \theta } \right) + }\\ {{z_e}\left( {w - {v_p}\cos {\theta _d}\sin \theta cos{\psi _e}} \right) + }\\ {{z_e}\left( {{v_p}\sin {\theta _d}\cos \theta + q{x_e} + r{y_e}\tan \theta } \right)} \end{array} $ |
定义虚拟控制量为
$ \left\{ \begin{array}{l} {\alpha _1} = {v_p}\cos {\theta _d}\sin {\psi _e}\\ {\alpha _2} = {v_p}\sin {\theta _e} = {v_p}\left( {\cos {\theta _d}\sin \theta - \sin {\theta _d}\cos \theta } \right) \end{array} \right. $ | (7) |
将ψe和θe进行替换,从而可以避免初始状态约束引起的奇异值问题。
为了使目标达到
$ \left\{ \begin{array}{l} {u_d} = {v_p}\cos {\theta _d}\cos \theta \cos {\psi _e} + {v_p}\sin {\theta _d}\sin \theta - {k_1}{x_e}/e\\ {\alpha _{1d}} = - v - {k_2}{y_e}/e\\ {\alpha _{2d}} = w - {v_p}\cos {\theta _e}\sin \theta \left( {\cos {\psi _e} - 1} \right) + {k_3}{z_e}/e \end{array} \right. $ |
式中:k1、k2、k3均为正常数,ud、α1d、α2d是虚拟控制量,但实际不可控,因此定义误差变量及误差导数为
$ {u_e} = u - {u_d};{\alpha _{1e}} = {\alpha _1} - {\alpha _{1d}}; $ |
$ {\alpha _{2e}} = {\alpha _2} - {\alpha _{2d}};{{\dot u}_e} = \left( {{F_1} + {\tau _u}} \right)/{m_{11}} $ |
$ \begin{array}{l} {{\dot \alpha }_{1e}} = {{\dot v}_t}\sin {\psi _e} + {v_t}\cos {\psi _e}\left( {r/\cos \theta - {{\mathit{\dot \Psi }}_D}} \right) + \\ \;\;\;\;\;\;\;\;{F_3}/{m_{33}} + {Q_1} \end{array} $ |
$ {{\dot \alpha }_{2e}} = {{\dot v}_p}\sin {\theta _e} + {v_p}\cos {\theta _e}\left( {q - {{\dot \theta }_d}} \right) - {F_4}/{m_{33}} + {Q_2} $ | (8) |
其中
$ {F_q} = {\alpha _1}vr - {\alpha _2}wq - {\alpha _3}u - {\alpha _4}{r^2} + {\tau _{d1}} - {m_{11}}{u_d} $ |
$ {F_3} = - {b_1}ur - {b_2}v - {b_3}\dot r + {\tau _{d2}} + {{\dot r}_d} $ |
$ {F_4} = {c_1}uq - {c_2}w - {c_3}\dot q + {c_4}pr + {\tau _{d3}} $ |
$ {Q_1} = {k_2}\left( {{{\dot y}_e}e - {y_e}\left( {{x_e}{{\dot x}_e} + {y_e}{{\dot y}_e} + {z_e}{{\dot z}_e}} \right)/e} \right)/{e^2} $ |
$ {Q_2} = {v_t}\sin \theta \left( {\cos {\varphi _c} - 1} \right) - {k_3}{z_e}/e $ |
结合前面的式子,可得到
$ \dot V = - \left( {{k_1}x_e^2 + {k_2}y_e^2} \right)/e + {x_e}{u_e} + {y_e}{\alpha _{1e}} - {z_e}{\alpha _{2e}} $ | (9) |
定义
接下来对欠驱动UUV轨迹跟踪RBF神经网络控制系统进行设计,如图 1所示,运用RBF神经网络对含有未知扰动的力进行逼近估计,同时结合反步法进行控制器的设计以及控制器稳定性的分析。神经网络逼近未知函数为
![]() |
图 1 欠驱动UUV轨迹跟踪RBF神经网络控制系统 Fig.1 Underactuated UUV tracking RBF nerual network control system |
$ \left\{ \begin{array}{l} \mathit{\boldsymbol{F}} = {\mathit{\boldsymbol{W}}^{\rm{T}}}h + \varepsilon \\ \mathit{\boldsymbol{\hat F = }}{{\mathit{\boldsymbol{\hat W}}}^{\rm{T}}}h\\ h = g\left( {{{\left\| {\mathit{\boldsymbol{x}} - {\mathit{\boldsymbol{c}}_{ij}}} \right\|}^2}/b_j^2} \right)\\ g\left( x \right) = {{\rm{e}}^{ - x}} \end{array} \right. $ | (10) |
控制器控制律推导步骤如图 2所示。控制器及自适应控制律为
![]() |
图 2 控制器控制律获得步骤 Fig.2 The steps of obtaining control law |
$ \left\{ \begin{array}{l} {\tau _u} = - {c_1}{u_e} - {x_e} - {{\mathit{\boldsymbol{\hat W}}}_1}{h_1},{\tau _r} = - {c_3}{r_e} - {{\mathit{\boldsymbol{\hat W}}}_3}{h_3}\\ {\tau _q} = - {c_5}{q_e} - {{\mathit{\boldsymbol{\hat W}}}_5}{h_5},{{\mathit{\boldsymbol{\dot {\hat W}}}}_1} = {\mathit{\Gamma }_1}\left( {{h_1}{u_e} - {l_1}{{\mathit{\boldsymbol{\hat W}}}_1}} \right)\\ {{\mathit{\boldsymbol{\dot {\hat W}}}}_2} = {\mathit{\Gamma }_2}\left( {{h_2}{a_{1e}} - {l_2}{{\mathit{\boldsymbol{\hat W}}}_2}} \right),{{\mathit{\boldsymbol{\dot {\hat W}}}}_3} = {\mathit{\Gamma }_3}\left( {{h_3}{r_e} - {l_3}{{\mathit{\boldsymbol{\hat W}}}_3}} \right)\\ {{\mathit{\boldsymbol{\dot {\hat W}}}}_4} = {\mathit{\Gamma }_4}\left( {{h_4}{a_{2e}} - {l_4}{{\mathit{\boldsymbol{\hat W}}}_4}} \right),{{\mathit{\boldsymbol{\dot {\hat W}}}}_5} = {\mathit{\Gamma }_5}\left( {{h_5}{q_e} - {l_5}{{\mathit{\boldsymbol{\hat W}}}_5}} \right) \end{array} \right. $ | (11) |
欠驱动UUV的运动学模型和动力学模型满足假设条件1、2、3,会存在控制器和自适应率(11)保证欠驱动UUV跟踪误差系统半全局一致有界,也就是说对任意的压缩集Ω0,其中
假设1 对于时变外界扰动τd(i)(i=1, 2, 3, 4, 5),存在一个常数τd∈R+, ∀>τ0,满足‖τd(i)(t)‖≤τd。
假设2 对于给定的任意光滑的函数h(Z),都会存在一个理想的权值函数W对其进行逼近,使得有误差量|ε|≤ε*, ε*为小量。
假设3 欠驱动UUV的时变速度V(t)有界,即存在一个正常数VM=sup‖V(t)‖,满足VM<+∞。
对式子(11)中的调整项
$ \begin{array}{*{20}{c}} {{l_1}\mathit{\boldsymbol{\tilde W}}_1^{\rm{T}}{{\mathit{\boldsymbol{\hat W}}}_1} = {l_1}\mathit{\boldsymbol{\tilde W}}_1^{\rm{T}}\left( {{\mathit{\boldsymbol{W}}_1} - {{\mathit{\boldsymbol{\tilde W}}}_1}} \right) \le }\\ {{l_1}\left\| {{{\mathit{\boldsymbol{\tilde W}}}_1}} \right\| \cdot \left\| {{\mathit{\boldsymbol{W}}_1}} \right\| - {l_1}\left\| {\mathit{\boldsymbol{\tilde W}}_1^2} \right\| \le }\\ {\frac{1}{2}{l_1}{{\left\| {{{\mathit{\boldsymbol{\tilde W}}}_1}} \right\|}^2} - \frac{1}{2}{l_1}{{\left\| {{{\mathit{\boldsymbol{\tilde W}}}_1}} \right\|}^2}} \end{array} $ | (12) |
从而有:
$ \begin{array}{*{20}{c}} {{l_1}\mathit{\boldsymbol{\tilde W}}_1^{\rm{T}}{{\mathit{\boldsymbol{\hat W}}}_1} + {l_2}\mathit{\boldsymbol{\tilde W}}_2^{\rm{T}}{{\mathit{\boldsymbol{\hat W}}}_2} + {l_3}\mathit{\boldsymbol{\tilde W}}_3^{\rm{T}}{{\mathit{\boldsymbol{\hat W}}}_3} + {l_4}\mathit{\boldsymbol{\tilde W}}_4^{\rm{T}}{{\mathit{\boldsymbol{\hat W}}}_4} + }\\ {{l_5}\mathit{\boldsymbol{\tilde W}}_5^{\rm{T}}{{\mathit{\boldsymbol{\hat W}}}_5} \le \left( {\frac{1}{2}{l_1}{{\left\| {{\mathit{\boldsymbol{W}}_1}} \right\|}^2} + \frac{1}{2}{l_2}{{\left\| {{\mathit{\boldsymbol{W}}_2}} \right\|}^2} + } \right.}\\ {\left. {\frac{1}{2}{l_3}{{\left\| {{\mathit{\boldsymbol{W}}_3}} \right\|}^2} + \frac{1}{2}{l_4}{{\left\| {{\mathit{\boldsymbol{W}}_4}} \right\|}^2} + \frac{1}{2}{l_5}{{\left\| {{\mathit{\boldsymbol{W}}_5}} \right\|}^2}} \right) - }\\ {\frac{1}{2}\left( {{l_1}\left\| {{{\mathit{\boldsymbol{\tilde W}}}_1}} \right\| + \frac{1}{2}{l_2}{{\left\| {{{\mathit{\boldsymbol{\tilde W}}}_2}} \right\|}^2} + \frac{1}{2}{l_3}{{\left\| {{{\mathit{\boldsymbol{\tilde W}}}_3}} \right\|}^2} + } \right.}\\ {\left. {\frac{1}{2}{l_4}{{\left\| {{{\mathit{\boldsymbol{\tilde W}}}_4}} \right\|}^2} + \frac{1}{2}{l_5}{{\left\| {{{\mathit{\boldsymbol{\tilde W}}}_5}} \right\|}^2}} \right)} \end{array} $ | (13) |
所以对式(11)可以推导出:
$ \begin{array}{*{20}{c}} {{{\dot V}_6} \le - \left( {{k_1}x_e^2 + {k_2}y_e^2 + {k_3}z_e^2} \right)/e - {c_{10}}u_e^2 - {c_{20}}a_{1e}^2 - }\\ {{c_{30}}r_e^2 - {c_{40}}a_{2e}^2 - {c_{50}}q_e^2 + \frac{{\varepsilon _1^{ * 2}}}{{4{c_{11}}}} + \frac{{\varepsilon _2^{ * 2}}}{{4{c_{21}}}} + \frac{{\varepsilon _3^{ * 2}}}{{4{c_{31}}}} + \frac{{\varepsilon _4^{ * 2}}}{{4{c_{41}}}} + }\\ {\frac{{\varepsilon _5^{ * 2}}}{{4{c_{51}}}} + \left( {\frac{1}{2}{l_1}{{\left\| {{\mathit{\boldsymbol{W}}_1}} \right\|}^2} + \frac{1}{2}{l_2}{{\left\| {{\mathit{\boldsymbol{W}}_2}} \right\|}^2} + } \right.}\\ {\left. {\frac{1}{2}{l_3}{{\left\| {{\mathit{\boldsymbol{W}}_3}} \right\|}^2} + \frac{1}{2}{l_4}{{\left\| {{\mathit{\boldsymbol{W}}_4}} \right\|}^2} + \frac{1}{2}{l_5}{{\left\| {{\mathit{\boldsymbol{W}}_5}} \right\|}^2}} \right) - }\\ {\frac{1}{2}\left( {{l_1}\left\| {{{\mathit{\boldsymbol{\tilde W}}}_1}} \right\|^2 + \frac{1}{2}{l_2}{{\left\| {{{\mathit{\boldsymbol{\tilde W}}}_2}} \right\|}^2} + \frac{1}{2}{l_3}{{\left\| {{{\mathit{\boldsymbol{\tilde W}}}_3}} \right\|}^2} + } \right.}\\ {\left. {\frac{1}{2}{l_4}{{\left\| {{{\mathit{\boldsymbol{\tilde W}}}_4}} \right\|}^2} + \frac{1}{2}{l_5}{{\left\| {{{\mathit{\boldsymbol{\tilde W}}}_5}} \right\|}^2}} \right)} \end{array} $ | (14) |
选取ck0使得ck0≥γ/2, (k=1, 2, 3, 4, 5)且γ>0;同时选取lk和Γk使得lk≥γλmax{Γk-1},
$ \begin{array}{*{20}{c}} {\lambda = \min \left\{ {{k_1}/e,{k_2}/e,{k_3}/e,{c_{10}},{c_{20}},{c_{30}},{c_{40}},{c_{50}},} \right.}\\ {\left. {{m_{11}}/2,{m_{22}}/2,{m_{33}}/2,{m_{55}}/2,{m_{66}}/2} \right\}} \end{array} $ | (15) |
则式(15)化为如下形式
$ {{\dot V}_6} \le - \lambda {V_6} + \delta ,且\;\delta = \sum\limits_{k = 1}^5 {\frac{{{l_k}{{\left\| {{\mathit{\boldsymbol{W}}_k}} \right\|}^2}}}{2}} + \sum\limits_{k = 1}^5 {\frac{{\varepsilon _k^{ * 2}}}{{4{c_{k1}}}}} $ | (16) |
因此闭环跟踪误差渐进收敛到零值附近的一个压缩有界集,最终系统误差半全局一致有界,系统是稳定收敛。
3 UUV轨迹跟踪控制仿真为了验证UUV轨迹跟踪控制效果进行轨迹跟踪控制仿真,设置系统总的仿真时间为800 s,控制周期为1 s,RBF神经网络的学习周期为0.5 s分别有海流干扰和无海流干扰情况分别仿真,以三维螺旋曲线为目标轨迹进行跟踪,轨迹方程为
$ x = 150\sin \left( {0.01t} \right),y = 150\cos \left( {0.01t} \right),z = 0.3t $ |
设z轴向下为正,期望轨迹的起点为(0,150,0), UUV的运动起点为(30,-10,20),给其扰动量(可视为稳定扰动)分别为
$ \left\{ \begin{array}{l} \left( {0 < {T_1} \le 500} \right) \sim \left( {700 < {T_3} \le 800} \right)\\ f = \sin \left( {0.01t} \right) + 1.5\cos \left( {0.01t + {\rm{ \mathsf{ π} }}/4} \right) + \\ \;\;\;\;\;\;\;0.5\sin \left( {0.01t + {\rm{ \mathsf{ π} }}/6} \right)\\ {\tau _{d1}} = {\tau _{d2}} = {\tau _{d3}} = 2f\\ {\tau _{d5}} = {\tau _{d6}} = 5f \end{array} \right. $ | (17) |
在500~700 s扰动量变化为式(18)来模拟乱流,在700~800 s扰动又恢复为稳定扰动。
$ \left\{ \begin{array}{l} \left( {500 < {T_2} \le 700} \right)\\ f = \sin \left( {0.01t} \right) + 1.5\cos \left( {0.01t + p/4} \right) + \\ \;\;\;\;\;\;\;0.5\sin \left( {0.01t + p/6} \right)\\ {\tau _{d1}} = 20f;{\tau _{d2}} = 40f;{\tau _{d3}} = 30f;\\ {\tau _{d5}} = 17f;{\tau _{d6}} = 17f; \end{array} \right. $ | (18) |
神经网络中
$ {k_1} = 2.5;{k_2} = 1;{k_3} = 1;{c_1} = 0.8, $ |
$ {c_2} = 1.5;{c_3} = 1;{c_4} = 8, $ |
$ {c_5} = 4H5;{l_1} = 20;{l_2} = 12, $ |
$ {l_3} = 20;{l_4} = 15;{l_5} = 120, $ |
船体运动仿真参数为
$ m = 3400\;{\rm{kg}};{I_z} = {I_y} = 7359.7, $ |
$ {X_u} = - 137;{X_u} = 21.125;{X_{\left. u \right|\left. u \right|}} = 120.4, $ |
$ {X_{rr}} = 2740;{X_{vr}} = 1373.25;{X_{wq}} = 1991.3, $ |
$ {Y_{\dot v}} = - 346.5;{Y_v} = - 248.6;{Y_{\left. v \right|\left. v \right|}} = - 929.5, $ |
$ {Y_r} = 521.78;{Y_{\left. {rr} \right|}} = 9639.4;{Y_{ur}} = 3803.55, $ |
$ {Z_{\dot v}} = - 3468.5;{Z_{\dot q}} = - 5517.2;{Z_{qq}} = - 253.5, $ |
$ {Z_{uq}} = - 3762.4;{Z_{\left. w \right|\left. w \right|}} = - 4436.25;{Z_w} = - 248.6, $ |
$ {Z_q} = - 521.78;{N_{\dot r}} = - 5517.2;{N_{\dot v}} = - 1338, $ |
$ {N_r} = - 3456.7;{N_{uv}} = - 4943.25;{N_{\left. v \right|\left. v \right|}} = 3432.8, $ |
$ {N_{\left. r \right|\left. r \right|}} = - 696.2;{{M'}_{\dot q}} = - 5517.2;{{M'}_q} = - 789, $ |
$ {M_{\dot w}} = - 1338.8;{M_{uw}} = - 823.88, $ |
$ {M_{\left. w \right|\left. w \right|}} = - 1573;{M_{\left. q \right|\left. q \right|}} = - 6967 $ |
在无海流扰动情况下进行仿真,跟踪效果如图 3和图 4,从中可以看出存在稳定扰动的情况下,跟踪轨迹在160 s左右跟踪上了期望轨迹,并且抖动范围很小,能很好的跟踪上目标曲线。
![]() |
图 3 稳定扰动跟踪运动曲线与500~700 s间轨迹跟踪曲线误差 Fig.3 Tracking of stable disturbance and tracking error in 500~700 s |
![]() |
图 4 扰动突变情况下误差e、ψe、θe以及位置误差xe、ye、ze曲线 Fig.4 e, ψe, θe error and position error in disturbance mutation |
从图 3可以看出当扰动突然增加后,跟踪轨迹总体仍是稳定的。原设计500~700 s是扰动突然增加时间段,由扰动突然增加而引起的轨迹抖动到560 s左右开始出现,持续了30 s跟踪系统逐渐趋于稳定。从图 4中可以看出500~700 s扰动突然增加时间段对UUV的运动姿态ψ、θ影响还是挺大的,但整体的误差
从图 4可以看出状态误差和位置误差都在零值附近,图 5在500~700 s线速度控制出现了漂移,图 6在500~700 s控制力矩τq、τu出现了很大的抖动,说明力矩在这个时间段内产生作用。此外,对目标运动轨迹可以精准的跟踪,同时轨迹波动很小,说明反步法与神经网络结合起来对UUV的轨迹跟踪能够很好的控制。运用RBF神经网络来对扰动量进行估计,尤其当遇到突变的扰动量时也能很好的估计,从而快速响应控制力矩达到系统稳定的目的,从而减小不确定外力对系统总体运动的影响。
![]() |
图 5 UUV线速度跟踪控制曲线 Fig.5 UUV speed of tracking |
![]() |
图 6 控制力矩值曲线 Fig.6 Control moment |
1) 通过结合反步法和自适应RBF神经网络方法设计了虚拟速度控制器,并运用李雅普诺夫稳定理论证明了该控制系统误差最终一致有界。
2) 对流体中不存在海流和存在海流的情况分别进行仿真,从两个仿真结果看出反步法结合RBF神经网络控制方法在系统参数不精确和存在时变扰动情况下对UUV三维轨迹跟踪是有效的,能够实现三维轨迹较精确跟踪控制,达到了预期的目的。
3) 仿真存在一定的局限性,条件过于理想;并且由于硬件条件以及算法复杂程度的限制,尚未进行实物试验,仅进行了仿真。
希望在本次研究的基础上进行更深入的总结,并进行适当地简化,为以后进行实际UUV试验打下基础。
[1] |
张伟, 徐达, 王南南, 等. 基于对线控位策略的UUV回收运动控制研究[J]. 船舶工程, 2013, 35(5): 64-67. ZHANG Wei, XU Da, WANG Nannan, et al. Study of UUV recovery control based on positioning to line[J]. Ship engineering, 2013, 35(5): 64-67. ( ![]() |
[2] |
贾鹤鸣, 程相勤, 张利军, 等. 基于自适应Backstepping的欠驱动AUV三维航迹跟踪控制[J]. 控制与决策, 2012, 27(5): 652-657, 664. JIA Heming, CHENG Xiangqin, ZHANG Lijun, et al. Underactuated AUV 3D tracking control based on adaptive backstepping[J]. Control and design, 2012, 27(5): 652-657, 664. ( ![]() |
[3] |
徐健, 汪慢, 乔磊, 等. 欠驱动UUV三维轨迹跟踪的反步动态滑模控制[J]. 华中科技大学学报(自然科学版), 2015, 43(8): 107-113. XU Jian, WANG Man, QIAO Lei, et al. Underactuated UUV 3D tracking on backstepping slid mode control[J]. Journal of Huazhong University of Science and Technology(natural science edition), 2015, 43(8): 107-113. ( ![]() |
[4] |
徐健, 汪慢, 乔磊. 欠驱动无人水下航行器三维轨迹跟踪的反步控制[J]. 控制理论与应用, 2014, 31(11): 1589-1596. XU Jian, WANG Man, QIAO Lei. Underactuated unmanned underwater vehicle 3D tracking backstepping control[J]. Control theory and applications, 2014, 31(11): 1589-1596. ( ![]() |
[5] |
段海庆, 朱齐丹. 基于反步自适应神经网络的船舶航迹控制[J]. 智能系统学报, 2012, 7(03): 259-264. DUAN Haiqing, ZHU Qidan. Ship tracking control based on backstepping adaptive neural networks[J]. CAAI transactions on intelligent system, 2012, 7(03): 259-264. DOI:10.3969/j.issn.1673-4785.201205056 ( ![]() |
[6] |
程相勤. 基于滑模理论的欠驱动UUV空间曲线路径跟踪控制[D]. 哈尔滨: 哈尔滨工程大学, 2011. CHENG Xiangqin. Underactuated UUV space curve path tracking control based on sliding mode control theory[D]. Harbin: Harbin Engineering University, 2011. http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y2054064 ( ![]() |
[7] |
贾鹤鸣, 宋文龙, 陈子印, 等. 基于神经网络反步法的移动机器人路径跟踪控制[J]. 南京理工大学学报, 2014, 38(1): 27-33. JIA Heming, SONG Wenlong, CHEN Ziyin, et al. Mobile robot path tracking control based on neural networks backstepping method[J]. Journal of Nanjing University of Science and Technology, 2014, 38(1): 27-33. ( ![]() |
[8] |
王宏健, 陈子印, 贾鹤鸣, 等. 基于滤波反步法的欠驱动AUV三维路径跟踪控制[J]. 自动化学报, 2015, 41(3): 631-645. WANG Hongjian, CHEN Ziyin, JIA Heming, et al. Underactuated AUV 3D path tracking control based filter backstepping method[J]. Acta automatica sinica, 2015, 41(3): 631-645. ( ![]() |
[9] |
周佳加, 郭少彬, 贾鹤鸣, 等. 基于自适应神经网络的UUV航速控制仿真研究[J]. 船舶工程, 2013, 35(6): 72-75. ZHOU Jiajia, GUO Shaobin, JIA Heming, et al. The simulation study of UUV speed control based on adaptive neural networks[J]. Ship engineering, 2013, 35(6): 72-75. ( ![]() |
[10] |
周佳加, 严浙平, 贾鹤鸣, 等. 改进规则下自适应神经网络的UUV水平面路径跟随控制[J]. 中南大学学报(自然科学版), 2014, 45(9): 3021-3028. ZHOU Jiajia, YAN Zheping, JIA Heming and, et al. Adaptive neural networks UUV level path following control under the improved rules[J]. Journal of Central South University(natural science edition), 2014, 45(9): 3021-3028. ( ![]() |
[11] |
WANG Hongjian, XIONG Wei. Research on global path planning based on ant colony optimization for AUV[J]. Journal of marine science and application, 2009, 8(1): 58-64. DOI:10.1007/s11804-009-8002-7 ( ![]() |
[12] |
YAN Zheping, CHI Dongnan, ZHOU Jiajia, et al. Following Control for a UUV using Temporary Path Generation Guidance[J]. Journal of marine science and application, 2012, 11(2): 236-243. DOI:10.1007/s11804-012-1128-z ( ![]() |
[13] |
严浙平, 于浩淼, 李本银, 等. 基于积分滑模的欠驱动UUV地形跟踪控制[J]. 哈尔滨工程大学学报, 2016, 37(5): 701-706. YAN Zheping, YU Haomiao, LI Benyin, et al. Underactuated UUV terrain following control based on integral sliding mode[J]. Journal of Harbin Engineering University, 2016, 37(5): 701-706. ( ![]() |
[14] |
黎南, 湛鑫, 陈涛, 等. UUV水下回收中的视觉和短基线定位融合[J]. 智能系统报, 2013, 8(2): 156-161. LI Nan, ZHAN Xin, CHEN Tao, et al. Data fusion method of vision and SBL position for UUV underwater docking[J]. CAAI transactions on intelligent systems, 2013, 8(2): 156-161. ( ![]() |
[15] |
周维华. RBF神经网络隐层结构与参数优化研究[D]. 上海: 华东理工大学, 2014. ZHOU Weixiong. Study of RBF neural networks hidden layer structure and parameter optimization[D]. Shanghai: East China University of Science and Technology, 2014. http://cdmd.cnki.com.cn/Article/CDMD-10251-1014169369.htm ( ![]() |
[16] |
陈亮, 何为, 韩力群. RBF神经网络的行车路径代价函数建模[J]. 智能系统学报, 2011, 6(05): 424-431. CHEN Liang, HE Wei, HAN Liqun. Radial basis function neural network modeling of the traffic path cost function[J]. CAAI transactions on intelligent systems, 2011, 6(05): 424-431. DOI:10.3969/j.issn.1673-4785.2011.05.006 ( ![]() |
[17] |
DO K D, PAN J. Control of ships and underwater vehicles[J]. Advances in industrial control, 2009. ( ![]() |
[18] |
李殿璞. 船舶运动与建模[M]. 哈尔滨: 哈尔滨工程大学出版社, 1999.
( ![]() |