0 引　言

近年来，海上风力发电机凭借其利用率高、清洁、装配灵活等优点装机规模飞速增长^[1]。受海上环境影响，与海水接触的桩机表面、牺牲阳极等容易长满藤壶等海洋附着物，容易被腐蚀，降低寿命。因此，定期清理风电桩显得尤为重要，传统人工清洗方式存在安全风险高、作业周期长等缺点，基于缆控水下机器人（Remotely Operated Vehicle，ROV）的自动化清洗技术已成为当前研究热点。ROV具备工作时间长、作业范围广、操作简单等优点，在海洋资源开发、风电桩清洗等方面应用广泛。

ROV运动控制性能直接影响清洗作业效率。近年来，已有众多学者对此展开研究。熊保星等^[2]将模糊线性自抗扰控制策略应用于ROV定深控制中，利用模糊控制在线整定控制器参数，解决传统PID控制鲁棒性较差问题。梁一飞等^[3]提出一种基于降阶扩张状态观测的ROV自抗扰控制方法，具有较好的信号跟踪精度和扰动抑制能力。宋大雷等^[4]提出一种水动力模型补偿的自抗扰控制方法，利用已知信息对观测器进行补偿，可以减小观测器负担，提高控制精度。郑伦川等^[5]基于重构粒子群算法对机械臂自抗扰控制进行控制优化，减小机械臂在扰动作用下控制误差。单正等^[6]利用灰狼算法对燃气轮机自抗扰控制进行参数整定，极大程度地降低调参难度，并减小控制调节时间，提高综合控制性能。

同时部分学者对水下清洗设备进行研究。陈建均^[7]提出采用高压水泵和空气压缩机配合水下机器人对海上钢管淤泥进行清理，超高水压快速冲刷钢管表面淤泥，同时压缩机将空气分散成为小气泡，气泡上升过程中形成气流带动淤泥离开水底。整体清洗方式风险系数小，作业效率高。蔡洪建等^[8]提出一种移动支座式辅助冲洗装置，人工时刻调整移动支座，支座带动清洗设备进行移动，人工方式实现大范围空间的高精度定位，减小清洗设备对控制算法的依赖程度，方便时刻对准作业对象，减小作业难度，提高清洗工作效率。

本文提出一种支架式辅助清洗控制方法，通过支架约束，极大程度减小ROV控制难度在风电桩清洗ROV深度和艏向角控制回路采取自抗扰控制（Active Disturbance Rejection Control，ADRC）。同时利用淘金优化器（Gold Rush Optimizer，GRO）优化自抗扰控制器参数，减小调参难度，增加工程上的可用性。

1 风电桩清洗方案设计

考虑到海上风电桩清洗环境，桩机处水流紊乱、近水面受波浪力影响大。传统清洗方案可借鉴船舶动力定位思想，实现ROV位置控制，然后进行清洗工作。但是考虑到清洗时ROV与风电桩间距离较近，实现ROV精准动力定位控制，难度较大，并且存在撞击风险。本文以天津瀚海蓝帆海洋科技有限公司自主研发的ROV为研究对象，在ROV前方增加支撑架，以机械臂夹持空化射流枪实现清洗工作。辅助式支架清洗方式如图1所示。

ROV通过辅助支架与风电桩表面形成刚性接触，同时水平推进器施加一定推力，保持ROV与风电桩间的紧密贴合状态。可保证清洗作业的安全距离，降低水流冲击影响。此时俯仰角和横滚角变化较小，对空化射流清洗轨迹影响可忽略不计。

基于支架的物理约束，对ROV的位姿控制转化为对深度和艏向角的控制。辅助支架与风电桩间存在摩擦力，清洗时空化射流枪也存在反作用力，传统PID控制无法对此进行扰动补偿，鉴于自抗扰控制的独特扰动观测机制，利用扩张状态观测器将复杂扰动扩张成总扰动从而进行补偿，故在深度和艏向角回路采取自抗扰控制方法。

2 ROV数学模型 2.1 坐标系建立

为方便描述ROV在水下三维空间运动时的状态量，建立惯性参考坐标系$E - \xi \eta \zeta $和运动坐标系$O - xyz$，惯性参考坐标系固定于地球表面，用来描述ROV位置、速度等信息；运动坐标系原点一般位于ROV重心处，主要描述ROV实时姿态信息。ROV坐标系如图2所示。

2.2 运动学模型

ROV运动各参数定义如表1所示。

坐标系中运动坐标系经3次坐标旋转变换与固定坐标系重合^[9]，ROV运动坐标系到惯性坐标系的转换方程为：

$ \left\{\begin{aligned}&\dot{\eta}=\left[\dot{\eta}_1,\dot{\eta}_2\right]=J\left(\eta\right)V，\\ &\eta_1=\left[{x},{y},{z}\right]^{\mathrm{T}}，\\ &\eta_2=\left[\phi,\theta,\psi\right]\mathrm{^T}，\\ &V=\left[u,v,w,p,q,r\right]^{\mathrm{T}}。\end{aligned}\right. $

(1)

式中：$ J\left(\eta\right)=\left[\begin{array}{*{20}{c}}\boldsymbol{J}_{\mathbf{1}}\left(\boldsymbol{\eta}_{\mathbf{1}}\right) & 0 \\ 0 & \boldsymbol{J}_{\mathbf{2}}\left(\boldsymbol{\eta}_{\mathbf{2}}\right)\end{array}\right] $，$ \boldsymbol{J}_{\mathbf{1}}\left(\boldsymbol{\eta}_{\mathbf{1}}\right) $、$ \boldsymbol{J}\mathbf{_2}\left(\boldsymbol{\eta}_{\mathbf{2}}\right) $分别为线速度转换矩阵、角速度转换矩阵。

2.3 动力学模型

根据Fossen公式^[10]，结合ROV实际作业场景，ROV在水下未知环境中，六自由度动力学方程为：

$ M\dot{V}+\boldsymbol{C}\left(\boldsymbol{V}\right)\boldsymbol{V}+\boldsymbol{D}\left(\boldsymbol{V}\right)\boldsymbol{V}+\boldsymbol{g}\left(\boldsymbol{\eta}\right)=\boldsymbol{\tau}+F_c 。$

(2)

式中：$ \boldsymbol{M}=\boldsymbol{M_{RB}}+\boldsymbol{M_A} $，$ \boldsymbol{M_{RB}} $为刚体质量矩阵，$ \boldsymbol{M_A} $为附加质量矩阵，$ \boldsymbol{M} $为ROV包含附加质量的惯性矩阵；$V$为运动坐标系下线速度和角速度向量；$ \boldsymbol{C}\left(\boldsymbol{V}\right) $为科氏及向心力矩阵；$ \boldsymbol{D}\left(\boldsymbol{V}\right) $为水动力阻尼矩阵；$ \boldsymbol{g}\left(\boldsymbol{\eta}\right) $为重力和浮力组合产生的回复力矩阵；$ \boldsymbol{\tau} $为推进器系统提供的推力（力矩）；${F_c} = \rho vA$，${F_c}$为射流反冲力，$\rho $为水密度，$v$为射流速度，$A$为射流面积。

得益于计算机技术的发展，本文采取CFD方法对ROV水动力系数进行计算。首先对ROV模型进行化简，以便得到高质量网格。基于以下原则对ROV模型进行化简：

1） 忽略ROV控制舱、动力舱、观测舱的内部结构，化简成圆柱体；

2）忽略推进器桨叶、桨叶特征及推进器外部造型倒角；

3）在保留ROV主要特征前提下，对机械臂、摄像头、照明灯、天线等部件进行化简，以合适规格的圆柱体进行替代。

可得到ROV化简模型如图3所示。

采取长方体计算域，Realizable k-ε湍流模型，在STAR-CCM+中通过竖直方向的上升下潜运动和水平方向回转运动求取水动力系数。具体计算过程见文献[11]。

2.4 推进器模型

该研究对象采用8个推进器布置，水平面4个推进器与水平线成30°夹角，采用矢量布置；竖直面4个推进器轴线与坐标系竖直坐标轴平行，竖直面推进器距离运动坐标系$O - x$轴${l_y} = 250$ cm，距离运动坐标系$O - y$轴${l_x} = 380$ cm，各推进器布置情况如图4所示。

水平面推进器安装在ROV重心高度位置，故水平面推进器不会对竖直面3个自由度产生力（力矩），ROV各自由度目标力及力矩${\tau _c}$和8个推进器$ T $的关系为：

$ \left\{\begin{array}{*{20}{l}}\tau_c=\boldsymbol{Bf}，\\ \tau_c=\left[X,Y,Z,K,M,N\right]^{\mathrm{T}}，\\ \boldsymbol{f}=\left[{T}_1,{T}_2,{T}_3,{T}_4,{T}_5,{T}_6,{T}_7,{T}_8\right]^{\mathrm{T}}。\end{array}\right. $

(3)

${ {\boldsymbol{B}} = \left[ {\begin{array}{*{20}{c}} {{c_1}}&{{c_1}}&{{c_1}}&{{c_1}}&0&0&0&0 \\ { - {c_2}}&{{c_2}}&{ - {c_2}}&{{c_2}}&0&0&0&0 \\ 0&0&0&0&1&1&1&1 \\ 0&0&0&0&{{l_x}}&{{l_x}}&{ - {l_x}}&{ - {l_x}} \\ 0&0&0&0&{{l_y}}&{ - {l_y}}&{ - {l_y}}&{{l_y}} \\ { - {c_1}{l_y} - {c_2}{l_x}}& {{c_1}{l_y} + {c_2}{l_x}}& {{c_1}{l_y} + {c_2}{l_x}}& { - {c_1}{l_y} - {c_2}{l_x}}&0&0&0&0 \end{array}} \right] }。$

(4)

式中：$ \boldsymbol{B} $为推进器布置矩阵，$ \boldsymbol{f} $为推进器推力矩阵。$ {c_1} = \cos {30^\circ } $；${c_2} = \sin {30^\circ } $。

3 自抗扰控制器

自抗扰控制结构主要包括微分跟踪器（Tracking Differentiator，TD）、扩张状态观测器（Extended State Observer，ESO）和非线性误差反馈控制律（Nonlinear State Error Feedback，NLSEF）。TD主要解决输入信号超调量和快速性之间的矛盾；ESO用于估计系统实时总扰动并给予补偿；NLSEF用于构造合适的非线性函数完成控制器反馈^[12]。自抗扰控制流程如图5所示。

将深度和艏向角看做二阶系统进行控制，以深度控制为例，期望深度进入到TD中，TD输出期望深度的跟踪信号${v_1}$和微分信号${v_2}$，ESO对非线性系进行估计，输出3个系统状态变量，${z_3}$是ESO对系统内外总扰动进行估计得出的扰动变量，${z_1}$、${z_2}$分别与${v_1}$、${v_2}$作差得到NLSEF的2个输入量，即深度误差信号${e_1}$、${e_2}$。2个误差信号经过NLSEF作用得到系统初始控制量${u_0}$，${u_0}$和状态变量${z_3}$经过补偿因子b相互作用得到最终控制量$ u $。

微分跟踪器可以对输入信号进行平滑过渡，为适应计算需求，其离散形式为：

$ \left\{ {\begin{aligned} &{{x_1}\left( {k + 1} \right) = {x_1}\left( k \right) + h{x_2}\left( k \right)}，\\ &{{x_2}\left( {k + 1} \right) = {x_2}\left( k \right) + hfhan} 。\end{aligned}} \right. $

(5)

式中：$x\left( k \right)$为输入信号；$h$为采样步长；$fhan$为最速跟踪函数，可解决系统在有限步长达不到期望值的问题，具体表达式为：

$ \left\{\begin{aligned} & d=r_0h_0^2 ，\\ & a_0=h_0x_2 ，\\ & y=x_1+a_0 ，\\ & a_1=\sqrt{d\left(d+8\left|y\right|\right)} ，\\ & a_2=a_0+\mathrm{sign}\left(y\right)\left(a_1-d\right)\mathord{\left/\vphantom{\left(a_1-d\right)2}\right.}2 ，\\ & s_y=\left[\mathrm{sign}\left(y+d\right)-\mathrm{sign}\left(y-d\right)\right]\mathord{\left/\vphantom{\left[sign\left(y+d\right)-sign\left(y-d\right)\right]2}\right.}2 ，\\ & a=\left(a_0+y-a_2\right)s_y+a_2 ，\\ & s_a=\left[\mathrm{sign}\left(a+d\right)-\mathrm{sign}\left(a-d\right)\right]\mathord{\left/\vphantom{\left[sign\left(a+d\right)-sign\left(a-d\right)\right]2}\right.}2 ，\\ & fhan=-r\left[a\mathord{\left/\vphantom{ad-sign\left(a\right)}\right.}d-\mathrm{sign}\left(a\right)\right]s_a-r_0\mathrm{sign}\left(a\right)。\end{aligned}\right. $

(6)

式中：${x_1}$、${x_2}$均为系统状态变量；${r_0}$为跟踪因子；${h_0}$为滤波因子。

扩张状态观测器是实现自抗扰的核心，将控制系统未建模动态与未知扰动扩张成一个总扰动，从而实现自抗扰。以非线性函数$fal$函数进行观测器设计，具体如下：

$ \left\{ {\begin{aligned} &{{e_1} = {z_1}\left( k \right) - y\left( k \right)}，\\ &{{z_1}\left( {k + 1} \right) = {z_1}\left( k \right) + h\left( {{z_2}\left( k \right) - {\beta _1}{e_1}} \right)}，\\ &{{z_2}\left( {k + 1} \right) = {z_2}\left( k \right) + h\left( {{z_3}\left( k \right) - {\beta _2}fal\left( {{e_1},{\alpha _1},\delta } \right) + bu} \right)}，\\ &{{z_3}\left( {k + 1} \right) = {z_3}\left( k \right) - h{\beta _3}fal\left( {{e_2},{\alpha _2},\delta } \right)} 。\end{aligned}} \right. $

(7)

式中：$e$为系统观测误差；${\beta _1}$、${\beta _2}$、${\beta _3}$均为误差校正系数；${z_1}$、${z_2}$、${z_3}$均为系统观测状态；$b$为补偿因子。

$fal$函数表达式为：

$ fal\left( {e,\alpha ,\delta } \right) = \left\{ {\begin{aligned} &{\displaystyle\frac{e}{{{\delta ^{1 - \alpha }}}},\left| e \right| \leqslant \delta } ，\\ &{{{\left| e \right|}^\alpha }{\rm{sign}}\left( e \right),\left| e \right| > \delta } 。\end{aligned}} \right. $

(8)

式中：$e$、$\alpha $、$\delta $均为函数参数。

基于TD、ESO，得到系统的输入误差信号和误差微分信号，以非线性组合形式进行误差反馈补偿，非线性误差反馈控制律如下：

$ \left\{ {\begin{aligned} &{{e_1} = {x_1} - {z_1}}，\\ &{{e_2} = {x_2} - {z_2}}，\\ &{{u_0} = {k_p}fal\left( {{e_1},{\alpha _1},\delta } \right) + {k_d}fal\left( {{e_2},{\alpha _2},\delta } \right)}，\\ &{u = {u_0} - {{{z_3}} \mathord{\left/ {\vphantom {{{z_3}} b}} \right. } b}} 。\end{aligned}} \right. $

(9)

式中：${k_p}$、${k_d}$均为代表控制器输出增益；${e_1}$、${e_2}$均为系统状态观测误差。

4 淘金优化器算法 4.1 淘金优化器算法原理

淘金优化器算法是一种基于人类淘金活动的元启发式算法，以淘金活动中的迁移、合作、挖掘3种核心行为抽象而来^[13]，目的是寻找到最优金矿。

淘金者总是向黄金最多的位置进行迁移，将迁移行为定义为：

$ {D_1} = {C_1}\cdot{X_*}(t) - {X_i}(t)，$

(10)

$ X_{\mathrm{new}i}(t+1)=X_i(t)+A_1\cdot D_1。$

(11)

式中：$ {X_*} $为最佳金矿位置；${X_i}$为淘金者$i$的位置；$t$为当前迭代次数；$ X_{\mathrm{new}i} $为淘金者$i$的新位置；${A_1}$、${C_1}$均为向量系数，$\left| {{A_1}} \right|$限制了淘金者新位置位于最佳金矿附近，有利于算法具备更好的开发能力，${A_1}$、${C_1}$的计算公式为：

$ {A_1} = 1 + {{l} _1}\left( {{r_1} + \frac{1}{2}} \right) ，$

(12)

$ {C_1} = 2{r_2}。$

(13)

式中：${r_1}$、$ {r_2} $均为$\left[ {0,1} \right]$之间随机向量；${l_1}$为式(11)定义的收敛分量；$e = 1$时，${l_e}$从2线性收敛到${1}/{{{{\max}_{iter}}}}$；$e > 1$时，${l_e}$非线性减少。

$ {l_e} = {\left( {\frac{{{{\max }_{iter}} - iter}}{{{{\max }_{iter}} - 1}}} \right)^e}\left( {2 - \frac{1}{{{{\max }_{iter}}}}} \right) + \frac{1}{{{{\max }_{iter}}}} 。$

(14)

挖掘金矿时，每个淘金者的位置都被近似认为是金矿位置，挖掘行为表示为：

$ {D_2} = {X_i}\left( {{t}} \right) - {X_r}\left( {{t}} \right) ，$

(15)

$ X_{\mathrm{new}i}\left({t}+1\right)=X_r\left({t}\right)+A_2.D_2 。$

(16)

式中：$ X_i、X_r、X_{\mathrm{new}i} $分别为淘金者$ i $、随机淘金者$ r $的位置以及淘金者$ i $的新位置。

${A_2}$是淘金者$ i $新位置的计算向量，其定义见式(13)，式中参数${l_2}$增加了挖掘行为的开发能力；$\left| {{A_2}} \right| > 1$时，淘金者$ i $新位置远离淘金者$ r $；$\left| {{A_2}} \right| < 1$时，反之。

$ {A_2} = 2{{{l}}_2}{r_1} - {{{l}}_2}。$

(17)

淘金行为有时是团队行为，式(18)、式(19)表示淘金者团队行为。

$ {D_3} = {X_{g2}}\left( {{t}} \right) - {X_{g1}}\left( {{t}} \right)，$

(18)

$ X_{\mathrm{new}i}\left({t + 1}\right)=X_i\left({t}\right)+r_1\cdot D_3。$

(19)

式中：${X_{g1}}、{X_{g2}}$为2个随机淘金者，加上淘金者$ i $，三者构成一个团队进行合作；${D_3}$表示合作因子。合作时，挖掘区域由淘金者$ X_{g1}、X_{g2} $确定，具体挖掘位置由淘金者$i$确定。淘金初始阶段，团队合作更多表现为随机搜索，随着逐渐接近最佳金矿，团队更侧重于金矿挖掘，式(19)中${r_1}$增加了算法在合作空间中的随机搜索能力。

在算法执行过程中，如果新位置黄金量更多，则搬迁到新位置进行淘金，循环往复直到算法结束，搬迁行为定义为式(20)，通过对比适应度函数值选择是否搬迁到新金矿位置。

$ X_i\left({t+1}\right) = X_{\mathrm{new}i}\left({t+1}\right)，{f}\left(X_{\mathrm{new}i}\left({t + 1}\right)\right) < {f}\left(X_i\left({t}\right)\right)。$

(20)

GRO算法的基本流程如图6所示。

4.2 淘金优化器算法性能对比

开发能力和探索能力是智能算法的两大特征，已有学者结合智能算法对ADRC参数进行优化，本文选择灰狼优化算法、粒子群算法进行对比。选择CEC2005测试集中单峰测试函数和多峰测试函数各一种进行对比，验证GRO算法的开发与探索性能，测试函数如下：

$ \left\{ {\begin{aligned} &{{f_1} = \displaystyle\sum\limits_{i = 1}^n {{x_i}^2} }，\\ &{{f_{11}} = \displaystyle\frac{1}{{4000}}\displaystyle\sum\limits_{i = 1}^n {{x_i}^2} - \prod\limits_{i = 1}^n {\cos \left( {\displaystyle\frac{{{x_i}}}{{\sqrt i }}} \right)} + 1}。\end{aligned}} \right. $

(21)

式中：${f_1}$为球函数，具有全局极小值；${f_{11}}$为Griewank函数，具有多个局部极小值。2种函数种群都为30，最小值都为0，${f_1}$、${f_{11}}$取值范围分别为$\left[ {100,100} \right]$和$\left[ { - 600,600} \right]$，对比结果如图7和图8所示。对比可知，随迭代次数的增加，GRO算法适应度值最小，在开发与探索方面均优于粒子群和灰狼算法。因此，选择淘金优化器算法作为深度自抗扰控制器的优化算法。

4.3 GRO参数优化

以深度控制回路为例对自抗扰控制器参数进行优化。

选择ITAE^[14]作为适应度函数，其定义式为：

$ f = \int_0^\infty {t\left| {e\left( t \right)} \right|{\rm{d}}t}。$

(22)

式中：$e\left( t \right)$为输入值与输出值偏差；$t$为时间。

参数${r_0}$、${h_0}$是TD中待调节参数，主要影响输入和输入微分信号的平滑性，经过多次仿真发现，其不同取值对整体曲线不会产生较大影响，取固定的经验值即可。参数${\beta _1}$、${\beta _2}$、${\beta _3}$是ESO中主要待调节参数，3个参数相互作用，决定了对扰动的观测效果，同时很大程度上影响最终控制效果，因此需要进行优化。参数${k_p}$、${k_d}$是NLSEF中的2个待优化参数，类似于PID中的比例系数和微分系数，对控制效果影响也比较大。所以选择${\beta _1}$、${\beta _2}$、${\beta _3}$、${k_p}$、${k_d}$共5个参数参与优化。首先GRO在参数范围内随机生成参数，赋值给ADRC中待优化参数进行仿真，循环多次，根据ITAE的值，决定是否更新待优化参数值，直至退出循环，具体优化过程如图9所示。根据经验值对$ {\beta }_{1}、{\beta }_{2}、{\beta }_{3} $、$ {k}_{p}、{k}_{d} $设置参数范围为$\left[ {0,100} \right]$、$\left[ {0,500} \right]$、$\left[ {0,200} \right]$、$\left[ {0,200} \right]$、$\left[ {0,200} \right]$。在Matlab中对ROV深度控制系统进行建模仿真。

ADRC控制器中参数经验值如表2所示。

淘金优化器中初始化淘金者数量为10，最大迭代次数100，仿真运行10次，取其中适应度值最小的一次作为优化结果，适应度值如图10所示，参数实时优化过程如图11所示。

5 仿真验证

ROV清洗风电桩属于近水面作业，主要受海流和波浪影响，考虑到清洗风电桩实际工况：小流、低速、低浪。忽略海流影响，主要考虑波浪力影响，采取ITTC单参数谱对波浪进行描述，波面方程^[15]为：

$ {\eta _w} = {\alpha _w}\cos \left( {{\omega _w}t - {k_x}x - {k_y}y} \right)。$

(23)

式中：${\alpha _w}$为波浪幅值；${\omega _w}$为波浪角频率；${k_x} = {k_w}\cos {\psi _w}$，${k_y} = {k_w}\sin {\psi _w}$，${k_w}$为波数，${\psi _w}$为浪向角。

深度和艏向角上速度为：

$ v_{\mathrm{wav}z}=\sum\limits_N^{ }w_{wj}，$

(24)

$ v_{\mathrm{wav}y}=\left[\sum\limits_N^{ }u_{wj}\right]\sin\left(\psi_w\right)。$

(25)

式中：${w_{wj}}$、${u_{wj}}$分别为海浪坐标系下速度。

将GRO优化后的参数带入深度与艏向角控制器进行仿真，与PID控制、未经参数优化的ADRC控制进行对比，深度和艏向角仿真参数情况如表3所示。

期望深度2 m，期望角度20°，在60 s时加入扰动，响应曲线如图12和图13所示，数据对比结果如表4所示。

分析可知，在深度与艏向角回路中，PID控制存在明显不足，动态响应过程中出现较大超调，且调节时间长；经过参数优化后的ADRC在超调量、响应速度方面均有所提高，在施加波浪扰动后，深度回路稳态误差仅0.01 m，通过对比发现在深度通道GRO-ADRC控制策略稳态误差较PID、ADRC策略分别减小92%、83%。艏向角回路几乎无稳态误差，优化后的ADRC策略稳态误差比PID、ADRC均减小90%以上，展现出较强的鲁棒性。故自抗扰控制策略更适合风电桩清洗ROV控制，且参数优化后的ADRC综合控制性能有所提高。

6 清洗试验

在某风电场进行风电桩清洗试验，当日风电场海域为二级海况，桩机附近流速1 kn左右。风电桩周围的水域环境复杂，水流方向多变，且受到潮流、波浪和水流速变化的综合影响，导致ROV在作业过程中受到显著的外部扰动。在此环境下验证支架式辅助控制方法的可行性。在ROV清洗过程中采集深度与艏向角数据，分析ADRC控制效果，数据采样时间0.5 s。

由图14可知，清洗过程中，深度基本可保持在1.1 m，上下浮动最大误差不超过0.1 m，虽然频率较高，但是幅度不大。由图15可知，角度保持在260°左右，偏转角度误差在8°以内。虽然深度与艏向角回路存在较小误差，但是针对海上风电桩清洗这一工况，符合清洗要求。由空化射流清洗结果可知ROV位置控制稳定，空化射流枪可进行有序清洗，且效果较好，证明所提清洗控制方法的有效性。

7 结　语

1） 通过支架与风电桩基形成刚性接触，将风电桩清洗ROV 六度控制转换为深度与艏向角控制，大大降低控制难度。

2） 联合GRO对ADRC部分参数进行优化，仿真证明参数优化后的自抗扰控制相较于PID、ADRC控制在深度通道稳态分别降低92%、83%；在艏向角通道稳态误差均降低90%以上。降低参数整定难度，大幅度提高控制效果。

3） 海上清洗试验表明所提控制方法在深度和艏向角回路控制误差保持在0.1 m和8°以内，验证了支架式辅助清洗控制策略的可行性，为海上风电桩基、导管架平台及桩基式采油平台清洗提供了参考。