基于RBF神经网络的新型AUV自抗扰控制方法.pdf
《基于RBF神经网络的新型AUV自抗扰控制方法.pdf》由会员分享,可在线阅读,更多相关《基于RBF神经网络的新型AUV自抗扰控制方法.pdf(7页珍藏版)》请在咨信网上搜索。
1、第45卷第18 期2023年9 月舰船科学技术SHIP SCIENCEANDTECHNOLOGYVol.45,No.18Sep.,2023基于RBF神经网络的新型AUV自抗扰控制方法乌云嘎12.3.4,徐会希1,.2 3,姜志斌1.2.3(1.中国科学院沈阳自动化研究所机器人学国家重点实验室,辽宁沈阳110 0 16;2.中国科学院机器人与智能制造创新研究院,辽宁沈阳110 16 9;3.辽宁省水下机器人重点实验室,辽宁沈阳110 16 9;4.中国科学院大学,北京10 0 0 49)摘要:近海底复杂环境中精细观测作业与精确位置控制等技术对自主水下航行器(AUV)提出了更高的要求。为此本文提出
2、一种基于径向基函数神经网络(RBFNN)的新型自抗扰控制方法。利用自适应RBF神经网络的自学习能力,对扩张状态观测器进行优化,使其对模型不确定部分和环境干扰能够自适应估计,并实现将总扰动在线补偿到控制输入中,实现更佳的扰动估计及控制性能。通过仿真实验发现,与传统自抗扰控制(ADRC)相比,不同阶跃输入下,改进方法具有更小的观测误差,控制稳定性更好,且在较低采样频率下依然可以取得理想的控制效果。仿真结果表明,本文方法能够优化扩张状态观测器的性能,提高AUV在不同阶跃输人及采样频率下的稳定性,简化了控制器调参过程,为实际工程应用提供借鉴。关键词:自主水下航行器;自抗扰控制器;自适应径向基函数神经网
3、络;扩张状态观测器中图分类号:U675.91文章编号:16 7 2-7 6 49(2 0 2 3)18-0 0 8 5-0 7Active disturbance rejection control method for AUVWU Yun-ga-3,XU Hui-xi-2,JIANG Zhi-bin23(1.State Key Laboratory of Robotics,Shenyang Institute of Automation,Chinese Academy of Sciences,Shenyang 110016,China;2.Institute for Robotics and
4、 Intelligent Manufacturing,Chinese Academy of Sciences,Shenyang 110169,China;3.Key Laboratory of Marine Robotics,Shenyang 110169,China;4.University of Chinese Academy of Sciences,Abstract:Technologies such as elaborate observation and accurate position control in the complex environment closeto seab
5、ed have put forward higher requirement for(autonomous underwater vehicle)AUV.This paper proposes a novel(act-ive disturbance rejection control)ADRC method based on(radial basis function neural network)RBFNN compensation.Theextended state observer is optimized so that it can adaptively estimate the u
6、ncertain part of the model and the environmentdisturbances.Then the total internal and external disturbances are compensated online into the control input to realize betterdisturbances estimation and control performance.Through simulation experiment,it is found that,compared with originalADRC,the im
7、proved method has smaller observation error and better controller stability under different step inputs.And itsless affected by the sampling frequency.Simulation results show that the method in this paper can optimize the performanceof extended state observer,improve the stability of AUV under diffe
8、rent step inputs and sampling frequents,simplify theparameter adjustment process,and provide reference for practical engineering application.Key words:autonomous underwater vehicle;active disturbance rejection controller;adaptive radial basis functionneural network;extended state observer文献标识码:Abase
9、d on RBF neural networkBeijing 100049,China)doi:10.3404/j.issn.1672-7649.2023.18.0140引言AUV因其自主、智能的特性,在水下环境探测和收稿日期:2 0 2 2-0 5-30基金项目:深海光学AUV系统研制及示范应用(2 0 2 0 B1111010004);深渊AUV研制及与自主对接技术研究(XDA22040103);国家重点研发计划资助项目(2 0 19 YFB1310300);机器人学国家重点实验室资助项目(2 0 2 1-Z11L02)作者简介:乌云嘎(19 9 2 一),男,硕士研究生,研究方向为水下机
10、器人控制。资源勘探方面发挥了人工无法比拟的作用。AUV作业过程中,受到海浪和水流的干扰,所以在近海底自主观测、轨迹跟踪等要求精细控制的场景,必须考虑86外界环境扰动对AUV稳定性的影响。AUV平台具有多变量、非线性、强耦合、外界干扰多和内部参数时变的特点,要想达到理想的控制效果,往往需要收敛速度快、抗干扰、鲁棒能力强的控制器,这些要求给控制系统的设计带来了很多困难。基于对象信息的现代控制理论包含对模型不确定性的近似,这种近似性使得AUV控制系统性能有待提高。针对控制器本身存在不足及其对扰动抑制能力弱的问题,韩京清等3-5提出了一种抗扰动控制方法,对控制模型信息依赖少,具有天然的解耦性和优秀的抗
11、干扰能力,被广泛应用于机器人控制。针对非线性自抗扰控制参数比较多的问题,高志强6 提出了线性化版本,简化了工程实现和参数整定,更加便于工业推广。目前针对线性自抗扰控制器的理论研究主要集中在其时域和频域特性的探索,以及与PID的关系的证明上,总结出了很多控制器调参的指导方法。其中,JIN等7 证明二阶线性ADRC可以等效于增加了前馈和二阶低通滤波器PID控制,并提出了按照等效PID参数对二阶线性ADRC调参的方法。崔文庆等8 说明在中低频段线性ADRC等效于PID控制器串联n阶超前环节。除了根据频域特性和类比PID的调参方法,还有很多自适应调参方法,如基于强化学习改进的自抗扰控制算法在无人船中的
12、应用9-10。以上理论分析说明ADRC实际上是改进版的PID,PI D 是ADRC的一种特殊情况。但是当输入阶跃信号的幅值改变较大时,得到的过渡过程不同,原有的扩张状态观测器对扰动的观测误差将增大,进而影响系统的稳定性,需要重新调节控制器参数,才能取得好的控制效果。为此,本文提出一种基于RBF神经网络补偿的线性自抗扰控制方法:利用神经网络的自学习和自适应能力,将其用于扰动观测器的改进,实现在不同阶跃信号下对扰动的准确估计,以此改善ADRC的控制性能,简化控制器调参过程,提高控制器的鲁棒性。将改进后的控制器应用于AUV的航向角控制,通过仿真实验说明了方法的有效性,验证了所提方法对不同采样频率的鲁
13、棒性。仿真结果表明,在低采样频率下改进后的控制方法有更好的控制效果,对实际工程具有参考意义。1AUV模型1.1全坐标系、术语和符号定义按照国际水池(ITTC)推荐的和造船与轮机工程学会(SNAME)术语公报的体系,采用2 个右手坐标系表述AUV的运动学和动力学模型:一个是固定于地球上的定坐标系E-,原点取为水中任意一点;舰船科学技术另一个是与AUV固联并随之运动的动坐标系G-xyz,原点取为AUV的浮心。AUV的位置和姿态分别用动系相对于定系的坐标(SB,n B,B)和姿态角(横滚角,纵倾角,航向角)表示,而AUV运动的速度(u,v,w)、角速度(p,q,r)、所受力(X,Y,Z)和力矩(K,
14、M,N)定义于动坐标系中,规定向量正方向沿对应坐标系正方向,所有旋转变量采用右手螺旋规则确定方向。坐标系和变量的定义如图1所示,各变量对应的符号列于表1。E1图1坐标系和变量示意Fig.1 Coordinate systems and parameters表1变量对应的符号Tab.1 Signs of parameters坐标轴位置P姿态速度V角速度Q力F力矩MX/轴5B/轴nBZ/轴B1.2AUV运动学模型将AUV看做自由运动的刚体,根据刚体六自由度运动学方程,AUV位姿和运动速度之间的转换关系表达为:P可03x3式中:T表示速度矢量从动系到定系的变换矩阵,R代表角速度矢量从动系到定系的变换
15、矩阵。1.3AUV动力学模型将AUV看做刚体,参考刚体动力学公式推导AUV动力学模型。记v=V2T,根据刚体六自由度动力学方程:MRBi+CRB(V)V=TRB。式中:MRBER6X6为惯性矩阵;CRBER6x6为科氏力和向心力矩阵;TRBER为刚体受到的所有外力和外力矩。对于水下航行器应用环境,表达式12 为:TRB=T+Thyd+Ths+Tdiso第45卷uP0VWT03x3RXYMZVK(1)(2)(3)第45卷跟踪微分器V2(TD)Fig.2Structureof ADRCcontroller式中:Thyd=-MAir-CA(vr)V,-D(vr)v,为水动力项,Ths=-g()-go
16、为重力、浮力和载重产生的水静力项,dis表示来自水流、海浪等的环境干扰力、力矩,T=【XY ZK MN 为推进器和浆、舵的操纵力。本文实验使用的模型为REMUS100AUV,其操纵力来自尾推进器、垂直操纵舵和水平操纵舵。1.4AUV航向角控制模型由式(2)和式(3)得到AUV状态变量的加速度表达式为:v=M-It-M-I(C(v)v-D(v)v-g(0)-go+Tdis)。(4)其中,M=MRB+MA,C=CR B+CA,分别对应包含附加质量的矩阵。实际控制器按照解耦后的模型来设计,所以可以对模型进行合理的简化。假设整个过程中推进器的转速保持不变,AUV处于巡航状态,当控制航向角时,只有垂直舵
17、动作,水平舵微调用于保持纵倾角稳定。基于上述假设,得到航向角控制模型:i=m61(Xprop+Xr)+m62Yr+m64Kprop+m66N,+f(d,j,w,t)=bof+bo,+b+f(w.i,ww,t).其中:mij为M矩阵的元素;Xprop,K p r o p,Xr,Y r,N分别为尾推进器和垂直舵的操纵力,力矩;Wu为外界环境的扰动;f(山,山,wu,t)为包含解耦项、水动力参数项等模型不确定部分的扰动,记,ie0,2份别为角不同阶次项的系数。2RBF神经网络改进的自抗扰控制器2.1自抗扰控制技术ADRC将积分器串联型作为标准型,将总扰动扩张为系统的一个状态,并经观测器估计后补偿到控
18、制输人中加以消除,达到简化控制系统、提高控制抗干扰性的目的。ADRC由扩张状态观测器(ExtendedStateObserv-er,ESO)、跟踪微分器(TrackingDifferentiator,T D)乌云嘎,等:基于RBF神经网络的新型AUV自抗扰控制方法1w)状态误差反馈控制律(SEF)二23扩张状态22观测器(ESO)图2 ADRC控制器结构87和状态误差反馈控制律(StateErrorFeedback,SEF)组成,如图2 所示。其中ESO用于估计系统的状态和b总扰动,生成补偿量,TD用于配置过渡过程和获取微分信号,SEF用于生成控制信号。设二阶对象:j=f(y,y,w,t)+b
19、io。式中:w为外部扰动,f(y,y,w,t)为包含内扰和外扰的总扰动。取系统状态变量:V1=y,V2=y,可将上式转化为状态方程:V1=V2,v2=f(v1,V2,W,t)+b1o,(y=V1。将航向角控制模型除控制量一阶项外的部分视为该通道的内部扰动,则式(5)变为:i=byo,+f(d,j,or,w,t)。对比式(6),可对航向角控制应用扩张状态观测器,估计总扰动并补偿到控制信号中。2.1.1跟踪微分器TD的算法为:1=V2,v2=fhan(V1-Vo,V2,ro,ho)。其中fhan(x1,x2,ro,ho)为最速综合函数,表达式为:rsign(a),lal d,fhan=lald。(
20、5)(ao+d)X2+sign(x3),x3/do,a=2X3X2+ho式中:ro,h o 为函数控制参量,ro称为速度因子,根据过渡过程快慢的需要和系统的承受能力决定,ho称为滤波因子,常取系统采样步长的若干倍。d=roh,ao=hox2,x3=X1+ao。TD的状态变量vi能够跟踪输人信号vo,配置过渡过程,生成快速、无超调的过渡信号,而v2作为vo的近似微分能够跟踪输入信号的微分。2.1.2扩张状态观测器ESO是ADRC的核心,其以控制信号和输出信号为输人量,输出对系统状态和总扰动的估计。将总扰动扩张成新的状态变量:V3=f(y,j,w,t)。(6)(7)(8)(9)(10)(11)Ix
21、3/do。(12)88则可对系统式(7)建立线性扩张状态观测器:8=y-z1,2之1=Z2+l18,22=Z3+l28+b18,(23=l38。其中,观测器的状态向量z=Z1 z2 z3T是对系统状态向量v=v1V2v3T的估计,L=l1l2l3T为观测器增益矩阵,可取=3wo3w%wa,称wo为观测器带宽。2.1.3状态误差反馈控制器将总干扰的观测值补偿到控制信号中:6=二3+0b1忽略z3的估计误差,系统式(6)中的控制对象简化为积分器串联系统。j=(f-z3)+0o o采用PD控制生成控制信号:0o=kp(vi-z1)-ka(v2-z2)。其中,K=kakpT为控制器增益矩阵,可取=2
22、wcwT,称w为控制带宽。2.2自适应RBF神经网络改进的自抗扰控制器根据扩张状态观测器的表达式(13),观测器带宽是固定不变的,只对一定频率范围内的干扰估计效果比较好,如果扰动的频率范围较宽,观测效果就会降低,需要重新调整观测器带宽。同时,由于AUV模型具有非线性、耦合、时变的特点,不同阶跃输人和采样频率也会引起内部扰动的变化,影响观测器的效率。针对这一问题,可以用RBF神经网络改进观测器,使之具有自适应特性。RBF神经网络是2 0 世纪8 0 年代末提出的一种神经网络,能以任意精度逼近任意连续函数,具有学习速度快、避免陷人局部最小值的特点,采用RBF神经网络对系统式(7)中的总扰动进行自适
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 RBF 神经网络 新型 AUV 控制 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。