基于RBF神經(jīng)網(wǎng)絡(luò)的AUV路徑跟蹤分數(shù)階滑?？刂?/h1>
2020-07-01 02:53:28張永林
水下無人系統(tǒng)學報 2020年3期
王 香, 張永林
基于RBF神經(jīng)網(wǎng)絡(luò)的AUV路徑跟蹤分數(shù)階滑?？刂?/p>
王 香, 張永林
(江蘇科技大學 電子信息學院, 江蘇 鎮(zhèn)江, 212003)
針對自主水下航行器(AUV)在對接過程中的路徑跟蹤問題, 提出一種基于徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)的分數(shù)階滑?？刂扑惴āＪ紫然诨？刂圃O(shè)計AUV路徑跟蹤控制算法, 將分數(shù)階微積分引入滑?？刂浦械牡人仝吔梢跃徑庀到y(tǒng)的抖振, 然后采用RBF神經(jīng)網(wǎng)絡(luò)對AUV運動模型中的不確定性及外界干擾進行補償, 最后通過Lyapunov定理證明了控制系統(tǒng)的穩(wěn)定性。仿真結(jié)果表明: 所設(shè)計的控制器能對AUV路徑進行有效跟蹤, 與傳統(tǒng)滑?？刂破饕约拔纯紤]系統(tǒng)不確定性及外界干擾的分數(shù)階滑模控制器相比, 該控制器跟蹤速度更快, 穩(wěn)定效果更好, 跟蹤性能更強。
自主水下航行器; 路徑跟蹤; 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò); 滑?？刂? 分數(shù)階微積分
0 引言
隨著人類對海洋資源不斷地開發(fā)利用, 自主水下航行器(autonomous undersea vehicle, AUV)成為了探索海洋的重要載體, 而精準的路徑跟蹤能力是AUV水下作業(yè)能力的技術(shù)保障之一[1-4]。海洋環(huán)境極其復(fù)雜并且充滿不確定性, 在實際運行中, 由于其強非線性、不確定性、多耦合性等特點, 當運行速度及運行環(huán)境發(fā)生改變時, AUV所受到的水動力、慣性力和科里奧利向心力等會隨之發(fā)生改變, 很難建立精準的動力學模型對其軌跡進行跟蹤[5-9]。
目前, 模糊控制、自適應(yīng)魯棒控制、反步法和神經(jīng)網(wǎng)絡(luò)等控制方法均被用于AUV的運動控制。文獻[10]提出一種反步法與滑模控制相結(jié)合的變深控制方法抑制無人水下航行器(unmanned undersea vehicle, UUV)運動過程中的姿態(tài)失衡問題。文獻[11]利用神經(jīng)網(wǎng)絡(luò)控制器補償水下機器人受到的環(huán)境干擾, 設(shè)計了一種基于反步滑?？刂频腁UV變深控制算法, 解決了離散AUV水平面的路徑跟蹤控制問題。文獻[12]提出一種基于模糊滑模的AUV深度控制器, 有效抑制了傳統(tǒng)滑?？刂浦械亩墩駟栴}。目前, 對AUV精準路徑跟蹤問題的研究仍是AUV研究領(lǐng)域的熱點之一。
分數(shù)階微積分是整數(shù)階微積分的推廣, 近年來, 基于分數(shù)階微積分與滑模控制理論而產(chǎn)生的分數(shù)階滑?？刂埔讶〉昧艘恍┻M展。文獻[13]提出了一種基于分數(shù)階微積分的機械臂滑?？刂扑惴? 有效的提高了關(guān)節(jié)的跟蹤速度與跟蹤精度。文獻[14]提出了集成神經(jīng)網(wǎng)絡(luò)與自適應(yīng)算法的分數(shù)階滑?？刂?。文獻[15]提出了一種神經(jīng)網(wǎng)絡(luò)結(jié)合干擾觀測器的主動反饋控制方法, 以解決異結(jié)構(gòu)不確定分數(shù)階混沌系統(tǒng)的同步問題。文章在現(xiàn)階段研究基礎(chǔ)上, 提出了一種新型的基于徑向基函數(shù)(radial basis function, RBF)神經(jīng)網(wǎng)絡(luò)的分數(shù)階滑模控制。在利用滑模控制對AUV進行路徑跟蹤的基礎(chǔ)上, 將分數(shù)階微積分引入滑?？刂频牡人仝吔芍衼砭徑庀到y(tǒng)的抖振, 并采用RBF神經(jīng)網(wǎng)絡(luò)補償AUV動力學模型中的不確定性以及外部未知干擾, 利用 Lyapunov函數(shù)證明了系統(tǒng)的穩(wěn)定性。與傳統(tǒng)的滑?？刂芠16]及分數(shù)階滑?？刂芠13]路徑跟蹤效果相比較, 文中采用的控制方法跟蹤時間快, 跟蹤性能好, 能有效補償系統(tǒng)的不確定性以及外部擾動。
1 AUV數(shù)學模型
圖1 AUV運動坐標系
在運動坐標系下, 可將AUV的六自由度動力學模型描述為[17]
2 基于RBF神經(jīng)網(wǎng)絡(luò)的分數(shù)階滑?？刂?/h2>
針對AUV模型不確定性和外界干擾對其運動控制和路徑跟蹤精度的影響, 以及傳統(tǒng)滑模存在的抖振問題, 文中提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的分數(shù)階滑?？刂扑惴? 其結(jié)構(gòu)圖如圖2所示。主要利用滑?？刂茖UV期望路徑進行跟蹤控制, 同時利用分數(shù)階微積分修正滑?？刂浦械人仝吔傻膮?shù)來緩解系統(tǒng)的抖振, 并且將RBF神經(jīng)網(wǎng)絡(luò)用于補償AUV動力學模型中的不確定性及外界不確定干擾, 從而達到對AUV精確跟蹤的效果。
圖2 控制系統(tǒng)結(jié)構(gòu)圖
2.1 分數(shù)階滑?？刂?/h3>
分數(shù)階微積分由整數(shù)階微積分衍生而來, 擴展了微積分階次的概念, 其算子定義為
Caputo分數(shù)階積分定義為
假設(shè)Lyapunov函數(shù)滿足如下條件
將上述分數(shù)階積分算子引入滑模控制中, 跟蹤誤差表達式為
設(shè)計滑模面為
對其進行求導(dǎo), 可得
在滑?？刂浦幸话悴捎泌吔傻姆椒ǜ纳期吔\動過程中的動態(tài)品質(zhì)[21], 但傳統(tǒng)趨近律存在抖振嚴重和收斂時間長等缺點, 故文中將分數(shù)階微積分引入等速趨近律中, 選取了一種分數(shù)階趨近律。
則
采用以下Lyapunov函數(shù)
對式(16)兩端進行求導(dǎo), 得
由于
則
對于帶有模型不確定性及外界干擾的系統(tǒng), 設(shè)計控制輸入為
2.2 基于RBF神經(jīng)網(wǎng)絡(luò)的分數(shù)階滑模控制
圖3 RBF神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)
網(wǎng)絡(luò)輸出為
定義Lyapunov函數(shù)為
設(shè)計控制律為
則
故
3 仿真結(jié)果與分析
為了驗證文中所提方法的有效性和可靠性, 采用安裝了分數(shù)階建模與控制工具箱FOMCON的MATLAB來完成仿真。在AUV的運動過程中, 橫滾方向的影響較小, 因此僅考慮前進、橫移、升沉、縱傾和艏搖5個自由度的運動。
圖4為文中所提控制方法的速度跟蹤情況, 從圖中可以看出, 各方向在輕微的抖動后都能很快地跟蹤至期望速度。圖5為文中所提控制方法各方向的控制輸入, 可以看到各方向都有較好的控制狀態(tài)。
圖4 各方向速度跟蹤情況
圖5 各方向控制輸入曲線
為進一步分析, 對圖6~8中的數(shù)據(jù)進行處理, 處理結(jié)果如表1所示。
由表1可知, 文中所提控制方法與傳統(tǒng)的等速趨近律滑?？刂葡啾? 跟蹤誤差的均方差減小了45%, 平均絕對跟蹤誤差減小了62.5%; 與分數(shù)階滑?？刂频母櫺Ч啾? 跟蹤誤差的均方差減小了11%, 平均絕對跟蹤誤差減小了25%。故該控制方法優(yōu)于傳統(tǒng)滑模控制與分數(shù)階滑?？刂? 具有實際應(yīng)用價值。
圖6 基于傳統(tǒng)滑模控制的AUV路徑跟蹤
圖7 基于分數(shù)階滑?？刂频腁UV路徑跟蹤
圖8 基于RBF神經(jīng)網(wǎng)絡(luò)的AUV分數(shù)階滑模路徑跟蹤
表1 不同控制方法跟蹤數(shù)據(jù)對比
4 結(jié)束語
文中針對AUV的精準路徑跟蹤問題, 提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的AUV路徑跟蹤分數(shù)階滑模控制方法。將分數(shù)階微積分引入滑模控制的趨近律, 利用分數(shù)階微積分修正滑?？刂浦械人仝吔傻膮?shù)來消除系統(tǒng)的抖振, RBF神經(jīng)網(wǎng)絡(luò)用于補償AUV動力學模型中的不確定性及外界不確定干擾, 并用Lyapunov定理證明了其穩(wěn)定性。同時將提出的控制方法與單一的滑?？刂萍胺謹?shù)階滑模控制的跟蹤效果相比較, 得出了在相同條件下, 該控制方法具有更快的收斂時間和更好的跟蹤性能, 更加適用于實際應(yīng)用。
[1] 孫葉義, 武皓微, 李曄, 等. 智能無人水下航行器水下回收對接技術(shù)綜述[J]. 哈爾濱工程大學學報, 2019, 40(1): 1-11.Sun Ye-yi, Wu Hao-wei, Li Ye, et al. Summary of AUV Underwater Recycle Docking Technology[J]. Journal of Harbin Engineering University, 2019, 40(1): 1-11.
[2] Palomeras N, Vallicrosa G, Mallios A, et al. AUV Homing and Docking for Remote Operations[J]. Ocean Engineering, 2018(154): 106-120.
[3] Petersen M J, Pedersen P T. Collision between Ships and Offshore Platform[C]//Proceeding of 13th Annual Offshore Technology Conference. Houston, US: OTC4134, 2011, 163-171.
[4] 史劍光, 李德駿, 楊燦軍, 等. 水下自主機器人接駁碰撞過程分析[J]. 浙江大學學報(工學版), 2015, 49(3): 497-504.Shi Jian-guang, Li De-jun, Yang Can-jun, et al. Impact Analysis during Docking Process of Autonomous Underwater Vehicle[J]. Journal of Zhejiang University(Engi- neering Science), 2015, 49(3): 497-504.
[5] Mitra A, Panda J P, Warrior H V. The Effects of Free Stream Turbulence on the Hydrodynamic Characteristics of an AUV Hull Form[J]. Ocean Engineering, 2019(174): 148-158.
[6] Marani G, Choi S K, YUH.J. Underwater Autonomous Manipulation for Intervention Missions AUVs[J]. Ocean Engineering, 2009, 36(1): 15-23．
[7] 李岳明. 多功能自主式水下機器人運動控制研究[D]. 哈爾濱: 哈爾濱工程大學, 2012.
[8] Carlucho I, Paula M D, Wang S, et al. Adaptive Low- Level Control of Autonomous Underwater Vehicles Using Deep Reinforcement Learning[J]. Robotics and Autonomous Systems, 2018(107): 71-86
[9] Liang X, Wan L, Blake J, et al. Path Following of an Under Actuated AUV Based on Fuzzy Back-Stepping Sliding Mode Control[J]. International Journal of Advanced Robotic Systems, 2016, 13(122): 1-11.
[10] 蔣云彪, 郭晨, 于浩淼. 基于反步滑模算法的水下無人航行器變深控制[J]. 船舶工程, 2018, 40(2): 83-87.Jiang Yun-biao, Guo Chen, Yu Hao-miao. Diving Control of Unmanned Underwater Vehicle Based on Backstepping Sliding Model Algorithm[J]. Ship Engineering, 2018, 40(2): 83-87.
[11] 趙杰梅, 胡忠輝. 基于動態(tài)反饋的AUV水平面路徑跟蹤控制[J]. 浙江大學學報(工學版), 2018, 52(8): 1467- 1473, 1481.Zhao Jie-Mei, Hu Zhong-Hui. Path Following Control of AUV in Horizontal Plane Based on Dynamic Feedback Control[J]. Journal of Zhejiang University(Engineering Science), 2018, 52(8): 1467-1473, 1481.
[12] Lakhekar G, Deshpande R. Diving Control of Autonomous Underwater Vehicles via Fuzzy Sliding Mode Tech-nique[C]//International Conference on Circuit, Power and Computing Technologies. Jeju, South Korea: IEEE, 2015.
[13] 張鑫, 李嘉欣. 基于分數(shù)階微積分的機械臂滑?？刂频难芯縖J/OL]. 系統(tǒng)仿真學報, http://kns.cnki.net/kcms/de tail/11.3092.V.20190213.1217.016.html.
[14] 張碧陶, 高福榮, 姚科. 集成神經(jīng)網(wǎng)絡(luò)與自適應(yīng)算法的分數(shù)階滑模控制[J]. 控制理論與應(yīng)用, 2016, 33(10): 1373-1377.Zhang Bi-tao, Gao Fu-rong, Yao Ke. Neural Network and Adaptive Algorithm-Based Fractional Order Sliding Mode Controller[J]. Control Theory & Applications, 2016, 33(10): 1373-1377.
[15] 程春蕊, 朱軍輝, 王東曉. 分數(shù)階不確定四翼混沌系統(tǒng)的自適應(yīng)滑模同步[J]. 華中師范大學學報(自然科學版), 2018, 52(2): 155-159.Cheng Chun-rui, Zhu Jun-hui, Wang Dong-xiao. Adaptive Synchronization of Fractional-Order Four-Wings Chaotic Systems with Uncertainties Based on Sliding Mode Control[J]. Journal of HuaZhong Normal University(Natural Sciences), 2018, 52(2): 155-159.
[16] 何曉燕, 張永林. 水下遙作業(yè)系統(tǒng)的協(xié)調(diào)控制的研究[J]. 船舶工程, 2013, 35(3): 67-70.
[17] K?llstr?m C G. Guidance and Control of Ocean Vehicles[J]. Automatica, 1996, 32(8): 1235.
[18] Li Y, Chen Y, Podlubny I. Mittag-Leffler Stability of Fractional Order Nonlinear Dynamic Systems[J]. Automatica, 2009, 45(8): 1965-1969.
Fractional-Order Sliding Mode Control Based on RBF Neural Network for AUV Path Tracking
WANG Xiang, ZHANG Yong-lin
(School of Electronics and Information, Jiangsu University of Science and Technology, Zhenjiang 212003, China)
Aiming at the path tracking problem of autonomous undersea vehicle(AUV) in the process of docking, a fractional-order sliding mode control algorithm based on radial basis function(RBF) neural network is proposed. Firstly, the AUV path tracking control algorithm is designed based on sliding mode control, the fractional calculus is introduced into the constant velocity reaching law of sliding mode control to alleviate the shaking of the system. Then, the RBF neural network is used to compensate for uncertainty in the AUV motion model and for external interference. Finally, the stability of the control system is proved by Lyapunov stability theory. Simulation results show that the designed controller can effectively track the path of AUV. Compared with the traditional sliding mode control and the fractional-order sliding mode control without considering system uncertainty and external interference, the proposed control method has faster tracking speed, higher stability and better tracking performance.
autonomous undersea vehicle(AUV); path tracking; radial basis function(RBF) neural network; sliding mode control; fractional calculus
TP273; TP242.2
A
2096-3920(2020)03-0284-07
10.11993/j.issn.2096-3920.2020.03.007
2018-12-06;
2019-01-04.
王 香(1995-), 女, 在讀碩士, 主要研究方向為先進控制理論及應(yīng)用.
王香, 張永林. 基于RBF神經(jīng)網(wǎng)絡(luò)的AUV路徑跟蹤分數(shù)階滑?？刂芠J]. 水下無人系統(tǒng)學報, 2020, 28(3): 284-290.
(責任編輯: 陳 曦)
猜你喜歡
集合與微積分基礎(chǔ)訓練中學生數(shù)理化(高中版.高考數(shù)學)(2020年9期)2020-10-28 08:44:04 集合與微積分強化訓練中學生數(shù)理化(高中版.高考數(shù)學)(2020年9期)2020-10-28 08:44:04 追根溯源 突出本質(zhì)——聚焦微積分創(chuàng)新題中學生數(shù)理化(高中版.高考數(shù)學)(2020年9期)2020-10-28 08:43:56 基于組合滑模控制的絕對重力儀兩級主動減振設(shè)計中國慣性技術(shù)學報(2019年6期)2019-03-04 09:50:06 測控技術(shù)(2018年4期)2018-11-25 09:47:26 并網(wǎng)逆變器逆系統(tǒng)自學習滑?？箶_控制測控技術(shù)(2018年3期)2018-11-25 09:45:40 基于ARM+FPGA的模塊化同步控制算法研究制造技術(shù)與機床(2017年6期)2018-01-19 02:41:07 TED演講：如何學習微積分（續(xù)）中學數(shù)學雜志(高中版)(2016年1期)2016-02-23 23:08:03 一種優(yōu)化的基于ARM Cortex-M3電池組均衡控制算法應(yīng)用電源技術(shù)(2015年9期)2015-06-05 09:36:06 一種非圓旋轉(zhuǎn)工件支撐裝置控制算法組合機床與自動化加工技術(shù)(2014年12期)2014-03-01 02:22:54
王 香, 張永林
基于RBF神經(jīng)網(wǎng)絡(luò)的AUV路徑跟蹤分數(shù)階滑?？刂?/p>
王 香, 張永林
(江蘇科技大學 電子信息學院, 江蘇 鎮(zhèn)江, 212003)
針對自主水下航行器(AUV)在對接過程中的路徑跟蹤問題, 提出一種基于徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)的分數(shù)階滑?？刂扑惴āＪ紫然诨？刂圃O(shè)計AUV路徑跟蹤控制算法, 將分數(shù)階微積分引入滑?？刂浦械牡人仝吔梢跃徑庀到y(tǒng)的抖振, 然后采用RBF神經(jīng)網(wǎng)絡(luò)對AUV運動模型中的不確定性及外界干擾進行補償, 最后通過Lyapunov定理證明了控制系統(tǒng)的穩(wěn)定性。仿真結(jié)果表明: 所設(shè)計的控制器能對AUV路徑進行有效跟蹤, 與傳統(tǒng)滑?？刂破饕约拔纯紤]系統(tǒng)不確定性及外界干擾的分數(shù)階滑模控制器相比, 該控制器跟蹤速度更快, 穩(wěn)定效果更好, 跟蹤性能更強。
自主水下航行器; 路徑跟蹤; 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò); 滑?？刂? 分數(shù)階微積分
0 引言
隨著人類對海洋資源不斷地開發(fā)利用, 自主水下航行器(autonomous undersea vehicle, AUV)成為了探索海洋的重要載體, 而精準的路徑跟蹤能力是AUV水下作業(yè)能力的技術(shù)保障之一[1-4]。海洋環(huán)境極其復(fù)雜并且充滿不確定性, 在實際運行中, 由于其強非線性、不確定性、多耦合性等特點, 當運行速度及運行環(huán)境發(fā)生改變時, AUV所受到的水動力、慣性力和科里奧利向心力等會隨之發(fā)生改變, 很難建立精準的動力學模型對其軌跡進行跟蹤[5-9]。
目前, 模糊控制、自適應(yīng)魯棒控制、反步法和神經(jīng)網(wǎng)絡(luò)等控制方法均被用于AUV的運動控制。文獻[10]提出一種反步法與滑模控制相結(jié)合的變深控制方法抑制無人水下航行器(unmanned undersea vehicle, UUV)運動過程中的姿態(tài)失衡問題。文獻[11]利用神經(jīng)網(wǎng)絡(luò)控制器補償水下機器人受到的環(huán)境干擾, 設(shè)計了一種基于反步滑?？刂频腁UV變深控制算法, 解決了離散AUV水平面的路徑跟蹤控制問題。文獻[12]提出一種基于模糊滑模的AUV深度控制器, 有效抑制了傳統(tǒng)滑?？刂浦械亩墩駟栴}。目前, 對AUV精準路徑跟蹤問題的研究仍是AUV研究領(lǐng)域的熱點之一。
分數(shù)階微積分是整數(shù)階微積分的推廣, 近年來, 基于分數(shù)階微積分與滑模控制理論而產(chǎn)生的分數(shù)階滑?？刂埔讶〉昧艘恍┻M展。文獻[13]提出了一種基于分數(shù)階微積分的機械臂滑?？刂扑惴? 有效的提高了關(guān)節(jié)的跟蹤速度與跟蹤精度。文獻[14]提出了集成神經(jīng)網(wǎng)絡(luò)與自適應(yīng)算法的分數(shù)階滑?？刂?。文獻[15]提出了一種神經(jīng)網(wǎng)絡(luò)結(jié)合干擾觀測器的主動反饋控制方法, 以解決異結(jié)構(gòu)不確定分數(shù)階混沌系統(tǒng)的同步問題。文章在現(xiàn)階段研究基礎(chǔ)上, 提出了一種新型的基于徑向基函數(shù)(radial basis function, RBF)神經(jīng)網(wǎng)絡(luò)的分數(shù)階滑模控制。在利用滑模控制對AUV進行路徑跟蹤的基礎(chǔ)上, 將分數(shù)階微積分引入滑?？刂频牡人仝吔芍衼砭徑庀到y(tǒng)的抖振, 并采用RBF神經(jīng)網(wǎng)絡(luò)補償AUV動力學模型中的不確定性以及外部未知干擾, 利用 Lyapunov函數(shù)證明了系統(tǒng)的穩(wěn)定性。與傳統(tǒng)的滑?？刂芠16]及分數(shù)階滑?？刂芠13]路徑跟蹤效果相比較, 文中采用的控制方法跟蹤時間快, 跟蹤性能好, 能有效補償系統(tǒng)的不確定性以及外部擾動。
1 AUV數(shù)學模型
圖1 AUV運動坐標系
在運動坐標系下, 可將AUV的六自由度動力學模型描述為[17]
2 基于RBF神經(jīng)網(wǎng)絡(luò)的分數(shù)階滑?？刂?/h2>
針對AUV模型不確定性和外界干擾對其運動控制和路徑跟蹤精度的影響, 以及傳統(tǒng)滑模存在的抖振問題, 文中提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的分數(shù)階滑?？刂扑惴? 其結(jié)構(gòu)圖如圖2所示。主要利用滑?？刂茖UV期望路徑進行跟蹤控制, 同時利用分數(shù)階微積分修正滑?？刂浦械人仝吔傻膮?shù)來緩解系統(tǒng)的抖振, 并且將RBF神經(jīng)網(wǎng)絡(luò)用于補償AUV動力學模型中的不確定性及外界不確定干擾, 從而達到對AUV精確跟蹤的效果。
圖2 控制系統(tǒng)結(jié)構(gòu)圖
2.1 分數(shù)階滑?？刂?/h3>
分數(shù)階微積分由整數(shù)階微積分衍生而來, 擴展了微積分階次的概念, 其算子定義為
Caputo分數(shù)階積分定義為
假設(shè)Lyapunov函數(shù)滿足如下條件
將上述分數(shù)階積分算子引入滑模控制中, 跟蹤誤差表達式為
設(shè)計滑模面為
對其進行求導(dǎo), 可得
在滑?？刂浦幸话悴捎泌吔傻姆椒ǜ纳期吔\動過程中的動態(tài)品質(zhì)[21], 但傳統(tǒng)趨近律存在抖振嚴重和收斂時間長等缺點, 故文中將分數(shù)階微積分引入等速趨近律中, 選取了一種分數(shù)階趨近律。
則
采用以下Lyapunov函數(shù)
對式(16)兩端進行求導(dǎo), 得
由于
則
對于帶有模型不確定性及外界干擾的系統(tǒng), 設(shè)計控制輸入為
2.2 基于RBF神經(jīng)網(wǎng)絡(luò)的分數(shù)階滑模控制
圖3 RBF神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)
網(wǎng)絡(luò)輸出為
定義Lyapunov函數(shù)為
設(shè)計控制律為
則
故
3 仿真結(jié)果與分析
為了驗證文中所提方法的有效性和可靠性, 采用安裝了分數(shù)階建模與控制工具箱FOMCON的MATLAB來完成仿真。在AUV的運動過程中, 橫滾方向的影響較小, 因此僅考慮前進、橫移、升沉、縱傾和艏搖5個自由度的運動。
圖4為文中所提控制方法的速度跟蹤情況, 從圖中可以看出, 各方向在輕微的抖動后都能很快地跟蹤至期望速度。圖5為文中所提控制方法各方向的控制輸入, 可以看到各方向都有較好的控制狀態(tài)。
圖4 各方向速度跟蹤情況
圖5 各方向控制輸入曲線
為進一步分析, 對圖6~8中的數(shù)據(jù)進行處理, 處理結(jié)果如表1所示。
由表1可知, 文中所提控制方法與傳統(tǒng)的等速趨近律滑?？刂葡啾? 跟蹤誤差的均方差減小了45%, 平均絕對跟蹤誤差減小了62.5%; 與分數(shù)階滑?？刂频母櫺Ч啾? 跟蹤誤差的均方差減小了11%, 平均絕對跟蹤誤差減小了25%。故該控制方法優(yōu)于傳統(tǒng)滑模控制與分數(shù)階滑?？刂? 具有實際應(yīng)用價值。
圖6 基于傳統(tǒng)滑模控制的AUV路徑跟蹤
圖7 基于分數(shù)階滑?？刂频腁UV路徑跟蹤
圖8 基于RBF神經(jīng)網(wǎng)絡(luò)的AUV分數(shù)階滑模路徑跟蹤
表1 不同控制方法跟蹤數(shù)據(jù)對比
4 結(jié)束語
文中針對AUV的精準路徑跟蹤問題, 提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的AUV路徑跟蹤分數(shù)階滑模控制方法。將分數(shù)階微積分引入滑模控制的趨近律, 利用分數(shù)階微積分修正滑?？刂浦械人仝吔傻膮?shù)來消除系統(tǒng)的抖振, RBF神經(jīng)網(wǎng)絡(luò)用于補償AUV動力學模型中的不確定性及外界不確定干擾, 并用Lyapunov定理證明了其穩(wěn)定性。同時將提出的控制方法與單一的滑?？刂萍胺謹?shù)階滑模控制的跟蹤效果相比較, 得出了在相同條件下, 該控制方法具有更快的收斂時間和更好的跟蹤性能, 更加適用于實際應(yīng)用。
[1] 孫葉義, 武皓微, 李曄, 等. 智能無人水下航行器水下回收對接技術(shù)綜述[J]. 哈爾濱工程大學學報, 2019, 40(1): 1-11.Sun Ye-yi, Wu Hao-wei, Li Ye, et al. Summary of AUV Underwater Recycle Docking Technology[J]. Journal of Harbin Engineering University, 2019, 40(1): 1-11.
[2] Palomeras N, Vallicrosa G, Mallios A, et al. AUV Homing and Docking for Remote Operations[J]. Ocean Engineering, 2018(154): 106-120.
[3] Petersen M J, Pedersen P T. Collision between Ships and Offshore Platform[C]//Proceeding of 13th Annual Offshore Technology Conference. Houston, US: OTC4134, 2011, 163-171.
[4] 史劍光, 李德駿, 楊燦軍, 等. 水下自主機器人接駁碰撞過程分析[J]. 浙江大學學報(工學版), 2015, 49(3): 497-504.Shi Jian-guang, Li De-jun, Yang Can-jun, et al. Impact Analysis during Docking Process of Autonomous Underwater Vehicle[J]. Journal of Zhejiang University(Engi- neering Science), 2015, 49(3): 497-504.
[5] Mitra A, Panda J P, Warrior H V. The Effects of Free Stream Turbulence on the Hydrodynamic Characteristics of an AUV Hull Form[J]. Ocean Engineering, 2019(174): 148-158.
[6] Marani G, Choi S K, YUH.J. Underwater Autonomous Manipulation for Intervention Missions AUVs[J]. Ocean Engineering, 2009, 36(1): 15-23．
[7] 李岳明. 多功能自主式水下機器人運動控制研究[D]. 哈爾濱: 哈爾濱工程大學, 2012.
[8] Carlucho I, Paula M D, Wang S, et al. Adaptive Low- Level Control of Autonomous Underwater Vehicles Using Deep Reinforcement Learning[J]. Robotics and Autonomous Systems, 2018(107): 71-86
[9] Liang X, Wan L, Blake J, et al. Path Following of an Under Actuated AUV Based on Fuzzy Back-Stepping Sliding Mode Control[J]. International Journal of Advanced Robotic Systems, 2016, 13(122): 1-11.
[10] 蔣云彪, 郭晨, 于浩淼. 基于反步滑模算法的水下無人航行器變深控制[J]. 船舶工程, 2018, 40(2): 83-87.Jiang Yun-biao, Guo Chen, Yu Hao-miao. Diving Control of Unmanned Underwater Vehicle Based on Backstepping Sliding Model Algorithm[J]. Ship Engineering, 2018, 40(2): 83-87.
[11] 趙杰梅, 胡忠輝. 基于動態(tài)反饋的AUV水平面路徑跟蹤控制[J]. 浙江大學學報(工學版), 2018, 52(8): 1467- 1473, 1481.Zhao Jie-Mei, Hu Zhong-Hui. Path Following Control of AUV in Horizontal Plane Based on Dynamic Feedback Control[J]. Journal of Zhejiang University(Engineering Science), 2018, 52(8): 1467-1473, 1481.
[12] Lakhekar G, Deshpande R. Diving Control of Autonomous Underwater Vehicles via Fuzzy Sliding Mode Tech-nique[C]//International Conference on Circuit, Power and Computing Technologies. Jeju, South Korea: IEEE, 2015.
[13] 張鑫, 李嘉欣. 基于分數(shù)階微積分的機械臂滑?？刂频难芯縖J/OL]. 系統(tǒng)仿真學報, http://kns.cnki.net/kcms/de tail/11.3092.V.20190213.1217.016.html.
[14] 張碧陶, 高福榮, 姚科. 集成神經(jīng)網(wǎng)絡(luò)與自適應(yīng)算法的分數(shù)階滑模控制[J]. 控制理論與應(yīng)用, 2016, 33(10): 1373-1377.Zhang Bi-tao, Gao Fu-rong, Yao Ke. Neural Network and Adaptive Algorithm-Based Fractional Order Sliding Mode Controller[J]. Control Theory & Applications, 2016, 33(10): 1373-1377.
[15] 程春蕊, 朱軍輝, 王東曉. 分數(shù)階不確定四翼混沌系統(tǒng)的自適應(yīng)滑模同步[J]. 華中師范大學學報(自然科學版), 2018, 52(2): 155-159.Cheng Chun-rui, Zhu Jun-hui, Wang Dong-xiao. Adaptive Synchronization of Fractional-Order Four-Wings Chaotic Systems with Uncertainties Based on Sliding Mode Control[J]. Journal of HuaZhong Normal University(Natural Sciences), 2018, 52(2): 155-159.
[16] 何曉燕, 張永林. 水下遙作業(yè)系統(tǒng)的協(xié)調(diào)控制的研究[J]. 船舶工程, 2013, 35(3): 67-70.
[17] K?llstr?m C G. Guidance and Control of Ocean Vehicles[J]. Automatica, 1996, 32(8): 1235.
[18] Li Y, Chen Y, Podlubny I. Mittag-Leffler Stability of Fractional Order Nonlinear Dynamic Systems[J]. Automatica, 2009, 45(8): 1965-1969.
Fractional-Order Sliding Mode Control Based on RBF Neural Network for AUV Path Tracking
WANG Xiang, ZHANG Yong-lin
(School of Electronics and Information, Jiangsu University of Science and Technology, Zhenjiang 212003, China)
Aiming at the path tracking problem of autonomous undersea vehicle(AUV) in the process of docking, a fractional-order sliding mode control algorithm based on radial basis function(RBF) neural network is proposed. Firstly, the AUV path tracking control algorithm is designed based on sliding mode control, the fractional calculus is introduced into the constant velocity reaching law of sliding mode control to alleviate the shaking of the system. Then, the RBF neural network is used to compensate for uncertainty in the AUV motion model and for external interference. Finally, the stability of the control system is proved by Lyapunov stability theory. Simulation results show that the designed controller can effectively track the path of AUV. Compared with the traditional sliding mode control and the fractional-order sliding mode control without considering system uncertainty and external interference, the proposed control method has faster tracking speed, higher stability and better tracking performance.
autonomous undersea vehicle(AUV); path tracking; radial basis function(RBF) neural network; sliding mode control; fractional calculus
TP273; TP242.2
A
2096-3920(2020)03-0284-07
10.11993/j.issn.2096-3920.2020.03.007
2018-12-06;
2019-01-04.
王 香(1995-), 女, 在讀碩士, 主要研究方向為先進控制理論及應(yīng)用.
王香, 張永林. 基于RBF神經(jīng)網(wǎng)絡(luò)的AUV路徑跟蹤分數(shù)階滑?？刂芠J]. 水下無人系統(tǒng)學報, 2020, 28(3): 284-290.
(責任編輯: 陳 曦)
猜你喜歡
中學生數(shù)理化(高中版.高考數(shù)學)(2020年9期)2020-10-28 08:44:04
中學生數(shù)理化(高中版.高考數(shù)學)(2020年9期)2020-10-28 08:44:04
中學生數(shù)理化(高中版.高考數(shù)學)(2020年9期)2020-10-28 08:43:56
中國慣性技術(shù)學報(2019年6期)2019-03-04 09:50:06
測控技術(shù)(2018年3期)2018-11-25 09:45:40
制造技術(shù)與機床(2017年6期)2018-01-19 02:41:07
中學數(shù)學雜志(高中版)(2016年1期)2016-02-23 23:08:03
電源技術(shù)(2015年9期)2015-06-05 09:36:06
組合機床與自動化加工技術(shù)(2014年12期)2014-03-01 02:22:54
