英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
无人水面舰艇的智能舵控制
摘要
由于系统强非线性，存在不确定性和变化的环境条件，无人海洋表面船舶（USV）的轨迹跟踪控制相当复杂。为了解决这些问题，本文采用智能和常规策略作为USV舵角的主要控制框架。制导律法计算所需的角度，并基于自主船舶的动态模型估算轨迹，该自动船舶的动力学模型是通过用比例原型实验获得的实际数据生成的。该模型考虑了方向舵和船舶推进系统的物理限制。首次提出了适用于任何不同轨迹并能够处理不同路径形状的自适应控制律。这种增益调度方法利用PID调节器，其调节参数已通过遗传算法（GA）针对不同操作点（GS-PID-GA）进行了优化。此外，模糊逻辑控制器（FLC）设计用于处理动态的不确定性，并包含操作员的专业知识。仿真验证了所提出的控制方法与传统控制方法的有效性。
关键词：智能控制 增益调度 模糊逻辑 遗传算法 轨迹跟踪 无人水面舰艇（USV）
引言
自动控制系统目前在海洋应用中是一个有趣的问题（Martin，2013）。近年来，研究已从控制载货船扩展到无人船。自主水面船舶（ASV）或无人水面艇（USV）在各种应用中越来越受欢迎。对运输服务的需求不断增加以及对更高安全水平的需求一直是推动船舶航行系统控制的一种趋势的驱动力（Roberts，2008）。有几种情况可以使用自主船只：搜索和救援，泄漏收集，监视，放置网络，测深图创建，运输，勘探任务，环境监测，海洋调查，沿海和内陆监测等， （Cruz de la，Aranda，＆Giroacute;n，2012）。
受到人们在危险环境中减少人为干预的兴趣，以及实现更精确和更高效的控制，船舶控制器经历了从经典的比例 - 积分 - 微分（PID）控制器到更先进的鲁棒性和自适应控制，其中人工智能技术发挥重要作用（Santos，2011）。
然而，水面舰船的控制仍然是一个非常棘手的问题。水面舰艇可能变得不稳定并且很难控制。在处理一般水面船只时，必须考虑不确定的非线性流体动力学和外部干扰。它的复杂性部分是由于多个状态变量之间的非线性动力学和强耦合（Fossen，2002）。这些方面使得获得一个数学模型变得相当复杂，这个数学模型以分析方法代表了动力学。这就是为什么传统的控制系统可能不具备这些复杂的非线性多输入多输出系统的良好性能。即使是复杂的传统控制解决方案通常也基于线性分析模型，这并不是这种真正的海洋车辆的最佳代表（Sharma，Sutton，Motwani和Annamalai，2014）。更重要的是，有必要处理来自系统本身和不同环境条件的不确定性（Sonnenburg＆Woolsey，2013）。
尽管如此，人工智能技术对于船舶自动驾驶仪和课程指导可能非常有用。 已证明智能控制器非常有效地处理海洋应用中出现的非线性和不确定性（Santos，2014）。
一方面，基于模糊逻辑的系统已被证明是非线性系统的一个很好的选择，就像USV的情况一样。 模糊逻辑控制器（FLC）是非线性控制器，也包含了操作员的专业知识。 对于USV，这个直观的知识是可用的。
另一方面，海洋系统正在改变环境，其自身的动态因环境条件而异。 如果这些系统不够健壮，那么通用控制法可能不是最好的。 从这个意义上说，自适应控制法则，特别是增益调度策略，是解决这些系统的好选择，这些系统根据工作点而改变它们的行为。
因此，本文实现了这些先进的无人船控制方法，并展示了其有效性。我们的工作主要集中在通过执行器输入来控制船动力以完成某些任务（路径跟随）。
第一个轨迹追踪建议是模糊逻辑控制器的设计，该控制器根据所需的航向角计算船舶的舵角。 众所周知，模糊逻辑为非线性控制器的生成提供了启发式（不一定是基于模型的）方法，并且处理来自环境的不确定性。 此外，FLC设计简单。 它可以结合专家的知识，在轨迹跟踪的情况下非常直观。 另外，作为非线性控制，它可以处理逼真的特性，如执行器饱和，这会使系统非线性。
提出的第二条路径是一个自适应控制律，一个由遗传算法（GS-PID-GA）优化的增益调度PID控制器。所提出的GS-PID-GA控制依赖于以下几点。一方面，海洋车辆领域具有应用传统控制理论的悠久传统，该控制理论为控制提供了鲁棒性。这使用户可以轻松使用PID调节器，由于其有很长的控制经验。事实上，传统的控制器对于典型的单输入单输出的自动转向系统来说仍然是一个很好的解决方案，但是对于复杂和强大的非线性MIMO系统，如USV (Zheng, Negenborn， amp; Lodewijks, 2014)来说是不够的。另一方面，增益调度使控制律适应系统运行条件的变化。我们选择的调度变量 - 轨迹 - 通常足以应用于不同的环境中：在湖泊和海洋中，针对不同的浪涌速度，针对船舶的不同尺寸和形状等等。我们认为选择该调度变量会使得跟踪比其他论文提出的解决方案更具体、更有效（Liu，Yuan，＆Zhang，2015; Zhixiang et al。，2015）。最后，在这个提议中，我们已经应用遗传算法来调整控制器。遗传算法执行基于进化的随机搜索，这对于寻找实际复杂优化问题的良好解决方案非常有用，在我们的情况下可以调整自适应控制律。因此我们正在优化对不同操作条件的控制。
因此，本文的主要贡献有两个：（1）将智能控制器引入常规控制结构中;（2）提出一种协同作用，使其更有效地跟踪无人水面船舶的轨迹。智能和先进的方法已被证明对于USV路径跟踪有意义，不仅在单独应用时，而且与常规控制策略相结合。
USV轨迹跟踪控制策略已经根据海洋系统响应的特征进行了比较，如过冲，稳态误差和建立时间。先进的智能控制器比传统的控制器效果更好。这是非常方便的，因为精确的轨迹追踪可以避免障碍物并防止事故发生。另一方面，它们需要较少的控制力，从而更好地保护执行器并延长使用寿命。
用于实验测试的USV是运行自主船的1/15比例模型。这些实验从真实数据中提供了一个模型，并允许我们测试其上的不同控制器。
本文的其余部分组织如下。 以下部分总结了文献中有关该主题的相关作品。 第3节介绍了海洋系统。 第5部分设计并应用了基于模糊逻辑的智能控制。 在第6节中显示了仿真结果并讨论了控制律之间的比较。 结论结束本文。
2.相关作品
在本节中，我们将介绍有关无人水面舰艇（USV）航向控制的文献以及我们对这些作品的主要贡献。
沿着海洋系统的悠久历史，不同的控制策略已经应用于船舶自动化设计。 Sperry和Minorski于1922年开发出第一台自动驾驶仪，并引入了用于自动船舶转向的比例 - 积分 - 微分（PID）控制器。从那时起，简单的传统调节器和更复杂的控制器已应用于海洋工艺品。从Amerongen，Udink和Cate（1975）引入的第一个自适应自动驾驶仪到应用backstepping技术，保证方向和位置相对于参考轨迹趋于一致（Do，2010; Dong，Wan， Li，Liu和Zhang，2015），或利用滑动模式控制（Conte，Capua和Scaradozzi，2016）。但是大多数这些复杂的控制算法都具有需要高计算量的缺点（Pan，Lai，Yang，＆Wu，2015）。
尽管已知内在的海洋车辆具有非线性动力特性，但现代海洋自动驾驶系统设计仍然基于分析线性和非线性模型进行开发。 Fossen（2011）的书收集了海洋工艺控制的结果。主要集中在PID控制器等反馈控制方法和基于最优控制理论的更多先进的运动控制策略。 SISO和MIMO PID控制应用于船舶的非线性3自由度（DOF）和6自由度模型。这本书引起的兴趣表明，常规控制仍广泛应用于海洋水面船舶。也就是说，经典控制是不可或缺的参考。这就是为什么在我们的工作中，我们将控制方案与PID控制器进行了比较。此外，为了进行公平比较，我们通过应用遗传算法优化了传统控制器的调整参数，以实现其最佳性能。
更重要的是，PID控制仍然适用于USV。在Guo，Wang和Dun（2015）提出的文献中，主控制系统由内外环路中的PID控制器组成。这艘无人驾驶的船进行了满意的结果的湖测试。 Xu（2014）声称PID控制器用于大多数无人地面车辆的课程保持闭环控制。 Xu和Soares（2015,2016）提出了一种优化的二维路径跟踪算法，用于水面舰船的航迹点跟踪。在这两篇论文中，PID航向自动驾驶仪都用于船舶控制。
但是，PID调节器的参数可能难以调节。在文献中可以找到遗传算法（GA）和其他演化技术在优化常规控制器的调谐参数中的应用。以下的作品可以作为例子。 Yu，Liu，Liu和Wang（2015）利用多目标遗传算法优化了一种用于舵/舵横摇稳定的自校正PID控制器。在本文中，要优化的性能指标包括能量。他们还将该建议与传统控制进行了比较，以说明它如何提高侧倾稳定性和偏航控制精度的效率。 Xu（2014）采用分布算法的精英估计来优化用于控制USV过程的PID系统。它利用概率模型来估计最优解的分布。最后，Rathore和Kumar（2015）展示了一个由遗传算法调谐的自主水下车辆的鲁棒PID转向控制，以保证系统的稳定性。在我们的工作中，我们也应用了这种演变算法来调整PID增益。在我们的例子中，GA最小化了轨迹误差。
最近一些关于USV控制的论文集中在自适应控制法，以处理海洋系统动态变化。其中，增益调度方法使我们能够最佳地将控制适应于不同的操作条件。增益调度通过根据最影响系统行为的变量来改变控制参数来改善控制器的性能。例如，Liu等人的论文（2015）将质量变化作为调度变量。合成具有自适应参数估计的线性参数变化控制器以操作其总体质量变化的USV。尽管Gonzaacute;lez，Gomaacute;riz和Batlle（2015）针对自主水下航行器在浪涌速度和偏航基准变化两种情况下对PID增益进行了调整。车辆的流体动力学模型在不同的运行速度下线性化，并且在某些情况下设计了几个线性控制器用于启动。 Zhixiang，Youmin，Chi和Jun（2015）的论文也提出了一种自适应线性参数变化的容错控制方法，并将其应用于无人地面车辆转向控制。基线控制器旨在确保USV在时变操作状态（明显的浪涌速度）下可接受的跟踪性能和稳定性。
Eske，Sorensen和Breivik（2015年）提出了其他类似的应用不同自适应控制方案的作品。在这篇论文中，作者只给出了沿着直线和圆形路径进行目标跟踪的数值模拟。 Dong等人也发生了同样的情况。 （2015），其中提出了一种基于状态反馈的反步控制算法来解决USV在水平面上的轨迹跟踪问题。设计的轨迹跟踪控制器可以跟踪曲线轨迹和直线轨迹。
在我们的工作中，我们选择了轨迹的特征作为调度变量。我们认为这是其他论文更普遍使用的。据我们所知，这种方法以前没有应用于USV，因此是新颖的。另外，关于所引用的其他论文，我们使用了更广泛的轨迹，而不仅仅是简单的轨迹。此外，通过遗传算法调整增益调度控制器可以优化不同操作点的控制律。
另一方面，基于模糊逻辑的智能控制器已广泛应用于不同领域，包括海洋应用（Santos，2011; Santos，Loacute;pez和de la Cruz，2005）。 Wang，Kang，Xu，and Xu（2016）提出了一个与之密切相关的工作，其中方向舵自动控制基于总体转向经验总结的245条模糊逻辑规则。它应用于一个湖中1.5米帆船试验，显示了在各种风况下跟踪模糊控制器后轨道的有效性。 Wang，Fu和Liu（2015）尝试简化传统的船舶航向模糊控制器，以达到精度和控制规则数量之间的平衡。他们提出了一种变量宇宙模糊控制器，该控制器在效率和鲁棒性方面优于常规控制。在Gonzaacute;lez等人的论文中。 （2015），还介绍了一种自主水下航行器偏航跟踪的模糊控制设计。模糊控制在全局上优于已应用于同一模型的增益调度方法。与这些相比，我们的模糊提议非常简单（规则数量很少）但在定位精度方面效率很高，如结果所示。 Azzeri，Adnan和Zain（2015）对无人水面运载器的控制系统方法的各个方面的研究工作进行了回顾，以提高课程表现。虽然这篇综述揭示了自适应反步控制系统是这些非线性系统的强大工具，但对于复杂系统如USV，模糊逻辑控制也被认为是很好的替代方法。
图1.船舶的旋转和平移轴
最后，我们工作的主要贡献之一是证明，与传统控制器相结合的智能技术是处理复杂系统的一种很好的替代方案，与海洋车辆一样，传统上这些复杂系统一直受传统控制理论控制，但性能较差。这些技术的协同作用改善了控制行动。在我们的例子中，我们已经将GA应用于基于传统控制器的增益调度控制的自适应调整。虽然这个方案是新的，但在文献中可以找到已经应用于调谐的其他组合USV的课程控制系统。仅举几个例子，云生，小杰，国风和陈（2015）发展了PID控制和模糊逻辑的结合。仿真结果表明，与常规PID控制相比，模糊自适应PID USV进程控制具有良好的动态响应。 Liu，Xing和Zhu（2015）提出了一种模糊PID聚变船舶航向控制器，其输出比例因子不断更新。 Trybus，Swider和Stec（2015）提出了常规自动驾驶仪的PID控制器的调节规则，以及先进控制器的PI或状态空间控制的调节规则。
5.智能模糊控制（FLC）
模糊逻辑控制器（FLC）是基于知识的系统。 他们能够将基于专家知识的语言控制策略转变为自动控制（Sugeno，1985）。 模糊控制在数学复杂模型的应用中提供了重要的优势。 基于近似推理，即使在不确定的环境中，也可以控制复杂系统，如海洋船舶（Santos et al。，2005）。
模糊推理系统是基于模糊集的定义。 给定一个论域U，模糊集是一个映射mu;：U→[0,1]，给出区间[0，1]中U的每个元素的隶属度。 一个语义标签被分配给这个模糊集合，并且它的隶属度被用来测量宇宙U的元素的一个特征。 模糊系统通常被用来形成人类的知识，用典型形式的模糊规则来表示，
R u（1）：如果 x 1是A 1并且x n是A n 那么 y是B
全文共10753字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14424]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
