徐箭雨[1]2003年在《模糊CMAC神经网络在AUV运动控制中的应用》文中进行了进一步梳理本文以AUV为对象，针对其运动控制中模型非线性部分对控制性能影响较大及有海流、海浪等外界干扰等特点，采用一种新型神经网络：模糊小脑模型关节控制器(Fuzzy Cerebellar Model Arithmetic Controller)并结合基于李雅普诺夫原理而推导出的学习算法设计AUV的运动控制系统，并与传统PID控制器进行了仿真比较。 本文在建立坐标系和运动模型(包括海流、海浪影响)的基础上，将FCMAC控制器分别应用于潜艇垂直面的深度及纵倾控制和AUV的5自由度运动控制。作为实施具体控制的前提，第3章在简要分析了FCMAC工作原理的基础上进行了它的C++语言代码的实现，包括初始化、前馈算法和自学习算法等。 在潜艇垂直面运动控制的应用中，FCMAC的输出用于补偿运动模型的非线性部分，这一功能通过FCMAC的在线学习实现，经过补偿后的潜艇控制系统可看作一个线性系统，它由一个PD控制器进行控制。仿真结果表明：FCMAC控制器无论在运动控制精度还是鲁棒性方面都较PD控制更优，同时抗扰动能力也达到了工程要求。 在AUV 5自由度运动控制的应用中，FCMAC的作用仍是补偿运动模型的部分，针对执行元件的布置对控制实施不利的情况，对控制策略进行了相应的调整，同时加入了一种预报式艏向确定法。在仿真算法的调试过程中进行了一系列无前人经验可借鉴的开拓性工作：包括FCMAC和PD的结构参数的确定、预报量大小与控制目标及对象状态的关系、实际舵有惯性时FCMAC学习算法的修正和修正参数的确定等等。仿真结果表明：在海流流速不大的情况下，FCMAC控制器在控制精度和鲁棒性等方面都优于PID控制器。
田宇[2]2007年在《水下机器人智能运动控制技术研究》文中研究说明智能控制是当前水下机器人运动控制领域研究的热点，在很大程度上代表着今后的研究方向。本论文旨在探讨智能控制技术在水下机器人运动控制中的应用，并设计出性能优良的水下机器人运动控制系统。本文首先分析了水下机器人运动仿真的数学模型，包括海流和海浪影响，并以此模型为基础建立了水下机器人运动仿真系统。主要对模糊控制、神经网络控制和专家控制进行了深入研究：研究了一种控制规则自调整模糊控制方法，采用解析形式描述模糊控制规则，并通过智能权函数实现控制规则在线自调整，不但克服了难以单凭工程经验构造满意模糊控制规则的缺陷，而且提高了模糊控制系统的鲁棒性和适应性；提出水下机器人神经网络前馈逆控制方法，这种前馈／反馈的复合控制方法以水下机器人的运动意志为指导训练神经网络前馈控制器成为水下机器人的逆动力学模型，不需要对水下机器人进行辨识，而且控制系统的稳定性也得到了保证；水下机器人运动的S面控制方法是一种简单实用的方法，本文提出专家S面智能控制方法，采用专家控制器在线调整S面控制器的参数以改善S面控制器的性能，并在S面控制器的基础上引入仿人智能积分以提高控制的稳态精度。本文对所研究的控制方法设计了相应的控制器并进行了仿真试验，验证了本文研究的控制方法的可行性。
汤莉[3]2009年在《AUV神经网络水平面航迹跟踪控制研究》文中认为AUV(自主式水下潜航器)是一个典型的具有非线性、耦合性和运动模型水动力不确定性的系统。AUV在近水面航行时,复杂的海流干扰将使其航迹跟踪控制更加困难。本文为提高AUV航迹控制的精确性、鲁棒性和稳定性,对神经网络控制理论,以及它在AUV航向控制系统和航迹跟踪系统中的应用进行了深入的分析和研究。针对基于泰勒级数展开而建立的航向控制系统线性模型会带来系统误差的问题,依据AUV空间六自由度运动模型,建立了AUV航向控制系统非线性模型,以及在海流、海浪干扰环境下包含系统模型参数不确定性的AUV航向控制系统模型。针对常规BP算法的收敛速度慢的缺点,提出一种在神经网络的误差反传权值修正时增加一个调整器的方法,降低了网络的灵敏度。该调整器将全局反传式网络变成局部反传式网络,使网络的学习速率有一定提高。为提高AUV航向控制系统抑制海流等环境干扰的能力,针对常规控制器在工况改变的情况下控制性能变差的缺点,设计了带衡量因子的动态BP网络航向控制器。仿真结果表明,这种神经网络控制器在一定程度上满足了AUV在一定航速下的机动要求,且更具备适应系统自身特性改变产生的干扰和抑制海流等外界环境干扰的能力。针对神经网络的学习收敛速度缓慢,虽然经过一定的改进,但用在实时控制中仍然存在反应缓慢的缺点,提出用神经网络与PID控制器相结合的混合控制器来对AUV做航向控制。该混合控制器只对原有的常规PID的控制结构做微小的改变,就可以把无模型或不准确模型、干扰和其他不确定状态响应到整个控制动作上。虽然神经网络通过PID的输出来学习训练,但它不是PID的简单复制。加入PID控制器是为了增强系统的稳定性,控制器的主要性能决定于神经网络。神经网络和PID混合控制器的性能明显优于PID控制器。这是因为对于神经网络的PID混合控制器,其不像PID控制器由参数Kp、Ki、Kd决定着控制效果,其控制效果不依赖于这叁个参数,Kp、Ki、Kd的值只需要在一个合理的范围内即可,因此混合控制器具有更好的自适应性和鲁棒性,控制精度高。本文所设计的神经网络与PID混合控制器应用到AUV航迹控制,得到在有干扰条件下AUV航迹跟踪控制曲线。所得仿真结果充分验证了该混合控制器在一定程度上提高了AUV控制系统的动态特性和鲁棒性。神经网络和PID混合控制器在AUV航向控制中有很好的应用前景。
张东昆[4]2015年在《AUV自动驾驶的设计与实现》文中研究说明自主式水下机器人(AUV,Autonomous Underwater Vehicle)在港口安防、科学考察、水产养殖等领域有着广泛的应用,是当前世界各国研究工作的热点。自动驾驶作为水下机器人的重要组成部分,是确保AUV在水下运行时具有良好可控性和稳定性的关键。未来随着深海工作复杂度的增加,人们对AUV自动驾驶的安全性、稳定性要求也必然会更加的严格。因此,欧美等国已经着手研究更加可靠、高效的AUV自动驾驶方案。本文的目标是对AUV自动驾驶的设计与实现进行初步的研究。论文中首先介绍了当前国内外AUV的研究现状、发展趋势,综述了AUV的自动驾驶技术,以及对其研究的意义。接着从整体上对AUV自动驾驶进行了介绍说明。之后详细的探讨了AUV自动驾驶系统的软件实现、硬件实现和运动控制算法。其中,着重介绍AUV自动驾驶系统的硬件实现。在硬件设计上,采用can总线构成分布式系统,实现多主机间“对等式”通信,增加了信息通讯量,并提供了良好的拓展性。在软件设计上采用抢占式内核uc/os作为嵌入式操作系统,它具有实时性强、可靠性高、可裁剪和移植简单的优势,满足水下机器人的设计需要。此外,还对AUV自动驾驶的相关算法进行了介绍,着重研究了AUV的运动控制算法。目前,AUV的运动控制结构主要有分布式和集中式两种结构,分布式设计具有很好的通用性,非常适用于多自由度的AUV系统。控制算法包括模糊控制、PID控制、自适应控制、滑模变结构控制、神经网络控制等,还有上述方法相结合而产生的新的算法,例如自适应PID,模糊神经网络等等。本文在样机鱼雷型水下机器人的基础上,采用PID运动控制算法,在MATLAB环境下进行了仿真,仿真结果表明PID控制算法设计合理、有效。
段杰[5]2018年在《基于神经网络的AUV故障诊断与容错控制技术研究》文中研究说明海洋的经济价值、军事意义日益凸显,已愈发受到世界各国的重视,作为探索、研究、利用和保护海洋的核心设备,自主式水下航行器(Autonomous Underwater Vehicle,AUV)在民用和军事领域得到了较为广泛地应用,它推进了人类开发海洋的进程,然而AUV无人无缆、内部系统高度自治且航时较长,在工作环境及其复杂的海洋深处,作业风险难以预测,其内部组件一旦发生故障,将导致不可估量的损失。因此在AUV研制或应用的过程中,安全性和可靠性是必须予以慎重考虑的关键问题。故障诊断与容错控制作为一门新兴的交叉学科,为AUV研制和使用中的安全性和可靠性提供了技术支持和保证,具有重要的研究意义和工程实用价值。AUV结构复杂,需考虑的故障机理、故障征兆、故障模式过多,已超出研究时间的限制,故本文以神经网络、模糊系统和AUV六自由度方程为理论基础,仅将AUV控制系统常用的传感器和推进器等关键组件作为研究对象,并以本单位在研的某型产品的实航数据作为训练样本,开展了AUV传感器和推进器的故障诊断和容错控制研究。主要工作有:(1)基于RBF和OS-ELM神经网络分别建立了一种训练样本动态变化的在线故障诊断模型,在此基础上设计了某产品深度传感器在线故障诊断方案,并以该产品实航数据为训练样本进行仿真试验,结果表明:该方案有效可行,能准确识别传感器的多种故障模式;(2)深入研究了神经网络信息融合理论,并根据某产品控制系统的各个传感器之间具有冗余信息的特点,设计了控制系统传感器信号重构方案,并将该产品的实航数据作为样本进行仿真试验,结果表明:该方案有效可行,能在一定精度范围内重构某故障传感器的输出信号;(3)将模糊数学与神经网络算法结合,建立了基于模糊神经网络的推进器故障诊断模型,并以某产品推进器电机的故障模式为依据设计了推进器故障诊断方案,最后以该产品的实航数据作为样本进行仿真试验,仿真结果表明:该方案有效可行,能准确识别推进器的各个故障模式;(4)深入分析了AUV的力学特性,建立了AUV空间六自由度方程,并以该六自由度方程为基础,设计了双推进器配置的容错控制方案,最后利用Matlab/Simulink软件进行仿真试验,仿真结果表明:该方案有效可行,能在一定精度范围内实现容错控制。
程相勤[6]2008年在《基于反馈线性化的AUV近水面航向鲁棒控制研究》文中进行了进一步梳理AUV(自主式水下航行器)是一个典型的具有非线性、耦合性和运动模型水动力不确定性的系统。AUV在近水面航行时,复杂的海流、海浪干扰将使其精确航向控制更加困难。本文为提高AUV航向控制的精确性、鲁棒性和稳定性,对非线性系统状态反馈精确线性化方法和非线性鲁棒控制理论,以及它们在AUV航向控制系统中的应用进行了深入的分析和研究。首先,针对基于泰勒级数展开而建立的航向控制系统线性模型会带来系统误差的问题,依据AUV空间六自由度运动模型,建立了AUV航向控制系统非线性模型,以及在海流、海浪干扰环境下包含系统模型参数不确定性的AUV航向控制系统模型。其次,为降低AUV航向控制系统模型的非线性程度,研究基于微分几何理论的状态反馈线性化方法,分析了状态反馈精确线性化的充要条件;考虑系统的不确定性,给出了匹配条件和扩展匹配条件下的微分几何表达形式;为解决具有不确定性的AUV航向控制问题,引入鲁棒线性化的概念。再次,为提高AUV航向控制系统抑制海流、海浪等环境干扰的能力,对非线性鲁棒控制理论在航向控制中的应用进行了分析和研究。基于Hamilton-Jacobi-Issacs(HJI)不等式给出了闭环系统渐近稳定且L_2增益有限的状态反馈设计算法:考虑到HJI不等式的求解难度,将所得的结果转化为非线性矩阵不等式(NLMI)求解;进一步得到AUV基于状态反馈线性化的非线性鲁棒航向控制器。最后,针对本文所设计的非线性鲁棒航向控制器,应用到AUV虚拟仿真平台,得到在不同仿真环境下的AUV航向控制曲线。所得仿真结果与标准H_∞鲁棒控制器下的仿真结果比较,充分验证了非线性鲁棒航向控制器在一定程度上提高了AUV的动态特性和鲁棒性。
张用[7]2009年在《遗传算法PID控制在AUV运动控制中的应用》文中认为AUV(无人潜航器)是一个典型的具有非线性、耦合性和运动模型水动力不确定性的系统。AUV的运动控制如航向控制、深度控制和纵倾控制等是AUV诸多关键技术中迫切需要研究、解决的关键技术,是完成AUV使命的重要技术保障。AUV本身模型的复杂性以及在航行时存在的海流干扰等将使其精确运动控制十分困难。本文为提高AUV运动控制的精确性、鲁棒性和稳定性,对遗传算法和PID控制理论,以及它们在AUV运动控制系统中的应用进行了深入的分析和研究。首先,建立AUV固定和运动坐标系,建立了AUV的空间六自由度运动的数学模型;根据海洋环境的特点,建立了和水平面以及垂直面运动相关的海流模型。其次,介绍了基本遗传算法原理,针对基本遗传算法本身仍存在着许多难以解决的问题,如早熟收敛、控制参数的选择等,综合各种改进措施,将最优保存策略、自适应设定交叉概率和变异概率、适应度缩放的思想融入到基本遗传算法中,对算法进行改进。再次,通过对PID控制算法的介绍,把遗传算法和PID控制相结合设计了遗传算法PID控制器,该控制器利用遗传算法优秀的寻优能力来对PID控制器的控制参数进行寻优,以使PID控制器在各个工况点都能取得较好的控制参数。最后,利用对AUV运动的完整数学模型的线性化得到的其航向控制器、深度控制器和纵倾控制器的设计模型设计了航向控制器、深度控制器和纵倾控制器。并对控制器的控制效果进行仿真,仿真结果证实了遗传算法PID控制器能在不同工况点以及海流干扰情况下取得较好的控制效果,并且通过设计航向制导器和纵倾制导器,结合航向控制器和纵倾控制器实现了AUV的精确叁维航迹跟踪控制。
孙永丰[8]2008年在《AUV均衡系统控制技术的研究》文中研究表明自治式水下机器人(Autonomous Underwater Vehicle,简称AUV)是高技术的集成体,而AUV的控制问题是其诸多技术中迫切需要研究、解决的关键技术之一。AUV在航行过程中都会存在一定大小的零升力和零升力矩,并且其在航行过程中还会带有一定的正浮力。零升力和零升力矩以及正浮力会对AUV的运动控制产生一定的影响,必须操纵水平舵压一定的舵角来克服这些影响,这势必会影响水平舵的可操纵范围,而且会增加AUV的航行过程中的能源消耗,所以必须想办法解决这些问题。本论文正是基于上面存在的这些问题,研究AUV的均衡系统在其控制中的应用,并重点研究用均衡系统来补偿AUV的水平舵压舵角的舵效。论文首先建立了AUV垂直面运动数学模型,并且建立了相应的执行机构(舵和均衡系统)的数学模型,最后对AUV垂直面运动数学模型进行了仿真验证。其次,论文研究了模糊控制基础理论,以及结合自适应控制的自适应模糊控制算法,并且分析了基于修正因子自调整的自适应模糊控制器的设计与应用。再次,论文研究了均衡系统在AUV静态均衡中的应用,设计了相应的自适应模糊控制器,并且进行了静态均衡仿真验证。最后,对AUV的湖试试验数据进行了研究,分析了湖试中出现水平舵很大压舵角的原因,设计了AUV速度控制器和纵倾控制器,并运用均衡系统分别采用不同的控制策略来补偿AUV的水平舵压舵角的舵效,来实现提高AUV的操纵性和安全性,达到节省能源的目的。另外,文章对AUV近水面定深航行的情况进行了研究,针对二阶波浪力的特点,应用均衡系统来克服二阶波浪力对AUV定深航行的影响。最后通过相应的仿真验证,证明了均衡系统确实可以补偿水平舵的压舵角。
邓超[9]2011年在《AUV叁维空间轨迹跟踪控制方法研究》文中研究表明AUV是典型的高度非线性、强耦合、运动模型不确定以及干扰严重的系统。从而给AUV的运动控制带来了较大难度。在执行海底石油管道、海底电缆检测任务,地形、地貌探测任务,海洋观测、海平面分析,以及军事应用等任务时都需要AUV能够高效、精确的跟踪特定曲线。本文对AUV的轨迹跟踪控制问题进行了研究。首先,根据牛顿力学和刚体动力学以及流体力学理论建立了AUV运动六自由度数学模型。并对AUV在平面中的轨迹跟踪问题进行了研究,将AUV的运动分解为水平面运动和纵平面运动,利用反步法分别设计水平面以及纵平面的轨迹跟踪控制器,并对定常干扰进行了估计补偿,仿真结果显示控制器可以获得较好的控制效果。反步法通过李亚普诺夫控制函数构建反馈控制律,思路简单,设计灵活。其次,介绍了基于状态的黎卡提方程(SDRE)基本原理,解的存在性,稳定性以及设计方法等内容,SDRE是一种非线性的设计方法,无需对模型进行线性化,这种方法将非线性动态系统因式分解成状态向量表示的形式,最终形成基于自身状态的矩阵函数,可在线求解得到次优的控制律。利用SDRE方法设计了AUV在叁维空间的轨迹跟踪控制器,并进行了仿真验证,结果显示SDRE控制器可以实现AUV在叁维空间的轨迹跟踪控制。在仿真过程中发现,SDRE控制器的权值Q和R对系统性能影响较大,因此,考虑引入粒子群算法寻找更优的权值Q和R。最后,对基本粒子群算法进行了部分改进,提出一种基于种群历史经验的粒子群算法(GHEPSO),粒子在受当前迭代时刻种群最优位置和自身历史最优位置影响的同时,也受前几个迭代时刻种群最优位置的影响,相对于基本粒子群算法对群体经验信息的利用更加充分。通过几个典型的测试函数对算法性能进行了分析,并与基本粒子群算法进行了比较,结果表明GHEPSO算法相对于基本粒子群算法具有更好的优化效果,而将GHEPSO和时变加速系数(TVAC)以及带交叉的粒子群(MPSO)相结合使用可以进一步提高优化效果。利用GHEPSO、TVAC、MPSO相结合的粒子群算法对SDRE控制器的权值Q和R进行寻优,利用寻优得到的Q和R参数重新对SDRE控制器进行了仿真分析,结果显示,系统获得了更好的跟踪效果。
温秀平[10]2011年在《水下机器人特性分析及其控制方法研究》文中研究说明水下机器人作为人类探索和开发海洋的工具，其在军事和民用两方面都发挥着重要的作用，21世纪将是水下机器人技术迅速发展和应用的时代，水下机器人这一高新技术也将成为学者们研究的重点。到目前为止，学者们已经将多种控制方法应用到了水下机器人系统中，已取得了很多优秀的成果，但是对于水下机器人的控制来说仍有很多问题有待于解决。考虑到水下机器人所处的海洋环境的复杂多变，如何在不同海况下实时判定水动力系数，进而建立相对精确的数学模型，如何设计更为有效的控制器来控制水下机器人的运动，如何在系统出现执行器和传感器故障情况下设计稳定的控制器来帮助水下机器人完成任务，这些都是需要我们进一步研究的问题。本论文首先从水下机器人的系统特性出发，以速度势函数作为桥梁，利用势流理论研究了水下机器人所处海况与水动力系数的关系；其次，在不考虑系统出现故障的情况下，对水下机器人系统进行线性化处理，进而给出了水下机器人航向和潜深控制器的设计方法；最后，针对水下机器人的强耦合、非线性的特点，同时考虑执行器和传感器故障，提出了几种容错控制方法。本论文在充分继承前人成果的基础上，作了进一步的研究，主要取得了下面的创新性成果：一、设计了鲁棒H∞航向控制器和潜深控制器。在不考虑执行器和传感器故障的情况下，利用线性矩阵不等式知识为水下机器人航向控制系统、潜深控制系统分别设计了鲁棒H∞航向控制器和潜深控制器。所设计的基于状态观测器的鲁棒H∞控制器，解决了部分状态不可测的自治式水下机器人航向控制系统的控制器设计问题，并实现了状态观测器和控制器的同时设计，和前人给出的方法相比具有收敛速度快和待求参数矩阵少的特点。另外，在已有的自治式水下机器人潜深动力学模型的基础上，给控制输入引入了一个具有硬性限制的控制舵角扰度，使得所研究的控制问题更具有实际意义。应用线性矩阵不等式的处理方法，将控制受限的水下机器人的潜深控制器的存在问题转化为线性矩阵不等式是否有可行解的问题。该方法的给出为水下机器人潜深控制器设计方法提供了新的思路；二、提出了基于线性矩阵不等式的H∞容错控制方法。利用线性矩阵不等式知识，针对一类非线性项满足利普希茨条件的非线性系统，分别给出了只发生执行器故障和同时发生传感器、执行器故障两种情况下的H∞容错控制器设计方法，并将该方法成功应用到水下机器人航向控制系统中。该H∞容错控制方法不仅保证了水下机器人系统在故障和正常情况下系统的稳定性，而且对干扰具有较好的抑制作用，它不仅适用于水下机器人航向控制系统，也适用于非线性项满足李普希茨条件的多输入的非线性系统，该容错控制方法为非线性系统的容错控制提供了新途径；叁、提出了基于反馈线性化的水下机器人保性能容错控制方法，该方法不仅可以保证具有传感器故障时的系统的稳定性，还可以使系统具有指定的性能指标，为解决水下机器人传感器故障问题提供了新思路，具有一定的理论和实际意义；四、提出了基于故障诊断观测器的容错控制方法，分别针对具有常值故障和时变故障两种故障形式的非线性系统，设计了故障诊断观测器和容错控制器，将适用于线性系统的容错控制方法推广到了一类特殊的非线性系统，拓宽了应用范围，并将该方法应用到水下机器人航向控制系统中。文中所设计的容错控制器不仅可以保证故障系统的渐进稳定性，还可以使故障系统满足多种性能指标。在矩阵不等式的处理过程中，采用分块矩阵形式，使得运算简单方便。
参考文献：
[1]. 模糊CMAC神经网络在AUV运动控制中的应用[D]. 徐箭雨. 哈尔滨工程大学. 2003
[2]. 水下机器人智能运动控制技术研究[D]. 田宇. 哈尔滨工程大学. 2007
[3]. AUV神经网络水平面航迹跟踪控制研究[D]. 汤莉. 哈尔滨工程大学. 2009
[4]. AUV自动驾驶的设计与实现[D]. 张东昆. 中国海洋大学. 2015
[5]. 基于神经网络的AUV故障诊断与容错控制技术研究[D]. 段杰. 中国舰船研究院. 2018
[6]. 基于反馈线性化的AUV近水面航向鲁棒控制研究[D]. 程相勤. 哈尔滨工程大学. 2008
[7]. 遗传算法PID控制在AUV运动控制中的应用[D]. 张用. 哈尔滨工程大学. 2009
[8]. AUV均衡系统控制技术的研究[D]. 孙永丰. 哈尔滨工程大学. 2008
[9]. AUV叁维空间轨迹跟踪控制方法研究[D]. 邓超. 哈尔滨工程大学. 2011
[10]. 水下机器人特性分析及其控制方法研究[D]. 温秀平. 哈尔滨工程大学. 2011
标签：自动化技术论文; 神经网络模型论文; 机器人传感器论文; 运动控制器论文; 水下机器人论文; 自动化控制论文; 仿真软件论文; 线性系统论文; 模糊算法论文; 运动论文; 模糊理论论文; 传感器技术论文; 系统稳定性论文; 机器人论文; 非线性论文;