AUV神经网络水平面航迹跟踪控制研究

论文摘要

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三个参数,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。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景和意义
• 1.2 AUV航迹跟踪控制技术概述
• 1.2.1 AUV航迹跟踪控制的发展
• 1.2.2 智能控制的发展
• 1.3 神经网络的发展与应用
• 1.3.1 神经网络的发展现状
• 1.3.2 神经网络在AUV动力学模型辨识中的应用
• 1.3.3 神经网络在AUV动态控制中的应用
• 1.4 本文研究的主要内容
• 第2章 AUV航向控制系统建模
• 2.1 引言
• 2.2 AUV航向控制系统模型的组成及工作原理
• 2.3 AUV操纵运动方程
• 2.3.1 坐标系与运动学变量
• 2.3.2 AUV水平面操纵运动方程的建立
• 2.3.3 AUV方向舵数学模型
• 2.4 海洋环境干扰模型
• 2.4.1 海流干扰模型
• 2.4.2 海浪干扰模型
• 2.5 AUV航向控制系统的数学模型
• 2.5.1 AUV航向控制系统理想模型
• 2.5.2 含有不确定性的AUV航向控制系统模型
• 2.6 本章小结
• 第3章 改进的BP神经网络算法
• 3.1 引言
• 3.2 神经网络控制基础
• 3.3 BP算法介绍和分析改进
• 3.3.1 BP算法介绍
• 3.3.2 BP算法分析及其改进
• 3.4 本章小结
• 第4章 神经网络控制器设计与应用
• 4.1 引言
• 4.2 AUV湖试中航向控制性能分析
• 4.2.1 AUV低速状况下航向控制曲线
• 4.2.2 AUV高速状况下航向控制曲线
• 4.3 神经网络控制器设计方案
• 4.4 用于航向保持的神经网络控制器结构
• 4.5 用于航向保持的神经网络控制器的训练方法
• 4.6 应用神经网络控制器仿真实例
• 4.7 本章小结
• 第5章 神经网络与PID混合控制器设计与应用
• 5.1 引言
• 5.2 神经网络与PID混合控制器设计方案
• 5.3 神经网络与PID混合航向控制器原理
• 5.4 AUV应用混合控制器控制航向仿真实例
• 5.5 航迹跟踪控制方案
• 5.6 AUV水平面航迹跟踪算法研究
• 5.6.1 航迹跟踪中的AUV航向制导算法描述
• 5.6.2 AUV航向控制器模型
• 5.7 AUV应用混合控制器航迹跟踪仿真实例
• 5.8 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢
• 附录A