一种基于神经网络自抗扰控制的无人艇航向保持方法与流程

1.本发明涉及无人艇技术领域，尤其涉及一种基于神经网络自抗扰控制的无人艇航向保持方法。


背景技术：

2.无人艇，一种应用于海事作业的工具，在水面上无人艇极易受到外力作用影响，导致无人艇自身航向受到偏移。面对风浪对无人艇行进路线的干扰，目前应对这个问题主要有两种思路：一种是在无人艇行进过程中做局部路径规划，让无人艇在收到干扰偏移后能回到原来的航道上，但这种方法会增加无人艇的行进时间，增大能量的消耗。另一种方法就是建立一个航向保持器，增加驱动，让无人艇不会去偏离航道，这样就可以省去航道改变带来的诸多问题。
3.航向控制器目前主要有pid控制器，反步控制器，鲁棒控制等。其中以pid 为代表的线性控制，需要以准确的数学模型为基础，但由于无人艇受到内部干扰的同时还易受到风、浪、流等外界因素的干扰，所以传统的pid控制器系数需要连续的整定，所以控制效果并不理想。而非线性控制器，诸如：反步控制器、鲁棒控制等在系统模型精度较高时控制效果较好，但由于无人艇自身装载状态、吃水、航速等不断变化，使得其数学模型的参数和结构具有不确定性，实际控制效果达不到预期。而双电机推进的航向平衡器。在遇到横向的风浪时，反应效果较差，无法第一时间返回航道，并回归预设航向。


技术实现要素：

4.本发明的目的在于针对背景技术中的缺陷，提出一种基于神经网络自抗扰控制的无人艇航向保持方法，本发明能实时得检测无人艇的实际航向并与设置航向进行对比，然后调节左右电机的转速实现角度的控制，这样可以保持住无人艇的航向不会因为水面的外力而发生偏移，从而能够避免航线重新规划带来的行进路程和行进时间的增多的问题。
5.为达此目的，本发明采用以下技术方案：
6.一种基于神经网络自抗扰控制的无人艇航向保持方法，包括如下步骤：
7.步骤a：通过陀螺罗经定位无人艇的艇身方位和艇头朝向，以确定无人艇的实际航向；
8.步骤b：根据无人艇的预设航向与实际航向判断是否存在航向偏差角度，若是，则将航向偏差角度输入到神经网络自抗扰控制器；
9.步骤c：通过所述神经网络自抗扰控制器调控无人艇的左右电机的转速，以及通过无人艇的左右电机来调节螺旋桨的朝向，使无人艇保持航向。
10.优选的，所述步骤b中，判断是否存在航向偏差角度包括：
11.当实际航向与预设航向一致时，不存在航向偏差角度；
12.当实际航向位于预设航向右边时，存在航向偏差角度，且当前航向偏差角度为正值；
13.当实际航向位于预设航向左边时，存在航向偏差角度，且当前航向偏差角度为负值；
14.将预设航向与实际航向进行角度作差以获得航向偏差角度。
15.优选的，所述步骤c具体包括：
16.步骤c1：将当前航向偏差角度输入到所述神经网络自抗扰控制器的输入端；
17.步骤c2：所述神经网络自抗扰控制器对输入的参数进行计算以获取输出值；
18.步骤c3：将输出值输出到无人艇以控制无人艇左右电机的转速差，使无人艇进行实时转向；
19.步骤c4：获取新的航向偏差角度，判断当前航向偏差角度是否为0，若是，则维持当前航向，若否，则执行步骤c1至步骤c3。
20.优选的，所述神经网络自抗扰控制器包括微分跟踪器、非线性状态反馈模块、扩张观测器和神经网络模块；
21.所述微分跟踪器用于根据预设航向和被控对象的限制安排过渡过程，并提供过渡过程的各阶导数；
22.所述扩张观测器用于通过输入值和输出值对所述神经网络自抗扰控制器进行重构，以对所述神经网络自抗扰控制器所受的扰动进行实时补偿；
23.所述非线性状态反馈模块用于通过拟合状态变量误差和扩张观测器的扰动补偿来形成无人艇的实际控制量；
24.所述神经网络模块用于对所述非线性状态反馈模块中的参数进行整定。
25.优选的，所述微分跟踪器包括使用如下公式安排过渡过程和提供过渡过程的各阶导数；
[0026][0027]
其中：
[0028]
x1表示航向的微分量；
[0029]
x2表示航向的微分值的微分量；
[0030]
k表示时间量，x1(k 1)表示当前(k 1)时刻x1的值，x1(k)表示上一时刻(k 时刻)x1的值；
[0031]
h表示积分步长；
[0032]
flan表示最速控制综合函数，等同fh；
[0033]
r表示追踪速度。
[0034]
优选的，所述扩张观测器包括使用如下公式对所述神经网络自抗扰控制器所受的扰动进行实时补偿；
[0035]
[0036]
其中：
[0037]
e表示系统状态变量的误差；
[0038]
z1、z2表示系统状态变量的观测；
[0039]
z3表示对系统总扰动的一个估计；
[0040]
k表示时间量，即k时刻；
[0041]
y表示的是k时刻时无人艇的实际输出量；
[0042]
α为非线性参数，通常可以取α1＝1，α2＝0.5，α3＝0.25；
[0043]
β
0i
(i＝1、2、3)表示输出误差校正增益值；
[0044]
δ表示线性段区间长度；
[0045]
fal(e，α，δ)表示非线性函数，其具体为
[0046]
sgn()函数为阶跃函数。
[0047]
优选的，所述非线性状态反馈模块包括通过如下公式形成无人艇的实际控制量；
[0048][0049]
其中：
[0050]
u0表示非线性状态误差反馈的输出值；
[0051]
u表示u0经过扩张观测器进行补偿后得到的输出控制值；
[0052]
e1、e2表示安排过渡过程的误差信号；
[0053]
α4、α5表示：为非线性参数通常情况下α4＝0.75，α5＝1.25；
[0054]
δ3、δ4表示线性段区间的某个长度；
[0055]
β
1i
(i＝1、2)表示可调参数；
[0056]
b为一个常量值，b的取值与控制对象的延迟程度成正相关。
[0057]
本发明相对于现有技术所实现的技术效果：
[0058]
本发明能实时得检测无人艇的实际航向并与设置航向进行对比，然后调节左右电机的转速实现角度的控制，这样可以保持住无人艇的航向不会因为水面的外力而发生偏移，从而能够避免航线重新规划带来的行进路程和行进时间的增多的问题。而且本发明选取的神经网络自抗扰控制器与现有模糊自抗扰控制器相比，降低了对研究人员经验的要求，进一步提升的控制系统的稳定性。
附图说明
[0059]
图1是本发明其中一个实施例的无人艇航向保持方法的流程图；
[0060]
图2是本发明其中一个实施例的神经网络自抗扰控制器的框架图；
[0061]
图3是本发明其中一个实施例的lm-rbf神经网络流程图；
[0062]
图4是本发明其中一个实施例的rbf神经网络结构示意图。
具体实施方式
[0063]
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
[0064]
自抗扰技术是从pid技术中改进和发展而来的技术，与传统的pid控制相比，自抗扰控制品质和控制精度更高，自抗扰将内外部扰动归为总扰动，自抗扰控制中的eso会对系统所受的总扰动进行观测、估计并给予补偿，把含有未知扰动的非线性、不确定性的系统变为标准的线性系统。主要更接近与实际的无人艇系统也能让其抗扰能力更强，控制效果更好。但单纯的自抗扰控制存在着参数的问题，在实际应用的时候往往需要频繁的调整参数，所以本发明采用了神经网络与自抗扰控制相结合的方法，通过的自学习自适应能力去调节自抗扰控制器的部分参数，从而使得控制效果更佳。这样降低了对研究人员经验的要求，进一步提升的控制系统的稳定性。而且该设计采用的时四电机双螺旋桨的控制方法，在面对侧向的风浪时，它能通过调整螺旋桨上方电机，来改变螺旋桨的朝向，从而产生一个侧向的推力，抵抗侧面来的力，与此同时，还能依靠转速差回归到原始航道航向，效果更佳。
[0065]
如图1所示，具体包括如下步骤：
[0066]
步骤a：通过陀螺罗经定位无人艇的艇身方位和艇头朝向，以确定无人艇的实际航向；
[0067]
步骤b：根据无人艇的预设航向与实际航向判断是否存在航向偏差角度，若是，则将航向偏差角度输入到神经网络自抗扰控制器；
[0068]
优选的，所述步骤b中，判断是否存在航向偏差角度包括：
[0069]
当实际航向与预设航向一致时，不存在航向偏差角度；
[0070]
当实际航向位于预设航向右边时，存在航向偏差角度，且当前航向偏差角度为正值；
[0071]
当实际航向位于预设航向左边时，存在航向偏差角度，且当前航向偏差角度为负值；
[0072]
将预设航向与实际航向进行角度作差以获得航向偏差角度。
[0073]
由预设航向与实际航向进行做差即可得到航向偏差角度，获取航向偏差角度后，将航向偏差角度输入到神经网络自抗扰控制器，而自抗扰控制器的输出则输出到无人艇上，控制无人艇的左右螺旋桨及螺旋桨上方的电机，从而调整无人艇的转向，具体包括：
[0074]
步骤c：通过所述神经网络自抗扰控制器调控无人艇的左右电机的转速，以及通过无人艇的左右电机来调节螺旋桨的朝向，使无人艇保持航向。
[0075]
优选的，所述步骤c具体包括：
[0076]
步骤c1：将当前航向偏差角度输入到所述神经网络自抗扰控制器的输入端；
[0077]
步骤c2：所述神经网络自抗扰控制器对输入的参数进行计算以获取输出值；
[0078]
步骤c3：将输出值输出到无人艇以控制无人艇左右电机的转速差，使无人艇进行实时转向；
[0079]
步骤c4：获取新的航向偏差角度，判断当前航向偏差角度是否为0，若是，则维持当前航向，若否，则执行步骤c1至步骤c3。
[0080]
不同的航向偏差角代表着无人艇不同的状态。航向保持器通过左右电机的转速差实现无人艇的实时转向，再通过陀螺罗经测得无人艇的新的实际航向反馈回到输入端，再次得到偏差角对无人艇航向进行控制，循环往复。当无人艇的实际航向与预设航向一致时，
偏差角为0，此时自抗扰控制器的输出不再变化，维持现有航向行驶。
[0081]
优选的，如图2所示，所述神经网络自抗扰控制器包括微分跟踪器、非线性状态反馈模块、扩张观测器和神经网络模块；
[0082]
所述微分跟踪器用于根据预设航向和被控对象的限制安排过渡过程，并提供过渡过程的各阶导数，可以有效的改善经典控制中由于预设航向的突变导致的超调；
[0083]
优选的，所述微分跟踪器包括使用如下公式安排过渡过程和提供过渡过程的各阶导数；
[0084][0085]
其中：
[0086]
x1表示航向的微分量；
[0087]
x2表示航向的微分值的微分量；
[0088]
k表示时间量，x1(k 1)表示当前(k 1)时刻x1的值，x1(k)表示上一时刻(k 时刻)x1的值；
[0089]
h表示积分步长；
[0090]
flan表示最速控制综合函数，等同fh；
[0091]
r表示追踪速度。
[0092]
其中，r和h为需要整定的参数；
[0093]
进一步的，所述扩张观测器是所述神经网络自抗扰控制器的核心部分，通过输入值和输出值对所述神经网络自抗扰控制器进行重构，以对所述神经网络自抗扰控制器所受的扰动进行实时补偿；
[0094]
扩招状态观测器的作用是对系统的总扰动进行实时的估计和观测，通过适当的补偿将有未知的扰动、内部不确定的无人艇系统补偿成线性积分器串联的标准型系统。
[0095]
优选的，所述扩张观测器包括使用如下公式对所述神经网络自抗扰控制器所受的扰动进行实时补偿；
[0096][0097]
其中：
[0098]
e表示系统状态变量的误差；
[0099]
z1、z2表示系统状态变量的观测；
[0100]
z3表示对系统总扰动的一个估计；
[0101]
k表示时间量，即k时刻；
[0102]
y表示的是k时刻时无人艇的实际输出量；
[0103]
α为非线性参数，通常可以取α1＝1，α2＝0.5，α3＝0.25；
[0104]
β
0i
(i＝1、2、3)表示输出误差校正增益值；
[0105]
δ表示线性段区间长度；
[0106]
fal(e，α，δ)表示非线性函数，其具体为
[0107]
sgn()函数为阶跃函数；
[0108]
其中，β
0i
(i＝1、2、3)和δ为需要整定的参数。
[0109]
进一步的，所述非线性状态反馈模块用于通过拟合状态变量误差和扩张观测器的扰动补偿来形成无人艇的实际控制量；
[0110]
优选的，所述非线性状态反馈模块包括通过如下公式形成无人艇的实际控制量；
[0111][0112]
其中：
[0113]
u0表示非线性状态误差反馈的输出值；
[0114]
u表示u0经过扩张观测器进行补偿后得到的输出控制值；
[0115]
e1、e2表示安排过渡过程的误差信号；
[0116]
α4、α5表示：为非线性参数通常情况下α4＝0.75，α5＝1.25；
[0117]
δ3、δ4表示线性段区间的某个长度；
[0118]
β
1i
(i＝1、2)表示可调参数；
[0119]
b为一个常量值，b的取值与控制对象的延迟程度成正相关。
[0120]
进一步的，如图3所示，所述神经网络模块用于对所述非线性状态反馈模块中的参数进行整定。
[0121]
所述神经网络自抗扰控制器需要整定的参数很多，但是真正需要用到神经网络模块进行整定的只要非线性状态反馈模块中的β
1i
(i＝1、2)，因为这两个参数对神经网络自抗扰控制器的性能有着极大的影响，整定这两个参数能够使得神经网络自抗扰控制器获得更为理想的效果；
[0122]
选择的是rbf神经网络，rbf神经网络是一种前馈型神经网络。它分为输入层、隐含层和输出层三层，其结构如图4所示：
[0123]
他为n-m-1型的神经网络，n为输入的节点个数，m为隐含节点个数，输出节点个数为1。输入层到隐含层为非线性映射，基函数选择的是标准高斯函数即
[0124][0125]
其中j为隐含层的节点序号，即j＝1，2，....m，x为输入层的输入量x＝[x1 x2...xn]，cj为网络中第j个节点的中心矢量，而为求二者的欧式距离，σh为隐含层h节点的宽度。隐含层到输出层为
[0126][0127]
wj为权重值，它与对应的隐含层输出相乘后相加输出。
[0128]
神经网络的输入为x＝[u(k)，y(k-2)，y(k-1)]
t
；
[0129]
其中u(k)和y(k)分别为控制系统的输入与输出，而神经网络的性能优化指标为
[0130]
本技术在rbf神经网络的基础上加入了lm算法(一种非线性最小二乘优化算法)，它和传统的rbf相比，它用了非线性最小二乘优化算法去替代了梯度下降算法，解决了梯度下降法稳定性较差和收敛速度较慢的问题。它引入了动量因子α，以达到削弱参数调整中震荡的目的。引入lm算法后需要整定的β
1i
(f＝1、2) 的迭代算法如下：
[0131][0132]
式中的为由神经网络辨识出的雅可比信息表达式为：
[0133][0134]
η为学习速率，而a是动力因子，它的取值与误差指标有关即：
[0135][0136]
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。