未知時變擾動及模型參數(shù)動態(tài)不確定下船舶自動靠泊控制

趙永生 吳韜 白一鳴

摘要：針對未知時變擾動及模型參數(shù)動態(tài)不確定下的船舶自動靠泊控制問題，提出一種新的間接神經(jīng)自適應(yīng)的靠泊控制策略。采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)逼近船舶模型參數(shù)中動態(tài)不確定部分，采用帶有唯一虛擬參數(shù)的線性化參數(shù)形式表示模型參數(shù)動態(tài)不確定性和未知時變擾動構(gòu)成的復(fù)合不確定項，使計算簡單，易于工程實現(xiàn)。利用Lyapunov理論證明提出的自動靠泊閉環(huán)控制系統(tǒng)的穩(wěn)定性和信號的一致有界性。仿真實驗結(jié)果證明了該控制律可以使船舶達到期望的位置和艏向角，實現(xiàn)船舶自動靠泊。

關(guān)鍵詞：

自動靠泊; 動態(tài)不確定; 未知時變擾動; 神經(jīng)網(wǎng)絡(luò); 虛擬參數(shù)

中圖分類號：? U664.82

文獻標(biāo)志碼：? A

Automatic berthing control of ships with unknown time-varying

disturbance and dynamic uncertainty of model parameters

ZHAO Yongsheng， WU Tao， BAI Yiming

（College of Marine Electrical Engineering， Dalian Maritime University， Dalian 116026， Liaoning， China）

Abstract：

Aiming at the ship automatic berthing control problem under the unknown time-varying disturbance and the dynamic uncertainty of model parameters， a new indirect neural adaptive berthing control strategy is proposed. The radial basis function neural network is used to approximate the dynamic uncertain part of the ship model parameters， and the linearized parameter form with a unique virtual parameter is used to express the compound uncertainty from the dynamic uncertainty of model parameters and the unknown time-varying disturbance， making the calculation simple and the project realization easy. The stability of the proposed automatic berthing closed-loop control system and the consistent boundedness of the signal are proved by Lyapunov theory. Simulation experiment results prove that the control law can control a ship to the desired position and heading angle， and realize ship automatic berthing.

Key words：

automatic berthing; dynamic uncertainty; unknown time-varying disturbance; neural network; virtual parameter

0 引 言

船舶在自動靠泊過程中除受到常見的風(fēng)、浪、流干擾外，還受到岸壁效應(yīng)、淺水效應(yīng)的影響[1]，這使得自動靠泊控制比常見的跟蹤控制更加困難。國內(nèi)外相關(guān)學(xué)者采用輸出反饋[2]、魯棒[3]、滑模[4]等控制算法研究了欠驅(qū)動船舶自動靠泊控制，取得了良好的效果，但由于欠驅(qū)動船舶沒有配備側(cè)推裝置，通常只能實現(xiàn)泊位外鎮(zhèn)定控制。配備有全驅(qū)動裝置的船舶的靈活性能夠滿足自動靠泊控制目標(biāo)對船舶的要求。

為研究自動靠泊控制問題，需要建立考慮淺水效應(yīng)、岸壁效應(yīng)、船舶低速特點的數(shù)學(xué)模型。文獻[5-8]都在MMG（ship maneuvering model group）分離型模型基礎(chǔ)上建立數(shù)學(xué)模型，而由于MMG需要使用大量的經(jīng)驗公式，所建立的數(shù)學(xué)模型不夠精確。另外，MMG較多應(yīng)用于大型船舶，可實際上大型船舶需要拖船等進行輔助才能完成靠泊，而且需要的靠泊操縱水域較大，很難滿足自動靠泊的要求。Fossen模型較多應(yīng)用于中小型船舶，而且采用的是簡潔的矩陣運動方程形式，易于反映船舶機械操縱特性，因此越來越多的學(xué)者采用Fossen模型研究自動靠泊控制[9-11]。然而，大部分研究把Fossen模型中的擾動簡單地視作風(fēng)、浪、流擾動，沒有考慮岸壁效應(yīng)對船舶產(chǎn)生的干擾。岸壁效應(yīng)指船舶在靠近泊位時所受的岸壁對船舶的干擾力和力矩[12]，如果忽略岸壁效應(yīng)，控制精度會降低，靠泊安全性會受到影響。

文獻[13]利用矢量反步法，設(shè)計了魯棒自適應(yīng)控制律，實現(xiàn)了在擾動時變未知情況下的動力定位控制。文獻[14]針對外部擾動為已知常值和未知常值的情況，設(shè)計了魯棒無源輸出反饋控制器，實現(xiàn)了船舶定位控制的漸近穩(wěn)定。文獻[15]利用非線性規(guī)劃方法提出最短時間的自動靠泊方法，根據(jù)外界干擾引起的預(yù)測控制誤差的性能指標(biāo)，調(diào)整最短時間的靠泊控制輸入?yún)?shù)。在設(shè)計靠泊控制器時，大多數(shù)研究假設(shè)船舶模型參數(shù)精確已知，而實際上船舶在自動靠泊過程中由于岸壁效應(yīng)、環(huán)境擾動的影響很難得到精確的模型參數(shù)。神經(jīng)網(wǎng)絡(luò)因其具有非線性函數(shù)的逼近特性，被用于解決自動靠泊問題。文獻[16-19]利用神經(jīng)網(wǎng)絡(luò)技術(shù)對船舶模型參數(shù)動態(tài)不確定性進行重構(gòu)，取得了良好的靠泊控制效果。上述文獻提出的控制策略，除了需要對外部時變擾動設(shè)計自適應(yīng)律進行補償之外，還需要對神經(jīng)網(wǎng)絡(luò)中較多的參數(shù)進行在線學(xué)習(xí)，計算復(fù)雜。文獻[20]設(shè)計了一種新的魯棒自適應(yīng)有限時間航跡跟蹤控制律，該控制律只需要在線學(xué)習(xí)一個參數(shù)，有利于工程實現(xiàn)。gzslib202204031044

本文在總結(jié)上述研究的基礎(chǔ)上，同時考慮未知時變擾動和模型參數(shù)動態(tài)不確定性，設(shè)計一種自動靠泊控制算法，并對一艘供給船進行仿真實驗來驗證本文設(shè)計的控制算法的有效性和魯棒性。本文主要貢獻是：（1）基于Fossen模型建立了考慮岸壁效應(yīng)的自動靠泊數(shù)學(xué)模型。（2）針對船舶模型參數(shù)動態(tài)不確定問題，引入徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)在線估計模型參數(shù)中動態(tài)不確定部分，并采用虛擬參數(shù)學(xué)習(xí)方法和間接自適應(yīng)方法，提出一種新的間接神經(jīng)自適應(yīng)的靠泊控制策略。（3）所提出的控制方案只需在線學(xué)習(xí)一個參數(shù)，計算簡單，易于工程實現(xiàn)。

1 問題描述

船舶靠泊屬于低速大漂角緩慢運動，研究船舶運動一般只考慮船舶的縱蕩、橫蕩和艏搖3個自由度的水平面運動，而忽略船舶的垂蕩、橫搖和縱搖運動這3個自由度的影響。建立如圖1所示的船舶運動坐標(biāo)系：慣性坐標(biāo)系（OEXEYEZE）和船體坐標(biāo)系（AXYZ）。在地球表面上任意選取一點作為慣性坐標(biāo)系的原點OE，OEXE軸指向正北方向，OEYE軸指向正東方向，OEZE軸指向地心方向。假設(shè)船舶左右對稱，選取船舶重心A作為船體坐標(biāo)系的原點，AX軸指向船首方向，AY軸指向右舷方向，AZ軸指向船底方向。

3 仿真結(jié)果與分析

選取文獻[13]提到的一艘供給船作為仿真研究對象。設(shè)定船舶初始位置和艏搖角構(gòu)成的向量為

[WTHX]η[WTBX]0=（0，0，π/4）T，初始縱蕩速度、橫蕩速度和艏搖角速度構(gòu)成的向量為

[WTHX]υ[WTBX]0=（0.5 m/s，0.5 m/s，0.5 rad/s）T，船舶靠泊期望位置和期望艏向角構(gòu)成的向量為

[WTHX]η[WTBX]d=（100 m，50 m，π/2）T。本文設(shè)計的參考靠泊軌跡要求實現(xiàn)船舶艏向最終與岸基平行，這樣有利于后續(xù)的系泊操縱。

假設(shè)船舶受到的外部時變擾動為

為驗證本文設(shè)計的自動靠泊控制算法的魯棒性和有效性，分別將本文設(shè)計的控制律

[WTHX]τ[WTBX]與文獻[13]采用的常規(guī)神經(jīng)網(wǎng)絡(luò)逼近模型不確定項，并設(shè)計自適應(yīng)律來估計復(fù)合擾動的控制律

[WTHX]τ[WTBX]com進行對比仿真實驗。

[WTHX]θ[WTBX]*i構(gòu)成的矩陣[WTHX]Θ[WTBX]*的估計矩陣;=（u，v，r）T表示RBF神經(jīng)網(wǎng)絡(luò)輸入向量;[WTHX]β[WTBX]（）為徑向基函數(shù)構(gòu)成的向量;

[WTHX]h[WTBX]r是魯棒控制項，

[WTHX]h[WTBX]r∈R3;γ1和γ2為正的設(shè)計常數(shù);ρ為任意小的正常數(shù)?？刂破鲄?shù)詳情可參見文獻[13]，仿真的初始條件均與本文提出的控制策略保持一致。

仿真結(jié)果見圖2～9。由圖2可知，在兩種控制律作用下，船舶都可以克服外部擾動，沿著期望軌跡航行，最終靠泊在目標(biāo)泊位。圖3表示兩種控制算法的控制輸出，表明設(shè)計的控制器控制平穩(wěn)，且控制輸出在合理范圍內(nèi)。由圖4～7可知：相比于控制律

[WTHX]τ[WTBX]，在控制律

[WTHX]τ[WTBX]com作用下船舶跟蹤上期望軌跡需要更長的時間，且在控制律

[WTHX]τ[WTBX]com作用下的船舶運動速度收斂較慢。從圖6可以看到，相比于控制律

[WTHX]τ[WTBX]，在控制律

[WTHX]τ[WTBX]com作用下船舶艏向角調(diào)節(jié)需要的時間更長，控制精度更低。圖8說明選取的自適應(yīng)參數(shù)合適，能對未知時變擾動和神經(jīng)網(wǎng)絡(luò)誤差逼近值進行有效估計。

上述結(jié)果表明，針對存在未知時變擾動和模型參數(shù)動態(tài)不確定的船舶自動靠泊控制問題，本文設(shè)計的自動靠泊控制算法取得了良好的控制效果。與文獻[13]中的控制策略相比：一方面，船舶靠泊運

動速度更快，定位誤差更小，符合靠泊操縱的安全性和準(zhǔn)確性要求;另一方面，本文通過引入一種虛擬參數(shù)的思想，將未知時變擾動和模型參數(shù)動態(tài)不確定性構(gòu)成的復(fù)合不確定項用帶有唯一參數(shù)的參數(shù)化形式表示，只需在線學(xué)習(xí)一個參數(shù)，使得整個設(shè)計過程計算量較小，易于工程實現(xiàn)。

4 結(jié)束語

本文研究了存在未知時變擾動和模型參數(shù)動態(tài)不確定的船舶自動靠泊控制問題，引入RBF神經(jīng)網(wǎng)絡(luò)逼近模型動態(tài)不確定部分，采用虛擬參數(shù)學(xué)習(xí)方法和間接神經(jīng)自適應(yīng)方法，提出一種新的間接神經(jīng)自適應(yīng)的靠泊控制策略。仿真實驗證明，設(shè)計的靠泊控制器可以使船舶克服外部未知時變擾動，將最終姿態(tài)鎮(zhèn)定控制在目標(biāo)位置，體現(xiàn)了控制算法的有效性和魯棒性。

參考文獻：

[1]張強， 張顯庫. 船舶自動靠泊控制研究綜述[J]. 大連海事大學(xué)學(xué)報， 2015， 41（3）： 1-9. DOI： 10.16411/j.cnki.issn1006-7736.2015.03.001.

[2]DO K D， PAN J. Underactuated ships follow smooth paths with integral actions and without velocity measurements for feedback： theory and experiments[J]. IEEE Transactions on Control Systems Technology， 2006， 14（2）： 308-322. DOI： 10.1109/TCST.2005.863665.

[3]張強. 船舶自動靠泊簡捷非線性魯棒控制[D]. 大連： 大連海事大學(xué)， 2018.

[4]代昌盛. 欠驅(qū)動船舶運動的自適應(yīng)迭代滑?？刂蒲芯縖D]. 大連： 大連海事大學(xué)， 2017.gzslib202204031044

[5]AHMED Y A， HASEGAWA K. Implementation of automatic ship berthing using artificial neural network for free running experiment[C]∥9th IFAC Symposium on Control in Transportation Systems. The International Federation of Automatic Control， 2013， 46（33）： 25-30. DOI： 10.3182/20130918-4-JP-3022.00036.

[6]AHMED Y A， HASEGAWA K. Automatic ship berthing using artificial neural network based on virtual window concept in wind condition[C]∥13th IFAC Symposium on Control in Transportation Systems. The International Federation of Automatic Control， 2012， 45（24）： 286-291. DOI： 10.3182/20120912-3-BG-2031.00059.

[7]MIZUNO N， TAMAI Y， OKAZAKI T， et al. A ships minimum-time maneuvering system using neural networks[C]∥Conference of the IEEE Industrial Electronics Society. IEEE， 2002： 1848-1853. DOI： 10.1109/IECON.2002.1185252.

[8]OKAZAKI T， OHTSU K. A study on ship berthing support system： minimum time berthing control[C]∥IEEE International Conference on Systems. IEEE， 2008： 1522-1527.

[9]FOSSENT I. Handbook of marine craft hydrodynamics and motion control[M]. Trondheim， Norway： John Wiley， 2011：

285-342.

[10]FOSSEN T I. A nonlinear unified state-space model for ship maneuvering and control in a seaway[J]. International Journal of Bifurcation and Chaos， 2005， 15（9）： 2717-2746. DOI： 10.1142/S0218127405013691.

[11]PARK B S， KWON J W， KIM H. Neural network-based output feedback control for reference tracking of underactuated surface vessels[J]. Automatica， 2017， 77： 353-359. DOI： 10.1016/j.automatica.2016.11.024.

[12]高守軍. 岸壁效應(yīng)與船舶安全操縱[J]. 天津航海， 2019（2）： 24-27.

[13]DU J L， HU X， KRSTIC'

M， et al. Robust dynamic positioning of ships with disturbances under input saturation[J]. Automatica， 2016， 73： 207-214. DOI： 10.1016/j.automatica.2016.06.020.

[14]MUHAMMAD S， DRIA-CEREZO A. Passivity-based control applied to the dynamic positioning of ships[J]. IET Control Theory and Applications， 2012， 6（5）： 680-688. DOI： 10.1049/iet-cta.2010.0554.

[15]MIZUNO N， KURODA M， OKAZAKI T， et al. Minimum time ship maneuvering method using neural network and nonlinear model predictive compensator[J]. Control Engineering Practice， 2007， 15（6）： 757-765. DOI： 10.1016/j.conengprac.2007.01.002.

[16]WANG D， HUANG J. Neural network-based adaptive dynamic surface control for a class of uncertain nonlinear systems in strict-feedback form[C]∥Proceedings of the 40th IEEE Conference on Decision and Control. IEEE， 2005： 2156-2167. DOI： 10.1109/TNN.2004.839354.gzslib202204031044

[17]IM N K， HASEGAWA K. A study on automatic ship berthing using parallel neural controller （2nd report）： motion identification considering lateral speed and angular velocity to cope with disturbances[J]. Journal of the Kansai Society of Naval Architects of Japan， 2002， 237： 65-70.

[18]IM N K， NGUYEN V S. Artificial neural network controller for automatic ship berthing using head-up coordinate system[J]. International Journal of Naval Architecture and Ocean Engineering， 2018， 10（3）： 235-249. DOI： 10.1016/j.ijnaoe.2017.08.003.

[19]LI T S， LI R H， LI J F. Decentralized adaptive neural control of nonlinear interconnected large-scale systems with unknown time delays and input saturation[J]. Neurocomputing， 2011， 74（14/15）： 2277-2283. DOI： 10.1016/j.neucom.2011.03.005.

[20]祝貴兵. 水面船舶魯棒自適應(yīng)航跡跟蹤控制研究[D]. 大連： 大連海事大學(xué)， 2019.

（編輯 賈裙平）

收稿日期： 2020-12-24

修回日期： 2021-03-15

基金項目：

大連市軟科學(xué)研究計劃（2019J11CY014）

作者簡介：