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
集锦
bull;轨迹跟踪控制的无人水面舰艇（USV）处理。
bull;增益由遗传算法和模糊逻辑控制器应用于调度优化PID控制。
bull;新的和有效的组合传统和智能舵控制。
bull;模型的实际数据的规模副本的营运船舶。
bull;包括执行器饱和的控制动作可行。
摘要
无人水面舰艇（USV）的轨迹跟踪控制是相当复杂，因为强非线性系统，不确定性和变化的环境条件下。面对这些问题，在本文中智能和传统的策略作为一个无人艇的舵角控制的主要框架。制导律计算所需的角度和估计的轨迹的基础上的动态模型的自主船舶，这已产生从实际数据与规模的原型从实验中获得的。该模型考虑的物理限制的舵和船舶推进系统。首次提出了一种适用于任意轨迹的自适应控制律，可以处理不同的路径形状。这个增益调度PID控制器的参数整定方法是利用了遗传算法优化（GA）为不同的操作点（gs-pid-ga）。此外，模糊逻辑控制器（FLC）的设计来处理的动态的不确定性，并包括操作员的专业知识。仿真验证了所提出的控制方法的有效性，已与传统的控制。
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）
1。介绍
自动控制系统是一个有趣的问题，在海洋应用（马丁，2013）。近年来，这项研究已经从控制载人飞船扩展到包括无人驾驶船只。自治的水面舰艇（ASV）或无人地面车辆（USV）是普及与提高是在各种应用中看到。运输服务的需求和对更高安全水平的需求一直是推动道路车辆系统跟踪控制的总动力（罗伯茨，2008）。有几种情况下自治的船只可用于搜索和救援，泄漏的收集、监控、放网、地图创建、交通、勘探任务，环境监测，海洋调查，沿海和内陆的监测等，（克鲁兹德拉、阿兰达和吉隆，2012）。
出于减少危险环境中的人为干预的兴趣，以及实现更准确和有效的控制，船舶控制器经历了技术的发展，从传统的比例积分微分（PID）控制器更复杂的鲁棒自适应控制、人工智能技术发挥了重要的作用（桑托斯，2011）。
然而，水面舰艇的控制仍然是一个非常具有挑战性的问题。海洋表面的运输工具变得不稳定，很难控制。在处理水面舰艇一般，不确定的非线性流体动力学和外部干扰，必须考虑。部分是由于其复杂的多状态变量之间的非线性动力学和强耦合（福森，2002）。这些方面使相当复杂的数学模型，它代表了动态分析方法。这就是为什么传统的控制系统可能不会有一个良好的性能与这些复杂的非线性多输入多输出系统。更复杂的传统控制方案通常是基于线性分析模型，不是这类型的房船最好的表现（夏尔马，萨顿，Motwani，和annamalai，2014）。甚至更多，需要处理的不确定性来自系统本身和环境条件的不同（松嫩堡和伍尔西，2013）。
因此，本文的主要贡献有两个：（i）在传统控制结构中引入智能控制器，（ii）提出一种协同作用，使其对无人地面船的轨迹跟踪更有效。对于USV路径，智能和先进的方法已经被证明是有趣的，不仅单独应用，而且结合常规控制策略。
USV轨迹跟踪控制策略在海洋系统响应特征方面进行了比较，如过冲，稳态误差和稳定时间。先进的智能控制器比传统的控制器具有更好的效果。这是非常方便的，因为准确的轨迹跟踪避免了障碍物并防止事故发生。另一方面，它们需要较少的控制力，从而更好地保持致动器和更长的使用寿命。
用于实验测试的USV是操作自主船的1/15尺度模型。这些实验从实际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。
本文的其余部分安排如下。以下部分总结了文献中关于这一主题的相关作品。船舶系统在第3节中描述。
提出了船舶复制品的建模和特点。第4节开发了基于遗传算法调优的增益调度PID控制策略。基于模糊逻辑的智能控制被设计并应用于第5节中的船舶。在第6节中，显示了控制法的比较被讨论。结论本文结束。
2.相关作品
在本节中，我们介绍了无人船（USV）的课程控制和我们对这些作品的主要贡献。
沿海系统的巨大历史，船舶自动驾驶仪的设计采用不同的控制策略。 Sperry和Minorski于1922年开发了第一个自动驾驶仪，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，简单的常规调节器和更复杂的控制器已经应用于海洋工艺品。从Amerongen，Udink和Cate（1975）引入的第一个自适应自适应技术，应用于保证与参考轨迹相关的方向和位置趋同的后仰技术（Do，2010 and Dong et al。，2015）或利用滑动模式控制（Conte，Capua和Scaradozzi，2016）。但是这些复杂的控制算法中的大多数都具有需要高计算量的缺点（Pan，Lai，Yang，Wu，2015）。
虽然已知本质上具有非线性动力特性的海上车辆，但现代海洋自动驾驶仪系统的设计仍然是基于分析线性和非线性模型而开发的。 Fossen（2011）的书籍收集了海上工艺品的控制成果。它主要集中在PID控制器等反馈控制方法和基于最优控制理论的更先进的运动控制策略上。 SISO和MIMO PID控制应用于船用车辆的非线性3自由度（DOF）和6自由度模型。本书引起的兴趣显示，传统的控制措施仍然广泛应用于海洋水面船舶。也就是说，古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，为了进行比较，我们通过应用遗传算法优化了传统控制器的调谐参数，以达到最佳性能。
更重要的是，PID控制仍然适用于USV。在Guo，Wang和Dun（2015）提出的论文中，主控系统由内外循环中的PID控制器组成。无人船进行了湖试，效果令人满意。 Xu（2014）声称，PID控制器用于无人驾驶地面车辆的大多数保持闭环控制。 Xu and Soares，2015 and Xu and Soares，2016）提出了一种优化的二维路径跟踪算法，用于对地面船舶进行点对点跟踪。在两篇论文中，PID标题自动驾驶仪用于船舶控制。
但是，PID调节器的参数可能难以调谐。在文献中，可以发现遗传算法（GA）和其他演化技术在传统控制器调谐参数优化中的应用。以下作品可以作为例子。 Yu，Liu，Liu，Wang（2015）利用多目标遗传算法优化了一种用于翅片/舵辊稳定的自调节PID控制器。在本文中，要优化的性能指标包括能量。他们还将建议与传统控制进行比较，以显示如何提高滚动稳定和偏航控制精度的效率。 Xu（2014）采用分布式算法的精英估算优化了用于控制USV过程的PID系统。它利用概率模型来估计最优解分布。最后，Rathore和Kumar（2015）展示了由GA调整的自主水下航行器的强大的PID转向控制，以保证系统的稳定性。在我们的工作中，我们还应用了这种演化算法来调整PID增益。在我们的情况下，GA使轨迹误差最小化。
最近关于USV控制的一些文章主要关注适应性控制法来应对海洋系统变化的动态。其中，增益调度方法使我们能够将控制优化到不同的运行条件。增益调度通过根据影响系统行为的变量改变控制参数来提高控制器性能。例如，Liu等人的论文（2015）以质量变化为调度变量。合成具有自适应参数估计的线性参数变化控制器，以在总体质量变化下操作USV。虽然对于自主水下航行器，Gonzaacute;lez，Gomaacute;riz和Batlle（2015）对于喘振速度和偏航参考的变化中的不同条件都应用PID增益调度。车辆的流体动力学模型在不同的操作速度下线性化，并且在某些情况下设计了几个线性控制器用于其致动。志祥，Youmin，Chi和Jun（2015年）的论文还提出了一种应用于无人驾驶车辆转向控制的自适应线性参数变化容错控制方法。基线控制器旨在保证USV在时变运行状态下可接受的跟踪性能和稳定性（不同浪涌速度）。
Eske，Sorensen和Breivik（2015）提出了适用不同自适应控制方案的其他类似作品。在本文中，作者仅提出了沿着直线和圆形路径的目标跟踪的数值模拟。 Dong等人也发生这种情况。 （2015），其中提出了基于状态反馈的后台控制算法来解决水平面中USV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，我们选择轨迹的特征作为调度变量。我们认为其他论文使用的更普遍。据我们所知，这种方法以前没有适用于USV，因此是新颖的。此外，关于引用的其他论文，我们使用了更广泛的轨迹，不仅仅是简单的。此外，通过GA调整增益调度控制器可以优化不同工作点的控制律。
另一方面，基于模糊逻辑的智能控制器已被广泛应用于不同领域，包括海洋应用（Santos，2011和Santos等，2005）。Wang Kang, ,Xu, 和 Xu （2016）提出了一个紧密相关的工作，方向舵自动控制是基于总体指导经验总结的245个模糊逻辑规则。它被应用于在湖中的1.5米帆船实验，显示在各种风力条件下模糊控制器之后的轨迹的有效性。王福，刘（2015）试图简化传统的模糊控制器，用于船舶航线在准确性与控制规则数量之间的权衡。他们提出了一种变量宇宙模糊控制器，其有效性和鲁棒性优于常规控制。在Gonzaacute;lez等人的论文中（2015），还提出了一种用于自主水下航行器的偏航跟踪的模糊控制设计。模糊控制在全球范围内比已经应用于同一模型的增益调度方法更好。与之相比，我们的模糊建议是非常简单的（少数规则），但在结果准确性方面效率很高。 Azzeri，Adnan和Zain（2015）介绍了对无人地面车辆控制系统方法的各个方面的研究工作，以提高课程保持性能。虽然综述显示，自适应逆步控制系统是这些非线性系统的强大工具，但模糊逻辑控制也被认为是诸如USV等复杂系统的良好替代方法。
最后，我们工作的主要贡献之一就是表明，智能技术与常规控制器相结合，是处理复杂系统的一个很好的替代方案，就像在海运车辆一样，传统上由经典控制理论控制但是差性能。这些技术的协同作用改善了控制动作。在我们的例子中，我们已经将GA应用于基于常规控制器的增益调度控制的自适应调谐。虽然这个方案是新的，但在文献中可以找到已经应用于USV课程控制系统调整的其他组合。只要提到几点，Yunsheng, Xiaojie, Guofeng, 和Chen（2015）发展了PID控制与模糊逻辑的结合。仿真结果表明，与常规PID控制相比，模糊自适应PID USV课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融合船舶航向控制器，连续更新其输出比例因子。 Trybus，Świder和Stec（2015）提出了常规自动驾驶仪的PID控制器和先进的自动驾驶仪的PI或状态空间控制的调节规则。
3.系统行为描述
一艘用于描述6自由度（6自由度）的非常复杂的微分方程式给出了船舶运动的刚体和流体动力学方程。 在三个垂直坐标轴中，水平面中的运动被称为浪涌（纵向运动），摆动（侧向运动）和偏航（围绕垂直轴的旋转）用于平移（位置）。 另外三个DOF是滚动（围绕纵向轴线的旋转），俯仰（围绕横轴旋转）和起伏（垂直运动），用于旋转（取向），如图1所示。 1（Perez＆Blanke，2002）。 然而，用于表示现实世界物理学的模型随着基础控制目标的变化而变化。
作为刚体的船舶运动方程可以通过牛顿第二定律得到。 对于以几乎恒定的喘振速度进行巡航并且仅考虑粘性阻尼的一阶近似，可以使用转向动力学的线性参数变化近似（Fossen，2002）。
其中M是惯性矩阵（包括附加质量），C（v）是离心和科里奥利矩阵，v = [u，v，w，p，q，r] T，是线性和角速度矢量 刚体，tau;= [X，Y，Z，K，M，N] T，tau;isin;ℝ3times;3是作为控制向量的力和动量向量。
假设船舶纵向和横向稳定，振幅小，可以放弃滚动和俯仰的动力学。 同样，由于船在水平面上浮动，所以可以抛弃起伏动力学。 用于在X-Y平面上操纵船舶的结果的模型成为在动力部分是线性的3自由度模型。 也就是说，对于船舶操纵控制，制定耦合的浪涌摆动偏航模型是常见的（Fossen，2011）。 考虑到前进/后退，左/右和偏航运动，方程 （1）可以简化如下，其中下标RB是指刚体。
其中MRBisin;ℝ3times;3是刚体系惯性矩阵，CRB（v）isin;ℝ3times;3是科里奥利和向心项的相应矩阵，tau;RBTisin;ℝ3是外力（X，Y）和 惯性矩定义为：
其中m是船的质量，xG是重心的x轴坐标，而Iz是围绕zRB轴的惯性矩（即偏航旋转）。
科里奥利矩阵的几个表示是可能的。 基于Fossen（2002）的定理3.2，我们选择了偏斜对称表示。
因此，船舶的六个状态变量可以取为[x，y，psi;，u，v，r] T，其中（x，y）（m）是沿轴（笛卡尔位置）的位置，psi;（rad ）是惯性框架（地球固定）中船舶的方向（航向角）; u（m / s），v（m / s）是线速度（喘振，摇摆），r（rad / s）是车体固定框架中的横摆率（船舶角速度）。
行动空间的变量分别为：船舶执行器（螺旋桨，推进器和方向舵）产生的冲击和摆动力和横摆力矩的X（N），Y（N）和N（Nm）。
总而言之，可以从以前的开发中获得以下等式：
参考路径由Pd = [xd，yd，psi;d] Tisin;ℝ3给出，其以所需的速度ud和rd生成。 这项工作的目的是控制在船尾的船舵行舵。 图。 图2示出了船舶的X-Y水平面的示意图，其中，psi;d表示期望的航向角（方向），delta;表示方向舵位置。
3.1。船舶造型
足够的数学模型对于模拟和预测真实系统的行为至关重要。如果可靠的数学模型是可用的，并且它们准确地预测了真实系统的行为，则可以在模拟中计划和测试控制动作，从而避免昂贵的，及时的和金钱的实际测试。但另一方面，实际应用需要计算低成本的数学表示。由于这些原因，通常使用更简单的车辆模型，使得尽管没有反映车辆的所有动态特征，但它们在大多数实际情况下再现了船舶的真实行为（Sonnenburg＆Woolsey，2013）。 全文共22206字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[144947]，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。
