本发明公开了一种水下机器人的自适应量化容错控制装置及其方法，包括内环控制模块，内环控制模块控制补偿和反馈模块，并且通过信号量化器产生量化控制信号对水下机器人进行控制；其中补偿和反馈模块包括执行机构故障自适应补偿模块、非线性反馈模块和不确定性自适应补偿模块；其中内环控制模块基于水下机器人运动学模型、水下机器人动力学模型和期望模块通过信号量化器产生量化控制信号。设计了自适应故障补偿器，能够处理执行机构的增益故障和摄动故障；通过设计反向自适应律，补偿了控制信号量化引起的控制分布矩阵漂移。
1.一种水下机器人的自适应量化容错控制方法，其特征在于，包括以下步骤：步骤1，构建水下机器人的运动学动力学模型为：其中M为惯性矩阵，C(v)为科氏力和向心力矩阵，D(v)为水动力矩阵，g(η)为恢复力和力矩向量，N为执行机构个数，τd为外部干扰力和力矩，J(η)为转换矩阵，η表示水下机器人的位置和姿态向量，v∈Rn表示水下机器人的速度向量；u∈Rn表示水下机器人的执行机构的控制输出向量，u＝[u1,u2,…,un]T；
Q(u)＝[Q1(u1),Q2(u2),…,Qn(un)]T，其中Qi(ui)为ui∈R的量化值；F[Q(u)]表示故障情形下的量化信号；
步骤2，水下机器人控制输入，采用信号量化器(8)完成信号量化，建立其量化模型；
其中 ui,min＞0代表q(ui)的死区参数0＜ρi＜1,δi＝(1-ρi)/(1+vi)；常数ρi∈(0,1)是量化密度的测度，也就是说，ρi越小，量化器越粗糙；且Qi(ui)能够分解为一个线性部分和一个非线性部分不封；
所述步骤3中执行机构的故障包括：执行机构输出故障、执行机构的偏移故障和执行机构增益故障的尺度；
Fi[Qi(ui)]＝hi(t)Qi(ui)+di,u(t)＝hi(t)ui+hi(t)Δi+di,u(t) (4)其中Fi[Qi(ui)]为执行机构的输出，di,u(t)∈R代表执行机构的偏移故障，hi(t)表示执行机构增益故障的尺度，在[0，1]之间取值；三种类型的故障可由hi(t)表示为：hi(t)＝1：执行机构以全效率工作；
0＜hi(t)＜1，执行机构部分损失其效率；例如，hi(t)＝0.8表征执行机构损失了20％的效率；hi(t)＝0，执行机构处于卡死状态，执行机构的输出不再受输入的影响；
步骤4，建立水下机器人的自适应量化控制模型；假设期望信号为ηd，定义跟踪误差为eη＝η-ηd，推导可得跟踪误差的动态方程为：设计外环虚拟控制律为：
其中k1＞0为设计参数；进一步的，定义内环跟踪误差为ev＝v-vvirtual，那么该内环跟踪误差的动态方程可表示为：选择 对V0进行求导可得：
由于而且C(v)，g(η)和水动力矩阵D(v)也假设为未知，引入模糊逻辑对其进行逼近；理想情况下：-C(v)v-D(v)v＝θT(t)φ(v)+εφ (10)其中， 为未知参数矩阵，Nl为模糊逻辑的个数， 为模糊逼近函数，其分量可以表示为：
l＝1,2,…,Nl；εφ∈Rn为模糊近似误差，满足 定义 计算可得：其中κ＝0.2785， 为设计常数， 进一步的得到：注意到
其中τd,i(t)满足τd＝[τd,1,τd,2,…,τd,n]T；进一步推导可知：定义d＝supt≥0||ui,min+di,u(t)+τd,i(t)||，则进一步可知：
其中 为 d的估计值，定义 继续推导可得：为克服信号良好带来的控制效率漂移，进行如下分析：定义Hi＝1/inft≥0||hi||， 为其估计值， 设计实际控制律为：于是：
该自适应律可使控制系统收敛，其中 σd,σH为正常数。
2.根据权利要求1所述的水下机器人的自适应量化容错控制方法，其特征在于，所述步骤3中执行机构的故障的类型包括：无故障类型、部分故障类型和全故障类型。
3.根据权利要求1所述的水下机器人的自适应量化容错控制方法，其特征在于，所述步骤4中还包括设计内环虚拟控制律。
4.根据权利要求1或3任意一项所述的水下机器人的自适应量化容错控制方法，其特征在于，所述步骤4中还包括通过模糊逻辑对内环跟踪误差进行逼近。
一种水下机器人的自适应量化容错控制装置及其方法
技术领域
[0001] 本发明属于水下机器人控制技术领域；涉及一种水下机器人的自适应量化容错控制装置；还涉及一种水下机器人的自适应量化容错控制方法。
背景技术
[0002] 在工程控制系统中，信号量化具有重要意义。在数字电路系统、网络控制系统和混合控制系统中，量化的控制信号很常见。控制输入信号的量化一般是指将连续的控制信号转化到一系列离散控制变量，这样就会在控制系统中引入控制分布矩阵的漂移和附加不确定性的出现。另一方面，水下机器人在海洋资源利用、水下工程施工等许多方面具有重要的应用价值，是人类进行深海资源的研究与开发的强有力的工具。而在水下机器人的数字化控制系统中，控制输入的量化是不可避免的。因此，研究水下机器人的量化运动控制方法，具有重要的理论和实践意义。
[0003] 由于水下特殊的复杂环境，水下机器人执行机构的故障难以避免，研究故障情形下的容错控制也是十分必要的。关于水下机器人的容错控制技术，已有较多学者进行研究。Yang等研究了舵桨联控式水下机器人的容错控制技术。Fang等研究了水下机器人的故障诊断技术，包括传感器的故障检测和推力器的故障识别。Yang等基于高斯粒子滤波器研究了水下机器人的故障诊断与容错控制方法。但是上述文献都是针对连续测量信号和控制信号进行研究，并未针对不连续的量化容错控制系统进行研究。基于此，本发明针对输入信号量化和执行机构故障并存的情形，基于自适应思想对控制分布矩阵的不确定性和附加不确定性进行补偿，能够保证水下机器人使用量化信号在故障情形下跟踪期望信号。
发明内容
[0004] 本发明提供了一种水下机器人的自适应量化容错控制装置，设计了自适应故障补偿器，能够处理执行机构的增益故障和摄动故障。
[0005] 本发明还提供了一种水下机器人的自适应量化容错控制方法，通过设计反向自适应律，补偿了控制信号量化引起的控制分布矩阵漂移。
[0006] 本发明的技术方案是：一种水下机器人的自适应量化容错控制装置，包括内环控制模块，内环控制模块控制补偿和反馈模块，并且通过信号量化器产生量化控制信号对水下机器人进行控制；其中补偿和反馈模块包括执行机构故障自适应补偿模块、非线性反馈模块和不确定性自适应补偿模块；其中内环控制模块基于水下机器人运动学模型、水下机器人动力学模型和期望模块通过信号量化器产生量化控制信号。
[0007] 本发明的另一技术方案是：一种水下机器人的自适应量化容错控制方法，包括以下步骤：
[0008] 步骤1，构建水下机器人的运动学动力学模型；
[0009] 步骤2，水下机器人控制输入，采用信号量化器完成信号量化，建立其量化模型；
[0010] 步骤3，建立水下机器人执行机构故障模型；
[0011] 步骤4，建立水下机器人的自适应量化控制模型。
[0012] 更进一步的，本发明的特点还在于：
[0013] 其中步骤2中量化模型能够分解为一个线性部分和一个非线性不封。
[0014] 其中步骤3中执行机构的故障包括：执行机构输出故障、执行机构的偏移故障和执行机构增益故障的尺度。
[0015] 其中步骤3中执行机构的故障的类型包括：无故障类型、部分故障类型和全故障类型。
[0016] 其中步骤4中还包括设计内环虚拟控制律。
[0017] 其中步骤4中还包括通过模糊逻辑对内环跟踪误差进行逼近。
[0018] 与现有技术相比，本发明的有益效果是：本发明方法从水下机器人的运动学动力学角度出发，在执行机构存在故障的情形下，能够使用量化控制信号实现水下机器人的运动控制；本发明还能够克服时变外界干扰的影响，具备较强的鲁棒性和自适应性。本发明所提的控制方法能够实现容错控制，具备非脆弱性；控制增益根据外部干扰和故障情形变化而变化，具有非保守性。此外，控制器结构简单，可以减轻计算机的运算负荷，具有较高的实用价值。
附图说明
[0019] 图1为本发明的控制结构示意图；
[0020] 图2为本发明中水下机器人执行机构的效率损失及偏移故障示意图。
[0021] 图中：1为期望模块；2为内环控制模块；3为执行机构故障自适应补偿模块；4为非线性反馈模块；5为水下机器人运动学模型；6为水下机器人动力学模型；7为不确定性自适应补偿模块；8为执行机构非线性模型；9为信号量化器。
具体实施方式
[0022] 下面结合附图和具体实施例对本发明的技术方案进一步说明。
[0023] 本发明提供了一种水下机器人的自适应量化容错控制装置，如图1所示，包括内环控制模块2，内环控制模块2与执行机构故障自适应补偿模块3、非线性反馈模块4和不确定性自适应补偿模块7组成的补偿和反馈模块连接，并且内环控制模块2通过补偿和反馈模块提供的水下机器人的故障信息，使信号量化器8产生量化控制信号；同时构建执行机构的非线性模型8，并且再次基础上构建水下机器人的动力学模型6和水下机器人的运动学模型5，并且基于水下机器人的动力学模型6、水下机器人的运动学模型5以及期望模块1产生的期望信号共同控制内环控制模块2。
[0024] 本发明还提供了一种水下机器人的自适应量化容错控制方法，包括以下步骤：
[0025] 步骤1，构建水下机器人的运动学动力学模型；其中水下机器人的运动学动力学模型为：
[0026]
[0027] 其中M为惯性矩阵，C(v)为科氏力和向心力矩阵，D(v)为水动力矩阵，g(η)为恢复力和力矩向量，N为执行机构个数，τd为外部干扰力和力矩，J(η)为转换矩阵，η表示水下机器人的位置和姿态向量， 表示水下机器人的速度向量。 表示水下机器人的执行机构的控制输出向量，u＝[u1,u2,…,un]T，Q(u)＝[Q1(u1),Q2(u2),…,Qn(un)]T，其中Qi(ui)为 的量化值，F[Q(u)]表示故障情形下的量化信号。
[0028] 步骤2，水下机器人控制输入，采用信号量化器完成信号量化，建立其量化模型；具体的水下机器人控制输入采用信号量化器完成信号量化，其模型可以表示为：
[0029]
[0030] 其中 j＝1,2,…，ui,min＞0代表q(ui)的死区参数0＜ρi＜1,δi＝(1-ρi)/(1+ρi)，常数ρi∈(0,1)是量化密度的测度，也就是说，ρi越小，量化器越粗糙。通常情况下，Qi(ui)被分解为一个线性部分和一个非线性部分：
[0031] Qi(ui)＝ui+Δi (3)
[0032] 其中
[0033] 步骤3，建立水下机器人执行机构故障模型；如图2所示，在水下复杂环境中，智能机器人的执行机构难免出现故障，舵面偏转的控制效率随着水流密度和流速的变化而变化，水流特征的不同也常常引发水动舵出现偏移型故障。基于以上分析，并考虑水下机器人控制输入信号的量化过程，可将执行机构故障建模如下：
[0034] Fi[Qi(ui)]＝hi(t)Qi(ui)+di,u(t)＝hi(t)ui+hi(t)Δi+di,u(t) (4)[0035] 其中Fi[Qi(ui)]为执行机构的输出， 代表执行机构的偏移故障，hi(t)表示执行机构增益故障的尺度，在[0，1]之间取值。三种类型的故障可由hi(t)表示为：
[0036] hi(t)＝1：执行机构以全效率工作。
[0037] 0＜hi(t)＜1，执行机构部分损失其效率。例如，hi(t)＝0.8表征执行机构损失了20％的效率。hi(t)＝0，执行机构处于卡死状态，执行机构的输出不再受输入的影响。
[0038] 步骤4，建立水下机器人的自适应量化控制模型；假设期望信号为ηd，定义跟踪误差为eη＝η-ηd，推导可得跟踪误差的动态方程为：
[0039]
[0040] 设计外环虚拟控制律为：
[0041]
[0042] 其中k1＞0为设计参数。进一步的，定义内环跟踪误差为ev＝v-vvirtual，那么该内环跟踪误差的动态方程可表示为：
[0043]
[0044] 选择 对V0进行求导可得：
[0045]
[0046] 由于而且C(v)，g(η)和水动力矩阵D(v)也假设为未知，本发明引入模糊逻辑对其进行逼近。理想情况下：
[0047] -C(v)v-D(v)v＝θT(t)φ(v)+εφ (10)
[0048] 其中， 为未知参数矩阵，Nl为模糊逻辑的个数， 为模糊逼近函数，其分量可以表示为：
[0049]
[0050] l＝1,2,…,Nl。 为模糊近似误差，满足 定义 简单计算可得：
[0051]
[0052] 其中κ＝0.2785， 为设计常数， 进一步的得到：
[0053]
[0054] 注意到
[0055] 其中τd,i(t)满足 进一步推导可知：
[0056]
[0057] 定义d＝supt≥0||ui,min+di,u(t)+τd,i(t)||，则
[0058]
[0059] 进一步可知：
[0060] 其中εd＞0为设计参数， 则：
[0061]
[0062] 于是可知：
[0063]
[0064] 设计虚拟控制律为：
[0065]
[0066] 其中 为 的估计值，定义 继续推导可得：
[0067]
[0068] 为克服信号良好带来的控制效率漂移，进行如下分析：
[0069]
[0070] 定义Hi＝1/inft≥0||hi||， 为其估计值， 设计实际控制律为：
[0071]
[0072] 于是：
[0073] 于是：
[0074] 进一步推到得到：
[0075] 选择最终Lyapunov函数为：
[0076] 可知：
[0077] 可知选择自适应律为：
[0078] 该自适应律可使控制系统收敛，其中 σd,σH为正常数。
