基于指令滤波神经网络控制器的全驱动船舶轨迹跟踪控制方法及系统转让专利
申请号 : CN202011465505.7
文献号 : CN112612209B
文献日 : 2022-11-04
发明人 : 邱剑彬 , 王桐 , 毕艳楠 , 马敏
申请人 : 哈尔滨工业大学
摘要 :
权利要求 :
1.一种基于指令滤波神经网络控制器的全驱动船舶轨迹跟踪控制方法,其特征在于,所述方法包括:步骤一:建立全驱动船舶系统模型,并考虑输入饱和特性构建输入受限全驱动船舶系统模型;
步骤二:设定船舶轨迹输出的稳定状态与暂时状态的约束条件,对约束条件进行预处理;
步骤三:根据指令滤波器建立第一虚拟控制器和第二虚拟控制器,使受约束的控制信号进行接下来的系统闭环控制;
步骤四:利用具有预估器的RBF神经网络逼近船舶模型中的未知参数和未知外界海洋环境干扰,并根据第一虚拟控制器和第二虚拟控制器建立闭环控制系统;
步骤五:利用闭环控制系统对全驱动船舶进行轨迹跟踪控制;
所述步骤四包括:
由于全驱动船舶模型参数未知且受到外界环境干扰,引入RBF神经网络:*T
f=‑C(υ)υ‑Dυ+dΔ=W h(z)+e(z) (11)* 3l×3 3l 3
其中,W ∈R ,h(z)∈R ;l为隐含层节点数;cj=[cj,1,cj,2,cj,3]∈R 为第j个隐含层神经元中心点向量值;e(z)为神经网络的逼近误差;神经网络更新率为:l×l
其中,kwi为正的设计常数,Γi∈R 为设计的正定参数对角阵;利用预估器预估神经网络输入信号,引入状态预估器 其中,α20为第二虚拟控制器, 为υ的估计向量,κ>0;
利用自适应方法估计神经网络逼近误差,设计自适应律 其中,G,Λ为设计的参数对角阵; 为δi的先验估计;Ξ=diag{tanh[s2,1/ε1],tanh
3×3
[s2,2/ε2],tanh[s2,3/ε3]}∈R ,s2,i为s2的第i个分量,εi为设计参数;
根据预估器和神经网络定义第二虚拟误差的递归估计值 由此得到整个闭环系统为其中,z3为第三虚拟误差变量, 为第二个辅助系统的状态变量,Q=diag(Q1,Q2,Q3),所述步骤五包括:根据第一虚拟控制器和第二虚拟控制器,利用公式 建立
3×3 3×3
闭环系统,其中,c∈R ,K3∈R 为设计的正定参数对角阵;Θ=diag(θ1,θ2,θ3);
且 N=diag(N1(χ1),N1(χ2),N1(χ3))为Nussbaum函数,且 χi为Nussbaum的参数变量,γχ为设计参数, 为第二虚拟误差的递归估计值;
所述步骤一包括:
对全驱动船舶进行建模,得到如下船舶运动控制数学模型T
其中,η=[x,y,ψ] 为船舶在大地参考坐标系下的实际位置(x,y)和艏摇角ψ组成的向T量;υ=[u,v,r]为船舶在附体坐标系下前进速度u、横漂速度v和艏摇角速度r组成的向量;
M为船舶重量惯性和水动力附加惯性组成的矩阵;C(υ)为科氏向心矩阵;D为线性水动力阻‑1 T T尼参数矩阵; 为坐标系转换矩阵,满足J (ψ)=J (ψ),d=[d1,d2,d3]T
为附体坐标系下外界环境因素产生的未知风浪干扰;假设C(υ),D,d=[d1,d2,d3]未知但有界;τ为控制输入前进力τ1、横漂力τ2以及艏摇力矩τ3组成的控制向量;
考虑输入饱和特性,通过公式
构建输入受限全驱动船舶模型;其中,sat(τ)为受饱和函数约束的控制输入前进力sat(τ1)、横漂力sat(τ2)以及艏摇力矩sat(τ3)组成的控制向量饱和函数,具体描述为:T
引入分段光滑函数g(τ)=[g1(τ1),g2(τ2),g3(τ3)] 对饱和函数sat(τ)进行逼近,且分别为τi已知的上下边界, 误差函数μ(τ)=sat(τ)‑g(τ),其界限值表示为输入受限全驱动船舶模型可重写为
其中,dΔ=μ(τ)+d为系统风浪干扰和界限误差构成的复合干扰变量。
2.根据权利要求1所述的基于指令滤波神经网络控制器的全驱动船舶轨迹跟踪控制方法,其特征在于,所述步骤二包括:建立船舶输出的稳定状态与暂时状态的约束条件通过公式:其中,ka,kb,l, 为设计参数,[‑δ∞,δ∞]代表第一虚拟误差z1在稳态内可允许的最大范围,且z1的超调量小于max(ka,kb),通过选取合适的参数可使超调量收敛到零;z1代表船舶期望位置参数和艏摇角与实际未知参数和艏摇角之差,简称第一虚拟误差变量;
对约束条件做预处理包括:
引入非对称障碍李雅普诺夫函数将其与约束条件相结合用于处理船舶的稳态和暂态约束,具体地,设计时变非对称障碍李雅普诺夫函数Vb,即对于紧集Z:{z1i:‑ka
其中,p为常数。
3.根据权利要求1所述的基于指令滤波神经网络控制器的全驱动船舶轨迹跟踪控制方法,其特征在于,所述步骤三包括:利用如下公式
构建系统的误差变量模型;其中,C1为设计的参数对角阵;z1为第一虚拟误差变量,z2为第二虚拟误差变量,s2为递归误差变量,ηd为参考轨迹,η为船舶在大地参考坐标系下的实际位置(x,y)和艏摇角ψ组成的向量;α1为第一个指令滤波器输出控制律;利用公式构建指令滤波器模型,其中,αi0为虚拟控制向量;ξi,ωin为指令滤波器设计参数; αij为αi的第j个元素,分别为虚拟控制量αi0j的上下界,i=1,2;j=1,2,3;定义系统滤波器误差变量Δαi=αi‑αi0;
T
具体地,利用公式z1=J (ψ)(η‑ηd)获取第一虚拟误差变量, 为第一指令滤波器的输出变量,且 ω1n为指令滤波器第一设计参数;
利用 获得第一虚拟控制器;其中,是第
一个辅助系统的状态变量,为消除因引入时变非对称障碍李雅普诺夫函数而产生的包含Δα1非线性项,引入第一个辅助系统其中,Δα1=α1‑α10是系统第一个滤波器误差变量,是第一个较小参数,||e1||≠0,γ1>0,ke1>1;
利用公式z2=υ‑α1,s2=C1s1+z2获取第二虚拟误差变量及其递归值,其中,z2为第二虚拟误差变量 ,s2 为递归误差变量 , 为第二指令滤 波器的输出变量 ,且ξ2,ω2n为第二指令滤波器的设计参数;
利用 获得第二虚拟控制器;其中, 是
第二个辅助系统的状态变量;为消除因引入时变非对称障碍李雅普诺夫函数而产生的包含Δα2非线性项,引入第二个辅助系统其中,Δα2=α2‑α20是系统第二个滤波器误差变量, 是一个较小常数,||e2||≠0,γ2>
0,ke2>1;
利用公式z3=g(τ)‑α2获取第三虚拟误差变量。
4.一种基于指令滤波神经网络控制器的全驱动船舶轨迹跟踪控制系统,其特征在于,包括:驱动船舶系统模型建立模块:建立全驱动船舶系统模型,并考虑输入饱和特性构建输入受限全驱动船舶系统模型;
约束条件设定模块:设定船舶轨迹输出的稳定状态与暂时状态的约束条件,对约束条件进行预处理;
控制器建立模块:根据指令滤波器建立第一虚拟控制器和第二虚拟控制器,使受约束的控制信号进行接下来的系统闭环控制;
闭环控制系统建立模块:利用具有预估器的RBF神经网络逼近船舶模型中的未知参数和未知外界海洋环境干扰,并根据第一虚拟控制器和第二虚拟控制器建立闭环控制系统;
轨迹跟踪控制模块:利用闭环控制系统对全驱动船舶进行轨迹跟踪控制;
所述闭环控制系统建立模块具体执行过程为:由于全驱动船舶模型参数未知且受到外界环境干扰,引入RBF神经网络:*T
f=‑C(υ)υ‑Dυ+dΔ=W h(z)+e(z) (11)* 3l×3 3l 3
其中,W ∈R ,h(z)∈R ;l为隐含层节点数;cj=[cj,1,cj,2,cj,3]∈R 为第j个隐含层神经元中心点向量值;e(z)为神经网络的逼近误差;神经网络更新率为:l×l
其中,kwi为正的设计常数,Γi∈R 为设计的正定参数对角阵;利用预估器预估神经网络输入信号,引入状态预估器 其中,α20为第二虚拟控制器, 为υ的估计向量,κ>0;
利用自适应方法估计神经网络逼近误差,设计自适应律 其中,G,Λ为设计的参数对角阵; 为δi的先验估计;Ξ=diag{tanh[s2,1/ε1],tanh
3×3
[s2,2/ε2],tanh[s2,3/ε3]}∈R ,s2,i为s2的第i个分量,εi为设计参数;
根据预估器和神经网络定义第二虚拟误差的递归估计值 由此得到整个闭环系统为其中,z3为第三虚拟误差变量, 为第二个辅助系统的状态变量,Q=diag(Q1,Q2,Q3),所述轨迹跟踪控制模块具体执行过程为:根据第一虚拟控制器和第二虚拟控制器,利用公式 建立
3×3 3×3
闭环系统,其中,c∈R ,K3∈R 为设计的正定参数对角阵;Θ=diag(θ1,θ2,θ3);
且 N=diag(N1(χ1),N1(χ2),N1(χ3))为Nussbaum函数,且 χi为Nussbaum的参数变量,γχ为设计参数, 为第二虚拟误差的递归估计值;
所述驱动船舶系统模型建立模块的具体执行过程为:对全驱动船舶进行建模,得到如下船舶运动控制数学模型T
其中,η=[x,y,ψ] 为船舶在大地参考坐标系下的实际位置(x,y)和艏摇角ψ组成的向T量;υ=[u,v,r]为船舶在附体坐标系下前进速度u、横漂速度v和艏摇角速度r组成的向量;
M为船舶重量惯性和水动力附加惯性组成的矩阵;C(υ)为科氏向心矩阵;D为线性水动力阻‑1 T尼参数矩阵; 为坐标系转换矩阵,满足J (ψ)=J (ψ),d=[d1,d2,T T
d3]为附体坐标系下外界环境因素产生的未知风浪干扰;假设C(υ),D,d=[d1,d2,d3]未知但有界;τ为控制输入前进力τ1、横漂力τ2以及艏摇力矩τ3组成的控制向量;
考虑输入饱和特性,通过公式
构建输入受限全驱动船舶模型;其中,sat(τ)为受饱和函数约束的控制输入前进力sat(τ1)、横漂力sat(τ2)以及艏摇力矩sat(τ3)组成的控制向量饱和函数,具体描述为:T
引入分段光滑函数g(τ)=[g1(τ1),g2(τ2),g3(τ3)] 对饱和函数sat(τ)进行逼近,且分别为τi已知的上下边界, 误差函数μ(τ)=sat(τ)‑g(τ),其界限值表示为输入受限全驱动船舶模型可重写为
其中,dΔ=μ(τ)+d为系统风浪干扰和界限误差构成的复合干扰变量。
5.根据权利要求4所述的基于指令滤波神经网络控制器的全驱动船舶轨迹跟踪控制系统,其特征在于,所述约束条件设定模块具体执行过程为:建立船舶输出的稳定状态与暂时状态的约束条件通过公式:其中,ka,kb,l, 为设计参数,[‑δ∞,δ∞]代表第一虚拟误差z1在稳态内可允许的最大范围,且z1的超调量小于max(ka,kb),通过选取合适的参数可使超调量收敛到零;z1代表船舶期望位置参数和艏摇角与实际未知参数和艏摇角之差,简称第一虚拟误差变量;
对约束条件做预处理包括:
引入非对称障碍李雅普诺夫函数将其与约束条件相结合用于处理船舶的稳态和暂态约束,具体地,设计时变非对称障碍李雅普诺夫函数Vb,即对于紧集Z:{z1i:‑ka
其中,p为常数。
6.根据权利要求4所述的基于指令滤波神经网络控制器的全驱动船舶轨迹跟踪控制系统,其特征在于,所述控制器建立模块具体执行过程为:利用如下公式
构建系统的误差变量模型;其中,C1为设计的参数对角阵;z1为第一虚拟误差变量,z2为第二虚拟误差变量,s2为递归误差变量,ηd为参考轨迹,η为船舶在大地参考坐标系下的实际位置(x,y)和艏摇角ψ组成的向量;α1为第一个指令滤波器输出控制律;利用公式构建指令滤波器模型,其中,αi0为虚拟控制向量;ξi,ωin为指令滤波器设计参数; αij为αi的第j个元素,分别为虚拟控制量αi0j的上下界,i=1,2;j=1,2,3;定义系统滤波器误差变量Δαi=αi‑αi0;
T
具体地,利用公式z1=J (ψ)(η‑ηd)获取第一虚拟误差变量, 为第一指令滤波器的输出变量,且 ξ1,ω1n为指令滤波器第一设计参数;利用 获得第一虚拟控制器;其中,是第一
个辅助系统的状态变量,为消除因引入时变非对称障碍李雅普诺夫函数而产生的包含Δα1非线性项,引入第一个辅助系统其中,Δα1=α1‑α10是系统第一个滤波器误差变量;是第一个较小参数,||e1||≠0,γ1>0,ke1>1;
利用公式z2=υ‑α1,s2=C1s1+z2获取第二虚拟误差变量及其递归值,其中,z2为第二虚拟误差变量 ,s2为递归误 差变量 , 为第二 指令滤波器的 输出变量 ,且ξ2,ω2n为第二指令滤波器的设计参数;
利用 获得第二虚拟控制器;其中, 是
第二个辅助系统的状态变量;为消除因引入时变非对称障碍李雅普诺夫函数而产生的包含Δα2非线性项,引入第二个辅助系统其中,Δα2=α2‑α20是系统第二个滤波器误差变量, 是一个较小常数,||e2||≠0,γ2>
0,ke2>1;
利用公式z3=g(τ)‑α2获取第三虚拟误差变量。
说明书 :
基于指令滤波神经网络控制器的全驱动船舶轨迹跟踪控制方
法及系统
技术领域
背景技术
动船舶不断向自动化、智能化等更高的水平发展,船舶在复杂环境下的控制越来越受到人
们的关注。全驱动船舶是一种典型的船舶系统,主要用于海洋资源勘探,海上消防与供给等
需要高精度和高安全性的领域。由于在实际海洋环境的工作过程中,全驱动船舶常常受到
未知外界环境干扰,输入受限,输出性能约束等影响,另外船舶模型极易存在不确定情况,
其精确模型很难得到,使得全驱动船舶的轨迹跟踪更加难以实现。
送给系统控制器;针对外界海洋环境干扰进行干扰观测器的设计,接入辅助积分环节,提高
对干扰的抑制。但是该发明仅针对系统模型精确已知的情况,对于存在模型不确定的船舶
系统,该方法不适用。
使全驱动船舶在要求的范围内航行。但是该方法没有考虑船舶轨迹跟踪过程中系统暂态性
能的问题,暂态性能的提高可以大大增加船舶航行的安全性,但是该专利中对系统的暂态
性没有进行解决。
发明内容
制器,使受约束的控制信号进行接下来的系统闭环控制;
一虚拟控制器和第二虚拟控制器建立闭环控制系统;
轨迹跟踪性能;本发明还考虑了船舶模型的参数存在未知且受到未知海洋环境干扰的情
况,更加符合实际的海洋工程应用;此外,本发明还将船舶的轨迹输出进行有效约束,保证
船舶在受限海域内航行,与此同时考虑了船舶输出的暂态性能问题,进一步优化了船舶的
轨迹输出性能。
的向量;υ=[u,v,r]为船舶在附体坐标系下前进速度u、横漂速度v和艏摇角速度r组成的
向量;M为船舶重量惯性和水动力附加惯性组成的矩阵;C(υ)为科氏向心矩阵;D为线性水动T
力阻尼参数矩阵。d=[d1,d2,d3]为附体坐标系下外界环境因素产生的未知风浪干扰;本发
T
明中假设C(υ),D,d=[d1,d2,d3] 未知但有界。τ为控制输入前进力τ1、横漂力τ2以及艏摇力矩τ3组成的控制向量。
(τ1),g2(τ2),g3(τ3)]且 分别为τi已知的上下边界,
误差函数μ(τ)=sat(τ)‑g(τ),其界限值表示为
输入受限全驱动船舶模型可重写为
αi0为虚拟控制向量;ξi,ωin为指令滤波器设计参数; αij
为αi的第j个元素, 分别为αi0j的上下界,i=1,2;j=1,2,3。定义系统滤波器误差变
量Δαi=αi‑αi0。
T
时变非对称障碍李雅普诺夫函数而产生的包含Δα1非线性项,引入第一个辅助系统
获得第二虚拟控制器。为消除因引入时变
非对称障碍李雅普诺夫函数而产生的包含Δα2非线性项,引入第二个辅助系统
计常数,Γi∈R 为设计的正定参数对角阵。
3×3
ε1],tanh[s2,2/ε2],tanh[s2,3/ε3]}∈R ,s2,i为s2的第i个分量,εi为设计参数。
建立闭环系统,其中,c,K3∈R 为设计的正定参数对角阵;Θ=diag(θ1,θ2,θ3);
且 N=diag(N1(χ1),N1(χ2),N1(χ3))
为Nussbaum函数,且 γχ为设计参数。
统。
的向量;υ=[u,v,r]为船舶在附体坐标系下前进速度u、横漂速度v和艏摇角速度r组成的
向量;M为船舶重量惯性和水动力附加惯性组成的矩阵;C(υ)为科氏向心矩阵;D为线性水动T
力阻尼参数矩阵。d=[d1,d2,d3]为附体坐标系下外界环境因素产生的未知风浪干扰;本发
T
明中假设C(υ),D,d=[d1,d2,d3] 未知但有界;τ为控制输入前进力τ1、横漂力τ2以及艏摇力矩τ3组成的控制向量;
输入受限全驱动船舶模型可重写为
αij为αi的第j个元素, 分别为αi0j的上下界,i=1,2;j=1,2,3。定义系统滤波器误差
变量Δαi=αi‑αi0;
T
时变非对称障碍李雅普诺夫函数而产生的包含Δα1非线性项,引入第一个辅助系统
统
计常数,Γi∈R 为设计的正定参数对角阵;利用预估器预估神经网络输入信号,引入状态
预估器 其中, 为υ的估计向量,κ>0;
3×3
ε1],tanh[s2,2/ε2],tanh[s2,3/ε3]}∈R ,s2,i为s2的第i个分量,εi为设计参数;
建立闭环系统,其中,c,K3∈R 为设计的正定参数对角阵;Θ=diag(θ1,θ2,θ3);
且 N=diag(N1(χ1),N1(χ2),N1(χ3))
为Nussbaum函数,且 γχ为设计参数。
如,船舶航行在狭窄海域中,外界具有较大的海洋环境干扰,此时船舶需要较大的控制输入
才能保证稳定航行。本发明中考虑船舶输入受限的情况,利用指令滤波器处理输入受限的
问题并有效避免了因反步法导致的微分爆炸问题;将递归误差融入到控制器设计中,提高
了系统的非脆弱性,使船舶控制器避免出现因输入饱和导致船舶跟踪效果变差的情况。将
RBF神经网络和预估器相结合估计系统未知参数和未知外界环境干扰,得到了良好的估计
效果并进一步提高了RBF神经网络的逼近精度。此外,将时变非对称的障碍李雅普诺夫函数
与性能函数相结合有效的约束了船舶轨迹输出的稳态性能,同时也约束了系统的暂态性
能,保证船舶在特定海域中安全稳定的航行,扩大了全驱动船舶的适用范围,更加具有实际
工程意义。
附图说明
具体实施方式
分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出
创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
的向量;υ=[u,v,r]为船舶在附体坐标系下前进速度u、横漂速度v和艏摇角速度r组成的
向量;J(ψ)为坐标系转换矩阵,其表达式为J(ψ)=[cosψ,‑sinψ,0;sinψ,cosψ,0;0,0,1],且‑1 T
J (ψ)=J (ψ);M为船舶重量惯性和水动力附加惯性组成的矩阵;C(υ)为科氏向心矩阵;D为T
线性水动力阻尼参数矩阵。d=[d1,d2,d3] 为附体坐标系下外界环境因素产生的未知风浪
干扰;τ为控制输入前进力τ1、横漂力τ2以及艏摇力矩τ3组成的控制向量。为实现以上目标,做如下假设:
动d=[d1,d2,d3]未知但有界。
输入受限全驱动船舶模型可重写为
建指令滤波器模型,其中,αi0为虚拟控制向量;ξi,ωin为指令滤波器设计参数;
αij为αi的第j个元素, 分别为αi0j的上下界,i=1,
2;j=1,2,3。定义系统滤波器误差变量Δαi=αi‑αi0。
时变非对称障碍李雅普诺夫函数而产生的包含Δα1非线性项,引入第一个辅助系统
获得第二虚拟控制器。为消除因引入时变
非对称障碍李雅普诺夫函数而产生的包含Δα2非线性项,引入第二个辅助系统
i个神经网络权值向量,i为隐含层节点数;h(z)∈R ;h(z)=[h1(z),h2(z),...,hn(z)] ∈
nl T l
R 为径向基函数构成的向量,hi(z)=[hi,1(z),hi,2(z),…,hi,l(z)]∈R 为第i个神经网络
径向基函数向量,其高斯基函数输出表达式为
l×l
中,kwi为正的设计常数,Γi∈R 为设计的正定参数对角阵。利用预估器预估神经网络输入
信号,引入状态预估器 其中, 为υ的估计
向量,κ>0。
3×3
tanh[s2,2/ε2],tanh[s2,3/ε3]}∈R ,s2,i为s2的第i个分量,εi为设计参数。
建立闭环系统,其中,c,K3∈R 为设计的正定参数对角阵;Θ=diag(θ1,θ2,θ3);
且 N=diag(N1(χ1),N1(χ2),N1(χ3))
为Nussbaum函数,且 γχ为设计参数。
(·)为矩阵的最大特征值。因此,闭环系统可实现一直最终有界,即闭环系统的所有变量有
0
界,且通过选择参数K1、K2、K3、ωin、ξi、γi、kei、kαi、βi、C1、κ、kwi、Γi、G、Λ、δ、c为合适值,可使得系统跟踪误差趋近于原点的小邻域内,输入受限全驱动船舶系统在模型参数未知,受
到外界环境干扰且输出状态受限时的轨迹跟踪问题得以解决。
函数,即可使用本实施例提供的方法得到适用于该全驱动船舶系统的轨迹跟踪控制器,下
面以具体的系统模型来论证以本实施提供的方法得到的控制器的有效性。
值为0;通过选择参数K1=6×diag(10‑ ,10‑ ,10‑),K2=diag(25,15,25),K3=diag(30,‑6
30,27.5),C2=0.007×diag(1,1,1),c=5.28×diag(1,1,1),σ1=σ2=1×10 ,σ3=1×10
‑2 8 ‑7 ‑0.8
,Q=10 ×diag(25,250,5),ε1=ε2=0.0005,ε3=0.00001;Λ=10 ×diag(10 ,1,
8 5.5
0.02), γ1=7.4×10 ,γ2=3.4×10 ,γ3=4.5×106.8;κ1=4×10
‑7.5 ‑7.9 ‑6.2 ‑15.5
,κ2=1×10 ,κ3=4×10 ;γχ=10 ;T1=T2=0.01。
数的方法(No‑BLF)以及使用障碍李雅普诺夫函数的方法(BLF),采用具有预设性能时变非
对称障碍李雅普诺夫函数方法(PP‑ABLF)的控制器可使船舶更加快速精确达期望轨迹,并
保持跟踪状态。图3为船舶在大地参考坐标系下的期望位置和本文设计控制律驱动船舶航
行的实际位置的历时曲线,表明船舶10s左右即能跟踪上期望轨迹。图4为轨迹跟踪误差曲
线,两条黑色实线为预设的性能函数界限。从图中可以明显看出,本文的控制方案符合规定
的性能指标这充分表明了本文控制策略的优越性。图5为受限前后力和力矩曲线,τ为控制
力的输出,g(τ)表示执行器输入,由仿真图可知,控制器控制输出有幅值明显超出执行其可执行范围的情况,经本文提出的控制策略限制后,可执行控制量g(τ)的幅值被限定在安全
范围之内,能够为船舶系统提供更加安全可靠的控制量。图6为神经网络逼近未知部分对比
曲线图,由图可知,本文提出的具有预估器的神经网络算法(PRBF)相比于常规的RBF神经网
络算法可以更加精确的逼近模型未知参数。
终有界性,而且大大简化了反步控制器设计过程,减小了实现难度;采用指令滤波器方法有
效约束了船舶控制力和力矩,并有效避免了因反步法导致的微分爆炸问题,将其与递归误
差相结合,进一步提高了系统非脆弱性。同时,将RBF神经网络与预估器相结合提高了对全
驱动船舶模型未知参数的逼近精度以及系统稳定性。另外,本发明将时变非对称障碍李雅
普诺夫函数与预设性能函数相结合,有效约束了系统轨迹输出的稳态性能,同时也约束了
系统的暂态性能。因此,本发明适用于系统模型非精确已知的输入受限全驱动船舶,有效地
扩大了该发明的应用范围。