论文部分内容阅读
本文以AUV为对象,针对其运动控制中模型非线性部分对控制性能影响较大及有海流、海浪等外界干扰等特点,采用一种新型神经网络:模糊小脑模型关节控制器(Fuzzy Cerebellar Model Arithmetic Controller)并结合基于李雅普诺夫原理而推导出的学习算法设计AUV的运动控制系统,并与传统PID控制器进行了仿真比较。 本文在建立坐标系和运动模型(包括海流、海浪影响)的基础上,将FCMAC控制器分别应用于潜艇垂直面的深度及纵倾控制和AUV的5自由度运动控制。作为实施具体控制的前提,第3章在简要分析了FCMAC工作原理的基础上进行了它的C++语言代码的实现,包括初始化、前馈算法和自学习算法等。 在潜艇垂直面运动控制的应用中,FCMAC的输出用于补偿运动模型的非线性部分,这一功能通过FCMAC的在线学习实现,经过补偿后的潜艇控制系统可看作一个线性系统,它由一个PD控制器进行控制。仿真结果表明:FCMAC控制器无论在运动控制精度还是鲁棒性方面都较PD控制更优,同时抗扰动能力也达到了工程要求。 在AUV 5自由度运动控制的应用中,FCMAC的作用仍是补偿运动模型的部分,针对执行元件的布置对控制实施不利的情况,对控制策略进行了相应的调整,同时加入了一种预报式艏向确定法。在仿真算法的调试过程中进行了一系列无前人经验可借鉴的开拓性工作:包括FCMAC和PD的结构参数的确定、预报量大小与控制目标及对象状态的关系、实际舵有惯性时FCMAC学习算法的修正和修正参数的确定等等。仿真结果表明:在海流流速不大的情况下,FCMAC控制器在控制精度和鲁棒性等方面都优于PID控制器。