船舶动力定位系统(Dynamic Positioning System,DPS)是指船舶在不借助任何锚泊设备的前提下,凭借自身推进系统对海洋环境干扰进行补偿并驱动船舶运动,以达到在目标位置或精确地跟踪某一预设轨迹的功能,从而完成各种海上生产作业的自动控制系统。相比于传统的锚泊定位方式,DPS具有定位精度高、操纵性强,抗干扰能力强且不受水深限制的优点。近年来,由于人类活动从近岸向深海空间的扩张,动力定位系统在海洋能源勘探、海上工程维护和海洋环境调查等活动的中显示出越来越重要的意义。另一方面,随着控制理论的发展及其在海洋工程领域的应用,船舶也朝向更加智能化,自动化的方向发展。常见的配备DPS的水面运载工具有:供应船、海上石油钻井平台、深水钻井船。本文考虑了执行器增益不确定,模型参数不确定及外界扰动上界未知的非线性船舶动力定位系统,基于Backstepping工具设计了一种自适应有限时间控制器。利用径向基神经网络(Radial Basis Functions Neural Networks,RBFNNs)具有逼近任意非线性函数的优点对动力定位船舶模型参数不确定进行逼近,使得到的控制律不需要船舶模型的先验知识。采用最小参数化学习(Minimal Learning Parameter,MLP)的方法将神经网络的逼近误差,权重及环境扰动上界进行压缩,减少了自适应律的参数。此外,针对执行器增益不确定问题,通过对伺服系统增益参数的倒数进行自适应,得到了控制输入为实际可测的调距桨可变螺距的控制结果,更加符合工程实践。进一步,通过Lyapunov理论证明了船舶动力定位闭环系统内的误差信号在有限时间内收敛到平衡点附近,即得到半全局有限时间一致最终有界(Semi Global Finite-time Uniform Ultimately Boundedness,SGFTUUB)的控制结果。最后,采用一艘供应船为仿真对象,通过对比仿真试验证明了本文所提出控制算法的有效性和优越性。