论文部分内容阅读
摘要：为解决考虑输入饱和的自治水下机器人的位置跟踪问题，本文采用自适应神经网络命令滤波控制方法，设计了对自治水下机器人进行位置跟踪控制器。利用反步法构造考虑输入饱和的控制器，使用神经网络系统逼近自治水下机器人系统中的非线性项，同时采用命令滤波技术解决计算爆炸问题，引入误差补偿机制，降低滤波误差带来的影响。通过选取合适的李雅普诺夫函数求出自适应律，证明闭环系统的所有信号有界。仿真结果表明，该控制器可以使水下机器人系统中的位置跟踪误差收敛到一个足够小的邻域内。该研究具有一定的实际应用价值。
关键词：神经网络; 命令滤波器; 输入饱和; 自治水下机器人
中图分类号： TP242.2文献标识码： A
文章编号： 10069798（2019）01009506; DOI： 10.13306/j.10069798.2019.01.017
海洋蘊藏着丰富的资源，随着全球能源的不断消耗，各国对于海洋资源的开发愈演愈烈[1]。目前，自治水下机器人（autonomous underwater vehicles，AUV）由于具有可以自带能源，与水面母船无线通讯，成本低，隐蔽性能好等优点，被大量应用在海底作业中。然而由于AUV的高度非线性和变量多的性质，使得在AUV系统中的控制效果不明显。为了实现良好的控制效果，专家学者们提出了滑模控制[2]、神经网络控制[3]和反步法控制[4]等控制方法。AUV系统中含有未知量和非线性项，反步法是可有效解决系统中含有未知量问题的控制方法之一。反步法的核心思想是将一个复杂的高阶系统分解为多个子系统，然后将虚拟控制信号引入各子系统，同时选择适当的李雅普诺夫函数对控制输入进行系统推导，从而简化控制器的设计过程。在传统的反步控制中，对虚拟函数连续求导容易导致“计算爆炸”问题[5]。D. Swaroop等人[6]提出动态面方法来解决计算“爆炸问题”;王世军等人[7]对AUV系统设计了基于反步法的动态面控制，虽然这种方法对AUV系统进行了有效的位置跟踪控制，但是没有考虑滤波器带来的误差和AUV系统中输入饱和的问题。命令滤波[89]能够在解决“计算爆炸”问题的同时，引入误差补偿机制以降低滤波误差带来的影响[1011]，可以作为动态面技术的一种替代。在实际控制系统中，常常会遇到的非线性问题之一就是输入饱和问题，发生该问题的原因是实际控制系统中的输入信号往往是有界的，它会对控制系统的控制效果乃至稳定性产生影响[12]。因此，本文针对二阶的AUV系统，提出一种考虑输入饱和的自适应神经网络命令滤波位置跟踪控制方法。与传统的动态面方法相比，本文提出的方法可以利用神经网络系统逼近系统中的非线性项，引入误差补偿机制降低滤波误差带来的影响，而且考虑了AUV系统中的输入饱和问题。本文提出的控制方法使水下机器人系统中的位置跟踪误差收敛到一个足够小的邻域内，为位置跟踪问题提供了研究依据。
4结束语
针对自治水下机器人系统，本文设计了一种考虑输入饱和的自适应神经网络命令滤波位置跟踪控制器。首先，利用反步法构造考虑输入饱和的控制率并使用神经网络系统逼近自治水下机器人系统中的非线性项。随后，采用命令滤波技术以解决计算爆炸问题，同时引入误差补偿机制降低滤波误差带来的影响，最后构造自适应律并证明系统的稳定性。仿真结果表明通过以上步骤构造的控制器在考虑输入饱和的情况下可以使水下机器人系统中的位置跟踪误差收敛到一个小邻域内，验证了所设计控制器的有效性。
参考文献：
[1]Zhang M J， Zheng J X， Zhang J. Selection method of multiobjective problems using genetic algorithm in motion plan of AUV[J]. Journal of Marine Science & Application， 2002， 1（1）： 8186.
[2]Song F J， Smith S M. Design of sliding mode fuzzy controllers for an autonomous underwater vehicle without system model[C]∥Oceans 2000MTS/IEEE Conference and Exhibition， RI， USA： IEEE， 2000.
[3]Zhao L， Jia Y M. Neural networkbased adaptive consensus tracking control for multiagent systems under actuator faults[J]. International Journal of Systems Science， 2016， 47（8）： 19311942.
[4]刘宇. 基于自适应反演方法的自主水下航行器控制[J]. 系统工程与电子技术， 2011， 33（3）： 638642.
[5]Yip P， Hedrick J. Adaptive dynamic surface control： a simplified algorithm for adaptive backstepping control of nonlinear systems[J]. International Journal of Control， 2010， 71（5）： 959979.
[6]Swaroop D， Gerdes J C， Yip P P， et al. Gerdes， Dynamic surface control for a class of nonlinear systems[J]. IEEE Transaction on American Control， 2000， 45（10）： 18931899. [7]Wang S J， Yu H S， Zhao L， et al. Adaptive fuzzy dynamic surface control for AUVs via backstepping[C]∥ Proceedings of 2017 Chinese Intelligent Automation Conference. Yangzhou， China： CIAC， 2017： 143152.
[8]Farrell J A， Polycarpou M， Sharma M， et al. Command filtered backstepping[J]. IEEE Transactions on Automatic Control， 2009， 54（6）： 13911395.
[9]Dong W J， Farrell J A， Polycarpou M， et al. Command fitered adaptive backstepping[J]. IEEE Transactions on Control Systems Technology， 2012， 20（3）： 566580.
[10]Yu J P， Shi P， Dong W J， et al. Observer and command filterbased adaptive fuzzy output feedback control of uncertain nonlinear systems[J]. IEEE Transactions on Industrial Electronics， 2015， 62（9）： 59625970.
[11]Yu J P， Shi P， Dong W J， et al. Adaptive fuzzy control of nonlinear systems with unknown dead zones based on command filtering[J]. IEEE Transactions on Fuzzy Systems， 2018， 26（1）： 4655.
[12]Yu J P， Shi P， Dong W J， et al. Command filtering based fuzzy control for nonlinear systems with saturation input[J]. IEEE Transactions on Cybernetics， 2017， 47（9）： 24722479.
[13]Fossen T I. Marine control systems： guidance， navigation，and control of ships， rigs and underwater vehicles[M]. Germany： Springer， 2002： 348351.
[14]Chen P， Qin H， Sun M， et al. Global adaptive neural network control for a class of uncertain nonlinear systems[J]. IET Control Theory and Application， 2011， 5（5）： 655662.
[15]Mathiyalagan K， Park J H， Sakthivel R. Synchronization for delayed memristive BAM neural networks using impulsive control with random nonlinearities[J]. Applied Mathematics and Computation， 2015， 259： 967979.
关键词：神经网络; 命令滤波器; 输入饱和; 自治水下机器人
中图分类号： TP242.2文献标识码： A
文章编号： 10069798（2019）01009506; DOI： 10.13306/j.10069798.2019.01.017
海洋蘊藏着丰富的资源，随着全球能源的不断消耗，各国对于海洋资源的开发愈演愈烈[1]。目前，自治水下机器人（autonomous underwater vehicles，AUV）由于具有可以自带能源，与水面母船无线通讯，成本低，隐蔽性能好等优点，被大量应用在海底作业中。然而由于AUV的高度非线性和变量多的性质，使得在AUV系统中的控制效果不明显。为了实现良好的控制效果，专家学者们提出了滑模控制[2]、神经网络控制[3]和反步法控制[4]等控制方法。AUV系统中含有未知量和非线性项，反步法是可有效解决系统中含有未知量问题的控制方法之一。反步法的核心思想是将一个复杂的高阶系统分解为多个子系统，然后将虚拟控制信号引入各子系统，同时选择适当的李雅普诺夫函数对控制输入进行系统推导，从而简化控制器的设计过程。在传统的反步控制中，对虚拟函数连续求导容易导致“计算爆炸”问题[5]。D. Swaroop等人[6]提出动态面方法来解决计算“爆炸问题”;王世军等人[7]对AUV系统设计了基于反步法的动态面控制，虽然这种方法对AUV系统进行了有效的位置跟踪控制，但是没有考虑滤波器带来的误差和AUV系统中输入饱和的问题。命令滤波[89]能够在解决“计算爆炸”问题的同时，引入误差补偿机制以降低滤波误差带来的影响[1011]，可以作为动态面技术的一种替代。在实际控制系统中，常常会遇到的非线性问题之一就是输入饱和问题，发生该问题的原因是实际控制系统中的输入信号往往是有界的，它会对控制系统的控制效果乃至稳定性产生影响[12]。因此，本文针对二阶的AUV系统，提出一种考虑输入饱和的自适应神经网络命令滤波位置跟踪控制方法。与传统的动态面方法相比，本文提出的方法可以利用神经网络系统逼近系统中的非线性项，引入误差补偿机制降低滤波误差带来的影响，而且考虑了AUV系统中的输入饱和问题。本文提出的控制方法使水下机器人系统中的位置跟踪误差收敛到一个足够小的邻域内，为位置跟踪问题提供了研究依据。
4结束语
针对自治水下机器人系统，本文设计了一种考虑输入饱和的自适应神经网络命令滤波位置跟踪控制器。首先，利用反步法构造考虑输入饱和的控制率并使用神经网络系统逼近自治水下机器人系统中的非线性项。随后，采用命令滤波技术以解决计算爆炸问题，同时引入误差补偿机制降低滤波误差带来的影响，最后构造自适应律并证明系统的稳定性。仿真结果表明通过以上步骤构造的控制器在考虑输入饱和的情况下可以使水下机器人系统中的位置跟踪误差收敛到一个小邻域内，验证了所设计控制器的有效性。
参考文献：
[1]Zhang M J， Zheng J X， Zhang J. Selection method of multiobjective problems using genetic algorithm in motion plan of AUV[J]. Journal of Marine Science & Application， 2002， 1（1）： 8186.
[2]Song F J， Smith S M. Design of sliding mode fuzzy controllers for an autonomous underwater vehicle without system model[C]∥Oceans 2000MTS/IEEE Conference and Exhibition， RI， USA： IEEE， 2000.
[3]Zhao L， Jia Y M. Neural networkbased adaptive consensus tracking control for multiagent systems under actuator faults[J]. International Journal of Systems Science， 2016， 47（8）： 19311942.
[4]刘宇. 基于自适应反演方法的自主水下航行器控制[J]. 系统工程与电子技术， 2011， 33（3）： 638642.
[5]Yip P， Hedrick J. Adaptive dynamic surface control： a simplified algorithm for adaptive backstepping control of nonlinear systems[J]. International Journal of Control， 2010， 71（5）： 959979.
[6]Swaroop D， Gerdes J C， Yip P P， et al. Gerdes， Dynamic surface control for a class of nonlinear systems[J]. IEEE Transaction on American Control， 2000， 45（10）： 18931899. [7]Wang S J， Yu H S， Zhao L， et al. Adaptive fuzzy dynamic surface control for AUVs via backstepping[C]∥ Proceedings of 2017 Chinese Intelligent Automation Conference. Yangzhou， China： CIAC， 2017： 143152.
[8]Farrell J A， Polycarpou M， Sharma M， et al. Command filtered backstepping[J]. IEEE Transactions on Automatic Control， 2009， 54（6）： 13911395.
[9]Dong W J， Farrell J A， Polycarpou M， et al. Command fitered adaptive backstepping[J]. IEEE Transactions on Control Systems Technology， 2012， 20（3）： 566580.
[10]Yu J P， Shi P， Dong W J， et al. Observer and command filterbased adaptive fuzzy output feedback control of uncertain nonlinear systems[J]. IEEE Transactions on Industrial Electronics， 2015， 62（9）： 59625970.
[11]Yu J P， Shi P， Dong W J， et al. Adaptive fuzzy control of nonlinear systems with unknown dead zones based on command filtering[J]. IEEE Transactions on Fuzzy Systems， 2018， 26（1）： 4655.
[12]Yu J P， Shi P， Dong W J， et al. Command filtering based fuzzy control for nonlinear systems with saturation input[J]. IEEE Transactions on Cybernetics， 2017， 47（9）： 24722479.
[13]Fossen T I. Marine control systems： guidance， navigation，and control of ships， rigs and underwater vehicles[M]. Germany： Springer， 2002： 348351.
[14]Chen P， Qin H， Sun M， et al. Global adaptive neural network control for a class of uncertain nonlinear systems[J]. IET Control Theory and Application， 2011， 5（5）： 655662.
[15]Mathiyalagan K， Park J H， Sakthivel R. Synchronization for delayed memristive BAM neural networks using impulsive control with random nonlinearities[J]. Applied Mathematics and Computation， 2015， 259： 967979.