CN111381595B - 基于事件触发的船舶动力定位方法 - Google Patents

Abstract

本发明公开了一种基于事件触发的船舶动力定位方法，包括：获取船舶当前姿态和当前速度，并根据当前姿态和当前速度建立船舶模型；根据船舶模型获取船舶的估计姿态和估计速度，计算当前姿态、当前速度与估计姿态、估计速度的差值；根据估计速度采用鲁棒神经阻尼计算鲁棒神经阻尼项，并根据鲁棒神经阻尼项、估计速度和估计姿态建立自适应估计模型，自适应模型不存在自适应律；根据估计姿态和估计速度计算推进器的实际控制率，并根据实际控制率和差值计算自适应律；根据自适应律调节推进器的实际可控输入矢量，并根据实际可控输入矢量控制船舶动力定位任务。本发明能够实现在推进器出现未知故障的情况下继续保持动力定位任务的正常进行。

Description

基于事件触发的船舶动力定位方法

技术领域

本发明涉及船舶控制技术领域，尤其涉及一种基于事件触发的船舶动力定位方法。

背景技术

在船舶运动控制领域，动力定位在海洋工程上得到广泛应用，是目前实现船舶水上停泊、平台定位的一项重要技术。船舶动力定位系统，可以根据风向、风速、海流和船舶运动姿态等外部信号，自主控制主柴油机、首尾侧推和舵机等动力装置，保持既定的船位或沿着预定的轨迹运动。在航海实践中，动力定位系统通过其控制系统驱动船舶推进器来抵消风、浪、流等作用于船上的环境外力,从而使船舶保持定位在确定的位置上。目前已有的关于动力定位的控制算法都是基于连续时间系统进行的，需要在控制器和驱动设备之间连续不断地传输控制信号，从而使船舶稳定地保持在期望状态。

图2给出了现有技术的船舶动力定位系统的基本原理图。在工程实践中，期望位置和航向通常由操作员人为设定，即图2中的η_d，它包括期望位置(x,y)和期望航向ψ。期望信号被传输给动力定位系统的控制器，控制器控制主柴油机、首尾侧推和舵机等动力装置，从而改变控制力和力矩τ使船舶保持在期望位置。在海洋中进行动力定位的船舶会不可避免地遭受风、流、浪等造成的外部环境扰动τ_w，这会造成船舶的位置和航向发生变化，变化后的实际位置和航向信息η将会被反馈给控制器并与期望信号相比较，从而使控制器改变动力装置的运行状态，使船舶能够保持在期望状态。如此循环往复，动力定位船舶将会稳定保持在期望状态。

海洋平台或动力定位船舶长期执行定位任务，不可避免地会存在推进器故障问题，如低效故障、偏置故障。传统的动力定位控制算法未考虑推进器发生未知故障问题时的容错机制，在工程实际应用中会引起船舶定位失效(无法有效保证动力定位控制精度)，甚至导致海上事故，造成巨额经济损失。

发明内容

本发明提供一种基于事件触发的船舶动力定位方法，以克服上述技术问题。

本发明基于事件触发的船舶动力定位方法，包括：

获取船舶当前姿态和当前速度，并根据所述当前姿态和当前速度建立船舶模型；

根据所述船舶模型获取船舶的估计姿态和估计速度，计算当前姿态、当前速度与所述估计姿态、所述估计速度的差值；

根据所述估计速度采用鲁棒神经阻尼计算鲁棒神经阻尼项，并根据所述鲁棒神经阻尼项、所述估计速度和所述估计姿态建立自适应估计模型，所述自适应模型不存在自适应律；

根据所述估计姿态和所述估计速度计算推进器的实际控制率，并根据所述实际控制率和所述差值计算自适应律；

根据所述自适应律调节推进器的实际控制输入矢量，从而控制船舶动力定位。

进一步地，计算当前姿态、当前速度与所述估计姿态、所述估计速度的差值之后，还包括：

判断所述差值是否大于阈值，若是，则将所述估计姿态和所述估计速度更新为所述当前姿态和所述当前速度，若否，则保持所述估计姿态和所述估计速度。

进一步地，根据自适应律调节推进器的实际可控输入矢量之前，还包括：

接收推进器的故障类型，所述故障类型包括：推进器在正常运行、推进器部分效率损失故障、推进器偏置故障以及推进器全部效率损失故障。

进一步地，根据所述实际控制率和所述差值计算自适应律，包括：

根据公式

计算自适应参数和/>其中，ζ＝1,2,…,q，β_λζ和β_θζ是控制器设计参数，σ_λζ和σ_θζ是正的调谐常数，γ_j表示自适应估计模型的误差的反馈信号，实际控制率α_j中j＝u，v，r，α_up＝[α_u,α_v,α_r]，差值矢量e_i中i＝u，v，r，e＝[e_u,e_v,e_r]，T(β)表示推进器配置矩阵，T_iζ(·)表示推进器配置矩阵T(β)的第i行第ζ列，/>表示推进器配置矩阵的伪逆矩阵，/>表示推进器配置矩阵/>的第i行第ζ列。

进一步地，所述根据所述估计速度采用鲁棒神经阻尼计算鲁棒神经阻尼项，并根据所述鲁棒神经阻尼项、所述估计速度和所述估计姿态建立自适应估计模型，包括：

所述自适应估计模型为

其中，是估计姿态矢量，/>是估计速度矢量，α_up是实际控制率，鲁棒神经阻尼项，k_vn设计控制器参数矩阵，/>是转换矩阵，M是惯性矩阵，/>误差矢量。

进一步地，根据所述自适应律调节推进器的实际控制输入矢量，包括：

根据公式

计算实际控制命令输入矢量的控制率，其中，v_p为实际控制命令输入矢量的控制率，为误差矢量；/>β_v是滤波器的输出矢量；

根据所述实际控制命令输入矢量的控制率，采用公式

计算推进器的实际控制输入矢量的控制率，其中，表示驱动效率矩阵，且0≤k_pi≤1,i＝1,2,…q，/>是偏置故障矢量，是实际控制命令输入矢量的控制率，v_pi＝|p_io|p_io,i＝1,2,…q，p_io是第i个推进器的实际控制命令输入矢量，u_p实际控制输入矢量的控制率；

根据所述实际控制输入矢量的控制率，采用公式

计算推进器的实际可控输入矢量，其中，β是方位角推进器的方位角，表示T的伪逆，T_k(·)表示矩阵T(·)的第i列，p＝[p₁,p₂,…,p_q]^T是推进器的实际可控输入矢量。

本发明解决了海船动力定位操作过程中推进器的未知故障问题，能够实现在推进器出现未知故障的情况下继续保持动力定位任务的正常进行，为相关理论和船舶控制工程搭建了桥梁，使理论研究成果应用于船舶工程实践提供了可能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明基于事件触发的船舶动力定位方法流程图；

图2是现有技术船舶动力定位系统基本原理图；

图3是本发明动力定位船舶推进器配置图；

图4是本发明船舶动力定位事件触发控制逻辑结构图；

图5是本发明6级海况下二维风场及对应的风生浪波面视图；

图6是本发明船舶运动轨迹对比图；

图7是本发明船舶姿态变量对比图；

图8是本发明本专利算法中间隔采样点分析；

图9是本发明推进器故障条件下船舶姿态变量及自适应模型的预测值；

图10是本发明推进器故障条件下的推进器实际控制输入；

图11是本发明推进器故障条件下的自适应参数

图12是本发明推进器故障条件下的自适应参数

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作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。

图1是本发明基于事件触发的船舶动力定位方法流程图，如图1所示，本实施例的方法可以包括：

步骤101、获取船舶当前姿态和当前速度，并根据所述当前姿态和当前速度建立船舶模型；

具体而言，本实施例的建立动力定位船舶的三自由度数学模型为

其中，表示船舶姿态矢量，/>表示速度矢量。R(ψ)是转换矩阵且有R^-1(ψ)＝R^T(ψ)和||R(ψ)||＝1。M是惯性矩阵，D_l表示线形阻尼矩阵，D_n(v)是非线性阻尼项。/>表示扰动矢量。

τ＝T(β)κ(n)u_p (2)

其中，表示控制输入矢量，T(·)∈R^3×q是取决于推进器位置的配置矩阵(q是等效推进器的数量)，推进器的位置分布示意图如图3示，β是方位角推进器的方位角，κ(·)＝diag{κ₁(n₁),κ₂(n₂),…,κ_q(n_q)}∈R^q×q表示取决于螺旋桨转速的力系数矩阵，u_p＝[|p₁|p₁,|p₂|p₂,…,|p_q|p_q]^T，其中，p_i∈[-1,1],i＝1,2,…q是推进器的实际可控输入矢量。

步骤102、根据所述船舶模型获取船舶的估计姿态和估计速度，计算当前姿态、当前速度与所述估计姿态、所述估计速度的差值；

步骤103、根据所述估计速度采用鲁棒神经阻尼计算鲁棒神经阻尼项，并根据所述鲁棒神经阻尼项、所述估计速度和所述估计姿态建立自适应估计模型，所述自适应模型不存在自适应律；

步骤104、根据所述估计姿态和所述估计速度计算推进器的实际控制率，并根据所述实际控制率和所述差值计算自适应律；

步骤105、根据所述自适应律调节推进器的实际控制输入矢量，从而控制船舶动力定位。

进一步地，根据自适应律调节推进器的实际可控输入矢量之前，还包括：

接收推进器的故障类型，根据故障类型调整自适应模型，所述故障类型包括：推进器在正常运行、推进器部分效率损失故障、推进器偏置故障以及推进器全部效率损失故障。

具体而言，在实际工程中，推进器可能遭受偏置故障和效率损失故障。推进器故障类型有四种：推进器在正常运行、推进器部分效率损失故障、推进器偏置故障以及推进器全部效率损失故障。因此，建立推进器故障模型为

其中，表示驱动效率矩阵，且0≤k_pi≤1,i＝1,2,…q，是偏置故障矢量，/>是实际控制命令输入矢量的控制率，v_pi＝|p_io|p_io,i＝1,2,…q，p_io是第i个推进器的实际控制命令输入矢量，u_p实际控制输入矢量的控制率。

故障模型包括四种模式如下：

①k_pi＝1且表示推进器在正常运行。

②0＜k_pi＜1且表示推进器部分效率损失故障。

③k_pi＝1且表示推进器偏置故障。

④k_pi＝0，此时表示推进器全部效率损失故障。

进一步地，计算当前姿态、当前速度与所述估计姿态、所述估计速度的差值之后，还包括：

判断所述差值是否大于阈值，若是，则将所述估计姿态和所述估计速度更新为所述当前姿态和所述当前速度，若否，则保持所述估计姿态和所述估计速度。

具体而言，本实施例中判断差值是否大于阈值的事件触发机制为

其中，

根据式(4)可知，对于e_ψ的触发条件可以表示为|e_ψ|≤K_ηψ_e。当触发条件被违反时，模型状态/>将会被重置为ψ，不难看出在触发时刻e_ψ＝0。因此，对于ψ的误差e_ψ总是保持在0附近的小值。为了促进事件触发机制的实施，式(4)可以被改写为式

||e||≤K||z_e|| (6)

其中，

进一步地，并根据所述实际控制率和所述差值计算自适应律，包括：

根据公式

计算自适应参数和/>其中，ζ＝1,2,…,q，β_λζ和β_θζ是控制器设计参数，σ_λζ和σ_θζ是正的调谐常数，γ_j表示自适应估计模型的误差的反馈信号，实际控制率α_j中j＝u,v,r，α_up＝[α_u,α_v,α_r]，差值矢量e_i中i＝u,v,r.e＝[e_u,e_v,e_r]，T(β)表示推进器配置矩阵，T_iζ(·)表示推进器配置矩阵T(β)的第i行第ζ列，/>表示推进器配置矩阵的伪逆矩阵，/>表示推进器配置矩阵/>的第i行第ζ列。

具体而言，自适应参数和/>被设计去补偿未知的增益函数，与现有技术中的推进器配置矩阵扩展操作，在线更新的自适应参数的个数与扩展配置矩阵的维度相一致。在这样一个参数自适应机制条件下，两个模型间的误差被反馈给自适应模型提高逼近精度。式(7)和式(8)为自适应参数/>和/>

其中，ζ＝1,2,…,q，β_λζ和β_θζ是设计参数，σ_λζ和σ_θζ是正的调谐常数，γ_j表示模型误差的反馈信号，其可以被设计为式(11)。

其中，c_j是正常数。

进一步地，根据所述鲁棒神经阻尼项建立自适应模型，包括：

对于动力定位船舶模型，基于事件的自适应模型为

其中，是估计姿态矢量，/>是估计速度矢量，α_up是实际控制率，鲁棒神经阻尼项，k_vn设计控制器参数矩阵，/>是转换矩阵，M是惯性矩阵。

进一步地，根据所述自适应律调节推进器的实际可控输入矢量，包括：

根据公式

计算实际可控输入矢量的实际控制率，其中，v_p实际可控输入矢量的实际控制率，为误差矢量；

根据所述实际可控输入矢量的实际控制率计算实际可控输入矢量

其中，β是方位角推进器的方位角，表示T的伪逆，T_k(·)表示矩阵T(·)的第i列，p＝[p₁,p₂,…,p_q]^T是实际可控输入矢量。

所提出的控制方案中，控制器在事件触发时刻t＝t_k(t_k+1＞t_k,i＝0,1,2,…)被更新。在连续两个采样点间的时间段(t_k＜t＜t_k+1)，系统状态和估计状态之间的事件触发误差可以被定义为其中e_η＝[e_x,e_y,e_ψ]^T，e_v＝[e_u,e_v,e_r]^T。当触发机制被违反时(t＝t_k)，模型状态矢量/>和/>将会被重置为系统状态矢量η和v，即/>η⁺＝η，v⁺＝v。

本申请的实际控制输入矢量用于调节船舶期望姿态与当前姿态的差值，该差值的计算如下：

第1步：根据自适应模型(12)，期望姿态与估计姿态之间的误差向量被定义为其中η_d是常数矢量，表示期望姿态。/>的导数可以被表示为式(15)。

根据式(15)，虚拟控制律α_v被设计为式(16)。

其中，k_η是对角矩阵形式的设计参数。为了避免直接对α_v进行微分，引入动态面技术，即一阶滤波器。

其中，t_v＝diag{t_u,t_v,t_r}是时间常数矩阵，β_v是滤波器的输出矢量。滤波器的输入误差被定义为q_v＝[q_u,q_v,q_r]^T＝α_v-β_v，因此，可以得到式(18)。

其中，B_v＝[B_u,B_v,B_r]^T表示一个所有元素都是有界的常函数的矢量，即其中/>都是未知的正常数。定义/>结合式(17)和(18)，可以获得式(19)。

期望姿态与当前姿态之间的误差向量被定义为η_e＝η_d-η。η_e的导数可以被表示为式(20)。

根据以上分析，获得式(21)。

因此，式(20)可以被改写为式(22)。

其中，I＝diag{1,1,1}是单位矩阵。

本申请的实际控制输入矢量用于调节船舶期望速度与当前速度的差值，该差值的计算如下：

第2步：滤波器的输出矢量与估计速度之间的误差向量被定义为 的导数可以被写为式(23)。

其中，是系统不确定性。

采用鲁棒神经阻尼技术补偿系统不确定性。

其中，F_nn被利用去逼近三个子系统的不确定性。其中，/>是矢量/>的上界。此外，/>然后可以得出/>随着/>可以得出式(25)。

其中，此外，基于杨氏不等式可以得出式(26)。

其中，是输入为模型状态矢量的鲁棒神经阻尼项，k_vn是正的设计参数矩阵。

实际控制率α_up被设计为式(27)。

其中，k_ve表示正的设计参数矩阵。基于上面的分析，式(23)可以被重新改写为式(28)。

相似于以上对式(28)的分析方法，滤波器的输出矢量与当前速度之间的误差向量被定义为v_e＝β_v-v，其导数可以表示为式(29)。

为了验证本发明船舶定位的有效性，采用如图3所示的两个主螺旋桨，三个隧道推进器和一个方位角推进器的船舶为被控对象，船舶长度为76.2m，排水量为4.591×10⁶kg。利用matlab进行计算机仿真实验。与现有技术中自适应算法计算船舶定位的结果进行对比。

对于外界干扰，考虑海洋实际环境，模拟海风和不规则的风成波。均采用基于物理的数学模型进行仿真。干扰模型为现有技术，在此处不做赘述。图5为6级海况下二维风场及对应的风生浪波面视图。平均风速和风向分别为V_wind＝12.8m/s和ψ_wind＝125deg，实验船舶的期望姿态为η_d＝[0m,0m,140deg]^T，实验船的舶初始运动状态为

[x,y,ψ,u,v,r]|_t＝0＝[10m,10m,156deg,0m/s,0m/s,0deg/s]

图6-8给出了实验对比结果。在图6中，两种控制算法下的船舶最终都能够稳定在预定位置附近，但是不难看出本申请具有更好的稳定性和更短的轨迹长度，因而具有更高的定位精度和能量效率。在图7中，与现有技术中自适应算法相比，本申请可以更快地使船舶达到期望姿态。图8给出了两个连续的采样点间的时间间隔。本申请初始阶段频繁违反事件触发条件，随着姿态变量逐渐稳定在期望位置，两个连续采样点之间的时间间隔增大。两个连续的采样点间的最小时间间隔为0.02s，最大时间间隔为10.2s。

为了进一步分析本申请适用于各种故障类型，给出了具有推进器故障的仿真实验。船舶与上一对比例相同，该船舶在300s时，选择两个推进器(2号和5号推进器)设置两个不同的故障。其中，2号推进器被设置为部分效率损失故障，5号推进器被设置为全部效率损失故障。图9-12给出了推进器故障条件下相关曲线的变化情况。图9和图10给出了推进器发生故障时船舶姿态和推进器实际控制输入的变化情况。当推进器发生未知故障时，执行定位任务的船舶会短暂地偏离期望位置，通过调节推进器的控制输入，从而使船舶恢复到期望姿态。图10中的放大部分显示了推进器控制命令和实际输入的曲线演变情况，并且注意到方位角推进器的方位角发生了跳跃现象，这是正常的。因为方位角的取值范围是(-180deg,180deg]，然而在工程实际中它的取值范围是(0,360deg]，因此在工程实际中需要进行转换操作。在图11和图12中，每条自适应参数曲线都相似于图中的放大部分，在采样时刻被更新并且在采样间时期保持不变。开始时，为了激发出事件触发的状态，自适应参数的初始值被设置为0到1之间的随机数。

本发明考虑到船舶控制工程实践中存在通信资源浪费、推进器故障问题，提出一种具有容错补偿机制的动力定位船舶事件触发控制器设计方法，解决现有动力定位控制中存在的通信资源浪费、推进器故障问题。

利用本发明事件触发控制算法解决了海船动力定位操作过程中控制器和推进器之间的命令信号连续传输引起的网络信道频繁占用、通信负载大的缺陷，能够实现非周期地传输命令信号，大大缓解信道传输负担，在船舶控制工程实际中具有重大意义。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种基于事件触发的船舶动力定位方法，其特征在于，包括：

获取船舶当前姿态和当前速度，并根据所述当前姿态和当前速度建立船舶模型；

根据所述船舶模型获取船舶的估计姿态和估计速度，计算当前姿态、当前速度与所述估计姿态、所述估计速度的差值；

根据所述估计速度采用鲁棒神经阻尼计算鲁棒神经阻尼项，并根据所述鲁棒神经阻尼项、所述估计速度和所述估计姿态建立自适应估计模型，所述自适应估计模型不存在自适应律；

根据所述估计姿态和所述估计速度计算推进器的实际控制率，并根据所述实际控制率和所述差值计算自适应律；

根据所述自适应律调节推进器的实际控制输入矢量，从而控制船舶动力定位；

根据所述实际控制率和所述差值计算自适应律，包括：

根据公式

计算自适应参数和/>其中，ζ＝1，2，…，q，/>和/>是控制器设计参数，/>和/>是正的调谐常数，γ_j表示自适应估计模型的误差的反馈信号，实际控制率α_j中j＝u，v，r，α_up＝[α_u，α_v，α_r]，差值矢量e_i中i＝u，v，r，e＝[e_u，e_v，e_r]，T(β)表示推进器配置矩阵，/>表示推进器配置矩阵T(β)的第i行第ζ列，/>表示推进器配置矩阵的伪逆矩阵，/>表示推进器配置矩阵/>的第i行第ζ列；

所述根据所述估计速度采用鲁棒神经阻尼计算鲁棒神经阻尼项，并根据所述鲁棒神经阻尼项、所述估计速度和所述估计姿态建立自适应估计模型，包括：

所述自适应估计模型为

其中，是估计姿态矢量，/>是估计速度矢量，α_up是实际控制率，/>鲁棒神经阻尼项，k_vn设计控制器参数矩阵，/>是转换矩阵，M是惯性矩阵，/>误差矢量。

2.根据权利要求1的方法，其特征在于，计算当前姿态、当前速度与所述估计姿态、所述估计速度的差值之后，还包括：

判断所述差值是否大于阈值，若是，则将所述估计姿态和所述估计速度更新为所述当前姿态和所述当前速度，若否，则保持所述估计姿态和所述估计速度。

3.根据权利要求1的方法，其特征在于，根据自适应律调节推进器的实际可控输入矢量之前，还包括：

接收推进器的故障类型，所述故障类型包括：推进器在正常运行、推进器部分效率损失故障、推进器偏置故障以及推进器全部效率损失故障。

4.根据权利要求1的方法，其特征在于，根据所述自适应律调节推进器的实际控制输入矢量，包括：

根据公式

计算实际控制命令输入矢量的控制率，其中，v_p为实际控制命令输入矢量的控制率，为误差矢量，/>为误差矢量的转置矩阵；/>β_v是滤波器的输出矢量，；T_i(.)表示第i个推进器配置矩阵，i＝1，2，…q；ε为常数设计参数；

根据所述实际控制命令输入矢量的控制率，采用公式

计算推进器的实际控制输入矢量的控制率，其中，k_p＝diag{k_p1，k_p2，…，k_pq}∈R^q×q表示驱动效率矩阵，且0≤k_pi≤1，i＝1，2，…q，是偏置故障矢量，v_p＝[v_p1，v_p2，…，v_pq]^T∈R^q是实际控制命令输入矢量的控制率，v_pi＝|p_io|p_io，i＝1，2，…q，p_io是第i个推进器的实际控制命令输入矢量，u_p实际控制输入矢量的控制率；

根据所述实际控制输入矢量的控制率，采用公式

计算推进器的实际可控输入矢量，其中，β是方位角推进器的方位角，表示T的伪逆，T_k(·)表示矩阵T(·)的第i列，p＝[p₁，p₂，…，p_q]^T是推进器的实际可控输入矢量。