基于高阶递归神经网络的AUV鲁棒控制方法

目的 提出一种基于高阶递归神经网络的AUV鲁棒控制方法。方法 利用结构简单但逼近效果优越的高阶递归神经网络,对建模不确定性和外部未知干扰进行估计,并将其补偿到输入控制律中,以提高控制性能。之后,基于HJI理论和Lyapunov稳定性分析导出神经网络权重自适应更新律和AUV自适应控制律,设计反步滑模方法作为对比方法,并进行仿真实验。结果 设计的基于高阶递归神经网络的AUV鲁棒控制方法的跟踪误差、调节时间等控制指标均优于反步滑模方法。设计的鲁棒控制方法可以控制AUV精确跟踪目标轨迹,同时具有优秀的控制性能和鲁棒性。结论 这一研究为AUV轨迹跟踪控制领域提供了一种高效且有效的方法,有望在复杂、不确定的水下环境中得到应用。     

极端海况下AUV水环境模拟及定位控制研究

目的优化PID控制器,实现AUV在极端海况下的定位控制。方法本文基于Blendermann风载荷系数计算公式与ITTC双参数波浪谱及漂移力计算公式,在Matlab中建立极端海况风浪模型,对极端海况进行环境模拟;利用Simulink平台搭建基于PID控制器的AUV动力定位控制系统,优化PID控制器参数,对AUV进行定位控制研究。结果在该控制作用下,AUV仍由定位原点顺利抵达目标位置,在PID控制器作用下,系统约100s后达到目标位置状态附近进行微调,整体超调量约8%,在严峻的风浪环境中展现出理想的控制性能。结论本研究成功模拟了AUV的极端工作环境,并搭建了动力定位仿真台架,基于优化后的PID控制器实现了AUV在极端海况下的定位控制,为自主潜航器在恶劣环境中的作业能力保障及控制器设计研究提供了参考。