Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phương pháp nhận diện tương tác trực tuyến dựa trên ước lượng nhiễu ESO cho mô hình chuyển động của phương tiện mặt nước không người lái có hai chân vịt
Tóm tắt
Trong bài báo này, vấn đề nhận diện tham số trực tuyến của mô hình toán học của phương tiện mặt nước không người lái (USV) với các đặc tính của bộ truyền động được nghiên cứu. Mô hình toán học động lực học dựa trên dữ liệu có ý nghĩa rất lớn trong việc thực hiện dự đoán quỹ đạo và điều khiển chuyển động thích ứng cho USV. Một thuật toán nhận diện tương tác (ESO–MILS, bộ quan sát trạng thái mở rộng - bình phương tối thiểu đa đổi mới) dựa trên ESO được đề xuất. Độ tin cậy của nhận diện trực tuyến được cải thiện thông qua việc mở rộng bộ quan sát trạng thái để ước lượng nhiễu hiện tại mà không cần đưa ra giả định nhân tạo. Cụ thể, phương trình động lực học bậc ba của USV có hệ thống động lực hai chân vịt được xây dựng. Một mô hình tuyến tính cho nhận diện trực tuyến được suy diễn thông qua tham số hóa. Dựa trên hàm tiêu chuẩn bình phương tối thiểu, đã chứng minh rằng phương pháp nhận diện tương tác với ước lượng nhiễu có thể cải thiện độ chính xác của nhận diện từ góc độ kỳ vọng toán học. Bộ quan sát trạng thái mở rộng được thiết kế để ước lượng nhiễu không xác định trong mô hình. Cập nhật tương tác trực tuyến cải thiện khả năng miễn dịch với nhiễu của thuật toán nhận diện. Cuối cùng, hiệu quả của thuật toán nhận diện tương tác được xác thực thông qua thí nghiệm mô phỏng và thí nghiệm trên tàu.
Từ khóa
#nhận diện tham số #phương tiện mặt nước không người lái #mô hình toán học #ước lượng nhiễu #thuật toán tương tácTài liệu tham khảo
Zhang, W., Liu, X., & Han, P. (2020). Progress and challenges of overwater unmanned systems. Acta Automatica Sinica, 46(5), 847–857.
Zhang, X., Wang, X., Meng, Y., & Yin, Y. (2021). Research progress and future development trend of ship motion modeling and simulation. Journal of Dalian Maritime University, 47, 1–8.
Nguyen, T. (2022). Identification modeling and steering controller design for unmanned surface vehicles. In: 2022 6th International Conference on Green Technology and Sustainable Development (GTSD) (pp. 8–12). IEEE.
Qin, Y., & Ma, Y. (2014). Parametric identification of ship’s maneuvering motion based on improved least square method. In: 2014 International Conference on Mechatronics, Electronic, Industrial and Control Engineering (MEIC-14) (pp. 773–778). Atlantis Press.
Sun, G., Xie, J., & Wang, J. (2018). Ship course identification model based on recursive least squares algorithm with dynamic forgetting factor. Journal of Computer Applications, 38(3), 900.
Zhao, Y., Wu, J., Zeng, C., & Huang, Y. (2022). Identification of hydrodynamic coefficients of a ship manoeuvring model based on prbs input. Ocean Engineering, 246, 110640.
Guan, W., Peng, H., Zhang, X., & Sun, H. (2022). Ship steering adaptive cgs control based on ekf identification method. Journal of Marine Science and Engineering, 10(2), 294.
Qin, C. (2021). Parameter identification for ship mathematical model based on unscented kalman filter. Ship Science and Technology, 43(01), 89–94.
Zheng, J., Yan, D., Yan, M., Li, Y., & Zhao, Y. (2022). An unscented kalman filter online identification approach for a nonlinear ship motion model using a self-navigation test. Machines, 10(5), 312.
Hu, Y., Song, L., Liu, Z., & Yao, J. (2021). Identification of ship hydrodynamic derivatives based on LS-SVM with wavelet threshold denoising. Journal of Marine Science and Engineering, 9(12), 1356.
Wang, Z., Zou, Z., & Soares, G. (2019). Identification of ship manoeuvring motion based on nu-support vector machine. Ocean Engineering, 183, 270–281.
Silva, K. M., & Maki, K. J. (2022). Data-driven system identification of 6-DOF ship motion in waves with neural networks. Applied Ocean Research, 125, 103222.
Wakita, K., Maki, A., Umeda, N., Miyauchi, Y., Shimoji, T., Rachman, D. M., & Akimoto, Y. (2022). On neural network identification for low-speed ship maneuvering model. Journal of Marine Science and Technology, 27(1), 772–785.
Ding, F., Xie, X., & Fang, C. (1996). Multi-innovation identification method for time-varying systems. Acta Automatica Sinica, 22, 85–91.
Xie, S., Chu, X., Liu, C., & Wu, Q. (2017). Parameter identification of ship maneuvering response model based on multi-innovation least squares algorithm. Navigation of China, 40(1), 73–78.
Zhang, X., & Zhu, H. (2021). New identification algorithm for ship model parameters based on sinusoidal function processing innovation. Chinese Journal of Ship Research, 16(5), 158–162.
Zhao, B., Zhang, X., & Liang, C. (2022). A novel parameter identification algorithm for 3-DOF ship maneuvering modelling using nonlinear multi-innovation. Journal of Marine Science and Engineering, 10(5), 581.
Zhang, G., Zhang, X., & Pang, H. (2015). Multi-innovation auto-constructed least squares identification for 4 DOF ship manoeuvring modelling with full-scale trial data. ISA Transactions, 58, 186–195.
Mei, B., Sun, L., & Shi, G. (2019). White-black-box hybrid model identification based on rm-rf for ship maneuvering. IEEE Access, 7, 57691–57705.
Mu, D., Wang, G., Fan, Y., & Zhao, Y. (2017). Modeling and identification of podded propulsion unmanned surface vehicle and its course control research. Mathematical Problems in Engineering, 2017, 3209451.
Hemati, N., & Leu, M. C. (1992). A complete model characterization of brushless dc motors. IEEE Transactions on Industry Applications, 28(1), 172–180.
Cao, H., Xu, R., Zhao, S., Li, M., Song, X., & Dai, H. (2022). Robust trajectory tracking for fully-input-bounded actuated unmanned surface vessel with stochastic disturbances: An approach by the homogeneous nonlinear extended state observer and dynamic surface control. Ocean Engineering, 243, 110113.
Fossen, T. I. (2011). Handbook of marine craft hydrodynamics and motion control (pp. 109–132). Hoboken: Wiley.