一、船舶横向运动状态估计及控制研究（论文文献综述）
李长浩[1]（2021）在《试验船动力定位系统智能控制算法研究》文中进行了进一步梳理
邓英杰[2]（2020）在《风帆推进船舶路径跟踪制导与控制》文中指出海洋风能作为一种广泛分布的清洁能源,可在一定程度上代替传统化石能源为船舶提供动力。作为对风能的最直接利用形式,风帆被广泛地应用在新能源船舶中。为解决现有常规动力船舶路径跟踪制导与控制算法不适用于风帆推进船舶且未考虑执行器饱和和动作频率限制等因素的问题,本文将风帆推进船舶分成风帆助航船舶、无人单体帆船和无人双体帆船3类开展研究,拟为3类研究对象设计具有良好工程应用背景的路径跟踪制导与控制方案。在制导层面,针对无人帆船（包含单体和双体的无人帆船）设计了基于航路点的直线LOS路径跟踪制导方法以及参数化曲线的平行路径跟踪制导方法。在控制层面,针对风帆助航船舶设计了展帆角的优化控制器和舵角的MLP自适应模糊控制器,针对无人帆船设计了展帆角和舵角的事件触发控制器。首先,针对风帆助航船舶的路径跟踪控制问题,在参数化LOS制导算法的框架下设计了展帆角的并列式ES-FLS优化控制器,以及舵角的MLP自适应模糊控制器。该优化控制器融合了人工经验、ES算法、FLS学习以及饱和重置机制,在实现船速最大化的同时克服了 ES算法的抖振问题。基于船舶的艏摇动力学模型,本文采用FLS逼近模型未知动态,并采用MLP技术和自适应反步法设计舵角的控制器。因为该控制器只有一个自适应参数,所以具备计算简捷的特性。接下来,针对无人单体帆船基于航路点的直线路径跟踪问题,设计了无人单体帆船的参数化LOS制导算法以及舵角的MLP自适应模糊控制器。该制导算法考虑了帆船的抢风及顺风换舷操纵（即驾驶员应避免帆船的艏向处于逆风和顺风的“不可航行区”,并操纵帆船沿Z型路线航行）,采用符号函数描述帆船在抢风和顺风换舷时的艏向切换,便于编程实现,采用双RESO估计漂角,确保了对大漂角的估计精度。该控制器除具备计算简捷的特性外,通过构造tanh函数项解决了舵叶升力系数不确定的问题。通过双时变系统的方法,本文分析了路径跟踪误差的收敛性。最后,针对无人双体帆船参数化光滑曲线的路径跟踪问题,设计了平行制导算法以及展帆角和舵角的事件触发鲁棒模糊控制器。该制导算法依据风向信息对参考路径进行分段化处理,融合了 Serret-Frenet坐标系、常规LOS算法、抢风和顺风换舷的通道限制机制等,确保了制导算法对无人双体帆船的适用性。在控制器设计中,本文采用FLS逼近模型未知动态,采用S型函数逼近舵角和风帆推力的饱和非线性,分别设计舵角和展帆角的事件触发条件,并基于反步法分别构建舵角和展帆角的鲁棒模糊控制器,确保了在执行器饱和限制下,无人双体帆船对参考速度和参考航向的有效跟踪,以及较低的执行器动作频率。综上所述,本文对3种风帆推进船舶基于航路点的直线和参数化光滑曲线的路径跟踪制导和控制展开了研究,在制导层面,调和了无人帆船抢风及顺风换舷操纵与路径跟踪的矛盾,在控制层面,解决了风帆推进船舶推力优化、执行器饱和和动作频率限制等问题,具有良好的工程应用前景和加速风帆推进船舶装备产业化的意义。
朴在吉[3]（2020）在《无人水面船舶自动靠泊控制研究》文中研究说明无人水面船舶的研发近年来越来越受到关注,其在较强环境扰动下自动靠泊控制是亟待解决的关键性问题之一。本文研究无人水面船舶自动靠泊控制问题,旨在为研究无人水面船舶靠泊支持系统和智能/无人船舶全航线自动控制探索新的思路和方法。论文完成的主要研究工作如下:1.分别建立了吊舱推进和带襟翼舵的两型无人水面船舶的操纵运动数学模型。研究这两型具有良好操纵性的无人船具有一定典型性,基于推进器和舵的不同形式,本文采用了两种不同的自动靠泊模式。对于吊舱推进无人水面船舶在港内操纵,给出了合理的自动靠泊策略;又根据其具有低速,状态变化慢的特点,应用MMG（Maneuvering Modeling Group）建模机理,基于吊舱推力矢量数学模型建立了该种船舶自动靠泊数学模型;并给出了海洋环境干扰的计算方法。对于带襟翼舵的无人水面船舶,建立了分离型运动数学模型,并给出了襟翼舵的升力计算公式。作者对于这两型无人船进行操纵性研究。首先基于等舵效分析方法对于吊舱推进无人船操纵性能进行了分析,将两个转向角以及螺旋桨转速以函数关系对应到常规船舶的舵角和螺旋桨转速上。分为四种工况进行仿真,包括船舶行驶过程的常规状态,以及故障状态。通过这种将双吊舱推进船舶类比到普通单桨单舵船舶的操纵性分析方法,为多推进器无人船舶操纵性能的分析提供了新思路。随后进行了吊舱推进无人船和带襟翼舵无人船的典型操纵性实验对比分析,可以得出这两型无人船较常规单舵单桨船舶具有更有效的操纵性。2.针对无人水面船舶自动靠泊研究过程中存在未知时变扰动及数学模型参数误差的动态不确定性情况,给出吊舱推进无人水面船舶的控制策略。采用生成对抗神经网络（Generative Adversarial Networks,GAN）自适应 Backstepping 滑模控制方法设计控制律。考虑自动靠泊过程中位置受限问题,采用障碍Lyapunov方法来限制位置变量。为解决被控无人船系统在滑模控制初始阶段容易产生较大幅度振荡问题,采用在系统初始阶段加入跟踪微分器的方法来消除大的抖振。根据吊舱式推进船舶的推进器的分布特性,给出了基于序列二次型的推力分配策略。在仿真分析中,将该方法与基于趋近律的滑模控制方法进行对比。仿真结果表明这两种方法均能够在一定的干扰下完成无人水面船舶自动靠泊任务,生成对抗神经网络自适应Backstepping滑模控制方法具有更有效的动态控制效果。3.由于自动靠泊任务对于控制精度要求较高,为了进一步提高控制的快速性和抗干扰性,本文提出更具工程实际意义的有限时间自动靠泊控制的相关理论方法。首先设计有限时间观测器,对于系统内外部存在的动态不确定性进行估计,并证明了其有限时间收敛。对于在应用有限时间控制理论设计控制律时容易出现奇异的情况,作者设计了基于全局快速非奇异终端滑模的自动靠泊控制器来避免这一问题。相关仿真结果表明,所设计的无人船有限时间自动靠泊机制可以实现有限时间稳定,提高了自动靠泊过程的快速性以及抗干扰性。4.对于带襟翼舵的欠驱动无人水面船舶的自动靠泊,作者在日本水产工学研究所进行了无人船自主靠泊水池实验。为确定自动靠泊航线,采用视线法作为制导律,设计运动轨迹的根据为以合理进入泊位的角度作为船舶航向来控制船舶运动。在实验前先进行仿真分析,建立了基于用户数据报协议（User Datagram Protocol,UDP）通信的远程控制仿真系统。应用该仿真测试系统,对于生成对抗神经网络自适应Backstepping滑模控制律和有限时间控制律的自动靠泊效果进行了验证,同样得出有限时间控制律具有更好的快速性和抗干扰性的结论。作者在水池实验中采用非线性自抗扰控制器和PID控制器对比分析了安装襟翼舵的无人船在有风和无风条件下自动靠泊的能力,首先对于这两种算法的控制效果进行了仿真计算。结合仿真结果,进行了实际水池实验验证。实验结果表明,在实际应用中非线性自抗扰控制器结果更优,这有助于解决无人船自动靠泊过程中自主确定航线和提高抗干扰能力问题及提高船舶靠泊航行安全性,取得了有益于无人船自动靠泊控制研究的水池实验数据和部分实验结果。
梅斌[4]（2020）在《基于自航试验的船舶操纵运动灰箱辨识建模》文中进行了进一步梳理船舶操纵性是航运业、造船界、船级社和国际海事组织共同关心的话题和事项。船舶操纵运动建模是研究船舶操纵性的重要手段。鉴于船舶运动存在非线性特征和受到海洋环境影响,本文研究了基于自航试验的灰箱辨识建模方法,期望建立有效、实用的船舶操纵运动模型。在深水条件、操纵运动与船舶摇荡互不干扰条件下,深入研究船舶操纵运动灰箱辨识建模,开发出适应于海上船舶运动预报与仿真的操纵运动辨识建模算法。辨识建模是重要的船舶操纵运动建模方法之一,但是航海领域的船舶操纵运动模型研究不同于船舶与海洋工程领域,需要考虑试验方案的动力学约束。本文使用基于参考模型的灰箱辨识及其改进算法,对静水船舶操纵运动和海上实船操纵运动的建模问题进行深入研究,为自主导航、自主避碰提供有效实用的船舶操纵运动数学模型。最后使用标准船模和实船的自航试验进行验证。本文主要研究工作和成果如下所示:1.操纵试验反压舵角的舵力、船舶横倾和数据分布特性研究。推导操纵试验反压舵角时舵力增加的解析表达式,使用船舶数值仿真试验检验解析表达式的有效性,分析横倾变化和主机负荷变化。基于概率密度算法计算并对比Z形试验和旋回试验数据分布的广泛性。结果表明:（1）舵力增加的解析表达式为双曲线函数,函数精确有效。（2）定常旋回时反压舵角导致舵力增加幅度达到100%,40万吨超大型矿砂船达到240%;反压舵角导致横倾加剧,主机负荷波动。（3）大幅反压舵角导致Z形试验的数据分布比旋回试验更广泛。因此,由于数据分布的广泛性与操纵的安全性存在冲突,标准操纵性试验适用于辨识建模。2.基于参考模型的灰箱辨识算法建立自航模操纵运动模型。基于偏最小二乘算法计算船舶主尺度权重,优化船舶主尺度向量。计算主尺度向量间的相似度,筛选出参考模型。使用相似准则消除参考模型和建模对象的尺度差异,提出基于参考模型的建模（RM）,为基于参考模型的辨识建模奠定基础。采用基于随机森林（RF）和贝叶斯神经网络（BRN）补偿基于参考模型建模的加速度误差,提出基于参考模型的灰箱辨识建模,使用标准船模KVLCC2水池试验进行验证。结果表明:（1）RM建模预报+35°)旋回试验进距、战术直径、船艏向90°时间和船艏向180°时间,与自航模结果的比值为1.028、0.967、1.051、1.052。（2）RM-RF只能预报Z形试验,旋回试验预报不具有稳定性。根据船舶操纵运动机理,优化RF的输入输出,建立RM-IRF。RM-IRF预报结果与自航模结果的比值为0.991、0.957、1.014、1.013。因此,基于参考模型的灰箱辨识建模具有一定的有效性,优化的输入输出提升了模型泛化能力。3.灰箱辨识建模的超参优化及白箱模型的辨识。基于灰箱辨识建模框架采用支持向量机（SVM）作为辨识算法,建立RM-SVM灰箱辨识建模。通过遍历软间隔、核函数比例和不敏感边界的数值范围,分析超参调节对RF-SVM建模精度影响。针对超参调节的均方误差量纲与权重问题、目标函数优化的不连续与不可导的问题,采用相关系数的1范数作为目标函数,基于模式搜索算法（PS）进行迭代优化求解,提出了 RM-PSM-SVM算法。采用线性回归算法辨识RM-PSM-SVM的预报结果,获得整体型模型水动力系数,实现灰箱模型与白箱模型的转化。结果表明:（1）当迭代次数达到20时,目标函数值达到0.99,趋近于最大值1。（2）比较了多种灰箱辨识建模的算法精度,RM-PSM-SVM预报+35°旋回试验进距、战术直径、船艏向90°时间和船艏向180°时间与自航模结果的比值为1.004、0.983、1.003、0.985。（3）辨识RM-PSM-SVM灰箱模型结果,获得了整体型模型,与约束模试验结果比较,横向速度的线性水动力系数精度达到50%,转向速度的线性水动力系数精度达到65%,舵角的3次水动力系数精度达到70%。4.实船的海上干扰求解与试验修正及其操纵运动灰箱辨识建模。首先,校验实船试验众多的测量设备及其精度,选择合适的数据来源用于辨识建模。其次,针对海上风浪流干扰导致的船舶漂移,在定常旋回和均匀流等假设的基础上,计算了风浪漂移力和漂移距离。最后,采用优化算法求解调节参数,修正了风浪流干扰,从而提出了旋回试验干扰求解与试验修正方法。YUKUN实船试验算例表明:（1）海流占该次试验轨迹漂移距离的主要成分、风力次之、波浪最小;改进的旋回试验海上干扰求解与试验修正方法有效可靠。（2）其他文献的干扰求解与试验修正方法是本方法的一种特例。（3）使用RM-PSM-SVM算法建立实船操纵运动灰箱模型,20°右旋回试验的横向速度相关系数达到0.85,其余变量相关系数达到0.90以上;35°左旋回试验轨迹的预报误差小于50m。因此,提出的试验修正方法和灰箱辨识建模有效实用。本文所有实验采用Matlab/Visual C++编程实现,建立的灰箱模型验证了船模试验——实船试验研究路线的有效性。该研究对提升航海安全保障具有重要的现实意义。
赵国栋[5]（2020）在《基于滑模自抗扰的船舶航向航迹跟踪控制》文中研究表明本文采用了分数阶滑模理论和自抗扰控制理论相结合的方法,对船舶航向保持控制和航迹跟踪控制进行研究,旨在解决欠驱动船舶航向航迹控制问题,并提高船舶控制器在航向、航迹控制方面的控制精度,减少系统的超调量,提高系统的抗干扰能力,通过仿真验证可知,所设计的控制器能够实现对目标的快速精确跟踪,抗干扰性好,鲁棒性强。1.船舶航向保持控制器的设计:采用含有非线性项的Norrbin模型精确描述船舶运动性能,利用分数阶微积分算子构造出分数阶滑模面,增加系统稳定性,加快收敛速度;考虑到滑模变结构控制中出现的抖振问题,引入分数阶指数趋近律来减弱抖振现象;结合非线性船舶运动数学模型,设计出具有较强鲁棒性和抗干扰性的分数阶滑模航向保持控制律;针对系统内部不稳定性和外界干扰,采用自抗扰控制算法中的线性扩张状态观测器对总扰动进行实时估计和补偿,并通过设计线性自抗扰控制算法中的误差反馈控制律,实现自抗扰控制算法与滑模变结构控制算法的结合,得出基于分数阶滑模自抗扰的船舶航向保持控制器,提高了航向保持控制器的控制精度和抗干扰性。2.船舶航迹跟踪控制器的设计:利用双曲正切函数,建立期望船艏向角方程,通过跟踪期望船艏向角,来实现船舶的航迹跟踪控制。在分数阶滑模自抗扰航向控制器的基础上,根据偏差原理对传统线性扩张状态观测器进行改进,提高观测器对内外界总扰动的观测精度,通过构建的期望船艏向方程,设计出改进型自抗扰的分数阶滑模航迹跟踪控制器,并通过现代控制理论中的Lyapunov稳定性原理验证所设计航迹跟踪控制器的稳定性。3.仿真验证:本文以中远集团5446TEU集装箱船为仿真对象。利用simulink工具箱搭建航向保持控制器和航迹跟踪控制器的仿真模块,在无干扰、常值干扰和海浪干扰情况下进行计算机仿真实验,仿真实验验证了本文设计控制器的有效性和先进性。
韩周周[6]（2020）在《基于自抗扰-神经网络控制的船舶自动靠泊仿真研究》文中提出船舶靠泊作为船舶航行中最重要的一环,船长须具有丰富的经验才可以驾驶船舶完成船舶的靠泊任务,由于智能船舶的提出与发展,船舶的自动靠泊也成为船舶航行领域亟待解决的问题。本文提出一种自抗扰控制与神经网络相结合的方法,完成船舶的靠泊任务。由于船舶在港口航行处于低速、浅水状态,由于船舶受力相较于常速、深水状态发生较大改变,导致船舶控制器无法准确地完成船舶港口内的航行控制任务。本文在船舶在港口航行所处的低速、浅水状态特点的基础上完成了如下任务:（1）通过查询资料建立船舶的MMG运动模型,并分别对船舶模型进行低速域和浅水域进行修正。综合考虑船舶港内航行所受到的外界干扰,查询风力、浪力、流对船舶航行的影响,分别建立风、浪、流的模型。（2）船舶港内航行具有模型不精确导致无法设计精确的控制算法、且船舶在低速浅水情况下受到环境干扰影响相对较大的特点。而自抗扰控制算法具有对控制对象模型精确度要求不高、具有优良的抗扰性能、设计简单等特点。本文将船舶模型简化为三阶Nomoto模型,并将船舶的吃水比与航速的变化与船舶的操纵指数相联系,通过设计自抗扰控制算法完成船舶港内航行的航向保持控制。（3）.分析欠驱动船舶的控制特性,将船舶的航迹控制分为船舶的航向控制和船位控制两个部分,通过分别设计自抗扰控制器,完成船舶的直线航迹控制。（4）采用自抗扰控制完成船舶在靠泊过程中的航迹控制,通过采集不同初始状态下船舶的靠泊信息,训练神经网络完成对船舶靠泊过程中对螺旋桨转速的控制,以控制船舶的速度,并通过仿真验证控制的有效性。本文通过仿真,验证了自抗扰控制算法对船舶港内航行控制的有效性,并采用自抗扰控制与神经网络控制相结合的方法,完成了船舶的靠泊控制任务。
赵顺利[7]（2020）在《RBF神经网络优化自抗扰在船舶航迹控制中的应用》文中研究表明为了解决非线性自抗扰控制器（NLADRC）参数在线整定问题,提高船舶在海上航行的安全性和经济性,针对船舶的航迹控制,本文采用径向基函数（RBF）神经网络优化的自抗扰控制方法。自抗扰控制技术是对PID控制技术进行改进后发展起来的现代控制技术,人工智能算法的发展为自抗扰控制算法提供了新的思路。通过仿真验证,本文设计的控制器提高了船舶航迹控制效果。本文采用了船舶运动分离型模型-MMG模型,对模型中的各种流体动力和干扰力进行了逐个详细分析,通过仿真试验验证了模型的误差在允许的范围之内。对没有横向动力装置的欠驱动船舶航迹控制问题,利用双曲正切函数构造期望船首向角方程,将航迹控制问题转化为航向的保持控制问题。常规的非线性自抗扰控制器参数众多整定困难,抗干扰能力差,本文受神经网络整定PID控制器参数的启发,将RBF神经网络与自抗扰控制器相结合,设计了 RBF神经网络优化的船舶航迹自抗扰控制器,将控制量和系统输出作为神经网络的输入,使网络输出逼近系统输出,对非线性自抗扰控制器中相当于PID控制算法中的比例增益和微分增益的两个参数进行在线整定。最后以SHANG HAI号集装箱船为仿真对象,利用Matlab在有风流干扰的海况下分别进行了直线和曲线航迹保持控制试验,仿真结果表明,控制器跟踪速度快且精度高,对外界干扰具有较强的鲁棒性。
胡芳芳[8]（2020）在《具有状态约束的欠驱动无人艇运动控制研究》文中研究指明系统控制输入向量空间的维数小于系统自由度个数的系统称为欠驱动系统,该系统的特点是用维数少的控制输入驱动较多自由度的运动。欠驱动系统不仅可以降低系统成本、重量和体积,还可以为全驱动系统执行机构出现故障时提供应急控制策略,因此欠驱动系统的控制问题得到了广泛关注。仅配备纵向推力装置和航向转向力矩装置的无人水面艇,横向状态受二阶非完整约束,是典型的欠驱动系统。无人艇运行中受到模型摄动（参数不确定性和未建模动态）和外界环境扰动（风、浪、流等引起）影响;各状态之间耦合严重,非线性特性强;另外在狭窄水道航行、编队航行、多智能体协作航行时,需要对状态或输出进行较为严格的约束,以避免无人艇偏离期望航线而发生碰撞或通讯丢失,以上特性和因素给其运动控制带来了巨大的挑战。本文以具有欠驱动特性、状态约束、不确定性和受外界扰动欠驱动无人艇的镇定控制和轨迹跟踪控制为研究重点,通过基于级联系统理论、滑模降维动力学运动学一体化控制策略、在运动学回路和动力学回路中引入附加控制器的控制策略,逐步开展了研究,旨在实现欠驱动无人艇在状态约束下的运动稳定性和轨迹可控性。针对非对角结构（即惯性矩阵和阻尼矩阵为非对角形式）的无人艇,首先基于牛顿欧拉法,建立了运动学和动力学数学模型,模型中包含了必要的模型摄动和外界扰动等因素。由于非对角惯性矩阵和阻尼矩阵使系统状态之间耦合严重,使得该欠驱动系统的非线性特性更加凸显。针对非线性系统难以用传统线性可控制性理论分析其可控性的难点,本课题采用了小时间局部可控、微分几何相关理论,证明了此类具备强非线性特征的欠驱动无人水面艇是小时间局部可控的,为后续开展具有状态约束的无人艇镇定控制和轨迹跟踪控制提供了理论基础。针对欠驱动无人艇镇定控制中存在的状态约束问题,分析了基于传统反步法和Lyapunov直接法的局限性,提出了基于反步法的鲁棒控制律,开展了受状态约束的欠驱动无人艇鲁棒镇定控制问题研究。通过全局微分同胚变换和输入变换,将复杂的非对角形式的模型变换为两个级联形式的子系统,并证明了该级联系统的稳定性等价于原系统的稳定性。该级联系统的稳定性等价于包含控制输入的子系统的稳定性,简化了控制器设计和稳定性分析。继而提出干扰观测器对未知扰动进行在线估计。基于扰动估计结果,采用了 Barrier-Lyapunov函数和反步法相结合的控制律,优化暂态响应性能。为了避免反步法理论对虚拟控制输入引起的维数和次数爆炸,通过动态面理论获得虚拟变量的一阶导数估计值。对比仿真试验证明了本课题所提的基于级联理论和反步法的镇定控制律的有效性,解决了欠驱动无人艇的鲁棒镇定控制问题。为实现无人艇在欠驱动状态下的轨迹跟踪控制,从系统欠驱动轴和驱动轴的解耦特性出发,提出了具有鲁棒性的广义动力学逆和滑模的控制方法,无需分析欠驱动系统中各个状态之间的耦合关系即可实现跟踪控制目的。通过引入滑模面,将系统动力学方程和运动学方程化为一个整体,降低了系统维数。通过广义逆理论,将控制器构造为特解和辅助解两部分,特解部分能够保证欠驱动轴的稳定性,辅助解不会影响欠驱动轴的稳定性。为确保闭环系统稳定性,通过引入具有非奇异特性的扰动零向量矩阵,构造出能使驱动轴稳定的辅助解部分。该方法不需要将模型预处理化为链式形式或适合用反步法的形式,也不需要详细分析各个状态之间的耦合关系,从而能够扩展到更多的非完整系统。为后续解决一类欠驱动系统控制问题提供了可行的方法。针对无人艇轨迹跟踪控制中的欠驱动特性和鲁棒性问题,提出了自适应神经网络观测器,同时实现了对不确定性和系统状态的准确估计,该观测器的设计与控制器是独立的,状态和不确定性的估计结果不依赖于系统跟踪误差;在上述观测器的基础上,将轨迹跟踪控制器分为运动学回路和动力学回路两部分,提出了两种控制策略。第一种控制策略,在运动学控制律中引入附加控制量,在运动学控制器设计阶段解决欠驱动问题,将滑模控制用于动力学回路控制器设计,实现了镇定误差的有限时间收敛。第二种控制策略,在运动学控制器设计阶段,引入Barrier-Lyapunov函数处理跟踪误差的约束问题,在动力学控制器设计阶段引入附加控制量,解决了欠驱动问题。这两种控制策略都能够实现欠驱动无人艇的轨迹跟踪控制,第一种控制策略在动力学回路中不包含欠驱动信息,可以通过现有全驱动控制方法进行控制。第二种控制策略保证了运动学回路的完备信息,便于处理状态约束问题。
蒋帆[9]（2020）在《时变环境下动力定位船舶状态估计与模型辨识方法研究》文中指出在现代海洋资源开发和特种作业中,动力定位系统占据着举足轻重的作用。状态估计和模型辨识是动力定位系统的重要组成部分。状态估计的精度和模型辨识的准确性直接影响到动力定位系统的整体性能。本文面向复杂时变的海洋环境,提出相对应的状态估计方法和模型辨识方法,进而提高动力定位船舶状态估计精度和动力定位系统整体稳定性。本文的主要工作有:（1）针对时变环境下动力定位船舶系统过程噪声统计特性未知而导致基于扩展卡尔曼滤波的状态估计方法估计精度下降的问题,提出了一种模型预测扩展卡尔曼滤波算法,该算法通过比较一段时间内传感器观测值和预测值,估计系统过程噪声参数,从而实时修正系统过程噪声方差,提高了状态估计精度。此外,还研究了一种基于遗忘因子递推最小二乘的参数估计方法用以实时估计动力定位船舶高频运动数学模型中的波浪谱峰值频率。仿真结果表明,当系统过程噪声未知时,模型预测扩展卡尔曼滤波可以较为准确地估计出噪声参数,滤波结果也更为准确。（2）针对时变环境下动力定位船舶传感器数据发生异常以及未知环境干扰等情况而导致基于无迹卡尔曼滤波的状态估计算法估计发生偏差的问题,提出了一种鲁棒无迹卡尔曼滤波算法,该算法通过对观测噪声协方差矩阵的自适应更新以及对过程不确定性的识别,处理传感器数据异常问题并估计未知环境力。仿真结果表明,当传感器数据发生异常时,鲁棒无迹卡尔曼滤波可以准确识别异常发生的时间,其估计精度和鲁棒性也较常规无迹卡尔曼滤波更高。（3）针对动力定位船舶数学模型非线性、多变量、强耦合等特点以及常规遗传算法在辨识动力定位船舶模型时难以把控收敛速度与辨识精度的平衡点的问题,提出了一种自适应重组遗传算法,该算法通过引入多阶段的正弦自适应遗传算子计算方法及自适应重组替代策略,在保证辨识收敛速度的前提下,可以有效地提高辨识的质量。辨识仿真对比实验验证了算法的有效性和优越性。
初磊杰[10]（2020）在《动力定位船海洋环境干扰力估计方法研究》文中研究说明在海上作业的船舶,会受到来自于海流、海浪以及海风等海洋环境干扰力的作用,表现形式为低频干扰和高频干扰的叠加。船舶动力定位是依靠船舶推进器产生的动力抵抗海流、海浪以及海风等海洋环境干扰力的作用,然后沿着设定的轨迹前进或者以一定姿态位于某设定点。动力定位系统具有定位精度高、海上机动性强、不受所处海域深度影响等一系列特点,被广泛应用于海上工作平台、补给船、铺管船等。由于作业中的船舶所处海洋环境是经常变化的,船舶会受到明显不确定的环境扰动。此外,船舶速度通常不能直接获得。因此,开展动力定位船舶环境干扰估计的研究,对海上作业的船舶有重要实际应用价值。在此,本文开展了以下研究工作:首先,建立了适用于动力定位船舶的运动模型。为了尽可能接近海上作业船舶所处的真实海洋环境,本文采用广泛应用在船模仿真实验中的相对较为简单,编程容易实现的海流、海浪以及海风模型。其次,设计了常见应用于动力定位系统的离散扩展卡尔曼估计器和无源非线性估计器。为了提高估计器的估计精度,在扩展卡尔曼估计器和无源非线性估计器基础上,设计了级联无源非线性估计器和卡尔曼算法的估计器。在保证系统全局稳定性的基础上,实现类似于完全线性化卡尔曼估计器的局部最优性。之后,先对比所设计的扩展卡尔曼估计器、无源非线性估计器、级联估计器在低频干扰和高频、低频干扰同时存在的海洋环境中对船舶运动状态（位姿和速度）以及对慢变环境干扰力的估计效果。最后,在容积卡尔曼估计器的基础上结合Huber估计和自适应估计器,在保证系统估计效果和实时性的前提下,设计了可以应对船舶模型参数不确定的情况、传感器测量噪声非高斯的情况以及参数时变的海浪高频噪声情况的鲁棒自适应容积卡尔曼估计器。之后,验证在船舶模型及参数确定的情况下、船舶模型参数不确定情况、传感器测量噪声非高斯的情况下、参数时变的海浪高频噪声情况下以及三种都存在的情况下,所设计的基于Huber估计的鲁棒自适应估计器在高频干扰和低频干扰同时存在的海洋环境中对船舶的运动状态（位姿和速度）等状态信息的估计效果。
二、船舶横向运动状态估计及控制研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、船舶横向运动状态估计及控制研究（论文提纲范文）
（2）风帆推进船舶路径跟踪制导与控制（论文提纲范文）
| 创新点摘要 |
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第1章 绪论 |
| 1.1 研究背景及其意义 |
| 1.2 研究现状 |
| 1.2.1 风帆助航船舶发展概述 |
| 1.2.2 无人帆船发展概述 |
| 1.2.3 常规动力船舶路径跟踪制导与控制 |
| 1.2.4 无人帆船的导航及制导 |
| 1.2.5 无人帆船控制 |
| 1.2.6 本领域待研究的问题 |
| 1.3 主要工作和内容安排 |
| 第2章 风帆推进船舶运动数学模型及分析工具 |
| 2.1 引言 |
| 2.2 稳定性理论及相关算法 |
| 2.2.1 Lyapunov稳定性理论 |
| 2.2.2 事件触发控制 |
| 2.2.3 极值搜索算法 |
| 2.3 模糊逻辑系统 |
| 2.4 风帆推进船舶运动数学模型 |
| 2.5 海洋环境干扰及风帆受力建模 |
| 2.5.1 风干扰力及风帆受力建模 |
| 2.5.2 波浪干扰力建模 |
| 2.5.3 无人帆船的操纵仿真实验 |
| 2.6 本章小结 |
| 第3章 风帆助航船舶推力优化与路径跟踪控制 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 并列式ES-FLS推力优化 |
| 3.4 MLP自适应模糊路径跟踪控制 |
| 3.4.1 LOS制导及控制器设计 |
| 3.4.2 稳定性分析 |
| 3.5 仿真验证 |
| 3.6 本章小结 |
| 第4章 基于航路点的无人帆船直线路径跟踪制导与控制 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 无人帆船LOS路径跟踪制导 |
| 4.3.1 制导算法设计 |
| 4.3.2 基于双RESO的漂角估计 |
| 4.4 MLP自适应模糊控制和双时变系统分析 |
| 4.4.1 控制器设计 |
| 4.4.2 稳定性分析 |
| 4.5 仿真验证 |
| 4.6 本章小结 |
| 第5章 无人帆船的参数化曲线路径跟踪制导与控制 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 无人帆船的平行路径跟踪制导 |
| 5.4 事件触发鲁棒模糊控制 |
| 5.4.1 控制器设计 |
| 5.4.2 稳定性分析 |
| 5.5 仿真验证 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
（3）无人水面船舶自动靠泊控制研究（论文提纲范文）
| 创新点摘要 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 无人水面船舶 |
| 1.1.2 自动靠泊问题 |
| 1.2 国内外相关研究现状及进展 |
| 1.2.1 无人水面船舶运动控制理论研究 |
| 1.2.2 船舶自动靠泊研究 |
| 1.3 本文的主要研究工作 |
| 2 船舶自动靠泊原理与两型无人船操纵运动数学模型 |
| 2.1 引言 |
| 2.2 无人船自动靠泊原理 |
| 2.2.1 自动靠泊控制目标 |
| 2.2.2 自动靠泊控制方法 |
| 2.3 无人船运动数学模型 |
| 2.3.1 吊舱推进无人船运动数学模型 |
| 2.3.2 带襟翼舵无人船运动数学模型 |
| 2.4 海洋环境建模 |
| 2.5 船舶操纵性分析 |
| 2.6 本章小结 |
| 3 具有动态不确定性的吊舱推进无人船自动靠泊滑模控制 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.2.1 问题描述 |
| 3.2.2 相关理论方法 |
| 3.3 基于趋近律的无人船自动靠泊滑模控制方法设计 |
| 3.4 无人船GAN-Backstepping-SMC自动靠泊控制方法设计 |
| 3.4.1 控制器设计 |
| 3.4.2 加入跟踪微分器的控制器设计 |
| 3.5 基于序列二次规划的吊舱推进无人船自动靠泊推力分配 |
| 3.6 仿真分析 |
| 3.6.1 船舶参数 |
| 3.6.2 仿真结果分析 |
| 3.6.3 推力分配结果 |
| 3.7 本章小结 |
| 4 基于有限时间控制的吊舱推进无人水面船舶自动靠泊控制 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.3 有限时间观测器设计 |
| 4.4 基于全局快速非奇异终端滑模的有限时间控制方法设计 |
| 4.5 仿真分析 |
| 4.5.1 结果分析 |
| 4.5.2 推力分配结果 |
| 4.6 本章小结 |
| 5 基于实验和数值分析的带襟翼舵无人水面船舶自动靠泊研究 |
| 5.1 引言 |
| 5.2 基于非线性自抗扰控制的无人船自动靠泊控制方法设计 |
| 5.2.1 控制器设计 |
| 5.2.2 基于船舶尺度的控制器参数整定方法 |
| 5.3 水池实验系统配置 |
| 5.3.1 水池实验设施 |
| 5.3.2 水池实验通信模式 |
| 5.4 自动靠泊实验的数字仿真验证 |
| 5.4.1 基于视线法的自动靠泊航线的确定 |
| 5.4.2 仿真结果 |
| 5.5 自动靠泊水池实验 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
（4）基于自航试验的船舶操纵运动灰箱辨识建模（论文提纲范文）
| 创新点摘要 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 工程意义 |
| 1.3 船舶操纵运动建模的进展 |
| 1.3.1 船舶操纵性标准与规则的进展 |
| 1.3.2 船舶操纵运动建模方法的进展 |
| 1.3.3 船舶操纵运动EFD建模方法的进展 |
| 1.3.4 船舶操纵运动CFD建模方法的进展 |
| 1.4 船舶操纵运动辨识建模算法的进展 |
| 1.4.1 白箱辨识建模 |
| 1.4.2 黑箱辨识建模 |
| 1.4.3 灰箱辨识建模 |
| 1.5 船舶操纵运动模型结构与参数的进展 |
| 1.6 船舶自航试验及其标准的进展 |
| 1.7 本研究领域存在的问题 |
| 1.7.1 模型方面的问题 |
| 1.7.2 数据方面的问题 |
| 1.7.3 算法方面的问题 |
| 1.8 本文的主要工作安排 |
| 1.8.1 拟解决问题与分析 |
| 1.8.2 研究对象 |
| 1.8.3 研究思路 |
| 1.8.4 论文结构 |
| 2 船舶操纵运动辨识建模的模型、算法和试验方案 |
| 2.1 辨识建模的模型 |
| 2.1.1 船舶操纵的运动学 |
| 2.1.2 船舶操纵的动力学 |
| 2.2 辨识建模的算法 |
| 2.2.1 约束模试验的辨识 |
| 2.2.2 自航模试验的辨识 |
| 2.3 试验方案及其动力学约束 |
| 2.3.1 试验方案 |
| 2.3.2 理论计算舵力和横倾的方法 |
| 2.3.3 理论计算舵力与横倾的结果与分析 |
| 2.3.4 仿真计算舵力与横倾的方法 |
| 2.3.5 仿真计算舵力与横倾的结果与分析 |
| 2.3.6 理论计算与仿真计算的结果小结 |
| 2.4 试验方案的数据空间分布 |
| 2.4.1 试验数据分布的求解算法 |
| 2.4.2 试验数据分布的结果及分析 |
| 2.5 研究对象 |
| 2.5.1 自航模-KVLCC2 |
| 2.5.2 实船-YUKUN |
| 2.6 本章小结 |
| 3 自航模试验的灰箱辨识建模 |
| 3.1 引言 |
| 3.2 参考模型及其筛选 |
| 3.2.1 参考模型 |
| 3.2.2 主尺度向量优化 |
| 3.2.3 主尺度向量筛选 |
| 3.3 基于参考模型的非辨识建模(RM) |
| 3.3.1 问题描述 |
| 3.3.2 KVLCC2的参考模型筛选 |
| 3.3.3 非数据驱动的RM建模实例 |
| 3.4 基于参考模型的灰箱辨识建模 |
| 3.4.1 灰箱模型 |
| 3.4.2 基于参考模型-随机森林的辨识建模(RM-RF) |
| 3.4.3 基于参考模型-贝叶斯神经网络的辨识建模(RM-BRN) |
| 3.4.4 改进的基于参考模型-随机森林的辨识建模(RM-IRF) |
| 3.5 本章小结 |
| 4 灰箱辨识建模的超参优化 |
| 4.1 引言 |
| 4.2 基于RM-SVM的灰箱辨识建模 |
| 4.2.1 纵向加速度LSVM的求解 |
| 4.2.2 横向加速度和转向加速度LSVM的求解 |
| 4.2.3 纵向、横向和转向加速度的预报 |
| 4.2.4 RM-SVM与SVM的建模区别 |
| 4.3 RM-SVM超参对建模精度的影响分析 |
| 4.3.1 软间隔 |
| 4.3.2 核函数比例 |
| 4.3.3 不敏感边界 |
| 4.4 RM-SVM的超参优化方法 |
| 4.4.1 PS超参优化算法 |
| 4.4.2 PS优化RM-SVM超参 |
| 4.5 超参优化与辨识建模的结果与分析 |
| 4.5.1 超参优化的结果与讨论 |
| 4.5.2 辨识模型的有效性验证 |
| 4.5.3 辨识模型的泛化能力与预报精度评价 |
| 4.6 灰箱辨识建模的算法对比 |
| 4.7 自航模整体型操纵运动模型辨识 |
| 4.8 本章小结 |
| 5 灰箱辨识建模的实船验证 |
| 5.1 引言 |
| 5.2 实船试验数据处理 |
| 5.2.0 实船试验概况 |
| 5.2.1 测量设备及数据 |
| 5.2.2 定位测速测量数据的校核与分析 |
| 5.2.3 风速风向测量数据的校核与分析 |
| 5.3 干扰求解与试验修正的方法 |
| 5.3.1 干扰求解与试验修正的问题描述 |
| 5.3.2 干扰求解与试验修正的假设条件 |
| 5.3.3 干扰求解与试验修正的方法设计 |
| 5.4 干扰求解与试验修正的结果与分析 |
| 5.4.1 风浪漂移力的计算结果 |
| 5.4.2 风浪漂移距离的计算结果 |
| 5.4.3 轨迹的漂移距离的修正结果 |
| 5.4.4 附体坐标系速度的修正结果 |
| 5.4.5 求解与修正的结果分析 |
| 5.5 实船操纵灰箱模型验证算例 |
| 5.5.1 实船灰箱模型训练 |
| 5.5.2 实船灰箱模型泛化能力与预报精度评价 |
| 5.6 实船整体型操纵运动模型辨识 |
| 5.7 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录A 关于Z形试验中突然反压舵角时舵的法向力相关因素 |
| 附录B 船型及主尺度数据 |
| 附录C 参考模型的船舶尺度 |
| 附录D 船舶海试数据 |
| 附录E RM-RF算法随机森林的训练结果 |
| 附录F 育鲲轮试验的场地与天气概况 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
（5）基于滑模自抗扰的船舶航向航迹跟踪控制（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景 |
| 1.2 国内外研究现状 |
| 1.2.1 船舶航向控制研究现状 |
| 1.2.2 船舶航迹跟踪控制研究现状 |
| 1.2.3 分数阶滑模研究现状 |
| 1.3 课题研究意义 |
| 1.4 本文创新点与组织结构 |
| 2 基础知识 |
| 2.1 船舶运动数学模型 |
| 2.1.1 船舶运动坐标系 |
| 2.1.2 船舶运动数学模型 |
| 2.2 分数阶微积分 |
| 2.2.1 分数阶微积分定义 |
| 2.2.2 分数阶微积分的性质 |
| 2.2.3 分数阶系统的求解 |
| 2.3 滑模变结构控制 |
| 2.3.1 基本原理 |
| 2.3.2 抖振问题 |
| 2.3.3 分数阶滑模控制器设计及稳定性分析 |
| 2.4 自抗扰控制 |
| 2.4.1 自抗扰控制概述 |
| 2.4.2 自抗扰控制系统结构 |
| 2.5 本章小结 |
| 3 分数阶滑模自抗扰航向保持控制器设计及仿真 |
| 3.1 问题描述 |
| 3.2 航向保持控制器设计 |
| 3.2.1 分数阶滑模航向保持控制器设计 |
| 3.2.2 分数阶滑模自抗扰航向保持控制器设计 |
| 3.3 仿真结果分析 |
| 3.4 对比验证分析 |
| 3.5 本章小节 |
| 4 基于改进型自抗扰分数阶滑模航迹跟踪控制器设计及仿真 |
| 4.1 问题描述 |
| 4.2 航迹跟踪控制器设计 |
| 4.2.1 跟踪微分器 |
| 4.2.2 改进型线性扩张状态观测器 |
| 4.2.3 非线性误差反馈控制律设计 |
| 4.3 仿真与结果分析 |
| 4.3.1 直线航迹仿真 |
| 4.3.2 曲线航迹仿真 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（6）基于自抗扰-神经网络控制的船舶自动靠泊仿真研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 船舶自动靠泊国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 自抗扰算法的发展及在航海领域的应用 |
| 1.3.1 自抗扰算法的发展 |
| 1.3.2 自抗扰算法在船舶控制领域的应用 |
| 1.4 本文工作与章节安排 |
| 2 欠驱动船舶港内运动数学模型 |
| 2.1 船舶运动坐标系与船舶运动数学模型 |
| 2.1.1 船舶运动坐标系统 |
| 2.1.2 船舶运动数学模型 |
| 2.2 船舶裸船体、螺旋桨及舵机数学模型 |
| 2.2.1 裸船体流体动力及力矩计算 |
| 2.2.2 螺旋桨流体动力及力矩计算 |
| 2.2.3 舵流体动力及力矩计算 |
| 2.2.4 舵机伺服系统模型 |
| 2.2.5 主机控制模型 |
| 2.3 船舶运动模型浅水域修正 |
| 2.4 船舶运动模型低速域修正 |
| 2.5 风、浪、流的干扰模型 |
| 2.5.1 风力干扰模型 |
| 2.5.2 浪力干扰模型 |
| 2.5.3 流干扰模型 |
| 2.6 本章小结 |
| 3 基于自抗扰算法的欠驱动船舶港内航向保持控制 |
| 3.1 航向自抗扰控制算法 |
| 3.1.1 跟踪微分器 |
| 3.1.2 扩张状态观测器 |
| 3.1.3 误差反馈补偿 |
| 3.2 船舶航向响应数学模型 |
| 3.3 港内航向保持系统稳定性分析与仿真验证 |
| 3.3.1 船舶控制器设计及参数配置 |
| 3.3.2 船舶港内航向保持器仿真分析 |
| 3.4 本章小结 |
| 4 基于自抗扰算法的欠驱动船舶港内航迹保持控制 |
| 4.1 欠驱动船舶航行特性分析 |
| 4.2 船舶航迹自抗扰控制器设计 |
| 4.3 仿真验证 |
| 4.4 本章小结 |
| 5 自抗扰-神经网络船舶自动靠泊控制 |
| 5.1 靠泊方式介绍 |
| 5.2 神经网络控制器设计 |
| 5.3 仿真研究 |
| 5.3.1 获取训练样本数据 |
| 5.3.2 神经网络控制器训练 |
| 5.3.3 控制器验证 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（7）RBF神经网络优化自抗扰在船舶航迹控制中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 船舶航迹控制研究现状 |
| 1.2.2 自抗扰及神经网络研究现状 |
| 1.3 本文的主要工作 |
| 2 船舶运动数学模型 |
| 2.1 坐标系 |
| 2.2 船舶运动方程 |
| 2.2.1 船舶运动模型的建立 |
| 2.2.2 附加质量及附加惯性矩的计算 |
| 2.2.3 流体黏性力及力矩的计算 |
| 2.2.4 螺旋桨动力的计算 |
| 2.2.5 舵力的计算 |
| 2.2.6 外界干扰计算 |
| 2.3 船舶运动数学模型可靠性验证 |
| 2.3.1 旋回试验 |
| 2.3.2 10°/10°Z形操纵试验 |
| 2.4 本章小结 |
| 3 自抗扰和RBF神经网络算法研究 |
| 3.1 自抗扰控制算法研究 |
| 3.2 自抗扰控制器参数整定 |
| 3.2.1 跟踪微分器的参数整定 |
| 3.2.2 扩张状态观测器的参数整定 |
| 3.2.3 误差反馈非线性组合的参数整定 |
| 3.3 RBF神经网络算法研究 |
| 3.3.1 RBF神经网络的基本原理 |
| 3.3.2 RBF神经网络的学习方法 |
| 3.4 本章小结 |
| 4 RBF神经网络优化的船舶航迹自抗扰控制器设计 |
| 4.1 船舶航迹控制方法 |
| 4.2 基于RBF神经网络的自抗扰控制器设计 |
| 4.3 RBF神经网络优化的船舶航迹自抗扰控制器的仿真研究 |
| 4.3.1 直线航迹控制仿真 |
| 4.3.2 曲线航迹控制仿真 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（8）具有状态约束的欠驱动无人艇运动控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 非完整系统研究现状 |
| 1.2.1 非连续时不变反馈控制律 |
| 1.2.2 连续时变反馈控制律 |
| 1.2.3 混合控制律 |
| 1.3 欠驱动无人艇控制系统研究现状 |
| 1.3.1 欠驱动USV运动控制概述 |
| 1.3.2 欠驱动USV运动控制国内外研究现状 |
| 1.3.3 具有状态约束的USV运动控制研究现状 |
| 1.4 存在的问题 |
| 1.5 论文的主要内容 |
| 第二章 欠驱动无人艇模型建立及欠驱动特性分析 |
| 2.1 引言 |
| 2.2 欠驱动无人艇数学模型 |
| 2.2.1 几个基本假设 |
| 2.2.2 坐标系定义 |
| 2.2.3 欠驱动无人艇运动学特性 |
| 2.2.4 欠驱动无人艇动力学特性 |
| 2.3 欠驱动无人艇的能控性分析 |
| 2.3.1 非对角欠驱动无人艇模型坐标变换 |
| 2.3.2 非完整系统能控性分析理论基础 |
| 2.3.3 欠驱动USV能控性分析 |
| 2.4 预备知识 |
| 2.4.1 RBFNN逼近 |
| 2.4.2 Barrier-Lyapunov函数 |
| 2.4.3 常用引理和不等式 |
| 2.5 本章小结 |
| 第三章 基于反步法的欠驱动无人艇的镇定控制 |
| 3.1 引言 |
| 3.2 系统模型和问题描述 |
| 3.2.1 状态和输入变换 |
| 3.2.2 级联系统稳定性 |
| 3.3 基于反步法和Lyapunov直接法的镇定控制器设计 |
| 3.4 具有暂态性能约束的控制器设计 |
| 3.4.1 无扰动时镇定控制律设计 |
| 3.4.2 有扰动时的鲁棒自适应镇定控制 |
| 3.5 仿真验证 |
| 3.5.1 常规反步法控制器 |
| 3.5.2 Barrier-Lyapunov函数控制器 |
| 3.5.3 鲁棒自适应控制器 |
| 3.6 本章小结 |
| 第四章 基于广义动力学逆和滑模的欠驱动无人艇轨迹跟踪控制 |
| 4.1 引言 |
| 4.2 广义动力学逆和问题描述 |
| 4.2.1 广义动力学逆基础 |
| 4.2.2 动态尺度逆 |
| 4.2.3 扰动零投影矩阵 |
| 4.2.4 问题描述 |
| 4.3 基于广义逆和滑模的轨迹跟踪控制器设计 |
| 4.3.1 控制器设计 |
| 4.3.2 稳定性分析 |
| 4.4 具有状态约束的广义逆和滑模控制器设计 |
| 4.4.1 控制器设计 |
| 4.4.2 稳定性分析 |
| 4.5 仿真验证 |
| 4.5.1 广义逆和滑模控制律仿真结果 |
| 4.5.2 具有约束约束的广义逆和滑模控制律仿真结果 |
| 4.6 本章小结 |
| 第五章 基于自适应神经网络观测器的欠驱动无人艇跟踪控制 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 自适应神经网络观测器设计 |
| 5.3.1 观测器设计 |
| 5.3.2 稳定性分析 |
| 5.4 基于附加控制器的输出反馈控制器设计 |
| 5.4.1 问题描述 |
| 5.4.2 控制器设计 |
| 5.4.3 稳定性分析 |
| 5.5 具有状态约束的输出反馈控制器设计 |
| 5.5.1 问题描述 |
| 5.5.2 控制器设计 |
| 5.5.3 稳定性分析 |
| 5.6 仿真验证 |
| 5.6.1 基于附加控制器的输出反馈仿真结果 |
| 5.6.2 具有约束的输出反馈控制器设计 |
| 5.7 本章小结 |
| 第六章 全文工作总结与展望 |
| 6.1 全文工作总结 |
| 6.1.1 总结 |
| 6.1.2 本文创新点 |
| 6.2 全文工作展望 |
| 致谢 |
| 参考文献 |
| 附录A 博士研究生期间发表论文情况 |
（9）时变环境下动力定位船舶状态估计与模型辨识方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 状态估计方法研究现状 |
| 1.2.2 模型辨识方法研究现状 |
| 1.3 论文研究内容及章节 |
| 第2章 动力定位船舶数学模型 |
| 2.1 引言 |
| 2.2 坐标系及运动参数定义 |
| 2.3 船舶运动数学模型 |
| 2.3.1 六自由度运动学模型 |
| 2.3.2 六自由度动力学模型 |
| 2.4 动力定位中的数学模型 |
| 2.4.1 相关假设 |
| 2.4.2 三自由度数学模型 |
| 2.4.3 低频运动数学模型 |
| 2.4.4 高频运动数学模型 |
| 2.4.5 环境力数学模型 |
| 2.4.6 传感器测量数学模型 |
| 2.4.7 非线性运动数学模型及状态空间形式 |
| 2.5 本章小结 |
| 第3章 过程噪声参数未知下的状态估计方法 |
| 3.1 引言 |
| 3.2 卡尔曼滤波原理 |
| 3.2.1 贝叶斯滤波 |
| 3.2.2 卡尔曼滤波 |
| 3.2.3 扩展卡尔曼滤波 |
| 3.3 模型预测扩展卡尔曼滤波 |
| 3.3.1 预测模型 |
| 3.3.2 在线优化 |
| 3.4 波浪谱峰值频率估计 |
| 3.5 仿真实验 |
| 3.5.1 仿真条件设定 |
| 3.5.2 仿真结果与分析 |
| 3.6 本章小结 |
| 第4章 传感器数据异常下的鲁棒状态估计方法 |
| 4.1 引言 |
| 4.2 鲁棒状态估计方法 |
| 4.2.1 无迹卡尔曼滤波 |
| 4.2.2 观测噪声协方差矩阵R自适应更新 |
| 4.2.3 过程不确定性识别 |
| 4.2.4 基于鲁棒无迹卡尔曼滤波的动力定位船舶状态估计 |
| 4.3 仿真实验 |
| 4.3.1 仿真条件设定 |
| 4.3.2 仿真结果与分析 |
| 4.4 本章小结 |
| 第5章 动力定位船舶模型辨识方法研究 |
| 5.1 引言 |
| 5.2 辨识模型建立 |
| 5.3 基于遗传算法的模型辨识 |
| 5.3.1 系统辨识基本概念 |
| 5.3.2 遗传算法基本原理 |
| 5.3.3 自适应遗传算子 |
| 5.3.4 自适应重组替代策略 |
| 5.3.5 基于自适应重组遗传算法的动力定位船舶水动力导数辨识 |
| 5.4 仿真实验 |
| 5.4.1 仿真条件设定 |
| 5.4.2 仿真结果与分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及参与的科研项目 |
（10）动力定位船海洋环境干扰力估计方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究目的和意义 |
| 1.2 动力定位系统研究现状 |
| 1.2.1 动力定位系统介绍 |
| 1.2.2 动力定位系统的发展 |
| 1.3 非线性状态估计研究现状 |
| 1.4 非理想条件下状态估计研究 |
| 1.4.1 鲁棒状态估计算法的研究 |
| 1.4.2 模型参数不确定情况下的状态估计算法 |
| 1.5 论文研究内容及方法 |
| 1.6 论文结构安排 |
| 第2章 建立船舶模型及海洋环境模型 |
| 2.1 引言 |
| 2.2 建立船舶数学模型 |
| 2.2.1 船舶的运动学模型 |
| 2.2.2 船舶的动力学模型 |
| 2.2.3 三自由度船舶模型 |
| 2.2.4 离散化数学模型 |
| 2.3 海洋环境干扰力模型 |
| 2.3.1 海风干扰力模型 |
| 2.3.2 海浪干扰力模型 |
| 2.3.3 海流数学模型 |
| 2.4 仿真验证 |
| 2.4.1 静水中船舶仿真验证 |
| 2.4.2 环境干扰下船舶仿真验证 |
| 2.5 本章小结 |
| 第3章 动力定位系统非线性估计方法研究 |
| 3.1 引言 |
| 3.2 基于船舶DP系统的级联状态估计器设计 |
| 3.2.1 用于级联估计器的环境模型 |
| 3.2.2 级联状态估计器第一阶段设计 |
| 3.2.3 级联状态估计器第二阶段设计 |
| 3.2.4 级联估计器稳定性分析 |
| 3.3 状态估计器仿真验证 |
| 3.3.1 静水中动力定位船舶级联估计器仿真验证 |
| 3.3.2 存在低频干扰情况下动力定位船舶级联估计器仿真验证 |
| 3.3.3 低频、高频干扰同时存在情况下动力定位船舶级联估计器仿真验证 |
| 3.4 本章小结 |
| 第4章 动力定位系统鲁棒自适应估计方法研究 |
| 4.1 引言 |
| 4.2 标准CKF估计算法 |
| 4.2.1 CKF算法 |
| 4.2.2 仿真验证 |
| 4.3 对测量噪声具有鲁棒性的CKF估计算法 |
| 4.3.1 Huber估计 |
| 4.3.2 对测量噪声具有鲁棒性的CKF估计方法 |
| 4.3.3 仿真验证 |
| 4.4 对系统模型参数具有自适应效果的CKF估计算法 |
| 4.4.1 基于误差协方差预测矩阵上界的自适应算法 |
| 4.4.2 仿真验证 |
| 4.5 对测量噪声和模型参数的鲁棒自适应估计器设计 |
| 4.5.1 鲁棒自适应CKF估计算法 |
| 4.5.2 仿真验证 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的研究成果 |
| 致谢 |
| 附录 |
四、船舶横向运动状态估计及控制研究（论文参考文献）
- [1]试验船动力定位系统智能控制算法研究[D]. 李长浩. 哈尔滨工程大学, 2021
- [2]风帆推进船舶路径跟踪制导与控制[D]. 邓英杰. 大连海事大学, 2020(04)
- [3]无人水面船舶自动靠泊控制研究[D]. 朴在吉. 大连海事大学, 2020(04)
- [4]基于自航试验的船舶操纵运动灰箱辨识建模[D]. 梅斌. 大连海事大学, 2020(01)
- [5]基于滑模自抗扰的船舶航向航迹跟踪控制[D]. 赵国栋. 大连海事大学, 2020(01)
- [6]基于自抗扰-神经网络控制的船舶自动靠泊仿真研究[D]. 韩周周. 大连海事大学, 2020(01)
- [7]RBF神经网络优化自抗扰在船舶航迹控制中的应用[D]. 赵顺利. 大连海事大学, 2020(01)
- [8]具有状态约束的欠驱动无人艇运动控制研究[D]. 胡芳芳. 中国工程物理研究院, 2020(01)
- [9]时变环境下动力定位船舶状态估计与模型辨识方法研究[D]. 蒋帆. 武汉理工大学, 2020(08)
- [10]动力定位船海洋环境干扰力估计方法研究[D]. 初磊杰. 哈尔滨工程大学, 2020(05)