船舶横向运动受扰估计、建模及LQG控制研究

摘要

船舶横向运动姿态极短期预报及控制对提高船舶武器装备系统精度以及对舰船有效的航行与控制是十分重要的。由于受到海浪、海风及其他干扰的影响，船舶产生了六自由度的复杂运动，具有很强的随机性和非线性。这就导致船舶运动姿态进行预报及控制具有一定难度，无论在理论上还是实际工程应用上都还需要进一步的探讨。本论文的内容是“十五”期间国防科研基金资助课题的一部分，具有实际意义。 本文对船舶运动姿态极短期预报及控制的历史背景和国内外研究的现状进行分析比较的前提下，采用航向舵作为减横摇装置进行多变量控制研究。首先基于切片理论建立了横荡、横摇与艏摇相互耦合的船舶横向运动方程，详细讨论了船舶在波浪中横向受力情况，给出了海浪扰动力与扰动力矩的公式。由于实际系统中海浪扰动力及力矩无法测量，但我们比较容易测得船舶运动姿态，所以我们可以利用各状态量之间的相关性和已知的易测量的状态变量，通过中心差分、卡尔曼滤波和增广状态的卡尔曼滤波等方法对横向受海浪扰动力与力矩进行估计，以便于我们了解掌握船舶受力状况及可能产生的运动姿态。采用中心差分法对船舶受扰力和力矩进行估计时，由于忽略了系统观测噪声的影响，因此估计精度较低，但由于估计方法简单，计算过程容易，不需要其他条件，而且能够满足工程使用的精度要求，因此这种方法在对控制要求不高的场合有一定使用价值。采用有色卡尔曼滤波时，使用条件比中心差分法多，计算过程相对复杂，但是这里通过卡尔曼滤波，把系统观测噪声滤除，提高了估计的精度，所以在实用过程中有较高的应用价值。采用增广状态的卡尔曼滤波时，使用条件和计算过程较为复杂，并且升高了系统阶次，但它的估计效果是三种方法中最好的。这种方法首先对船舶受扰力和力矩进行功率谱估计，进而求出成形滤波器，使用通过成形滤波器扩展的系统模型进行卡尔曼滤波估计。虽然这种方法升高了系统阶次，并且所需的条件也比较严格，但它的估计效果是三种方法中最好的。因为它充分满足卡尔曼滤波估计条件，使得估计精度大大提高。 之后，利用估计结果作为输入对横向受海浪扰动力与力矩采用两种方法进行预报。方法一，采用周期图建模预报的方法对船舶横向受海浪扰动力与力矩进行预报计算。由于海浪干扰是典型的平稳随机过程，因此可以用一系列的周期序列项来描述海浪扰动力和力矩，使用事先通过增广状态的卡尔曼滤波估计方法得到它较为准确的估计值，用这些估计值建模可以得到海浪干扰的周期序列项，对它作近似预报，得到预估的海浪扰动力和力矩。方法二，研究了采用遗传算法优化的小波神经网络建模预报海浪扰动力与扰动力矩的预报方法。单纯的小波神经网络建模预报海浪扰动力与扰动力矩可以实现较准确并且时间较长的预报，但网络收敛速度较慢，影响预报效率，采用遗传算法优化后可加快网络的收敛速度，可使该方法更具有实用性。 最后，采用LQG控制方法实现对船舶横向运动多变量控制。在经典LQG控制中，又根据扰动输入模型的不同而导致中间过程中被反馈的状态估计结果的不同，从而分成次优控制与最优控制，并进行了仿真比较，结果表明最优控制效果明显优于次优控制效果。这是因为，在系统扩展时，扩展状态中不仅包含有系统状态，还包含了随机海浪扰动的信息，此时的扩展随机最优控制量分两部分，前半部分是对系统状态的负反馈，后半部分则是对系统干扰(随机海浪扰动)的补偿，综合起来，也就是控制量不再是简单的状态反馈，而且也包含了系统扰动的统计特性。最优LQG控制是一种经典的控制方法，虽然它是在小范围线性化的基础得到结果，但仍然具有较大的实用价值，尤其为今后研究其他有效控制方法提供了有效的比较依据。

目录

文摘

英文文摘

哈尔滨工程大学学位论文原创性声明

第1章绪论

第2章船舶运动数学模型及横向智能化模型的建立

第3章船舶横向运动受扰建模与受扰估计

第4章基于周期图建模对海浪扰动力及力矩的预报

第5章基于遗传算法优化的小波网对船舶横向受扰力及力矩建模预报

第6章船舶横向运动LQG控制

结论

参考文献

攻读博士学位期间发表的论文和取得的科研成果

致谢

个人简历

附录A水动力参数计算结果

附录B水动力参数拟合过程曲线

附录C系统零极点分布图

附录D海浪真实功率谱和成形滤波器模拟的功率谱

附录E成形滤波器传递函数

附录F三种对海浪力和力矩的估计方法的比较

附录G周期图法建模预报海浪力和力矩

附录H遗传算法优化的小波网对海浪的预报曲线

附录Ⅰ LQG控制效果曲线及舵角曲线

附录J HD702船模海浪扰动力及力矩实测数据