基于辨識模型集的無人半潛水下機器人系統深度動態滑模控制切換策略研究

周煥銀, 劉亞平， 胡志強， 劉開周, 衣瑞文

(1.東華理工大學 機械與電子工程學院， 江西 南昌 330013；2.中國科學院 沈陽自動化研究所 機器人學國家重點實驗室， 遼寧 沈陽 110016)

基于辨識模型集的無人半潛水下機器人系統深度動態滑模控制切換策略研究

周煥銀1,2, 劉亞平1， 胡志強2， 劉開周2, 衣瑞文2

(1.東華理工大學 機械與電子工程學院， 江西 南昌 330013；2.中國科學院 沈陽自動化研究所 機器人學國家重點實驗室， 遼寧 沈陽 110016)

BQ-01無人半潛水下機器人深度運動模型參數未知，無法為基于模型的控制策略提供控制參數，導致該系統不易快速達到預期的性能指標要求，為此提出一種多辨識模型動態滑模控制方法。該控制方法采用平均擬合偏差方法，減少了系統辨識過程中出現過多冗余辨識模型參數組，以切換的方式為動態滑模控制方法選取最佳模型參數；同時采用狀態反饋方法實現滑模面抖動指數衰減，從而解決了系統深度運動調節問題。BQ-01系統湖泊試驗結果表明，所提辨識方法能夠為滑模控制策略提供最佳控制參數，且提高了系統運動控制品質。

控制科學與技術； 無人半潛水下機器人； 辨識模型； 動態滑模控制； 控制品質

0 引言

無人半潛水下機器人(USV)在海洋探測[1-3]或弱通信條件下與自治水下機器人通信等方面得到應用[4-5]。本文所研究的USV系統BQ-01是一種可運行于水下一定深度的近水面機器人，此系統下潛深度比較小，故所受外界環境干擾較大，且控制精度要求較高，這些都增加了系統控制算法設計的難度。針對USV系統所受外界干擾力問題，文獻[6]在滑模控制的基礎上引入模糊邏輯概念解決了高頻抖動對水下機器人系統近水面深度控制性能的影響，且仿真驗證了算法的有效性；文獻[7]設計了一種帶有海浪濾波器的水下機器人深度控制方法解決系統在近水面航行過程中海浪波動對系統深度控制效果的影響；文獻[8]提出增益降階輸出反饋法，并在自主水下機器人INFANTE AUV近水面深度控制中進行了驗證。滑模控制法對未知干擾項具有較強的魯棒性，在水下機器人系統中得到廣泛應用[9-10]。

系統辨識是研究與建立系統模型的理論與方法。由于控制算法依賴于系統模型，對于模型參數未知的系統，系統辨識為控制算法設計提供重要依據。許多專家[11-13]通過辨識實驗獲取USV系統模型進行控制算法的研究，文獻[14-15]采用聚類在線辨識以解決系統不確定性問題，并通過了仿真實驗驗證算法。文獻[16]設計了一種基于遺傳算法的自抗擾控制器，此算法借助遺傳算法進行控制。朱勝庭等[17]在最小二乘算法和遞推最小二乘算法基礎上提出了一種信息最小二乘算法用于對水下機器人Falcon動力學模型辨識。由于系統辨識過程可近似為控制算法不斷學習認識被控對象的過程，故消耗調節時間，影響系統動態性能。

本文所研究的BQ-01系統是新研制的一類水下機器人系統，其水動力參數未知，針對所研究系統的垂直面水動力參數未知的運動控制問題，提出基于辨識模型集的動態滑模控制法，通過辨識試驗過程中所獲取的數據研究系統模型參數辨識。為了避免由于主觀原因造成模型辨識誤差過大的問題，構建了BQ-01系統過渡辨識模型集與臨時辨識模型集，根據臨時辨識模型集所獲取的模型參數構建USV系統滑模控制參數集。為了從控制參數集中在線獲取最佳滑模控制參數，本文提出基于事件驅動的切換策略法，最后通過湖試對BQ-01的運動控制品質進行了驗證分析。

1 USV系統深度控制模型

USV系統運動控制模型采用美國船舶運動控制界著名學者Fossen定義的水下機器人系統運動模型[18]，USV系統的慣性坐標系與載體坐標系如圖1所示。深度控制模型結構的一般表述形式為

(1)

圖1 BQ-01系統坐標系Fig.1 Coordinates of BQ-01 system

由于BQ-01系統的水動力參數未知，故將深度控制模型(1)式轉化為

(2)

(3)

由于所研究的USV系統最大下潛深度為3.5 m，超過此閾值將會涉及USV系統安全問題，故為了保護USV系統，采用閉環模型辨識法對USV系統深度控制模型進行辨識。

深度模型的參數估計采用基于PD控制的閉環辨識試驗，PD控制律δs,PD為

(4)

δs，PD=kPz+kDuθ，

(5)

將(5)式代入狀態方程(2)式：

(6)

(6)式所涉及的狀態量q、θ、u、z均可由相應傳感器實時測量并反饋給控制器，且控制參數kP、kD已知。為了簡化辨識模型，設：

(7)

將方程組(7)式代入(6)式：

(8)

則待辨識模型結構為

q(k+1)=a1θ(k)+a2Q(k)+bZ(k)，

(9)

式中：a1、a2、b為USV系統深度控制模型待辨識參數。

2 USV系統深度控制模型集的參數估計

本文采用最小二乘辨識法對BQ-01系統深度控制模型參數進行估計。

2.1基于平均擬合偏差的USV系統深度控制辨識模型集

根據最小二乘辨識法估計模型參數的基本步驟[20]對BQ-01模型參數進行辨識，待辨識模型結構(9)式是單輸入多輸出(SIMO) 系統，其中輸出量為[q(k+1),θ(k),Q(k)]，輸入量為Z(k)，將系統待辨識模型整理為

q(k+1)=a1θ(k)+a2Q(k)+bZ(k)+e(k)，

(10)

式中：e(k)為實驗模型偏差。待辨識模型的最小二乘格式為

(11)

式中：?為待估計值。則系統辨識模型可進一步描述為

q(k+1)=φT(k)?(k)+e(k).

(12)

(13)

(14)

(15)

將獲取的平均擬和偏差errj記錄于對應辨識模型中，用以判斷所獲得的模型參數是否滿足期望的平均擬和偏差的范圍。預設L組偏差范圍ξL，獲取系統過渡辨識模型參數。將滿足第k組擬合偏差范圍ξk要求的r組過渡辨識模型參數進行平均擬合，獲取臨時辨識模型參數:

(16)

2.2USV深度辨識模型集構建

表1 深度控制過渡辨識模型集參數

表2 深度控制臨時辨識模型集參數

對BQ-01系統深度控制模型中的縱傾角速度q的試驗數據與仿真數據進行曲線擬合，分析各辨識模型的精度。圖2、圖3為縱傾角速度q擬合曲線，其中虛線為BQ-01系統實際運行曲線，實線為辨識后模型輸出曲線。圖2的平均擬合偏差ξ≈1.8遠小于構建此臨時模型的所有過渡辨識模型的擬合偏差范圍3<ξ2<4；圖3的平均擬合偏差ξ≈0.42小于ξ3所包含的范圍。通過對圖2與圖3的分析表明：臨時辨識模型輸出值與試驗輸出平均擬合間的偏差遠小于所設的平均擬合偏差，臨時辨識模型的辨識精度比過渡辨識模型的辨識精度高。

圖2 平均擬合偏差范圍為ξ2的q擬合曲線圖Fig.2 Fitting curves of q in the fitting error range ξ2

圖3 平均擬合偏差范圍為ξ3的q擬合曲線Fig.3 Fitted curves of q in the fitting error range ξ3

3 USV動態滑模控制方法與切換策略構建

BQ-01是一種采用柴油機為動力源，艇體主體潛于水下、僅通氣桅桿穿透水面的新型水下機器人系統。BQ-01是國內率先實現此類功能的USV系統。系統性能指標為最大航速為10 kn，水平舵最大轉動角度為25°，最大下潛深度為3.5 m，系統采樣時間為0.5 s. 系統的深度控制執行機構為布置在USV艏艉部兩側的水平舵，通過兩組水平舵上下轉動所產生的縱傾角實現USV系統下潛或上浮。湖泊試驗過程中，“BQ-01”水動力參數未知。

BQ-01系統的動力推進及操縱系統設計方案如圖4所示。其中：動力推進系統由柴油機通過齒輪箱帶動噴水推進器，實現USV的航行驅動；操縱系統主要由艏艉各兩片水平舵組成，舵機為液壓驅動，實現垂直面定深等航行控制；而水平面定向等航行控制通過噴水推進器的噴口左右偏轉產生的矢量推力實現；柴油機通過桅桿頂部的浮閥實現進排氣，由水平舵控制USV的航行吃水深度，避免水通過進排氣口倒灌進內部危及USV安全。

圖4 BQ-01動力推進及操縱系統Fig.4 Propulsion and control system

由于在湖泊試驗過程中，BQ-01水動力參數未知，本文以臨時辨識模型集中各模型參數為依據構建多組滑模控制參數，根據USV系統運動控制特點，通過預設切換策略實現最佳控制策略的選取。圖5為BQ-01系統準備試驗圖。

圖5 BQ-01系統Fig.5 BQ-01 system

3.1基于多辨識模型切換的USV動態狀態滑模控制參數集構建

為了避免縱向速度u的深度控制強耦合性，本文提出了動態滑模控制法。為了避免縱向速度對深度控制的影響，滑模控制參數可根據縱向速度進行動態調整，此方法避免了傳統外場試驗中的分段調整弊端，如不同速度段需設置不同的控制參數等，從而縮短了外場試驗次數。

另外，由于USV系統深度控制參數是通過辨識模型集提供的，系統滑模控制參數將有多組，為了獲取最佳控制策略，故本文提出了基于事件驅動的多辨識模型切換策略法。

為了避免USV系統縱傾角過大導致系統迅速下潛，超出下潛深度閾值，本文采用雙環控制即深度ez=z-zd與縱傾角eθ=θ-θd同時閉環控制，其中深度期望值zd、縱傾角的期望值θd均為0，則深度誤差控制狀態方程可表述為

(17)

式中：δs為水平舵輸出的舵角(rad)。

設系統滑模面為

S=q-(c1ez+c2eθ)，

(18)

式中：c1與c2為預設的滑模控制參數。

由于滑模面的抖動是滑模控制設計過程中的一大難點，為了削弱滑模面抖動，提出基于狀態反饋的滑模控制，具體構建過程如下：

(19)

2) 根據狀態反饋控制法[21]配置模型(19)式的期望閉環極點為λz<0與λθ<0，獲取狀態反饋控制律為

=(λz+λθ)θ+z.

(20)

S=q-≈eq.

(21)

3) 對滑模面S求導

(22)

(23)

4) 令

(24)

以保證滑模控制器指數衰減，將(21)式代入(24)式，有

(25)

5) 由(23)式與(25)式獲取基于狀態反饋的滑模控制律為

(26)

以上公式的詳細推導過程詳見文獻[21]。為了避免縱向速度過小導致控制參數過大，預設縱向速度在控制律(26)式中的約束條件為

(27)

6) 將狀態反饋配置的期望閉環極點λz與λθ代入c1與c1，將表2參數分別代入控制律(26)式，獲取多組動態變化的滑模控制參數，組成滑模控制器參數集。

為了從控制參數集中獲取最佳控制參數，本文設計了基于事件驅動的切換策略。

3.2基于BQ-01系統深度控制性能的切換策略設計

為了保證BQ-01系統湖試過程中，不會由于滑模控制參數選取不恰當而導致的系統安全性問題，本文采用兩類基于事件驅動的切換策略：緊急切換策略與穩定切換策略。

為了確保設備安全，試驗過程中，設計了兩套性能指標要求：1)最佳控制策略選取過程中的性能指標；2)期望性能指標。其中，最佳控制策略選取過程中的性能指標為：最大下潛深度不超過3.2 m，超調量δp≤50%，最大振幅不超過0.5 m，靜態誤差es≤20%，調節時間ts≤300 s. 期望性能指標要求：最大下潛深度不超過3.2 m，超調量δp=10%，靜態誤差es≤3%，調節時間ts≤120 s，無震蕩。

3.2.1 切換策略的設置

緊急切換策略的設置：根據USV系統控制要求與系統安全，其最大下潛深度為3.5 m，故在BQ-01系統深度控制過程中設計了基于深度閾值z>3.2 m的緊急切換策略，超出此閾值系統停止執行所有使命要求，直至浮出水面，接收下一條深度控制使命；與基于超調量δp≥50%的緊急切換策略，超出此閾值BQ-01系統停車，浮出水面后，切換到下一組控制參數運行，以避免系統運動出現不穩定現象。

穩定切換策略主要用于在線選取滿足USV系統預設控制要求的控制參數，如果系統在預設時間(500 s)內未出現超調過大問題，則認為此組控制參數穩定，BQ-01系統將把相關控制參數保留下來；否則，將切換到下一組控制參數下進行驗證。預設時間是由有經驗的海洋機器人控制專家設定，此段時間能夠判斷BQ-01系統是否達到期望的控制品質要求。

穩定切換過程中最佳控制策略的選取。依據各臨時辨識模型而設計的滑模控制參數，其取舍決定于系統辨識模型與實際系統模型的擬合程度。若多個控制策略同時滿足預期控制性能指標要求，則BQ-01系統選取控制品質最高的控制策略作為當前運行環境下的最佳控制策略。若某控制策略在不同運行環境下均保持良好的控制品質或達到預期的控制性能指標要求，則認為此辨識模型參數逼近于實際系統模型參數，稱此參數對應的控制策略為最佳控制策略。

3.2.2 控制參數集的在線選取原則

根據BQ-01系統臨時辨識模型集而設計的一系列控制策略組成控制參數集，故需根據系統運動控制品質與切換策略從控制參數集中選取一組最佳參數作為系統控制策略參數。

切換前后系統穩定性分析。根據穩定切換定理——公共李雅普諾夫法可知：在系統運行過程中，兩控制策略切換前后，系統保持穩定，則切換前后所對應的控制策略均可保證系統穩定；若系統切換前不穩定，切換后系統穩定，則切換后控制策略對應的辨識模型與實際系統模型擬合；若切換前穩定，切換后系統不穩定，則切換前對應控制策略可保證系統穩定，但無法判斷切換后的控制策略能否保證系統的穩定性。

從滑模控制策略律(22)式可知，若系統辨識模型可表述系統深度控制模型，那么系統深度控制應為全局漸近穩定，若系統運行過程不穩定，則可認為系統辨識模型與實際模型不匹配。對于切換前穩定的控制策略，切換后系統不穩定，有可能是由于切換前控制策略在切換點附近引起控制執行機構的共振。而切換后系統穩定，則需通過試驗驗證后，判斷此組控制參數能否保證系統穩定。

將臨時辨識模型集中的模型參數代入(22)式中構建控制參數集，預設緊急切換策略、穩定切換策略作為事件驅動條件，從控制參數集中選取USV系統最佳控制策略參數。選取最佳控制策略參數原則如下：

1) 緊急切換。若系統深度控制過程中出現不穩定現象，或超調量達到δp≥50%條件，或系統深度超出3.2 m，則啟動緊急切換策略，系統停止運行，上浮后，切換到下一組控制策略。

2) 穩定切換。若系統在預設時間t>500 s內保持穩定，則記錄此組控制參數后，切換到下一組控制策略。

3) 穩定切換采用順序切換法，從控制參數集中依次選取各控制策略，依據切換系統的穩定判據公共李雅普諾夫法，以及系統在各控制策略控制下所表現的控制品質，記錄滿足預期性能指標要求的控制策略序號與控制參數。

4) 若系統在某控制策略控制下穩定且動態性能較好，則改變USV系統使命，要求檢驗該控制策略在不同運動要求下的控制品質。如果系統達到預期的控制性能指標要求，則控制參數集將此控制策略作為最佳控制參數。

5) 繼續在臨時辨識模型集中切換，直至所有控制參數驗證完畢。

根據BQ-01系統所記錄序號和控制參數，分析最佳控制策略所對應的深度運行曲線，研究系統動態性能出現的問題，進一步改善系統控制策略參數。

3.3USV系統湖試試驗數據分析

將臨時辨識模型集中的各模型參數代入滑模控制律(22)式，構建控制參數集，并將其嵌入BQ-01系統深度控制模塊，預設各控制策略順序、預期性能指標要求、切換策略以及待記錄信息等，通過USV系統湖試在線選取期望的控制策略。BQ-01所采用的深度計量程0～30 m，非線性誤差±0.2%，長期穩定性±0.1%.

圖6為在線選取控制策略試驗數據分析曲線圖,期望深度為1.6 m，時間軸出現的間隔，則是系統根據使命執行過程中出現危險狀況、下潛深度超出閾值或使命要求而浮出水面的過程。從圖6數據輸出曲線可知，深度控制參數集所含各控制策略都無法達到預期控制性能指標要求，深度控制輸出曲線產生振幅為0.5～1.0 m的震蕩。有關切換策略的啟動記錄已在圖6中標注，BQ-01系統將振幅最小的一組模型作為最佳控制策略，并進行保存。完成辨識試驗后，以系統控制參數集所選取的最佳控制參數為基準進行離線調整。圖7為BQ-01系統控制參數逐漸改進后的曲線對比圖。圖7(a)為控制參數未調整前BQ-01系統深度控制運行曲線圖。從圖7(a)中可以看出深度有較大曲線震蕩，雖然此振幅滿足試驗初期所設要求，但并非期望現象。為了減少震蕩，將滑模面進行調整并將辨識模型參數a2下調，USV系統深度控制輸出曲線如圖7(b)所示。試驗數據分析表明，系統深度控制的動態性能得到很大改善，但系統深度控制存在較大靜態誤差與調節時間長等控制品質問題。為了減少靜態誤差，根據PID控制中積分控制參數的作用，加入積分項，系統輸出曲線如圖7(c)所示。試驗數據分析表明，系統深度控制調節時間變短(ts=75 s)，且達到預期靜態誤差小于3%要求，超調變小，無抖動。

圖6 控制參數集在線選取最佳控制策略參數過程輸出曲線Fig.6 Output curves of on-line selected best controller processes in controller set

圖7 USV系統控制參數調整前后深度控制曲線對比圖Fig.7 Depth control curves before and after parameter adjustment

圖8為BQ-01系統定深1 m時，系統深度控制運行曲線。其中：圖8(a)為滑模面控制參數改進后的BQ-01輸出曲線，其具有較大靜態誤差，為0.7 m；圖8(b)是BQ-01系統滑模控制部分加入積分項后系統深度控制運行曲線，BQ-01系統靜態誤差減小，提高了BQ-01系統的控制品質。

圖8 最佳控制模型參數改善前后深度控制曲線Fig.8 Depth control urves of improved and unimproved best suitable depth control parameters

圖9為BQ-01定深3 m的控制曲線圖。系統定深3 m時，為了避免由于縱傾角過大或慣性大等原因導致BQ-01系統下潛深度超出閾值，需預設下潛2 m左右后再下潛3 m. 從圖9中可以看出，BQ-01定深3 m時具有良好的控制品質，數據分析表明靜態誤差小于3%，達到預期控制性能指標要求。

圖9 最佳控制模型參數改善后下潛3 m深度控制曲線Fig.9 3 m depth control curves of improved best suitable depth control parameters

湖試數據分析表明，本文所提控制策略設計方案提高了BQ-01系統運動控制品質，基于深度辨識模型集的滑模控制法可實現系統在不同使命要求下保持良好的控制品質。

4 結論

本文針對所研究USV系統深度控制模型參數未知問題，提出了基于深度辨識模型集的動態滑模控制法，并構建了動態狀態滑模控制參數集。根據所研究USV系統BQ-01提出基于緊急切換與穩定切換的切換策略，從控制參數集中篩選出最佳控制策略，最后根據BQ-01系統運動控制性能，對控制參數進一步完善。通過湖試表明本文所提控制策略設計方案達到了預期的控制性能指標要求：調節時間變短，靜態誤差達到小于3%，無震蕩等。所提基于辨識模型集的滑模控制方法簡化了控制策略設計過程，節約了試驗時間。

References)

[1] Garus J, Szymak P. Semiautomatic Control of self-propelled mine counter charge in plane motion[C]∥ Proceedings of the 8th WSEAS International Conference on Electric Power Systems, High Voltages, Electric Machines. Venice, Italy:World Scientific and Engineering Academy and Society , 2008: 217-221.

[2] Hunter R S, Brown C, Jenkins L K, et al. Bathy boat: an autonomous surface vessel for stand-alone survey and underwater vehicle network supervision[J]. Marine Technology Society Journal, 2010, 44(4):20-29.

[3] Liu Y F, Noguchi N. Development of an unmanned surface vehicle for autonomous navigation in a paddy field[J]. Engineering in Agriculture, Environment and Food, 2016, 9(1):21-26.

[4] Alleman P, Kleiner A, Steed C, et al. Development of a new unmanned semi-submersible (USS) vehicle[C]∥ Proceedings of Oceans 2009 Conference. Biloxi, MS, US:IEEE,2009 : 2416-2421.

[5] 冀大雄, 任申真，胡志強. 弱通信條件下USV對AUV的自主跟蹤控制研究[J]. 科學通報, 2013, 58(增刊) ：49-54.

JI Da-xiong, REN Shen-zhen,HU Zhi-qiang. Autonomous tracking unmanned underwater vehicle using unmanned surface vehicle under the condition of weak communication[J]. Science China Press, 2013, 58(S): 49-54. (in Chinese)

[6] 沈建森, 周徐昌，高璇. 遠程AUV近水面運動縱向模糊滑模控制[J]. 魚雷技術, 2011, 19(5): 360-364.

SHEN Jian-sen, ZHOU Xu-chang, GAO Xuan. Fuzzy sliding mode control for near-surface AUV in longitudinal plane[J].Torpedo Techenology, 2011, 19(5): 360-364. (in Chinese)

[7] 嚴浙平, 李聰聰, 張宏瀚,等. 基于海浪干擾濾波器的UUV近水面深度控制[J]. 船舶工程, 2013, 35(4): 71-74.

YAN Zhe-ping, LI Cong-cong, ZHANG Hong-han,et al. Depth control for UUVs manoeuvring near-surface based on wave disturbance filter[J]. Ship Engineering, 2013, 35(4): 71-74.(in Chinese)

[8] Silvestre C, Pascoal A. Depth control of the INFANTE AUV using gain-scheduled reduced order output feedback [J]. Control Engineering Practice, 2007, 15(7):883-895.

[9] 魏延輝, 周衛祥, 陳巍, 等. 基于NDO的ROV變深自適應終端滑模控制器設計[J]. 控制與決策, 2016, 31(2): 373-377.

WEI Yan-hui, ZHOU Wei-xiang, CHEN Wei,et al. Design of adaptive terminal sliding mode controller based on nonlinear disturbance observer for ROV depth changing[J]. Control and Decision, 2016, 31(2): 373-377. (in Chinese)

[10] Zhou H Y, Liu K Z, Li Y P ，et al. Dynamic sliding mode control based on multiple for the depth control of autonomous underwater vehicles[J]. International Journal of Advanced Robotic Systems, 2015, 12(7):1-10.

[11] 白偉偉,任俊生,李鐵山,等. 基于局部最優LWL的船舶操縱運動辨識建模[J]. 哈爾濱工程大學學報, 2017, 38(5): 676-683.

BAI Wei-wei，REN Jun-sheng, LI Tie-shan, et al.Locally optimal-based LWL identification modeling for ship manoeuvring motion[J]. Journal of Harbin Engineering University, 2017,38(5):676-683. (in Chinese)

[12] Sonnenburg C R, Woolsey C A. Modeling, identification, and control of an unmanned surface vehicle[J]. Journal of Field Robotics, 2013, 30(3):371-398.

[13] 董早鵬, 萬磊, 孫玉山, 等. 基于非對稱模型的欠驅動無人海洋運載器軌跡跟蹤控制[J]. 兵工學報, 2016, 37(3): 471-481.

DONG Zao-peng, WAN Lei, SUN Yu-shan, et al.Trajectory tracking control of an underactuated unmanned marine vehicle based on asymmetric model[J].Acta Armamentarii, 2016, 37(3): 471-481.(in Chinese)

[14] 梁輝, 童朝南. 基于減法聚類的帶鋼厚度數據驅動建模[J]. 北京科技大學學報, 2012, 34(11):1338-1345.

LIANG Hui, TONG Chao-nan. Online data-driven modeling for strip thickness based on subtractive clustering[J]. Journal of University of Science and Technology Beijing, 2012, 34(11):1338-1345. (in Chinese)

[15] 段朝陽，張艷，邵雷登，等. 基于多模型在線辨識的滑模變結構控制[J]. 上海交通大學學報, 2011, 45(3):403-407.

DUAN Chao-yang, ZHANG Yan, SHAO Lei-deng, et al. Sliding mode variable structure control based on multi-model on-line identification [J]. Journal of Shanghai Jiao Tong University, 2011, 45(3): 403-407.(in Chinese)

[16] 胡坤, 張孝芳, 劉常波. 基于遺傳算法的無人水下航行器深度自抗擾控制[J]. 兵工學報, 2013, 34(2):217-222.

HU Kun, ZHANG Xiao-fang, LIU Chang-bo.Unmanned underwater vehicle depth ADRC based on genetic algorithm near surface[J]. Acta Armamentarii, 2013, 34(2):217-222. (in Chinese)

[17] 朱勝庭，朱大奇，鄧志剛. 多信息最小二乘法辨識水下機器人動力學模型[J]. 系統仿真學報，2013,25(6):1399-1404.

ZHU Sheng-ting, ZHU Da-qi,DENG Zhi-gang. Identification of underwater vehicle dynamic model using multi-innovation least square algorithm[J]. Journal of System Simulation, 2013,25(6):1399-1404.(in Chinese)

[18] Fossen T I. Guidance and control of ocean vehicles[M]. New York, NY, US:John Willey & Sons Ltd, 1994：21-56.

[19] 蔣新松，封錫盛，王棣堂. 水下機器人[M].沈陽:遼寧科學技術出版社, 2000.

JIANG Xin-song, FENG Xi-sheng, WANG Di-tang. Underwater vehicles[M]. Shenyang: Liaoning Science and Technology Press,2000. (in Chinese)

[20] 丁峰. 系統辨識新論[M]. 北京:科學出版社, 2013.

DING Feng. New theories of system identification[M].Beijing: Science Press, 2013. (in Chinese)

[21] Zhou H Y, Liu K Z, Feng X S. State feedback sliding mode control without chattering by constructing Hurwitz matrix for AUV movement[J]. International Journal of Automation and Computing, 2011, 8(2): 262-268.

SwitchingStrategyofDynamicSlidingModeControlBasedonMultipleIdentificationModelSetforUnmannedSemi-submersibleVehicle

ZHOU Huan-yin1,2, LIU Ya-ping1, HU Zhi-qiang2, LIU Kai-zhou2， YI Rui-wen2

(1.School of Mechanical and Electrical Engineering, East China University of Technology, Nanchang 330013, Jiangxi, China; 2.State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang 110016, Liaoning, China)

The control parameters can not be provided for the model-based control algorithm, which leads to the undesirable control performances of the system since the depth motion model parameters regarding the unmanned semi-submersible vehicles (USVs ) BQ-01 are unknown. For this purpose, a multi-identification model-based dynamic sliding mode control algorithm is presented for the investigation of system’s control problem on the desired depth. In the proposed algorithm, the average-fitting-error method is used to reduce the excessive redundant model parameters, and thus the optimum model parameters is provided for the control algorithm by switching methods. And the state feedback method is used to bring about the chattering exponential decay of sliding mode controller so as to reduce the settling time. The experimental results of lake trials demonstrates that the proposed algorithm could offer the best model parameters for sliding mode control, and the dynamic sliding mode control with multi-identification models is capable of ensuring BQ-01 system to achieve the ideal control performance.

control science and technology; unmanned semi-submersible vehicle； multiple identification model； dynamic sliding mode control； control performance

TP273

A

1000-1093(2017)11-2198-09

10.3969/j.issn.1000-1093.2017.11.016

2017-01-05

國家自然科學基金項目(51409047、61403150)

周煥銀(1975—), 女, 副教授， 碩士生導師。 E-mail: hyzou@ecit.cn