动力定位船舶的波浪扰动建模与仿真

为有效量化波浪对动力定位船舶的作用,建立波浪扰动的数学模型,进而基于Matlab/Simulink建立波浪扰动的仿真平台,计算任意浪高和浪向条件下的海洋环境对动力定位船舶的波浪扰动力和力矩.以一艘供给船为例,设定不同的浪高、浪向,预报波浪扰动作用力和力矩对船舶的影响,仿真结果证明了该波浪扰动数学模型的有效性.该仿真平台可用于船舶动力定位系统控制器设计的验证,以提高船舶动力定位控制系统在恶劣环境下的可靠性和鲁棒性.     

基于超螺旋滑模的船载稳定平台镇定控制

针对存在动态不确定与未知外界扰动的船载稳定平台, 提出基于超螺旋扩张状态观测器(super-twisting extended state observer, STESO)的超螺旋滑模(super-twisting sliding mode, STSM)镇定控制方案。构造STESO, 为平台的动态不确定以及未知外界扰动引起的总扰动提供在线估计, 再依据超螺旋算法设计船载平台STSM镇定控制律, 使得船载平台上支撑面渐近调节于惯性空间中某一期望的位姿不变。仿真及比较结果验证了所设计的船载平台镇定控制律具有较高的鲁棒性、扰动估计精度及镇定控制精度。     

反馈控制系统串联校正器的计算机辅助设计

利用MATLAB语言编程实现了反馈控制系统串联校正器的计算机辅助设计，使得控制系统校正器的设计变得简单、容易，大大减少了工程师们的设计工作量，也完善了“自动控制理论”课的教学与实验工作。     

一种新型船用起重机综合补偿系统原理及运动学模型

针对深水吊装作业摆动抑制和升沉补偿问题,提出一种新型船用起重机综合补偿系统.在船用起重机底座加装防摇平台,使船用起重机保持平稳.船舶升沉运动则由液压绞车补偿,从而降低综合补偿的能耗.介绍综合补偿系统的组成和原理,并进行系统的运动学建模,求得在船舶横摇角、纵摇角、升沉条件下各个转动关节的关节角及对应液压缸的长度.     

基于逆推算法的非线性船舶航向跟踪控制器

针对线性Nomoto船舶运动模型航向改变操纵过程中，往往引起快速大的舵动，产生严重的水动力非线性的问题．基于逆推设计方法设计了非线性船舶航向跟踪控制器，并证明由其构成的闭环动态系统是全局指数渐近稳定的．对大连海事大学远洋实习船“育龙”号的仿真实验表明，所设计的船舶变航跟踪控制器是有效的．     

基于逆推-非线性阻尼算法的船舶航向控制器设计

针对带有不确定项的Norrbin非线性船舶模型,将逆推算法和非线性阻尼算法相结合,设计非线性船舶航向鲁棒控制器.所设计的控制器可克服模型的不确定性,保证最终的闭环系统所有状态一致有界.最后利用Matlab的Simulink仿真工具进行仿真研究.结果表明:算法完全有效,航向控制系统稳定时舵角的波动控制在-0.2°~0.2°,控制效果良好.     

基于正六边形栅格JPS算法的智能体路径规划

通过构建正六边形栅格地图, 并修改传统跳点搜索(jump point search, JPS)算法的邻居剪枝、强制邻居判断的规则和JPS策略, 提出一种新的正六边形栅格JPS算法, 并且利用该算法解决智能体在环境地图存在障碍物时的路径规划问题。利用Pycharm平台进行仿真研究, 并与传统正方形栅格A^*算法和JPS算法进行路径规划仿真比较, 结果表明正六边形栅格JPS算法可更好地实现路径规划, 所规划出的路径可避免穿越墙角的不安全行为、减少转向次数, 且该算法可减少路径规划时间, 提高了路径规划的质量和效率。     

基于ADRC的并联三自由度船载稳定平台稳定控制律设计

针对存在动态不确定与未知时变外界扰动下的并联三自由度船载稳定平台稳定控制问题,采用自抗扰控制(Active Disturbance Rejection Control,ADRC)技术,构造扩张状态观测器,实时估计由船载稳定平台动态不确定、未知时变外界扰动以及平台各自由度运动状态变量间的耦合构成的总扰动;设计船载稳定平台PID反馈控制律,并将总扰动的估计前馈至控制输入端补偿船载稳定平台的总扰动,以实现平台的稳定控制.理论分析表明,设计的基于ADRC的船载稳定平台稳定控制律可使其上支撑面在惯性空间保持平稳,并保证船载稳定平台闭环控制系统中所有信号一致最终有界.仿真实验结果验证了设计的基于ADRC的船载稳定平台稳定控制律的有效性以及对未知时变外界扰动的鲁棒性.     

基于模块化神经网络的船舶航迹航速预测

为提高船舶航迹航速预测精度,提出一种模块化神经网络MNN(modular neural network)船舶航迹航速预测方法。首先,利用归一化互信息与专家知识确定预测目标的辅助变量从而分解任务;然后,将RBF(radial basis function)神经网络和Elman神经网络用于子网络搭建,使用减法聚类算法确定初始子网络结构,在此基础上提出误差反馈方法将RBF神经网络训练的最大误差所对应的样本作为隐含层新增神经元并通过粒子群算法PSO(particle swarm optimization)优化RBF神经网络学习参数,运用性能函数动态调整Elman神经网络隐含层神经元数目以此构造模块化神经网络对目标进行预测;最后,实验结果表明模块化神经网络预测精度与网络结构均优于传统BP与RBF神经网络,证明了所提方法的有效性。     

控制系统仿真新算法的研究

提出一种基于ＭＡＴＬＡＢ的控制系统仿真算法,解决了用结构图描述系统时,系统模型的输入及其简化问题。