9、水下航行器发射、回收与控制系统设计解析

水下航行器发射、回收与控制系统设计解析

1. 发射与回收过程模型

发射与回收过程主要是将航行器部署到水中。当远程操作水下航行器(ROV)到达任务深度并驶离发射船尾部时,任务正式开始。完成小型航行器的回收任务后,ROV 上升到手动绳索绞车范围内的水面,随后使用绞车回收航行器,任务结束。

在回收阶段,会使用如滑模控制器(SMC)这样的鲁棒控制系统来控制 ROV。控制策略是在潜水前让航行器驶离船尾,并使 ROV 与迎面而来的航行器对齐。但由于水流速度和方向随时间变化,很难确定具体时间。可能出现路径未对齐的情况,例如在路径对齐过程中,航向或/和 Y 偏移可能会在任一方向上发生。不过,控制策略会先检测自主水下航行器(AUV)的存在,并尝试与迎面而来的航行器对齐,若失败则会进行第二次尝试。

为实现控制策略,采用以下控制架构:
- 控制系统使用之前确定的非线性 ROV 模型。
- 首先通过特定方法检测 AUV 的存在。
- 由于用于触发环的时间不确定(很大程度取决于当前水流速度),需要进行路径规划(时间充足时)和速度校正(时间不足时)以提供鲁棒性。

2. 控制系统设计

控制器用于控制航行器的位置和速度,以保持路径(即与迎面而来的航行器的正确航向和路径对齐)。控制信号触发相应的推进器,将航行器控制到所需的位置和速度。

采用结合进化模糊方案的鲁棒 SMC 来调整 SMC 参数,以应对模型不确定性和外部干扰。外部干扰通常是有界的,并由控制器进行衰减。

相关定义如下:
- (v = [u\ v\ w\ p\ q\ r]^T) 是流体在体坐标系中的速度。
- (v_r =

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值