doi: 10.17586/2226-1494-2021-21-3-418-425


УДК 681.51

Математическое моделирование и идентификация параметров модели надводного судна

Нгуен Х.Т., Власов С.М., Скобелева А.В.


Читать статью полностью 
Язык статьи - русский

Ссылка для цитирования:

Нгуен Хак Тунг, Власов С.М., Скобелева А.В. Математическое моделирование и идентификация параметров модели надводного судна // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 21, № 3. С. 418–425. doi: 10.17586/2226-1494-2021-21-3-418-425



Аннотация
Предмет исследования. Рассмотрены задачи моделирования и идентификации параметров моделей надводных судов. Предлагаемый метод идентификации применен к модифицированной модели Номото второго порядка для управления судном. Метод. Алгоритм идентификации основан на методе расширения и смешивания динамического регрессора (DREM, Dynamic Regressor Extension and Mixing). Метод DREM выполняется за два этапа. На первом этапе с использованием параметризации получена регрессионная модель, в которой регрессор и регрессия зависят от измеряемых сигналов: продольной, поперечной и угловой скоростей, угла поворота пера руля. На втором этапе новая регрессионная модель получена с использованием линейных стабильных фильтров и задержек. Оценка параметров выполнена стандартным методом градиентного спуска. Основные результаты. Рассмотрен новый алгоритм идентификации параметров модели надводного судна. Выполнен анализ возможностей предложенного метода оценивания с использованием компьютерных экспериментов. Эксперименты показали преимущество метода: при использовании метода градиентного спуска время переходного процесса для оценки параметров сигнала намного больше, чем при использовании метода DREM. В случае применения метода DREM отсутствует перерегулирование. Практическая значимость. Результаты работы могут служить основой для методов, алгоритмов и программного обеспечения проектирования судовых автоматизированных навигационных комплексов, систем управления другими видами транспорта. Это подтверждается результатами моделирования.

Ключевые слова: надводное судно, идентификация, Номото, DREM, метод градиентного спуска, регрессор

Список литературы
1. Vlasov S.M., Kirsanova A.S., Dobriborsci D., Borisov O.I., Gromov V.S., Pyrkin A.A., Maltsev M.V., Semenev A.N. Output adaptive controller design for robotic vessel with parametric and functional uncertainties // Proc. 26th Mediterranean Conference on Control and Automation (MED). 2018. P. 547–552. doi: 10.1109/MED.2018.8442738
2. Власов С.М., Борисов О.И., Громов В.С., Пыркин А.А., Бобцов А.А. Алгоритмы адаптивного и робастного управления по выходу роботизированным макетом надводного судна // Мехатроника, автоматизация, управление. 2016. Т. 17. № 1. С. 18–25. doi: 10.17587/mau.17.18-25
3. Власов С.М., Борисов О.И., Громов В.С., Пыркин А.А., Бобцов А.А. Робастная система динамического позиционирования для роботизированного макета надводного судна // Известия высших учебных заведений. Приборостроение. 2015. Т. 58. № 9. С. 713–719. doi: 10.17586/0021-3454-2015-58-9-713-719
4. Wang J., Pyrkin A.A., Bobtsov A.A., Borisov O.I., Gromov V.S., Kolyubin S.A., Vlasov S.M. Output control algorithms of dynamic positioning and disturbance rejection for robotic vessel // IFAC-PapersOnline. 2015. V. 48. N 11. P. 295–300. doi: 10.1016/j.ifacol.2015.09.201
5. Pyrkin A.A., Bobtsov A.A., Kolyubin S.A., Surov M.O., Vedyakov A.A., Feskov A.D., Vlasov S.M., Krasnov A.Y., Borisov O.I., Gromov V.S. Dynamic positioning system for nonlinear MIMO plants and surface robotic vessel // IFAC Proceedings Volumes (IFAC-PapersOnline). 2013. V. 46. N 9. P. 1867–1872. doi: 10.3182/20130619-3-RU-3018.00287
6. Van Amerongen J., Udink Ten Cate A.J. Model reference adaptive autopilots for ships // Automatica. 1975. V. 11. N 5. P. 441–449. doi: 10.1016/0005-1098(75)90020-5
7. Åström J., Källström C.G. Identification of ship steering dynamics // Automatica. 1976. V. 12. N 1. P. 9–22. doi: 10.1016/0005-1098(76)90064-9
8. Шейхот А.К. Совершенствование систем управления морскими подвижными объектами на основе идентификации и адаптации: диссертация на соискание ученой степени кандидата технических наук / ФГОУ ВО «Морской государственный университет им. адм. Г.И. Невельского». 2008. 130 с.
9. Ma F.C., Tóng S.H. Real time parameters identification of ship dynamic using the Extended Kalman Filter and the second order filter // IEEE Conference on Control Applications - Proceedings. 2003. V. 2. P. 1245–1250. doi: 10.1109/cca.2003.1223189
10. Di Mascio A., Dubbioso G., Notaro C., Viviani M. Investigation of twin-screw naval ships maneuverability behavior // Journal of Ship Research. 2011. V. 55. N 4. P. 221–248. doi: 10.5957/JOSR.55.4.090031
11. Rhee K.-P., Lee S.-Y., Sung Y.-J. Estimation of manoeuvring coefficients from PMM test by genetic algorithm // Proc. of the International Symposium and Workshop on Force Acting on a Manoeuvring Vessel. Val de Reuil, France. 1998. P. 77–87.
12. Sutulo S., Guedes Soares C. An algorithm for offline identification of ship manoeuvring mathematical models from free-running tests // Ocean Engineering. 2014. V. 79. P. 10–25. doi: 10.1016/j.oceaneng.2014.01.007
13. Осокина Е.Б., Оськин Д.А., Дыда А.А. Адаптивная идентификация параметров судна на основе простых моделей // Вестник государственного университета морского и речного флота им. адмирала С.О. Макарова. 2015. № 2. С. 24–31. doi: 10.21821/2309-5180-2015-7-2-24-31
14. Muñoz-Mansilla R., Aranda J., Díaz J.M., de la Cruz J. Parametric model identification of high-speed craft dynamics // Ocean Engineering. 2009. V. 36. N 12-13. P. 1025–1038. doi: 10.1016/j.oceaneng.2009.05.007
15. Алышев А.С., Ромаев Д.В., Мельников В.Г., Титов А.М., Коваленко А.Е. Идентификация параметров модели судна по углу крена на симметричных движениях // Научно-технический вестник информационных технологий, механики и оптики. 2019. Т. 19. № 2. С. 347–358. doi: 10.17586/2226-1494-2019-19-2-347-358
16. Moreira L., Guedes Soares C. Dynamic model of manoeuvrability using recursive neural networks // Ocean Engineering. 2003. V. 30. N 13. P. 1669–1697. doi: 10.1016/S0029-8018(02)00147-6
17. Chiu F.C., Chang T.L., Go J., Chou S.-K., Chen W.-C. A recursive neural networks model for ship maneuverability prediction // Proc. of the Conference MTTS/IEEE TECHNO-OCEAN’04. 2004. V. 3. P. 1211–1218. doi: 10.1109/OCEANS.2004.1405752
18. Rajesh G., Bhattacharyya S.K. System identification for nonlinear maneuvering of large tankers using artificial neural network // Applied Ocean Research. 2008. V. 30. N 4. P. 256–263. doi: 10.1016/j.apor.2008.10.003
19. Nomoto K., Taguchi T., Honda K., Hirano S. On the steering qualities of ships // International Shipbuilding Progress. 1957. V. 4. N 35. P. 354–370. doi: 10.3233/ISP-1957-43504
20. Tzeng C., Chen J. Fundamental properties of linear ship steering dynamic models // Journal of Marine Science and Technology. 1999. V. 7. N 2. P. 79–88.
21. Journée J.M.J. A Simple Method for determining the manoeuvring indices K and T from zigzag trial data: Report No. 0267. 1970.
22. Sutulo S., Guedes Soares C. Synthesis of experimental designs of maneuvering captive-model tests with a large number of factors // Journal of Marine Science and Technology. 2004. V. 9. N 1. P. 32–42. doi: 10.1007/s00773-003-0169-z
23. Abkowitz M.A. Lectures on ship hydrodynamics steering and manoeuvrability: Tech. Rep. Hy-5. Hydro and Aerodynamics Laboratory, Lyngby, Denmark, 1964.
24. Caccia M., Bruzzone G., Bono R. A practical approach to modeling and identification of small autonomous surface craft // IEEE Journal of Oceanic Engineering. 2008. V. 33. N 2. P. 133–145. doi: 10.1109/JOE.2008.920157
25. Fossen T.I. Marine Control Systems: Guidance, Navigation, and Control of Ships, Rigs and Underwater Vehicles. Trondheim, Norway: Marine Cybernetics, 2002. 570 p.
26. Вагущенко Л.Л., Цымбал Н.Н. Системы автоматического управления движением судна. 3-е изд., перераб.и доп. Одесса: Фенікс, 2007. 328 c.
27. Davidson K.S.M., Schiff L.I. Turning and course keeping qualities // Transactions of SNAME. 1946. V. 54. P. 189–190.
28. Aranovskiy S., Bobtsov A., Ortega R., Pyrkin A. Parameters estimation via dynamic regressor extension and mixing // Proceedings of the American Control Conference. 2016. P. 6971–6976. doi: 10.1109/ACC.2016.7526771
29. Ле Ван Туан, Бобцов А.А., Пыркин А.А. Новый алгоритм идентификации нестационарных параметров для линейной регрессионной модели // Научно-технический вестник информационных технологий, механики и оптики. 2017. Т. 17. № 5. С. 952–955. doi: 10.17586/2226-1494-2017-17-5-952-955


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2021 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика