楊文林 周小琦,2* 呂浩亮* 張 弓 侯至丞 王衛(wèi)軍

1(廣州中國(guó)科學(xué)院先進(jìn)技術(shù)研究所 廣州 511458)2(陜西科技大學(xué)機(jī)電工程學(xué)院 西安 710021)

1 引 言

21世紀(jì)以來(lái)，各種類型的海上構(gòu)造物日漸增多，且其需要極頻繁的維護(hù)[1]。運(yùn)維船在海浪、海風(fēng)的作用下會(huì)產(chǎn)生橫蕩、縱蕩、升沉、橫搖、縱搖和艏搖的六自由度運(yùn)動(dòng)，給海上人員轉(zhuǎn)運(yùn)和物資補(bǔ)給帶來(lái)極大的影響，甚至威脅到海上作業(yè)人員的生命安全。因此，研究六自由度主動(dòng)波浪補(bǔ)償棧橋具有非常重要的現(xiàn)實(shí)意義和理論價(jià)值。 蘇長(zhǎng)青等[2]提出一種用于登乘棧橋的主動(dòng)波浪補(bǔ)償方法，設(shè)計(jì)出一種由趨向 3 個(gè)不同方向伸縮的液壓缸進(jìn)行三自由度補(bǔ)償?shù)慕Y(jié)構(gòu)，并對(duì)其補(bǔ)償模型和控制系統(tǒng)進(jìn)行了分析設(shè)計(jì)，最后通過(guò)人工造浪的方式驗(yàn)證了系統(tǒng)的指標(biāo)，但其所采用的分離式棧橋結(jié)構(gòu)適應(yīng)性不強(qiáng)；李春林等[3]闡述了六自由度主動(dòng)波浪補(bǔ)償平臺(tái)系統(tǒng)的工作原理，利用 AMESim 建模仿真，并且還搭建了樣機(jī)試驗(yàn)系統(tǒng)，證明 Stewart 平臺(tái)用作補(bǔ)償?shù)目尚行裕形囱芯?6 個(gè)液壓缸之間的耦合作用的影響，僅進(jìn)行了單通道控制系統(tǒng)的研究；胡勇攀等[4]提出了基于牽引繩并聯(lián)機(jī)構(gòu)的六自由度補(bǔ)償系統(tǒng)結(jié)構(gòu)，并對(duì)奇異位形規(guī)避設(shè)計(jì)了新的算法，針對(duì)并聯(lián)補(bǔ)償系統(tǒng)中參數(shù)不確定及存在未知干擾的問題，提出了帶有邊界層的滑?？刂品椒ê拓?fù)載慣性參數(shù)辨識(shí)方法，最后采用 Matlab 和 Adams 進(jìn)行聯(lián)合仿真；Liang 等[5]對(duì)一種串聯(lián)運(yùn)動(dòng)補(bǔ)償系統(tǒng)建立運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)模型，然后導(dǎo)出了系統(tǒng)的雅可比矩陣和系統(tǒng)運(yùn)動(dòng)的動(dòng)力學(xué)方程，并設(shè)計(jì)了基于逆動(dòng)力學(xué)的控制器，將 ITTC(國(guó)際拖曳水池會(huì)議)雙參數(shù)譜作為波浪擾動(dòng)在 Matlab/Simulink 中建立仿真模型并進(jìn)行仿真?？傮w來(lái)看，學(xué)者們對(duì)控制、結(jié)構(gòu)、仿真等領(lǐng)域進(jìn)行了一定的研究，但尚未出現(xiàn)以船舶的運(yùn)動(dòng)測(cè)量作為起點(diǎn)對(duì)主動(dòng)波浪補(bǔ)償進(jìn)行整體性循環(huán)控制的研究。

本文在總結(jié)國(guó)內(nèi)外研究現(xiàn)狀和技術(shù)發(fā)展趨勢(shì)的基礎(chǔ)上，開展對(duì)主動(dòng)波浪補(bǔ)償裝置的關(guān)鍵技術(shù)——“測(cè)量方案”和“控制策略”進(jìn)行分析研究。具體地，以船舶的運(yùn)動(dòng)測(cè)量作為主動(dòng)波浪補(bǔ)償?shù)幕A(chǔ)、以 Stewart 平臺(tái)作為補(bǔ)償執(zhí)行機(jī)構(gòu)，設(shè)計(jì)一種主動(dòng)波浪補(bǔ)償系統(tǒng)，提出基于慣性測(cè)量模塊的船舶運(yùn)動(dòng)姿態(tài)與基于視覺技術(shù)的 Stewart 平臺(tái)末端姿態(tài)信息融合的運(yùn)動(dòng)測(cè)量方案，以及基于神經(jīng)網(wǎng)絡(luò)自抗擾控制器的六自由度主動(dòng)波浪補(bǔ)償控制算法，最后建立六自由度主動(dòng)波浪補(bǔ)償裝置機(jī)、電、液系統(tǒng)聯(lián)合仿真的模型，為裝置的性能分析驗(yàn)證與設(shè)計(jì)優(yōu)化提供有效方法。

2 主動(dòng)波浪補(bǔ)償整體系統(tǒng)

主動(dòng)波浪補(bǔ)償一般由運(yùn)動(dòng)測(cè)量系統(tǒng)、控制系統(tǒng)、執(zhí)行機(jī)構(gòu)等部分組成。如圖 1 所示，六自由度波浪補(bǔ)償裝置基于 Stewart 平臺(tái)，檢測(cè)系統(tǒng)將兩種傳感器測(cè)得的運(yùn)動(dòng)信號(hào)經(jīng)過(guò)多源融合算法處理輸入到控制系統(tǒng)，在該系統(tǒng)完成數(shù)據(jù)的處理分析后，經(jīng)過(guò)位姿反解得出 Stewart 平臺(tái) 6 個(gè)液壓缸伸長(zhǎng)量的期望值，此時(shí)控制執(zhí)行機(jī)構(gòu)產(chǎn)生與船舶運(yùn)動(dòng)大小相等、方向相反的六自由度運(yùn)動(dòng)，實(shí)現(xiàn)波浪補(bǔ)償。最終，將各個(gè)液壓缸的實(shí)際位置與期望值構(gòu)成的運(yùn)動(dòng)控制偏差輸入自抗擾控制器，構(gòu)成完整的控制回路。Stewart 平臺(tái)液壓系統(tǒng)的電液伺服閥控制液壓缸的進(jìn)油方向與流量，進(jìn)而驅(qū)動(dòng)液壓缸平滑、穩(wěn)定地伸縮。

3 測(cè)量系統(tǒng)

3.1 海工裝備運(yùn)動(dòng)姿態(tài)測(cè)量系統(tǒng)

為保證補(bǔ)償后船舶的海工裝備和其上的補(bǔ)償平臺(tái)可以保持相對(duì)靜止或運(yùn)動(dòng)幅度大大降低，首先需要掌握海工裝備母船實(shí)時(shí)準(zhǔn)確的運(yùn)動(dòng)信息，作為主動(dòng)補(bǔ)償棧橋運(yùn)動(dòng)控制的輸入。目前比較常用的船舶運(yùn)動(dòng)檢測(cè)方法有衛(wèi)星定位系統(tǒng)、慣性測(cè)量模塊以及基于激光或機(jī)器視覺的相對(duì)運(yùn)動(dòng)測(cè)量方法等[6]。由于微慣性傳感器集成了加速度測(cè)量、傾斜測(cè)量、轉(zhuǎn)動(dòng)測(cè)量和振動(dòng)測(cè)量，且安裝方便、實(shí)時(shí)性強(qiáng)，本文設(shè)計(jì)選擇使用微慣性傳感器測(cè)量船舶運(yùn)動(dòng)。

3.1.1 微慣性模型

基于微電子機(jī)械系統(tǒng)(MEMS)的微慣性傳感器，包括微加速度器、微陀螺儀，可以測(cè)量 6 個(gè)自由度的運(yùn)動(dòng)，包括微加速度器測(cè)得的三維加速度和微陀螺儀獲取的物體姿態(tài)和轉(zhuǎn)動(dòng)角速度。微加速度器將測(cè)得的加速度數(shù)據(jù)經(jīng)過(guò)對(duì)時(shí)間一次積分可得到母船的速度、二次積分可得到母船的位移，最終得到位置的增量變化。

MTi 是荷蘭 Xsens 開發(fā)生產(chǎn)的一款可以精準(zhǔn)測(cè)量姿態(tài)和航向以及慣性運(yùn)動(dòng)參數(shù)的產(chǎn)品，具有體積小、集成度高、輸出穩(wěn)定、抗干擾性強(qiáng)等優(yōu)點(diǎn)。趙健冬[7]對(duì) MTi 的工作原理及底層驅(qū)動(dòng)進(jìn)行了理論研究。

3.1.2 濾波器的選擇

圖1 主動(dòng)波浪補(bǔ)償棧橋系統(tǒng)過(guò)程示意圖Fig. 1 Process block diagram of active wave compensation trestle system

MTi 中的陀螺儀作為一種敏感元件，特別容易受到無(wú)用干擾源的影響，且成為加速度數(shù)據(jù)中的余項(xiàng)，積分后導(dǎo)致誤差越積越大，即陀螺儀時(shí)飄現(xiàn)象，故運(yùn)算中需要將這些干擾源去掉。其原理是：由于積分過(guò)程實(shí)際是一個(gè)低通濾波器，所以積分后的信號(hào)中出現(xiàn)了較多的低頻信號(hào)噪聲。積分后的信號(hào)可以用一個(gè)高通濾波器進(jìn)行濾波，以削弱數(shù)值積分在信號(hào)中產(chǎn)生的低頻噪聲[8]。李婧[9]采用現(xiàn)代濾波器-擴(kuò)展卡爾曼濾波器(EKF)對(duì)測(cè)量的船舶升沉位移進(jìn)行濾波處理，減少了測(cè)量誤差。但使用卡爾曼濾波器(KF)需要獲得船舶升沉運(yùn)動(dòng)的頻率特性，然后根據(jù)其選擇相應(yīng)的濾波器參數(shù)，這種方法降低了不同條件下的適應(yīng)性。盧道華等[10]采用無(wú)跡卡爾曼濾波器(UKF)，對(duì)比 EKF 通過(guò)一階泰勒展開使其線性化，并在一定范圍內(nèi)收斂，UKF 可以直接進(jìn)行非線性函數(shù)狀態(tài)及其方差的傳播。該實(shí)驗(yàn)結(jié)果表明，與 EKF 相比，UKF 確實(shí)獲得了更快的收斂速度和測(cè)量精度。另外，傳統(tǒng)數(shù)字濾波器分為有限沖激響應(yīng)濾波器(FIR)和無(wú)限沖激響應(yīng)濾波器(IIR)兩種，工業(yè)上多使用 IIR 濾波器，但需要解決其相位超前問題。袁書明等[11]提出一種基于加權(quán)傅立葉線性組合算法(WFLC)的自適應(yīng)頻率估計(jì)算法來(lái)延時(shí)校正相位超前量；陳琦等[12]提出一種自適應(yīng)巴特沃斯濾波器，采用互為濾波的方法降低延時(shí)，截止頻率可以根據(jù)升沉運(yùn)動(dòng)的頻率特性優(yōu)化調(diào)整，實(shí)驗(yàn)表明數(shù)據(jù)精度滿足補(bǔ)償要求。本文在分析多種濾波方法的基礎(chǔ)上，為盡可能地保證信號(hào)在通帶內(nèi)沒有紋波，選擇巴特沃斯濾波器，以實(shí)現(xiàn)減少測(cè)量的積分誤差以及自身的幅值、相位誤差。

3.2 補(bǔ)償平臺(tái)末端姿態(tài)測(cè)量與基于多元融合算法的測(cè)量系統(tǒng)

3.2.1 機(jī)器視覺術(shù)用于平臺(tái)末端姿態(tài)檢測(cè)

機(jī)器視覺具有成本低、安裝調(diào)試方便、精度高且非接觸測(cè)量的優(yōu)勢(shì)。大連理工大學(xué)的李木國(guó)等[13]研究了基于機(jī)器視覺的艦船姿態(tài)檢測(cè)方法，并進(jìn)行了水池船模實(shí)驗(yàn)。崔偉[14]研究了基于雙目視覺的補(bǔ)償系統(tǒng)檢測(cè)中的攝像機(jī)標(biāo)定與立體校正方法、圖像特征提取、立體匹配與特征跟蹤方法、以及位姿解算，實(shí)驗(yàn)結(jié)果顯示位置和姿態(tài)精度較高，表明了視覺技術(shù)用于主動(dòng)波浪補(bǔ)償?shù)目尚行浴?/p>

本文采用雙目視覺測(cè)量波浪補(bǔ)償平臺(tái)末端的姿態(tài)，通過(guò)檢測(cè)目標(biāo)圖像上的特征點(diǎn)，獲得特征點(diǎn)在世界坐標(biāo)系中的空間坐標(biāo)，進(jìn)而解算目標(biāo)的空間位姿。多個(gè)特征點(diǎn)即可立體匹配獲得三維圖像，因此跟蹤特征點(diǎn)可得到多個(gè)三維圖像，從而獲得補(bǔ)償平臺(tái)末端的姿態(tài)變化。相應(yīng)技術(shù)流程如圖 2 所示，具體步驟如下。

(1)完成圖像采集后，系統(tǒng)先對(duì)攝像機(jī)進(jìn)行標(biāo)定和雙目圖像的立體校正，求解出相機(jī)模型的參數(shù)，包括內(nèi)部參數(shù)(單位長(zhǎng)度的像素個(gè)數(shù) fx、fy，主點(diǎn)坐標(biāo)(cx, cy)等)與外部參數(shù)(表征左右兩相機(jī)間關(guān)系的旋轉(zhuǎn)矩陣 R 和平移向量 t)，并對(duì)左右兩幅圖像進(jìn)行處理使它們共面且對(duì)稱。

(2)在 MATLAB 中導(dǎo)入所采集的圖像并提取特征點(diǎn)，其中提取方法通常可分為邊緣點(diǎn)提取、角點(diǎn)提取和各種興趣算子。角點(diǎn)包含豐富的局部特征和形狀信息，因此綜合考慮選取特征點(diǎn)數(shù)量、定位準(zhǔn)確性、提取速度以及抗噪性四方面，選擇角點(diǎn)作為目標(biāo)特征。較有代表性的角點(diǎn)提取算法有 Harris 算法和 SUSAN 算法。本文采用 SUSAN 算法提取角點(diǎn)，針對(duì)該算法運(yùn)算速度慢的問題，采用簡(jiǎn)單的方法先對(duì)角點(diǎn)作初選。

(3)利用特征進(jìn)行局部立體匹配和跟蹤，由區(qū)域匹配算法求得兩個(gè)圖像平面的視差，可通過(guò) OpenCV 獲得稀疏視差圖，后經(jīng)插值算法獲得稠密視差圖。隨后，通過(guò)提取圖像上的目標(biāo)特征點(diǎn)和圖像坐標(biāo)矩陣，并根據(jù)所建立的定位相機(jī)模型，解算出目標(biāo)在世界坐標(biāo)系中的位姿。

(4)在實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)相對(duì)位姿求解的基礎(chǔ)上，檢測(cè)平臺(tái)末端的運(yùn)動(dòng)信息，并反饋給控制系統(tǒng)。基于視覺的檢測(cè)技術(shù)測(cè)量精度高，但需要處理圖像多，解算過(guò)程復(fù)雜，數(shù)據(jù)更新慢，需要通過(guò)融合慣性測(cè)量模塊獲得姿態(tài)數(shù)據(jù)，進(jìn)而使測(cè)量結(jié)果具有較高的精度和較快的速度。

3.2.2 借助卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建擴(kuò)展卡爾曼濾波觀測(cè)模型的多傳感器信息融合

對(duì)于多傳感器融合的方法有：貝葉斯估計(jì)、模糊理論、D-S 證據(jù)推理、卡爾曼濾波理論、神經(jīng)網(wǎng)絡(luò)理論[15]。靜如雪等[16]通過(guò)自適應(yīng)加權(quán)算法融合多傳感器的數(shù)據(jù)，不需知道任何先驗(yàn)概率，首先檢驗(yàn)數(shù)據(jù)的一致性、剔除異常數(shù)據(jù)，隨后使用支持度最高的數(shù)據(jù)替換被剔除的數(shù)據(jù)，加權(quán)法計(jì)算改進(jìn)后的數(shù)據(jù)，結(jié)果表明自適應(yīng)加權(quán)算法具有較好的精度，但當(dāng)數(shù)據(jù)龐大，或傳感器的測(cè)量不是針對(duì)同一屬性時(shí)，無(wú)法很好地使用。Foxlin 等[17]采用卡爾曼濾波算法融合慣性傳感器與光學(xué)傳感器的位姿測(cè)量結(jié)果，但若未知系統(tǒng)噪聲和觀測(cè)噪聲的特性，很難獲得較好的融合結(jié)果。孫長(zhǎng)庫(kù)等[18]針對(duì)兩種噪聲有界的情況，采用 H∞濾波器融合分別經(jīng)歐拉角迭代公式和 POSIT 算法解算的慣性傳感器(IMU)和單目相機(jī)的目標(biāo)姿態(tài)，并通過(guò)融合結(jié)果與慣性測(cè)量的差值修正時(shí)漂誤差。代欣[19]設(shè)計(jì)了一種結(jié)合誤差反向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)和深度自編導(dǎo)網(wǎng)絡(luò)的算法，先由自編碼預(yù)訓(xùn)練將結(jié)果輸入 BP 神經(jīng)網(wǎng)絡(luò)，并通過(guò) MATLAB 和 Python 訓(xùn)練。本文將 IMU 與雙目視覺進(jìn)行數(shù)據(jù)融合的過(guò)程如下。

(2)兩傳感器測(cè)得的均為船舶的位置、姿態(tài)信息，故可實(shí)現(xiàn)同一維度(坐標(biāo)對(duì)坐標(biāo))的數(shù)據(jù)融合。擴(kuò)展卡爾曼濾波融合算法原理是：以慣性測(cè)量單元的測(cè)量值作為預(yù)測(cè)值、雙目視覺測(cè)量值作為觀測(cè)值，由預(yù)測(cè)值與觀測(cè)值作誤差處理；經(jīng)過(guò)初始化狀態(tài)方程及量程方程、預(yù)測(cè)變化和反饋更新 3 個(gè)步驟[21]，循環(huán)修正直到系統(tǒng)內(nèi)參數(shù)最優(yōu)估計(jì)值。

4 主動(dòng)波浪補(bǔ)償棧橋系統(tǒng)

4.1 液壓系統(tǒng)與執(zhí)行機(jī)構(gòu)

棧橋的動(dòng)力部分基于 Stewart 平臺(tái)(見圖 4)，在 Stewart 平臺(tái)的上平臺(tái)連接舷梯以及舷梯回轉(zhuǎn)、俯仰、伸縮等執(zhí)行機(jī)構(gòu)；Stewart 平臺(tái)的下平臺(tái)固定于海工船舶的甲板上。為節(jié)省空間，Stewart 平臺(tái)液壓驅(qū)動(dòng)部分的蓄能器組安放在下平臺(tái)中央位置。

電液伺服驅(qū)動(dòng)的 Stewart 平臺(tái)具有精度高、結(jié)構(gòu)緊湊、空間占用少、承載能力強(qiáng)等優(yōu)點(diǎn)，同時(shí)也需要選擇合適的控制策略解決液壓驅(qū)動(dòng)的主動(dòng)波浪補(bǔ)償棧橋存在的負(fù)載慣量大、大延時(shí)、非對(duì)稱、參數(shù)時(shí)變以及強(qiáng)耦合等問題。

4.2 基于神經(jīng)網(wǎng)絡(luò)的自抗擾控制系統(tǒng)

圖3 基于多速率視覺慣性數(shù)據(jù)融合路線圖Fig. 3 Fusion route map based on the multi-rate visual inertial data

傳統(tǒng)的比例-積分-微分(Proportion Integration Differentiation，PID)控制器結(jié)構(gòu)簡(jiǎn)單，參數(shù)調(diào)節(jié)比較容易，在工業(yè)控制中具有廣泛應(yīng)用。但當(dāng)其面對(duì)系統(tǒng)對(duì)象參數(shù)變化較大或非線性效應(yīng)較明顯時(shí)，很難保持較好的控制效果，并且其線性組合的方式常常會(huì)引起系統(tǒng)快速性和超調(diào)量之間的矛盾。唐建林[23]研究了關(guān)節(jié)空間和任務(wù)空間基于 Stewart 平臺(tái)的自適應(yīng)控制策略，有效提高動(dòng)態(tài)響應(yīng)和平穩(wěn)性，但實(shí)時(shí)性不強(qiáng)；王榮林等[24]采用基于神經(jīng)網(wǎng)絡(luò)(Neural Network，NN)的自抗擾(ADRC)控制電液伺服系統(tǒng)，在 MATLAB 中對(duì)比 PID 控制和 NN-ADRC 控制，加入階躍擾動(dòng)顯示 NNADRC 控制對(duì)外界負(fù)載擾動(dòng)具有更好的魯棒性，NN-ADRC 控制跟蹤正弦響應(yīng)曲線結(jié)果誤差更好，具有更好的控制效果，表明了該設(shè)計(jì)的可行性。

圖4 主動(dòng)波浪補(bǔ)償棧橋系統(tǒng)示意圖Fig. 4 Schematic diagram of active wave compensation trestle system

4.2.1 自抗擾控制器

自抗擾控制技術(shù)是一種由 PID 控制改進(jìn)而來(lái)的非線性數(shù)字控制技術(shù)，主要由跟蹤微分器(Trace Differentiator，TD)、擴(kuò)張狀態(tài)觀測(cè)器(Extended State Observer，ESO)和非線性狀態(tài)誤差反饋器(NLSEF)三部分組成。自抗擾控制可以將不同因素引起的擾動(dòng)歸類為系統(tǒng)的總擾動(dòng)，然后用擴(kuò)張狀態(tài)觀測(cè)器進(jìn)行估計(jì)、補(bǔ)償，將復(fù)雜問題簡(jiǎn)單化，使其轉(zhuǎn)化為線性系統(tǒng)的標(biāo)準(zhǔn)型。

與 PID 控制器相比，自抗擾控制器不依賴于被控對(duì)象的精確數(shù)學(xué)模型，具有更好的適應(yīng)性和魯棒性，適用于非線性系統(tǒng) Stewart 平臺(tái)，但在應(yīng)用過(guò)程中首先要解決其可調(diào)參數(shù)多、參數(shù)整定比較困難的障礙。

以圖 5 中二階自抗擾控制為例，關(guān)于二階 ESO 的分析已有較完整的結(jié)果[25]。圖中，TD、ESO、NLSEF 的模型在 Simulink 子系統(tǒng)中建立。 (1)TD 的輸出 v1(t)跟蹤輸入 v(t)、v2(t)跟蹤 v(t)的微分，用來(lái)協(xié)調(diào)超調(diào)性與響應(yīng)速度的矛盾，TD 的離散表達(dá)式為公式(3)：

圖5 MATLAB/Simulink 中建立的二階自抗擾控制器仿真圖Fig. 5 Simulation diagram of second order ADRC in MATLAB/ Simulink

其中，需要整定的參數(shù)包括速度因子 r、積分步長(zhǎng) h 和濾波因子 h0。r 與過(guò)渡時(shí)間相關(guān)，r 越大過(guò)渡時(shí)間越短，為抑制超調(diào)，一般取 r＜1；濾波因子 h0較小時(shí)會(huì)產(chǎn)生震蕩，設(shè)定 h≤h0即可消除穩(wěn)態(tài)震顫。fst函數(shù)由 Simulink 中 MATLAB Function 模塊編寫。

令單神經(jīng)元的學(xué)習(xí)指標(biāo)為：

圖6 基于人工神經(jīng)網(wǎng)絡(luò)的自抗擾控制流程圖Fig. 6 Flow chart of ADRC based on artificial neural network

5 聯(lián)合仿真

將六自由度主動(dòng)波浪補(bǔ)償裝置根據(jù)功能分成機(jī)械、控制和液壓三個(gè)子系統(tǒng)，運(yùn)用 MATLAB/Simulink 搭建補(bǔ)償裝置的機(jī)械(機(jī)構(gòu)多體動(dòng)力學(xué)模型)與控制系統(tǒng)模型(圖 5)，所建立的六自由度平臺(tái)多體動(dòng)力學(xué)模型如圖 7 所示。在 AMEsim 建立液壓系統(tǒng)模型并以它為主控平臺(tái)進(jìn)行機(jī)、電、液聯(lián)合仿真，獲得更加真實(shí)準(zhǔn)確的仿真結(jié)果。

AMEsim 液壓系統(tǒng)模型主要由液壓系統(tǒng)各組成元器件、控制器、測(cè)量模塊、參考輸入和接口組成，單個(gè)支腿的液壓系統(tǒng)如圖 8 所示。在 AMEsim 建立與 MATLAB/Simulink 接口模塊，接口可以進(jìn)行數(shù)據(jù)實(shí)時(shí)交互，采用 Visual C++編譯語(yǔ)言實(shí)現(xiàn)兩個(gè)軟件無(wú)縫連接，從而實(shí)現(xiàn)聯(lián)合仿真。創(chuàng)建接口模塊時(shí)，需定義各液壓缸驅(qū)動(dòng)力為輸入變量 i，執(zhí)行作業(yè)的機(jī)械系統(tǒng)在液壓系統(tǒng)提供的驅(qū)動(dòng)力/力矩的作用下，遵守機(jī)械動(dòng)力學(xué)運(yùn)動(dòng)原理和模型的約束條件產(chǎn)生機(jī)械運(yùn)動(dòng)，輸出各活塞桿伸出的速度和位移響應(yīng)變量 v 和 w，同時(shí)這些響應(yīng)量又反饋到前者的模型作為系統(tǒng)輸入，實(shí)現(xiàn)仿真數(shù)據(jù)在不同系統(tǒng)領(lǐng)域的軟件中的雙向傳遞功能。

基于 Stewart 平臺(tái)的主動(dòng)波浪補(bǔ)償裝置聯(lián)合仿真模型如圖 9 所示。聯(lián)合仿真充分發(fā)揮各領(lǐng)域?qū)I(yè)仿真工具的優(yōu)勢(shì)，并綜合考慮了多體動(dòng)力學(xué)、液壓系統(tǒng)、控制系統(tǒng)之間的相互耦合關(guān)系，其仿真結(jié)論與真實(shí)實(shí)驗(yàn)更接近。在裝備體積龐大、造價(jià)昂貴的情況下，聯(lián)合仿真可部分代替裝備的真實(shí)實(shí)驗(yàn)，為裝備和系統(tǒng)開發(fā)提供有力的理論支撐[26]。

圖7 基于 MATLAB/Simulink 的主動(dòng)波浪補(bǔ)償機(jī)構(gòu)多體動(dòng)力學(xué)模型Fig. 7 Multi-body dynamic model of active wave compensation mechanism based on MATLAB/Simulink

圖8 單個(gè)支腿控制模型圖Fig. 8 Control model diagram of single leg

6 討論與分析

圖9 基于 Stewart 平臺(tái)的主動(dòng)波浪補(bǔ)償裝置聯(lián)合仿真模型Fig. 9 Joint simulation model of active wave compensation device based on Stewart platform

雖然很多學(xué)者已對(duì)六自由度主動(dòng)波浪補(bǔ)償裝置進(jìn)行了深入的研究，大部分學(xué)者都采用 Stewart 平臺(tái)作為主要結(jié)構(gòu)[2-4]，通過(guò)選擇不同的控制器以達(dá)到快速響應(yīng)、精準(zhǔn)定位的效果，但涉及到船舶運(yùn)動(dòng)測(cè)量的研究仍較少。本文以船舶運(yùn)動(dòng)姿態(tài)和補(bǔ)償平臺(tái)末端姿態(tài)檢測(cè)為研究起點(diǎn)，通過(guò)擴(kuò)展卡爾曼濾波算法融合兩個(gè)傳感器的信息，實(shí)現(xiàn)了慣性測(cè)量與視覺測(cè)量的互補(bǔ)結(jié)合，可獲得結(jié)構(gòu)簡(jiǎn)單、操作方便、快速且準(zhǔn)確的運(yùn)動(dòng)數(shù)據(jù)[27]，從而獲得更好的補(bǔ)償效果，后續(xù)研究可以進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)在姿態(tài)估計(jì)中的算法研究[28]。 針對(duì) Stewart 并聯(lián)補(bǔ)償平臺(tái)難以控制的問題，普通的 PID 控制已無(wú)法滿足需求，故需對(duì) PID 控制算法進(jìn)行改進(jìn)。潘學(xué)海[29]研究了基于 PID 的模糊控制算法，侯遠(yuǎn)欣等[30]引用反向傳播神經(jīng)網(wǎng)絡(luò)算法，采用梯度下降法對(duì)反向傳播神經(jīng)網(wǎng)絡(luò)加權(quán)值進(jìn)行修正，通過(guò)學(xué)習(xí)速率來(lái)補(bǔ)償控制系統(tǒng)輸出誤差，從而實(shí)現(xiàn) PID 控制器參數(shù)在線調(diào)節(jié)，但尚未從根本突破 PID“快速性”和“超調(diào)”之間矛盾。由此，越來(lái)越多的學(xué)者對(duì)自抗擾控制器[31]和自適應(yīng)控制展開研究。張萌[32]研究了在自抗擾控制器基礎(chǔ)上，設(shè)計(jì)出基于非奇異快速終端滑膜控制技術(shù)的波浪補(bǔ)償有限時(shí)間控制，解決了參數(shù)不確定和負(fù)載未知時(shí)變的問題，但這種方式誤差收斂速度不達(dá)標(biāo)。本文選用自抗擾控制器，在 MATLAB/Simulink 中建立模型，再由神經(jīng)網(wǎng)絡(luò)解決其中 NLSEF 參數(shù)難以整定的問題，后續(xù)研究可以對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練找到合適參數(shù)后進(jìn)行與其他控制器對(duì)比仿真。最后通過(guò)聯(lián)合仿真模型的建立，可以實(shí)現(xiàn)從測(cè)量到運(yùn)動(dòng)控制的完整流程，具有創(chuàng)新意義。

7 結(jié) 論

以海工裝備主動(dòng)波浪補(bǔ)償裝置實(shí)現(xiàn)更快速的響應(yīng)、更高的補(bǔ)償精度為目的，本文從運(yùn)動(dòng)測(cè)量、主動(dòng)波浪補(bǔ)償控制、多系統(tǒng)聯(lián)合仿真等方面對(duì)六自由度主動(dòng)波浪補(bǔ)償裝置開展深入研究。其中，建立了卷積神經(jīng)網(wǎng)絡(luò)改進(jìn)的主動(dòng)波浪補(bǔ)償運(yùn)動(dòng)測(cè)量系統(tǒng)，該系統(tǒng)通過(guò)高通濾波器降低慣性傳感器測(cè)量船舶運(yùn)動(dòng)的時(shí)漂誤差，結(jié)合雙目視覺對(duì)平臺(tái)末端的檢測(cè)，借助卷積神經(jīng)網(wǎng)絡(luò)的擴(kuò)展卡爾曼算法將兩傳感器的數(shù)據(jù)融合，比傳統(tǒng)單傳感器測(cè)量系統(tǒng)具有更高的測(cè)量穩(wěn)定性；采用具有更強(qiáng)的實(shí)時(shí)性和抗干擾性自抗擾控制器進(jìn)行主動(dòng)波浪補(bǔ)償控制；建立了六自由度主動(dòng)波浪補(bǔ)償裝置機(jī)、電、液聯(lián)合仿真模型，為系統(tǒng)性能分析驗(yàn)證提供了有效的工具。