《Engineering Applications of Artificial Intelligence》：Intelligent adaptive control of ship dynamic positioning using extreme learning machine and disturbance observer
編輯推薦：
針對船舶動力定位（DP）受未知非線性模型及波浪干擾等問題，研究人員提出基于自適應極限學習機（ELM）和干擾觀測器（DO）的預設性能控制方案。虛擬實驗表明該方法能快速跟蹤軌跡、維持穩定，提升了 DP 船抗干擾能力，對航海及海洋勘探意義重大。
船舶在浩瀚海洋中航行時，如同漂浮的精密儀器，時刻面臨著復雜環境的挑戰。海浪的起伏、海風的吹拂以及船舶自身結構的復雜性，都會對其動力定位（Dynamic Positioning, DP）精度產生顯著影響。動力定位技術作為船舶在特定海域保持位置和航向的關鍵手段，在深�？碧�、海上作業等領域至關重要。然而，傳統控制方法在面對船舶模型中未知的非線性因素以及波浪等外部干擾時，往往難以實現精準控制，容易出現軌跡偏離、船體震蕩等問題，不僅影響作業效率，還可能對船上精密設備造成損害。因此，如何提升船舶動力定位系統在多干擾環境下的穩定性和抗干擾能力，成為船舶工程領域亟待解決的難題。
為了攻克這一技術瓶頸，國內研究團隊開展了深入研究。他們針對船舶動力定位系統中存在的未知非線性模型和以非線性外系統建模的波浪干擾等問題，提出了一種基于自適應極限學習機（Extreme Learning Machine, ELM）和干擾觀測器（Disturbance Observer, DO）的預設性能控制方案，并將相關研究成果發表在《Engineering Applications of Artificial Intelligence》。
該研究主要采用了以下關鍵技術方法：首先運用 ELM 網絡對船舶動力定位系統及外系統中的未知非線性函數進行逼近；然后設計基于 ELM 的神經網絡干擾觀測器，用于估計外部干擾，以便后續控制器對干擾進行補償；同時設計性能函數，通過約束系統誤差向量來提升閉環控制精度和動態性能，確保船舶系統狀態誤差在預定時間內收斂；最后結合指令濾波反推法，構建了具有預設性能的抗干擾控制方案。
結果與討論
研究人員將所提出的控制方案應用于挪威科技大學海洋控制實驗室 1:70 比例的 CyberShip II 補給船模型。通過與傳統方法的對比虛擬實驗，驗證了該方案的優越性。實驗中采用的 CyberShip II 無量綱參數見表 1（具體參數內容略）。
虛擬實驗結果表明，在包含模型未知非線性和外部波浪干擾的情況下，采用該方法控制的 DP 船舶能夠快速跟蹤參考軌跡并維持穩定。這充分說明，所提出的控制方案有效提升了 DP 船舶的抗干擾能力，能夠更好地應對復雜海洋環境中的挑戰。
結論
本研究針對船舶動力定位系統在復雜干擾環境下的控制問題，提出了一種融合自適應 ELM、干擾觀測器和預設性能控制的新型方案。通過 ELM 網絡對未知非線性因素的逼近、干擾觀測器對外部干擾的準確估計以及性能函數對系統誤差的有效約束，顯著提升了系統的閉環控制精度和動態性能。研究結果表明，該方案能夠使 DP 船舶在多干擾環境下保持穩定，快速跟蹤目標軌跡，為船舶在深海作業、海洋勘探等領域的安全穩定運行提供了有力的技術支持。這一成果不僅豐富了船舶動力定位領域的控制理論，也為實際工程應用中提升船舶抗干擾能力提供了新的思路和方法，具有重要的理論意義和工程實用價值。
