DP Control System for Blueye Pioneer

Abstract

I denne masteroppgaven er et feil-tolerant dynamisk posisjonering (DP) kontrollsystem utviklet for undervannsdronen Blueye Pioner. For å kunne utvikle kontrollsystemet er relevant informasjon og egenskaper relatert til dronen og dens indre sensorer i tillegg til det eksterne akustiske posisjonseringssystemet presentert. Et extended Kalman filter blir valgt som estimator og utviklet basert på en lavhastighetsmodell av dronen. Modellparametrene er estimert ved å bruke de geometriske egenskapene til dronen, Eidsviks metode for hydrodynamiske parametre, og derivative-fri optimalisering på data samlet i Marin Cybernetic's laben for å finne dempning. Relevante feilmodier for sensorene er identifisert og noen er implementert i estimatoren. For de resterende feilmodiene som ikke er implementert, er metoder for å detektere og håndtere disse foreslått. Et referansesystem basert på metoden pure pursuit er implementert for å generere referansehastigheter til kontrollsystemet. Til slutt utvikles kontrollere for jag, svai, hiv og gir.

Identifikasjonen av dempingen i modellen er utfordrende og gir ikke en model med høy nøyaktighet. For å kompansere for en unøyaktig modell, blir kovariansen av prosessstøyen i estimatoren satt til en høy verdi, slik at estimatoren stoler mer på målingene enn modellen. Dette fører til at estimatene med tilhørende målinger følger målingene tett. Hastighet- og bias-estimatetene er fluktuerende. Kontrollsystemet leder dronen til ønsket posisjon i x, y, og z med en nøyaktighet på under 1m. Heading-vinkelen oscillerer rundt ønsket vinkel uten å konvergere.

A fault-tolerant dynamic positioning (DP) control system for the remotely operated vehicle Blueye Pioneer (hereby referred to as "the drone") is developed in this thesis. As a part of developing the control system, relevant information and characteristics regarding the drone and the external acoustic positioning system used, are described. The chosen observer is a model-based extended Kalman filter developed using a low-speed model of the drone. The model parameters are estimated using the geometric properties of the drone, Eidsvik's method for the hydrodynamic parameters, and Derivative-free Optimization (DFO) on experimental data for the damping parameters. The observer is developed to handle asynchronous measurements and to detect and handle signal freeze of the measurements. For other relevant failure modes, e.g. outlier and high noise, mechanisms for detection and handling are proposed. A guidance system consisting of a pure pursuit velocity reference generator is developed. Lastly, PID control laws for surge, sway, heave and yaw are designed.

The estimation of model parameters is challenging and does not give a high accuracy model for the control system. To compensate for this, the observer is designed with high process noise covariance in order to rely more on the measurements than the model. The state estimates with corresponding measurements follows the measurements closely, while the velocity and bias estimates are highly fluctuating. The control system is able to go to the desired position in x, y, and z with an accuracy of less than 1m. However, the drone does not follow the shortest path to the desired position, but rather makes a large detour before arriving. The heading controller does not give satisfactory results as it has large oscillations around the desired heading angle.