Improvement of an Autonomous Passenger Ferry Model Based on Multivariate Residual Modeling

Abstract

Når man utvikler en autonom ferge beregnet til å operere i trange områder, er det viktig med et nøyaktig kontrollsystem. Presisjonen til kontrollsystemet kan forbedres ved a bruke en foroverkobling for å estimere det nødvendige pådraget, men dette krever en nøyaktig modell av fergen. Det er vanlig a utlede en initiell modell basert på fysiske betraktninger, men disse modellene pleier vanligvis ikke a være i stand til å forklare hele dynamikken. Modellfeilene medfører til et avvik mellom estimatene fra modellen og det virkelige fergesystemet, og ved a minimere disse avvikene vil estimatene bli mer nøyaktige og fergemodellen forbedres.

I denne master oppgaven presenteres det en multivariate analyse med mal om å modellere modellfeilen mellom en initiell modell og den faktiske fergen. En metode basert på partiell minste kvadrat regresjon (PLSR) brukes til å finne modellen, med en seleksjon av passende basisfunksjoner som input. En ny metode er presentert som overflateanalyse som brukes til a utbedre seleksjonen av basisfunksjoner, ved å systematisk fjerne basisfunksjonene som bidrar minst til modellen og bruker kryssvalidering for a teste om modellen forbedres. Den multivariate modellen av modellfeilen implementeres med den initielle modellen for a gi en utbedret representasjon av fergedynamikken.

Denne metoden er testet gjennom simuleringer og på eksperimentell data. I simuleringene greide den multivariate analysen a estimere modellfeilen med god nøyaktighet, og ved a implementere denne modellen i kontrolleren ble ytelsen forbedret betraktelig. Presisjonen til den mutlivariate metoden er også evaluert ved simuleringer påført støy og med en konstant forstyrrelse, hvor metoden fortsatt ga gode resultater. Kontrolleren er testet med banefølging av en forutsbestemt rute for a sammenlikne forskjellene med og uten den multivariate modellen implementert. Her kom fordelene av a forbedre modellen tydelig fram ved at kontrolleren fulgte banen mer nøyaktig, samtidig som at energi forbruket minsket. Modellfeilen fra den eksperimentelle dataen ble også forbedret med multivariate metoder. Dette ga grunnlaget for to foreslåtte modeller med forskjellig formål. En modell er beregnet for a implementeres i kontrolleren for å få et mer nøyaktig pådrag. I denne modellen er dynamikken til trusterene også inkludert i tillegg til fergen. Den andre modellen er beregnet for simuleringsformål, og beskriver kun dynamikken til fergen. Dette viser at multivariate metoder kan benyttes til å analysere modellfeil fra experimentell data til en ferge, og lage en utbedret modell av fergen.

When developing an autonomous ferry intended to operate in confined areas it is important with an accurate and precise control system. The performance of the control system can be increased by utilizing a feedforward controller to give an estimate of the required control input to reach the reference. However, this requires an accurate model of the ferry. To achieve this it is common to derive an initial model based on first principles, however this model usually is not able to explain all of the dynamics. The model errors could be caused by assumptions that simplify the model or unique dynamics for this ferry depending on the size and shape. These model errors causes deviations between the estimates of the model and the true system, and by minimizing these deviations the estimations become more accurate and the ferry model is improved.

In this thesis a multivariate analysis is presented to model the lack-of-fit residual between the initial model and the true system. A partial least squares regression (PLSR) based method is used to derive the multivariate model, with a selection of basis functions as the input. A new method through surface analysis is presented to improve the selection of basis functions, by systematically removing basis functions that contribute the least and determines if this increases the model fit through cross validation. The multivariate model of the residual complements the initial model and is used in parallel with this to give a better representation of the ferry.

The multivariate analysis (MVA) is tested in simulations and on experimental data. In simulations the methods derived a good approximation of the residual, and by implementing this model in the controller the performance was improved significantly. The accuracy of the multivariate method is also evaluated by simulations inflicted by noise and a constant disturbance, where the method still gave good results. Path following of a desired trajectory comparing the performance of the controller with and without the multivariate model implemented, shows the benefit of modeling the residual with multivariate methods. This resulted in more accurate tracking, and especially reducing large deviations from the desired trajectory, in addition to a reduced energy consumption. The lack-of-fit residual from the experimental data was also reduced by using the multivariate method, which gave basis to two proposed models for different purposes. One model is intended for implementation in the controller to give a better approximation of the control input. This model accounts for some of the thruster dynamics in addition to the dynamics of the ferry. The other is proposed for simulation purposes, and only describes the dynamics of the ferry. Hence the multivariate method is able to analyse the lack-of-fit residual from the experimental data of the ferry, and derive an improved model of the ferry.