Performance analysis of dynamic positioning observer algorithms: Application to the cybership models in MC-Lab
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3092805Utgivelsesdato
2023Metadata
Vis full innførselSamlinger
- Institutt for marin teknikk [3410]
Sammendrag
Det Marin Kybernetikk Laboratorium (MC-Lab) har en voksende flåte av kyberskip som brukes til masteroppgaver og doktorgradsforskning. Denne masteroppgaven sammenligner Dynamisk Posisjonering Observer (DPO) algoritmer som er aktuelle for kyberskip-modellene, med egenskaper som robust estimering av bias og evne til bølgefiltrering. Metoden er implementert I MC-Lab, med spesielt fokus på modellbåten C/S Arctic Drillship.
Oppgaven vurderer Lineær Tids-Varierende Kalman Filter (LTV-KF), den ikke lineære passive observeren, et observer design basert på small-gain prinsippet og et observer design basert på Lyapunov transformasjon. Det legges spesielt vekt på observer algoritmen basert på small-gain prinsippet. Videre brukes bare bølgefiltreringsegenskapene til den ikke-lineære passive observeren. Stabilitetsegenskapene til observer algoritmene og retningslinjer for manuell justering av observer parameter undersøkes.
Et Grafisk Brukergrensesnitt (GUI) er lagt til i Menneske Maskin Grensesnittet (HMI) til CSAD. Det nye GUI-et lar operatøren overvåke og samhandle med systemet. Det inkluderer sanntidsplotting av faktisk, estimert og ønsket posisjon og retning. Det inneholder også funksjonalitet for å justere observere i sanntid og er fullt innlemmet med CSAD sin ROS-stakk for bruk i Hardware-in-the-Loop (HIL) og modell tester.
Observer parameterne blir justert automatisk ved hjelp av Partikkel Sverm Optimalisering (PSO), uten å være avhengig av den deriverte til målfunksjonen. De deterministiske observerne benytter justerings parameteren som optimaliseringsparametere, mens LTV-KF bruker kovariansmatrisen for prosess støy Q. Integral til Absolutt Feil (IAE) er valgt som Ytelsesindikator (PI) og brukes som målfunksjon.
Observerne blir testet ved hjelp av en 4-hjørne-test og en 2-trinns transiente manøver i 3 frihetsgrader som er definert som en kombinert bevegelse test. Testene ble implementert i Python og kjørt ved hjelp av Robot Operativ System (ROS) for å fungere i sanntid. Tap av posisjon og retnings signal ble brukt i kombinasjon med den kombinerte bevegelses testen for å teste observerne sin deadreckoning-evne.
Ved operasjon i rolig farvann, var prestasjonen til alle observatørene relativt lik. Imidlertid konkluderer oppgaven med at LTV-KF er observeren med best ytelse for CSAD med hensyn til nøyaktighet og deadreckoning-evne når man opererer i grov sjø. Observer designet basert på small-gain prinsippet ble implementert for CSE og CSJ med god posisjons- og retningsestimering, men ble bare testet i rolig vann. The Marine Cybernetics Laboratory (MC-Lab) has a growing fleet of cybership vessels used in masters thesis and Ph.D. research. The thesis compares Dynamic Positioning Observer (DPO) algorithms relevant to the cybership models, including robust bias estimation and wave filtering capability. The method is implemented in the MC-Lab, focusing on the experimental model vessel C/S Arctic Drillship.
The thesis considers the Linear Time-Varying Kalman Filter (LTV-KF), the nonlinear passive observer, an observer design based on the small-gain principle, and an observer design based on the Lyapunov transformation. A particular focus on the observer algorithm based on the small-gain principle. Furthermore, the wave filtering properties are the only component of the nonlinear passive observer that is used. The observer algorithms' stability properties and manual tuning guidelines are investigated.
A Graphical User Interface (GUI) is added as an addition to the Human Machine Interface (HMI) of CSAD. The new GUI allows the operator to monitor and interact with the system. It includes realtime plotting of the actual, estimated, and desired position and heading. It also contains functionality to tune observers in realtime and is fully integrated with the CSAD ROS stack for use in Hardware-in-the-Loop (HIL) and model-scale testing.
The observers are tuned using Particle Swarm Optimization (PSO), not relying on the derivative of the objective function. The deterministic observers use the injection gains as optimization parameters, and the LTV-KF uses the process-noise covariance matrix Q. The integral of absolute error (IAE) is selected as the Performance Indicator (PI) used as the objective function.
The observers are tested using a 4-corner test and a 2-step 3 DOF transient maneuver defined as a combined motion test. The tests were implemented in Python and run using the Robotic Operating System (ROS) to function in realtime. Position and heading signal dropouts were used in combination with the combined motion test to test the deadreckoning capability of the observers.
When operating in calm waters, the performance of all the observers was similar. However, the thesis concludes that the LTV-KF is the best performing observer for CSAD regarding the accuracy and deadreckoning capability when operating in rough and very rough sea states. The observer design based on the small-gain principle was implemented for CSE and CSJ with a good position and heading estimation but was only tested in calm water.