| dc.description.abstract | Denne masteroppgaven fokuserer på å håndtere utfordringene forbundet med kompensasjon av annenordens, lavfrekvente bølgebelastninger på DP-fartøy. Konvensjonelt brukes integralvirkning i en tilbakekoblingssløyfe for å kompensere for slike krefter. Denne metoden har derimot vist seg å være sensitiv for transiente effekter forårsaket av de lavfrekvente komponentene i bølgebelastningene. Dette kan resultere i posisjonelle avvik for fartøyet. Motivert av denne utfordringen tar arbeidet i denne oppgaven sikte på å utforske alternative metoder for sanntidskompensasjon av disse gjenværende belastningene.
En omfattende simuleringsplattform, MCSimPython, har blitt utviklet i samarbeid med Jan-Erik Hygen. Plattformen inkluderer funksjonalitet for å modellere et fartøys kinematikk og kinetikk, ytre miljøkrefter samt funksjonalitet knyttet til reguleringsteknikk. Med dette fasiliteter plattformen for å kunne kjøre omfattende testing og analyse av DP-systemer. Simuleringsplattformen er tilgjengelig for allmenheten da den kan installeres som en egen Python pakke ved bruk av PyPI.
Fire ulike metoder for kompensasjon av annenordens, lavfrekvente bølgebelastninger på DP-fartøy presenteres og er blitt implementert. Metodene inkluderer direkte integralvirkning i en PID-regulator, bias estimater fra observer brukt i en foroverkobling, en adaptiv regulator som benytter en Fourier-serie bias-modell, og, bias estimering fra et nevralt nettverks integrert i en foroverkobling. De to første metodene er konvensjonelle metoder og fungerer som et sammenligningsgrunnlag for de to sistnevnte mer innovative metodene.
Det er gjennomført en simuleringsstudie som evaluerer og sammenligner de fire ulike metodene presentert ovenfor. Hvor gode regulatorene er til å holde fartøyet i ro for en gitt posisjon, samt hvor godt de klarer å følge en ønsket manøver har blitt evaluert. For den sistnevnte testen er transienter tilstede. Dette øker kompleksiteten til testen. Generelt sett viste alle kontrollmetodene tilfredsstillende resultater for de to testene. Den adaptive regulatoren viste seg å ha de overordnede dårligste resultatene. Den viste derimot potensiale for rask kompensasjon av bias under transiente faser. Den nevrale nettverksregulatoren gav den høyeste posisjonsnøyaktigheten blant alle regulatorer. Samtidig estimerte den biasesen betraktelig bedre enn de andre metodene. Til tross for de lovende resultatene, kreves det videre utvikling før denne regulatoren kan anvendes i virkelige DP-systemer.
For å vurdere robustheten til de to alternative regulatorene ble det utført en sensitivitetsanalyse. Analysen avdekket sensitiv oppførsel knyttet til støyfulle hastighetssignaler for den adaptive regulatoren. Viktigheten av regulatorens stabilitet måtte derfor veies opp mot rask bias kompensering. Den nevrale nettverksregulatoren viste betydelige variasjoner i bias estimeringen når det ble introdusert feil i kontroll design modellen og nettverkets input parametere. Dette understreker behovet for omfattende trening før regulatoren kan implementeres effektivt i et ekte system.
To av kontrollmetodene, PID-regulatoren og den adaptive regulatoren, ble testet i Marin Teknisk Senters eget laboratorium. Til tross for at det var behov for omfattende justering av regulatorene, viste de eksperimentelle testene lignende oppførsel og trender som testene utført på simuleringsplattformen. Disse funnene fungerer som en validering av resultatene fra simuleringsstudien. | |
| dc.description.abstract | This Master's thesis focuses on addressing the challenges associated with compensating for second-order, low-frequency wave load on DP vessels. The conventional approach of using the integral action feedback method has been found to be susceptible to transients caused by the low-frequency components of the wave loads. This may cause positional offsets of the vessel. Motivated by this challenge, the work presented in this thesis aims to explore alternative methods for real-time compensation of these residual loads.
A high-fidelity simulation platform, MCSimPython, has been developed, in collaboration with Jan-Erik Hygen. The platform provides a comprehensive descriptions of vessel kinetics and kinematics, external environmental loads, and DP functionality, providing the complete functionality for end-to-end testing of DP control system. The simulation platform is provided as a open-source PyPI Python package. Additionally, a neural network source code has also been developed, and is utilized in the control techniques.
Four different disturbance rejection methods for compensating second order, low-frequency wave loads on DP vessels has been presented and successfully implemented. The methods include direct integral action in a PID controller, DP-observer estimates utilized in a feedforward loop, an adaptive controller employing a truncated Fourier series disturbance model and a neural network bias estimate integrated into a feedforward loop. The two first methods serve as baseline approaches, while the latter two are proposed as alternative methods for potentially better compensation of residual loads. All controllers have been tuned equally, by the means of derivative-free-optimization techniques, enabling a fairer comparison foundation.
The simulation study proved that all control methods exhibited a satisfactory performance. The adaptive controller demonstrated potential for a more rapid bias rejection during transient phases, although slightly underperforming in overall performance. The neural network bias model exhibited a superiority over the other
approaches in regard to bias estimation. That being said, as the controller was implemented in a direct bias compensation mechanism, relying on a perfect vessel model, it was concluded that the technique faced difficulties regarding commercial feasibility.
A sensitivity analysis is provided to assess the robustness of the two newly proposed control methods. The analysis revealed sensitive behavior related to noisy velocity estimates, which had to be addressed in the tuning process of the adaptive gain, and introduced a trade-off between rapid bias rejection and stability. The neural network controller showcased notable variations in bias estimation when subjected to errors in the control design model and input parameters. This highlights the need for extensive training for the controller can be effectively implemented in a real system.
Finally, the PID and the adaptive controller, were tested experimentally in a laboratory. Despite the need for extensive re-tuning of the controllers, the experimental tests exhibited similar behaviors and trends as observed in the simulation study. This alignment serves as an important validation of the results obtained from the simulation study. | |
