本文旨在介绍一篇题为《一种用于安全转移海上风力涡轮机机组人员的数据驱动船舶运动最优控制方法》的学术论文。该研究由Amirkabir University of Technology（伊朗德黑兰）的Behzad Farzanegan、Ehsan Esmailian（通讯作者）和Mohammad Bagher Menhaj三位研究者完成，并于2019年发表在《Applied Ocean Research》期刊上。
一、 研究背景与目标
该研究属于海洋工程与智能控制交叉领域，具体聚焦于海上风电场运维（O&M）中的关键安全挑战。随着欧洲海上风力涡轮机（OWT）安装量的激增，对专门用于人员与设备运输的船员转移船（CTV）的需求日益增长。其中，表面效应船（SES）因其独特性能而被广泛应用。然而，在靠近OWT进行人员转移时，SES会受到海浪、洋流和风的复杂影响，产生剧烈的垂荡（Heave）和纵摇（Pitch）运动，严重威胁人员转移的安全与效率。
传统的运动控制方法（如PID、LQR控制器）严重依赖于精确的船舶水动力模型。但在实际海洋环境中，存在诸多不确定性：非线性水动力效应、未知动态特性、环境扰动以及执行机构（如可调百叶窗面积）的非对称饱和约束（即控制输入有上下限）。这些因素使得建立精确模型极为困难，进而导致传统基于模型的控制方法性能下降，甚至失效。
因此，本研究的目标是提出一种新颖的、不依赖于精确数学模型的数据驱动最优控制方案，以解决上述挑战。该方案旨在：1）有效抑制SES在恶劣海况（特别是高频波浪）下的垂荡和纵摇运动；2）处理完全未知的系统动态和外部扰动；3）补偿系统的非线性效应；4）严格满足控制输入的非对称饱和约束，从而确保从SES到OWT的机组人员转移操作安全可靠。
二、 研究方法与详细流程
本研究提出了一种名为“基于神经网络观测器的最优控制”（NNOPC）的创新方案。整个研究流程可以概括为以下几个核心步骤：
第一步：建立非线性数学模型与问题表述 研究者首先建立了SES垂荡和纵摇运动的非线性数学模型。该模型考虑了空气垫动力学、波浪激励力以及风扇流量与超压之间的非线性关系（如图2所示）。模型最终被表述为一个具有非对称输入饱和约束的仿射非线性系统状态空间方程。其中，状态变量包括垂荡位移与速度、纵摇角位移与速度以及无量纲压力系数；控制输入为可调百叶窗面积；输出为可测量的运动状态。这个模型作为后续控制器设计与性能评估的基准“真实”系统，但控制器设计本身并不需要知道该模型的精确参数。
第二步：设计神经网络（NN）状态观测器 由于系统动态未知且并非所有状态都可直接测量，研究设计了一个NN观测器来同时估计系统状态和辨识未知动态。 * 对象与处理：以可测量的系统输入和输出数据作为驱动。 * 方法：利用神经网络的通用逼近能力，将未知的系统非线性函数 f(x, u) 表示为 Wo*σ(Vo*x̄) 加上一个逼近误差。其中，Wo 和 Vo 是理想的神经网络权重矩阵，σ(·) 是激活函数（本研究使用双曲正切函数）。 * 观测器结构：构建了一个基于神经网络的动态观测器。该观测器接收实际系统的控制输入和输出测量值，在线更新其神经网络权重 (Ŵo, V̂o)，从而实时产生对系统全部状态 x̂ 和未知动态的估计。通过设计合适的观测器增益矩阵 L，保证了状态估计误差的动态稳定性。
第三步：构建基于非二次型代价函数的最优控制器 为了在控制输入受限的情况下实现最优性能，研究者没有采用传统的二次型代价函数，而是引入了一个新颖的、非对称的非二次型代价函数。 * 核心创新：代价函数 J 由状态惩罚项 x^T Q x 和一个关于控制输入的积分函数 w(u) 组成。w(u) 被精心设计为 2∫_0^u r * tanh^(-1)(v/ū) dv 的形式，其中 ū 代表饱和界限。这种设计巧妙地将输入饱和约束直接编码到了优化问题中，使得求解出的最优控制律天然满足饱和限制，无需额外进行抗饱和处理。 * 求解最优控制：最优控制的目标是找到一个控制律 u*，使得从当前状态出发的长期累积代价 J 最小。这引出了一个哈密顿-雅可比-贝尔曼（HJB）方程，这是一个非线性偏微分方程，通常无法解析求解。
第四步：利用神经网络逼近HJB方程与获得最优控制律 为了解决HJB方程求解难的问题，研究者再次利用了神经网络的函数逼近能力。 * 方法：使用另一个神经网络来逼近最优代价函数 J*(x)，即 J*(x̂) ≈ Wc^T * σ(Vc^T * x̂)。其中，Wc 和 Vc 是控制器神经网络的理想权重。 * 控制律推导：将逼近的代价函数代入HJB方程，并令其对控制输入 u 的导数为零，通过一系列代数运算，最终导出了最优控制律的解析表达式（如原文公式30所示）。该控制律以 tanh(·) 函数的形式呈现，自动保证了控制输出被限制在预设的饱和边界 [ū1, ū2] 之内。控制器的权重 Ŵc 通过最小化一个被称为“时序差分误差”的指标在线更新。
第五步：稳定性证明与参数更新律设计 为确保整个闭环系统（包括被控对象、NN观测器和NN控制器）的稳定性，研究者运用李雅普诺夫（Lyapunov）稳定性理论进行了严谨的分析。 * 方法：构造了一个包含状态估计误差、观测器NN权重误差和控制器NN权重误差的复合李雅普诺夫函数。 * 稳定性结论：通过推导，证明了在设计的参数更新律（如原文公式31和32）作用下，所有信号（系统真实状态、估计状态、NN权重误差）都是一致最终有界（UUB）的。这意味着系统的跟踪误差和控制误差最终会被限制在一个有界的小范围内，从而从理论上保证了控制方案的鲁棒性和可靠性。
第六步：仿真验证与对比分析 研究者在MATLAB/Simulink环境中进行了高保真数值仿真，以验证所提NNOPC方法的性能。 * 研究对象与场景：针对一个已知参数的SES非线性模型（参数见表1和表2），在高频规则波（波浪频率ω0 = 1.25 rad/s，波幅ζa = 0.5m）的恶劣海况下进行测试。控制目标是将百叶窗面积限制在0到3平方米之间，以抑制船舶运动。 * 对比基准：将NNOPC的控制效果与四种情况进行了对比：1) 无控制；2) 经典的PID控制器；3) 先前研究中提出的登船控制系统（BCS），该控制器是为线性模型设计的；4) 另一种自适应神经网络（ANN）控制器。 * 性能指标：主要关注垂荡位移、垂荡速度、纵摇角及纵摇角速度的时域响应。同时，计算了最后一个波峰到波谷的幅值以及相对于无控制情况的阻尼百分比（见表3）。 * 实验流程：分别将不同的控制器接入同一个非线性SES模型，施加相同的高频波浪激励，运行仿真并记录各运动状态的时程曲线（如图4、5、6所示）。
三、 主要研究结果
仿真结果清晰地展示了所提NNOPC方法的优越性能： 1. 卓越的减摇效果：在无控制情况下，SES的垂荡运动幅值高达0.65米。应用NNOPC后，垂荡幅值被显著降低至0.11米，阻尼比达到83%。垂荡速度的阻尼比也达到了70%。这表明NNOPC能极为有效地抑制对人员转移安全威胁最大的垂荡运动。纵摇及其角速度本身幅值较小，NNOPC也将其维持在很低的水平（见表3，图4）。 2. 有效处理非线性与饱和约束：图6的对比结果极具说服力。为线性模型设计的BCS控制器，当应用于非线性模型时，性能严重恶化，甚至导致垂荡运动发散（负阻尼比-341.1%），完全失效。经典的PID控制器虽然稳定，但减摇效果（阻尼比37%）远逊于NNOPC。这证明了传统方法在处理实际系统非线性和模型不确定性方面的局限性。而NNOPC由于采用了数据驱动和神经网络逼近，能够自适应地补偿非线性，并严格尊重输入饱和约束，表现出强大的鲁棒性。 3. 超越现有先进方法：与另一种ANN控制器相比，NNOPC在垂荡抑制上表现更优（0.11米 vs 0.167米）。研究指出，ANN控制器的设计包含一些限制性假设，可能影响其普适性。而NNOPC方法没有此类严格假设，通用性更强。 4. 控制输入平滑有界：从图4下方的控制输入曲线可以看出，NNOPC产生的控制信号（百叶窗面积变化）平滑且始终保持在预设的0-3平方米范围内，验证了其内置处理饱和约束能力的有效性。
这些结果逻辑严密地支撑了研究的结论：首先，NN观测器成功估计了状态和未知动态；其次，基于非二次代价函数和NN逼近的HJB求解器，产生了满足约束的最优控制律；最终，李雅普诺夫稳定性确保了整个系统的可靠运行。仿真对比则直接证明了该方法在应对非线性、不确定性和输入约束方面，显著优于现有方法。
四、 研究结论与价值
本研究成功提出并验证了一种全新的、基于数据驱动的神经网络观测器最优控制（NNOPC）方案，用于解决表面效应船在复杂海况下靠近海上风力涡轮机时的运动控制难题。
科学价值：
应用价值：
五、 研究亮点
六、 其他有价值内容
论文在引言部分系统地回顾了数据驱动方法在船舶运动建模与控制领域的相关研究，包括基于神经网络、支持向量机（SVM）、视觉分析等技术的进展，以及针对SES和登船控制系统的已有工作。这为读者理解本研究的学术背景和定位提供了清晰的脉络。同时，文章也明确指出了现有研究（如BCS、ANN控制器）的局限性（如依赖线性模型、存在限制性假设），从而凸显了本研究工作的必要性和创新性。