基于物理信息神经自适应的欠驱动气垫船固定时间稳定容错控制

《Journal of Marine Science and Engineering》：Fixed-Time Stable Fault-Tolerant Control of Underactuated Hovercraft via Physics-Informed Neural Adaptation

　　

本研究针对在环境扰动下遭受加性偏置和乘性效率损失推进器故障的欠驱动气垫船轨迹跟踪控制问题。在这些系统中，执行器退化会结构性破坏微分平坦映射，导致名义控制器产生的控制动作引发严重的执行器饱和并造成失稳。为解决这一挑战，研究人员提出了一种分层物理信息神经自适应控制（PINAC）框架。首先，设计了一个门控循环单元物理信息神经观测器（PINO）以从外部水动力干扰中隔离推进器故障。其次，一个受约束的Safe-TD3强化学习智能体作为监督器，计算在线扩张因子以减缓任务时间线，从而重新配置参考轨迹以适应退化的执行器边界。第三，实现了一个低层非奇异终端滑模（NTSM）控制器作为跟踪保证层。与经典渐近方案（收敛仅在时间趋于无穷时实现）或有限时间控制器（稳定时间取决于初始状态）不同，所提出的PINAC框架保证了实际固定时间稳定性，确保稳定时间上界与初始条件无关。仿真结果表明，所设计的控制器能够防止执行器饱和，提供平滑的轨迹调整，并在严重复合故障下减少跟踪误差。

**论文解读：基于物理信息神经自适应的欠驱动气垫船固定时间稳定容错控制**

**研究背景与问题**

海洋自主系统的发展对欠驱动航行器的轨迹跟踪控制提出了更高要求，其中气垫船因其平滑的水陆过渡能力，在搜救、海岸响应和环境监测中具有关键应用价值。然而，气垫船具有高度非线性、强耦合动力学，且缺乏直接横摇控制，使其易受执行器退化影响。执行器退化包括乘性效率损失（LoE）和加性偏置故障，会结构性破坏微分平坦映射，导致名义控制器所需的控制力超出物理饱和边界，引发积分器饱和和闭环失稳。现有主动容错控制（FTC）方法，如基于扰动观测器和模型参考自适应控制，通常将执行器退化视为有界外部扰动而非控制输入映射的结构性变化，且缺乏固定时间收敛保证。预设性能控制（PPC）和终端滑模控制（SMC）虽能管理暂态误差，但在严重LoE下，性能包络会迫使误差率要求超出退化推进器能力，导致过驱动和饱和。数据驱动方法如深度强化学习（RL）虽能学习自适应策略，但缺乏闭环稳定性正式保证，且不解决任务层面重配置问题。因此，现有文献缺乏一个统一框架，能同时实现物理信息判别性故障估计、自适应参考轨迹时域扩张（作为主要避饱和机制）以及级联固定时间稳定性。

**研究内容与结论**

为应对上述挑战，研究人员提出了一种PINAC框架，用于欠驱动气垫船系统。该框架由三个不同时间尺度协作的层组成：高速率NTSM跟踪控制器（100 Hz）、中速率PINO（10 Hz）提供实时判别性LoE和偏置故障估计，以及低速率Safe-TD3 RL智能体（1 Hz）作为监督器，通过扩张因子自适应地调整参考轨迹时间线以预防执行器饱和。主要贡献包括：1）设计门控循环单元（GRU）网络，结合水动力等式约束，无需显式故障模型即可估计LoE和加性偏置；2）开发受约束的TD3智能体，利用控制力与扩张因子成二次方关系，通过时域扩张从源头预防饱和；3）设计非奇异终端滑模控制器，并通过级联Lyapunov稳定性分析同时涵盖PINO估计误差、Safe-TD3扩张误差动力学和跟踪流形，保证实际固定时间稳定性，且稳定时间上界与初始条件无关。仿真结果显示，所提方法在复合故障场景下将跟踪误差较自适应FTC和SMC分别降低47%和63%，且零约束违反。

**主要技术方法**

1. **物理信息神经观测器（PINO）**：采用GRU网络处理滑动窗口内状态与控制对，提取时序故障特征，并通过三个多层感知机（MLP）输出物理约束估计（如sigmoid激活保证LoE在[0,1]）。复合损失函数嵌入刚体运动方程残差，防止将科里奥利力和二次阻尼等物理一致效应误归因于执行器故障。
2. **Safe-TD3轨迹扩张**：将任务建模为受约束马尔可夫决策过程（CMDP），状态包括跟踪误差和估计故障严重度，动作输出扩张因子和增益调整信号。采用拉格朗日对偶上升机制在训练中强制执行安全约束（即控制力不超过物理饱和极限），并证明扩张因子与名义控制力成二次方关系。
3. **非奇异终端滑模（NTSM）控制器**：设计连续非奇异终端滑模面，结合预设性能变换（PPF）将受限跟踪误差映射到无约束域，通过伪逆处理欠驱动特性，并利用PINO补偿和RL增益调整实现鲁棒跟踪及固定时间收敛保证。

**研究结果**

**1. 名义跟踪性能（情景I）**：在100%执行器效率下，PINAC与基准控制器（自适应FTC、SMC、无约束TD3）均实现稳定高保真跟踪，误差可忽略，验证了仿真模型保真度与控制参数标称整定。

**2. 无容错补偿下的故障影响（情景II）**：当50% LoE在10秒发生时，无FTC补偿下实际速度无法跟踪参考轨迹，跟踪误差超出预设性能漏斗边界，证实LoE结构性破坏微分平坦映射，导致刚性性能跟踪失稳，需进行任务时间线重规划。

**3. 复合故障下的性能对比（情景III）**：在50% LoE、加性偏置和随机波浪扰动下，PINAC在故障检测后4.1秒内恢复，RMS纵荡跟踪误差0.038 m/s，较自适应FTC（0.072 m/s）降低47%，较SMC（0.103 m/s）降低63%。PINAC轨迹平滑偏离名义路径，而非刚性尝试跟踪，而Safe-TD3时域扩张使控制力峰值保持在15 N以下（30%饱和度），无约束违反；无约束TD3虽跟踪相似但出现7次严重约束违反。

**4. PINO估计性能**：PINO在1.2秒内隔离出50% LoE和+5 N偏置，物理信息训练有效区分乘性故障与加性高频波浪扰动，估计平滑，验证了定理1的均匀最终有界（UUB）收敛。

**5. 固定时间稳定性验证**：从五个不同初始条件出发，滑模流形向量范数在理论证明的固定时间上界（约1.5秒）内收敛到紧致残差集，且收敛时间与初始距离无关，证明了实际固定时间稳定性。

**6. 鲁棒性与敏感性分析**：对PINO估计偏置、速度测量噪声、LoE严重度及加性偏置的敏感性分析表明，PINAC始终优于基准方法；在恒定推力巡航段（激励不足）下，权重冻结机制保持估计有界，验证了可辨识性条件。

**7. 计算复杂度与嵌入式可行性**：估计计算成本显示，PINO、Safe-TD3和NTSM在Jetson Xavier NX平台上的推理时间分别为0.8 ms、0.5 ms和0.02 ms，总周期时间1.32 ms，满足多速率实时要求，内存占用约15 MB，与现代嵌入式系统能力兼容。

**8. 安全RL鲁棒性**：Safe-TD3在10个不同随机种子下训练均实现零约束违反；在未见过的故障场景（如仅横摇LoE、时变LoE）中泛化良好，仍保持零违反和低RMS误差；与二次规划方案相比，计算效率更高（0.5 ms vs 8 ms）。

**9. 经验安全验证**：100次独立训练运行中，评估阶段均实现零约束违反，最大违反幅度0.8 N，违反概率95%置信区间为[0, 0.029]，验证了拉格朗日安全机制的有效性。

**讨论与结论**

讨论部分总结：PINAC框架通过轨迹扩张而非增加控制力来应对LoE，利用Safe-TD3进行任务级重配置，NTSM提供跟踪保证，并证明了级联系统实际固定时间稳定性。当前验证基于仿真，非线性气垫船模型虽捕捉了主要水动力效应，但实际平台存在未建模现象（如气垫压力动力学、裙部阻力、螺旋桨延迟、传感器噪声等）。未来需通过硬件在环（HIL）或软件在环（SIL）测试及缩比气垫船实地试验，方可验证定理3的固定时间保证在实际物理系统中的适用性。后续工作将研究传感器故障、导航故障、通信故障及电源系统故障下的性能，并扩展至多智能体气垫船编队容错控制。

结论翻译：本文介绍了PINAC框架，用于在推进器效率损失、推进器偏置和环境扰动下实现欠驱动气垫船的轨迹跟踪。关键思想是，执行器效率损失使得微分平坦映射难以执行，因此需要任务重配置，而非增加控制能量消耗。这通过引入一种新的轨迹扩张方法（称为Safe-TD3）实现，而NTSM控制器提供了跟踪性能的正式保证。通过PINO估计器和NTSM控制系统的联合Lyapunov函数，证明了级联系统的实际固定时间稳定性。该方法保证了有界跟踪误差，且固定稳定时间与初始条件无关。在复杂故障场景下与现有自适应FTC和SMC技术的仿真对比显示，误差分别降低了47%和63%。当前验证完全基于仿真，尽管非线性气垫船模型捕捉了主要水动力效应，但实际平台存在未建模现象。硬件在环或软件在环测试以及缩比气垫船现场试验，是验证定理3固定时间保证的先决条件。未来工作将研究自主航行器在传感器故障、导航故障、通信故障和电源系统故障下的性能，并将所提出的PINO-Safe RL框架扩展到多智能体气垫船系统的容错编队控制，并进行实验验证。