一种用于非最小相位拖缆系统的深度控制方法，该系统整合了拖缆的深度学习模型

《Ocean Engineering》：A depth control method for non-minimum phase towing systems integrating a deep learning model of tow-cable

　　•建立了一种实时电缆-主体耦合动态建模框架，该框架结合了基于深度学习的拖缆替代模型（TTC-SM）。•提出了一种具有拖缆张力前馈补偿的级联自适应滑模控制器，用以抑制非最小相位逆向响应，同时确保精确跟踪与平稳控制。•仿真结果表明，所提方法将平均绝对误差和均方根误差分别降低至0.07和0.21，相比基准方法分别实现了90.4%和86.4%的最大降幅。内环利用TTC-SM预测的拖缆张力来施加俯仰力矩前馈补偿，从而实现快速响应。为评估所提出的级联自适应控制方法的有效性，在MATLAB/Simulink中构建了拖曳系统的闭环仿真环境，如图1所示。仿真参数具体如下：(1)拖曳系统参数：本文的研究对象为实验室设计的被拖物体，其工作场景如图2所示，被拖物体的关键几何参数汇总于表1中。

结果与讨论：通过第3.3节所述的多种场景进行仿真对比，验证了所提出的深度控制策略的有效性。评估内容涵盖了瞬态响应性能、非最小相位逆响应抑制能力、动态变深跟踪精度以及控制器计算效率等方面。瞬态响应性能是通过测量阶跃信号下的超调量和收敛速度来评估的。

结论：本文针对拖曳系统中由拖缆张力引起的强耦合问题以及深度控制过程中出现的非最小相位逆响应问题，提出了一种结合深度学习驱动的拖缆替代模型（TTC-SM）的级联自适应滑模控制方法。本研究的主要贡献如下：(1)建立了融合TTC-SM的实时缆体耦合动力学建模框架，该方法能够准确描述拖缆的动力学行为。

CRediT作者贡献声明：郝旭：概念构思、初稿撰写；王欣楠：验证工作；梁晓峰：资金筹措与资源协调；王军：文稿审阅与编辑。

局限性及未来工作：尽管取得了不错的成果，但目前研究开发的方法仍存在一些固有局限性，主要体现在拖缆计算模块以及实际控制器约束的处理方面。(1)拖缆被建模为线性弹性柔性缆绳，尚未对分布式水动力载荷带来的建模误差进行定量分析，同时忽略了拖缆的弯曲刚度以及缆绳扭转产生的扭矩。(2)

利益冲突声明：作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢：本研究得到了基础研究计划项目（JCKY2023206A023）的支持。

郝旭|王欣楠|梁晓峰|王军