建立较为精确的船舶数学模型,对于控制器设计和船舶操纵性能预报具有重要的辅助作用,因此也受到了研究者们越来越多的关注。目前船舶数学模型的获取方法均采用了白箱建模方式,即通过船型参数使用经验公式等构建出船舶微分方程,或者通过进行水池试验对船舶水动力导数进行估算。这些算法难免会出现计算复杂、操作困难等问题。为了克服这些问题,本课题主要研究动力定位船舶数学模型的黑箱辨识方法,以及对应的预测控制算法。首先根据船舶模型的特点,在子空间理论的背景下深入研究了适用于船舶非线性离散模型的辨识算法,然后进一步对船舶连续时间线性模型进行了辨识算法研究。最后对动力定位过程中的控制问题进行了研究,将子空间理论和预测控制结合起来,提出新型预测控制器并应用用于船舶动力的控制中。具体来说,本文的研究内容包括:传统船舶模型辨识算法均侧重于船舶水动力参数的辨识,并通过特定的自航模试验、水池斜拖试验或者经验公式等计算得到对应的水动力导数,但是这些方法在计算水动力参数的时候都或多或少地存在计算量大,或者出现参数相消导致估算结果有很大误差等问题。为了克服这些缺点,本课题提出研究船舶黑箱非线性模型的辨识问题。论文首先针对船舶非线性的特点,在采用子空间辨识理论进行模型辨识之前,将其转换成辨识算法中常用的模块化级联结构,即带有非线性反馈的Hammerstein模型。接着将非线性部分以Fourier级数为基底进行展开,最终将模型转换成适用于子空间辨识的框架。最终根据变换后船舶模型的特殊形式,提出采用基于MOESP的子空间辨识算法对其参数矩阵进行估计,从而得到船舶黑箱辨识模型。针对船舶模型中水动力参数可能随着外界海洋环境的不同而发生漂移的问题,提出一种在线更新船舶黑箱模型的子空间辨识策略:即根据子空间辨识中QR分解的特点,采用Givens旋转矩阵对该复杂分解过程进行处理,从而降低计算复杂度,进而实现算法的在线计算,最终使得子空间辨识算法能够适用于船舶黑箱模型的在线辨识中。针对数据采样频率的变化会导致辨识得到的动力定位船舶离散数学模型发生变化的问题,同时考虑到连续时间船舶数学模型在控制器的设计中具有足够大的优势,本课题提出基于子空间的动力定位船舶连续时间线性模型辨识算法来辨识动力定位船舶连续时间线性模型。由于传统离散子空间辨识中需要求解输入输出信号的高阶导,而为了在连续时间系统中解决该问题,论文提出采用Laguerre滤波函数和Laguerre投影函数的方法对信号进行转换,最终将连续时间系统转换到对应函数空间中的“离散时间模型”形式。由于变换过程为一一映射过程,因此通过基于Laguerre滤波函数(PBSID_filt)和Laguerre投影函数(PBSID_opt)的的子空间辨识算法辨识得到的对应域中的模型可以唯一地还原出原连续系统的系统矩阵。最终,针对传统预测控制算法需要首先对船舶数学模型进行估计的问题,本课题将子空间理论、Laguerre滤波函数和预测控制思想结合起来,提出了基于Laguerre滤波函数的子空间预测控制算法。该算法可以通过计算从而一步得到系统的预测输出,进而避免了对船舶数学模型建模的阶段。并且通过引入离散Laguerre滤波函数,在不影响控制结果的前提下减少了优化过程中变量的数目,提高了控制算法的计算效率。