CN101825871B - 斜舵船舶垂荡和纵摇装置智能自适应控制方法 - Google Patents
斜舵船舶垂荡和纵摇装置智能自适应控制方法 Download PDFInfo
- Publication number
- CN101825871B CN101825871B CN2010101421847A CN201010142184A CN101825871B CN 101825871 B CN101825871 B CN 101825871B CN 2010101421847 A CN2010101421847 A CN 2010101421847A CN 201010142184 A CN201010142184 A CN 201010142184A CN 101825871 B CN101825871 B CN 101825871B
- Authority
- CN
- China
- Prior art keywords
- centerdot
- formula
- max
- control
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明提供的是一种船舶斜舵减垂荡和纵摇装置(斜舵船舶垂荡与纵摇装置)智能自适应控制方法。利用测量系统测出斜舵船舶垂荡与纵摇装置的状态参数信息;换成数字信号经过滤波器后,送给控制器;控制器选择最优的斜舵船舶垂荡和纵摇装置智能自适应系统的控制输入;控制器所产生的控制信号经过数字/模拟转换器产生模拟信号并经过信号放大器增强后输出给执行机构;执行机构按指令执行,将整个系统变化到指定的工况下。本发明的优点在于适用于斜舵船舶垂荡和纵摇装置这样具有严重的非线性、耦合性、时变性的系统,控制精度高,鲁棒性好。
Description
技术领域
本发明涉及的是一种控制方法,具体的说是一种船舶斜舵减垂荡和纵摇装置先进控制方法。
背景技术
斜舵船舶垂荡和纵摇装置多变量系统,由于非线性、强耦合性、时滞性和参数不确定等特性,使其控制系统的设计具有一定的挑战性。
船舶减纵摇至今还没有得到很好的解决,如果能够找到有效的减纵摇方法,对于舰载飞机起降、船舶的适居性和航行性及安全性等都是十分有意义的。
目前减横摇方面已取得不少研究成果。在船舶减纵摇方面,研究成果较少.双体船的纵摇控制获得了较好的效果.在常规船型中,通过加装减摇组合附体这种被动纵摇减摇装置也获得了较好效果.虽然采用双体、多体船型或增大排水量的方法可以得到较好的减纵摇运动性能,但其价格过于昂贵.在纵摇减摇技术的研究过程中还出现了艏鳍、艉鳍等纵摇减摇装置,但由于振动、渗气、空化或减纵摇效果不明显等原因,这些装置无法进入实用。
舵减摇可以利用船上现有的舵和操纵系统,只需增添控制仪,传感器等少数小功率部件,即可以在船舶上应用,并且减摇效果可以达到45%~70%.既经济又实用,有着极其广阔的应用前景,目前还在不断发展中。前提是船舶对象是双舵或者是多舵。
通过多年对舵减横摇的研究发现,在模型方面,船舶运动模型的不确定性问题成为左右舵减摇技术应用成败的关键因素之一。在我国减摇控制器应用于船模效果很好而应用于实船则效果欠佳,就是源于建模不准确和模型不确定性。这清楚地表明设计一个具有适当鲁棒品质的舵减摇控制器来消除船舶运动模型不确定性的影响的必要性。在控制方法方面,由于船舶本身存在的非线性、滞后及风浪流干扰的随机性造成明显的不确定性,使许多新发展的控制算法存在鲁棒性问题。因而进入20世纪90年代以来,国外在舵减摇方面的控制方法研究集中在改进控制算法以提高控制器的鲁棒性来抑制船舶模型不确定性对减摇效果的影响。广义预测控制在线计算方便,采用多步预测、滚动优化和反馈校正,因此能在一定程度上克服不确定性的影响。
文献“刘忠信等,基于T-S模型的模糊广义预测控制.南开大学学报(自然科学).2000,33(4):114-119”对非线性系统建立T-S模糊模型,并且用正交最小二乘法(OLS)对T-S模糊模型的规则后件参数进行辨识。之后,在每一个采样点,用辨识好的模糊规则对系统进行局部动态线性化,得到系统的线性化模型,然后基于线性化的模型设计广义预测控制器并对非线性对象进行控制,提供了一种非常有效而实用的对非线性系统建模、辩识和控制的方法,能够对复杂的非线性过程实施有效控制。但是该控制系统的模糊评价规则表是根据已有的经验和技术知识构造的一系列语言规则,且规则数较多,不能够根据实际情况增加或删减模糊规则。基于广义动态模糊神经网络对非线性系统建立T-S模糊模型,完全通过在线自适应学习算法构建非线性和不确定部分。
广义动态模糊神经网络(Generalized dynamic fuzzy neural network,GD-FNN)是利用一种基于扩展径向基神经网络、在线自组织的学习算法,其功能相当于Takagi-Sufeno-Kang模糊系统,该学习算法在开始时,系统没有模糊规则,通过学习在线产生和修剪模糊规则。其参数的调整和结构辨识同时进行。这一方法能够提高运算效率,不会出现维数灾难,而且精度也很高。
该斜舵船舶垂荡和纵摇控制方法采用45°倾斜安装的襟翼舵,可以实现横摇、纵摇的解耦控制,提高舵升力系数,并且纵摇减摇时不产生偏航控制力矩;引入广义动态模糊神经网络与动态线性CARMA相结合的集成预测模型,基于预测模型进行动态优化,并引入广义预测控制理论,建立斜舵船舶垂荡和纵摇先进控制性能评价表,通过智能自适应神经网络(模型)广义预测控制选择最优输入量,实现了滚动优化准则的预测控制。减小了控制系统输出波动的幅度,取得了更好的控制性能。从而保证了斜舵船舶垂荡和纵摇装置的安全可靠的运行。
发明内容
本发明的目的在于提供一种能获得良好的动态控制性能的斜舵船舶垂荡和纵摇装置智能自适应控制方法。
本发明的目的是这样实现的:
(1)利用测量系统测出斜舵船舶垂荡和纵摇装置的状态参数信息;
(2)通过模拟/数字转换器将得到的状态参数转换成数字信号、数字信号在经过滤波器后,送给广义动态模糊神经网络,通过广义动态模糊神经网络来辨识动态线性CARMA模型;
(3)控制器中包含的智能自适应模型广义预测控制算法在参考控制量作用下,智能自适应集成模型的多步预估器预测被控系统的未来输出,根据滚动优化准则,得到控制性能评价指标,依据该控制性能评价指标评价控制量的控制效果,并依据对控制效果的性能评价来修改当前的控制量,最后选择最优的斜舵船舶垂荡和纵摇装置的控制输入;
(4)控制器所产生的控制信号经过数字/模拟转换器产生模拟信号并经过信号放大器增强后输出给执行机构;
(5)执行机构按指令执行,将斜舵船舶系统变化到指定的工况下。
本发明的斜舵船舶垂荡和纵摇智能自适应控制方法还可以包括:
1、所述的斜舵船舶垂荡和纵摇装置的状态参数信息包括:垂荡位移和纵摇角位移。
2、所述的测量系统是位移传感器、陀螺仪。
3、所述的多步预估器是基于智能自适应集成模型的预估器。
4、所述的智能自适应模型是指利用广义动态模糊神经网络对非线性系统建立T-S模糊模型,然后在每一个采样点对系统进行局部动态线性化,得到动态线性CARMA模型;结合广义预测控制器并对非线性斜舵船舶垂荡和纵摇对象进行控制。
5、所述的T-S模糊模型是通过学习在线产生和修剪模糊规则,其参数的调整和结构辨识同时进行。
本发明的工作原理是:本发明的核心部分是斜舵船舶垂荡和纵摇智能自适应先进控制系统的设计。此系统是斜舵船舶垂荡和纵摇装置智能自适应集成模型与广义预测控制策略的结合。
本发明的优点在于适用于斜舵船舶垂荡和纵摇装置这样具有严重的非线性、耦合性、时变性的系统,控制精度高,鲁棒性好。
附图说明
图1为斜舵船舶垂荡和纵摇装置智能自适应控制系统的结构框图;
图2为智能自适应集成模型的结构框图;
图3为广义动态模糊神经网络(GD-FNN)结构图;
图4为广义动态模糊神经网络(GD-FNN)的学习算法流程图;
图5为船舶纵摇角智能自适应模型仿真曲线(规则数为9);
图6为船舶纵摇角智能自适应模型仿真根均方误差曲线(规则数为9);
图7为船舶垂荡位移智能自适应模型仿真曲线(规则数为5);
图8为海情4级航速18节航向角120度时改进广义预测控制(JGPC)结果曲线;
图9为纵摇角规则适用度(规则数为9);
图10为纵摇角后件参数值(规则数为9);
图11为垂荡规则适用度(规则数为5);
图12为垂荡后件参数值(规则数为5);
图13为船舶纵向JGPC控制效果相对值。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
斜舵船舶垂荡和纵摇装置智能自适应控制系统是基于智能自适应集成模型的多步预估器在参考控制量作用下被控系统的未来输出,根据滚动优化准则,结合广义预测控制策略,得到控制性能评价指标,依据该控制性能评价指标评价控制量的控制效果,并依据对控制效果的性能评价来修改当前的控制量,最后选择最优的斜舵船舶垂荡和纵摇装置的控制输入。如图1所示,本发明斜舵船舶垂荡和纵摇智能自适应先进控制方法,主要由基于智能自适应集成模型的多步预估器和广义预测控制等环节组成。图1中,为预测模型的j步预测值,其中1≤j≤N,N为预测步长;w(k+j)为参考轨迹;y(k)为系统的输出;智能自适应集成模型的结构框图如图2所示,集成模型由两大部分组成;广义动态模糊神经网络和动态线性CARMA模型。
第一步,广义动态模糊神经网络的训练
GD-FNN的结构如图3所示。设r是输入变量数,并且每个输入变量xi(i=1,2,…,r)有u个隶属函数Aij(j=1,2,…,u),它们位于第2层,这些隶属函数都是如下形式的高斯函数:
Aij(xi)=exp[-(xi-cij)2/σ2 ij]i=1,2,…,r,j=1,2,…,u (1)
其中,Aij是xi的第j个隶属函数,cij和σij分别为xi的第j个高斯隶属函数的中心和宽度。
输入层中第0个节点的输入值x0=1,它的作用是提供模糊后件中的常数项。第三层的每个结点代表一条模糊规则,它的作用是用来匹配模糊规则的前件,计算出每条规则的适用度。
j=1,2,…,u (2)
后件网络中第二层的作用是计算每一条规则的后件,即
wj=α0j+α1jx1+…αrjxr j=1,2,…,u (3)
其中α0j,α1j,…αrj分别是输入变量在第j条规则中权值。
后件网络中的第三层计算系统的输出
广义动态模糊神经网络(GD-FNN)的学习算法流程如图4
具体的:
1.初始化系统预定义参数εmin,εmax,emin,emax,kmf,ks,keer;
2.由第一组样本数据产生第一条规则,其结论参数的确定如下:
设r个输入变量的n次观测样本产生u个模糊规则,把式(4)写成矩阵形式为
Wφ=Y (5)
W*=Tφ+ (6)
其中,φT是φ的转置,φ+=(φTφ)-1φT是φ的广义逆。
3.从第二组样本数据开始,每来一组样本,分别计算系统误差ek和马氏距离mdk(j)设Xk是第k个输入样本向量,tk是第k个期望的输出,计算当前结构下的GD-FNN输出yk。定义系统误差为:||ek||=||tk-yk||
马氏距离
其中X=(x1,…,xr)T∈Rr,Cj=(c1j,c2j,…,crj)T∈Rr,同时∑j -1为
找到
4.ke是预先定义的一个阈值,它在学习过程中按以下准则逐渐变化:
其中,k是学习的次数,β∈(0,1)称为收敛常数,可以很容易推导出:β=(emin/emax)3/n
5.kd是一个预先设定并与ε相关联的阈值,kd在学习的过程中是按下式变化的:
式中,γ∈(0,1)称为衰减常数,它可以由(7)式推算出来:
6.新规则参数的确定,计算数据xi k和边界Φi之间的欧式距离
其中,Φi∈{ximin,ci1,ci2,…,ciu,ximax},同时找到
如果edi(jn)>kmf
则高斯函数的宽度由(8)式确定,而高斯函数中心设置如下
其中,ci(m-1)和ci(m+1)是与第m个隶属函数临近的两个隶属函数的中心。
7.计算出误差减小率ρj和第j条规则的重要性ηj(j=1,2,…,u),
给定n个输入-输出对{Xk,tk,k=1,2,...n},把式(4)看做线性回归模型的一种特殊情况。该线性回归模型为:
或者表示如下的紧凑形式:
D=Hθ+E (10)
对于矩阵H,如果它的行数大于列数,则可以通过QR分解把H转换成正交基向量集:
H=PM (11)
D=PMθ+E=PG+E (12)
G的线性最小方差(LLS)的解为G=(PTP)-1PTD,或
G和θ满足下面方程
Mθ=G (14)
由于当i≠j时pi和pj正交,平方和或者能量D由下式给出:
同样,对应于pi的误差减少率可以定义如下:
8.若满足ek>ke,mdk,min≤kd,则调整已存在规则前件参数中的宽度前件参数宽度作如下调整:
其中,ξ∈(0,1)是衰减因子,它由如下式子决定:
定义 j=1,2,…,u
Bij=ρij/Bj i=1,2,…,r
ρij是与第j个规则中的第i个输入变量对应的误差减少率。
第二步,线性部分的多步预估器的设计及动态线性CARMA模型的在线辨识如下:
我们通过局部动态线性化的方法得到系统的线性模型为
A(q-1)y(k)=B(q-1)u(k-1)+c+e(k) (18)
其中c为一个常量,e(k)为零均值正态白噪声,
A(q-1)=1+a1q-1+…+anaq-na (19)
B(q-1)=b0+b1q-1+…+bnbq-nb (20)
考虑船舶控制对象,令bi=0,i=1,2,…,nb,
x1(k)=u(k-1)
x2(k)=y(k-1)
xna+1(k)=y(k-na)
由式(2)、式(3)和式(18)~式(20)得到
第三步,基于CARMA模型的改进广义预测控制(JGPC)决策
广义预测控制算法在参考控制量作用下,多步预估器预测被控系统的未来输出,根据滚动优化准则,得到控制性能评价指标,依据该控制性能评价指标评价控制量的控制效果,并依据对控制效果的性能评价来修改当前的控制量,最后选择最优的斜舵船舶垂荡和纵摇装置的控制输入量。
基于模型(18)采用JGPC算法。设目标函数为:
其中,N为预测步长,Nu为控制步长,λ为控制加权因子,{w(k+j)}为设定值柔化序列。
在预测控制中,为了使输出y(k)按一定响应速度平滑地过渡到设定值yr,参考轨迹通常取为如下一阶滞后(一阶平滑)模型:
式中,α∈[0,1)为输出柔化系数。
这样可以使w(k+j)平滑地过渡到设定值yr。
其中
f=[f(k+1),f(k+2),…,f(k+N)]T (27)
这里gi是系统的阶跃响应函数,{f(k+j)}由下式给出
f(k+j)=Fj(q-1)y(t)+Hj(q-1)Δu(k-1) (29)
1=Ej(q-1)ΔA(q-1)+q-jFj(q-1) (30)
Ej(q-1)B(q-1)=Gj(q-1)+q-jHj(q-1) (31)
Ej(q-1)=e0+e1q-1+…+ej-1q-j+1
Gj(q-1)=g0+g1q-1+…+gj-1q-j+1
在参考输入W=[w(k+1),w(k+2),…,w(k+N)]T作用下,目标函数(22)式变为
取的第一个分量Δu(k)=[1,0,...,0][G(k)TG(k)+λI]-1G(k)T(W-f)
并令u(k)=u(k-1)+Δu(k)即得到当前的控制u(k)。
控制步骤如下:
(1)对系统采样得到若干组输入-输出数据。利用广义动态模糊神经网络得出u条模糊规则和u条模糊规则的参数;
(2)利用式(21)得到系统的局部线性化模型;
(3)根据式错误!未找到引用源。~式(33)得到控制律;
(4)重复(2)、(3)步骤。
下面列举的是本发明的一个具体实例。
1广义动态模糊神经网络
针对某斜舵船舶,在四级海情,18节航速,120度航向角下,得到纵摇角位移θ、垂荡位移z数据1000组。建立两个独立GD-FNN神经网络,分别得出纵摇角位移θ、垂荡位移z模型。以纵摇角为例,把纵摇角位移θ(k)作为输出量,过去时刻纵摇角位移θ(k-1)、θ(k-2)、过去时刻控制量u(k-1)为输入变量进行船舶纵摇神经网络(实际选择为GD-FNN网络)的建立和校验,进行结果的分析。过程如下:
首先,在进行网络的训练之前,将样本分成训练样本800组,检验样本200组,找出异常数据,然后训练网络。
在MATLAB中用M语言进行编程,运行结果如下:
仿真实验预设参数:εmin=0.5,εmax=0.8,emax=0.02,emin=0.001,kmf=0.1,ks=0.9,kerr=0.002
训练结束后产生规则数为9,仿真时间0.3032s。纵摇角模型逼近曲线见图5,根均方误差曲线见图,规则适用度见表1,后件参数见表2。图中最大的根均方误差为:0.0030。
设检验数据为(Xk,tk),yk为GD-FNN输出。其中k=1,2,...,KN,KN=200为检验样本点数。根均方误差的计算公式为:
图中实线表示样本值,点实线表示用GD-FNN所建模型的模型输出值。
同理,可以得出基于GD-FNN的垂荡位移仿真曲线,其预设参数设置如下:εmin=0.5,εmax=0.8,emax=0.7,emin=0.03,kmf=0.4,ks=0.9,kerr=0.003。
训练结束后,广义动态模糊神经网络(GD-FNN)生成模糊规则数为5,程序运行时间为0.1793s。GD-FNN生成规则适用度见表3,后件参数见表4。
图7为GD-FNN模型的逼近曲线,实线表示垂荡位移z的样本值,点实线表示用GD-FNN所建模型的模型输出。图7中的最大根均方误差为:0.1053。
2斜舵船舶垂荡和纵摇改进广义预测控制(JGPC)
(1)纵摇角位移θ的JGPC控制
由公式(21)可以得出船舶纵摇角位移方程如下:
θ(k)=-0.2411θ(k-1)+0.1771u(k-1)-0.0128+e(k) (35)
本文中取N=4,Nu=2,λ=0.97,α=0.15,控制目标在-0.1和0.1之间变化。
(2)垂荡位移z的JGPC控制
前面得出对垂荡位移z建立GD-FNN模型时,生成的规则数为5。同理能得出船舶垂荡位移方程如下:
z(k)=0.2904z(k-1)+1.1795u(k-1)+0.1586+e(k) (36)
本文中取N=4,Nu=2,λ=0.85,α=0.125,控制目标在-2和2之间变化。
JGPC控制输出θ(k)和z(k)如图8所示。
图8中,细实线为没有控制时的船舶状态,粗实线为基于广义动态模糊神经网络(GD-FNN)模型的JGPC控制时船舶状态。基于GD-FNN自适应模型船舶纵向JGPC控制效果相对值见表5。
控制效果的计算公式为:
其中,T为未加控制时的船舶摇荡数据,Y为基于GD-FNN模型JGPC时船舶摇荡数据,NY为数据个数,std表示标准差,由式(38)计算。
本实例表明,由于广义预测控制(JGPC)对过程参数慢时变所引起预测模型输出误差能得以及时的修正,从而改善系统的动态性能。将智能自适应集成模型与JGPC结合,其减纵摇控制效果达到82.2%。同时,GD-FNN对非线性系统具有很好的逼近特性,基于GD-FNN的智能自适应集成模型的JGPC有着较小的超调性质,而且控制比较平滑。
Claims (3)
1.一种斜舵船舶垂荡和纵摇装置智能自适应控制方法,其特征是:
(1)利用测量系统测出斜舵船舶垂荡和纵摇装置的状态参数信息;所述的斜舵船舶垂荡和纵摇装置的状态参数信息包括:垂荡位移和纵摇角位移;
(2)通过模拟/数字转换器将得到的状态参数转换成数字信号、数字信号在经过滤波器后,送给广义动态模糊神经网络,通过广义动态模糊神经网络来辨识动态线性CARMA模型;控制器中包含的智能自适应模型广义预测控制算法在参考控制量作用下,智能自适应集成模型的多步预估器预测被控系统的未来输出,根据滚动优化准则,得到控制性能评价指标,依据该控制性能评价指标评价控制量的控制效果,并依据对控制效果的性能评价来修改当前的控制量,最后选择最优的斜舵船舶垂荡和纵摇装置的控制输入;具体方法为:
第一步,广义动态模糊神经网络的训练
设r是输入变量数,并且每个输入变量xi,i=1,2,…,r,有u个隶属函数Aij,j=1,2,…,u,它们位于第二层,这些隶属函数都是如下形式的高斯函数:
Aij(xi)=exp[-(xi-cij)2/σ2 ij]i=1,2,…,r,j=1,2,…,u (1)
其中,Aij是xi的第j个隶属函数,cij和σij分别为xi的第j个高斯隶属函数的中心和宽度;
输入层中第0个节点的输入值x0=1,它的作用是提供模糊后件中的常数项;第三层的每个结点代表一条模糊规则,它的作用是用来匹配模糊规则的前件,计算出每条规则的适用度;
后件网络中第二层的作用是计算每一条规则的后件,即
wj=α0j+α1jx1+…αrjxr j=1,2,…,u (3)
其中α0j,α1j,…αrj分别是输入变量在第j条规则中权值;
后件网络中的第三层计算系统的输出
广义动态模糊神经网络的学习:
1).初始化系统预定义参数εmin,εmax,emin,emax,kmf,ks,keer;
2).由第一组样本数据产生第一条规则,其结论参数的确定如下:
设r个输入变量的n次观测样本产生u个模糊规则,把式(4)写成矩阵形式为
Wφ=Y (5)
W*=Tφ+ (6)
其中,φT是φ的转置,φ+=(φTφ)-1φT是φ的广义逆;
3).从第二组样本数据开始,每来一组样本,分别计算系统误差ek和马氏距离mdk(j),设Xk是第k个输入样本向量,tk是第k个期望的输出,计算当前结构下的广义动态模糊神经网络的输出yk;定义系统误差为:||ek||=||tk-yk||
马氏距离
其中x=(x1,…,xr)T∈Rr,Cj=(c1j,c2j,…,crj)T∈Rr,同时∑j -1为
∑j -1=diag[1/σ2 1j,1/σ2 2j,…,1/σ2 rj]j=1,2,…,u
找到
4).ke是预先定义的一个阈值,它在学习过程中按以下准则逐渐变化:
其中,k是学习的次数,β∈(0,1)为收敛常数,β=(emin/emax)3/n
5).kd是一个预先设定并与ε相关联的阈值,kd在学习的过程中按下式变化:
式中,γ∈(0,1)称为衰减常数,由(7)式推算出来:
其中,Φi∈{xi min,ci1,ci2,…,ciu,xi max},同时找到
如果edi(jn)>kmf
则高斯函数的宽度由(8)式确定,而高斯函数中心设置如下
其中,ci(m-1)和ci(m+1)是与第m个隶属函数临近的两个隶属函数的中心;
7).计算出误差减小率ρj和第j条规则的重要性ηj,j=1,2,…,u,
给定n个输入-输出对{Xk,tk,k=1,2,...n},把式(4)看做线性回归模型的一种特殊情况,线性回归模型为:
或者表示如下的紧凑形式:
D=Hθ+E (10)
对于矩阵H,如果它的行数大于列数,则通过QR分解把H转换成正交基向量集:
H=PM (11)
D=PMθ+E=PG+E (12)
G的线性最小方差的解为G=(PTP)-1PTD,或
G和θ满足下面方程
Mθ=G (14)
由于当i≠j时pi和pj正交,能量D由下式给出:
同样,对应于pi的误差减少率可以定义如下:
同时Δ的第j列是对应的第j个规则的r+1个误差减少率;此外定义:
8).若满足ek>ke,mdk,min≤kd,则调整已存在规则前件参数中的宽度前件参数宽度作如下调整:
其中,ξ∈(0,1)是衰减因子,它由如下式子决定:
定义
ρij是与第j个规则中的第i个输入变量对应的误差减少率;
第二步,线性部分的多步预估器的设计及动态线性CARMA模型的在线辨识:
通过局部动态线性化的方法得到系统的线性模型为
A(q-1)y(k)=B(q-1)u(k-1)+c+e(k) (18)
其中c为一个常量,e(k)为零均值正态白噪声,
A(q-1)=1+a1q-1+…+anaq-na (19)
B(q-1)=b0+b1q-1+…+bnbq-nb (20)
考虑船舶控制对象,令bi=0,i=1,2,…,nb,
x1(k)=u(k-1)
x2(k)=y(k-1)
.
.
.
xna+1(k)=y(k-na)
由式(2)、式(3)和式(18)~式(20)得到
第三步,基于CARMA模型的改进广义预测控制决策
设目标函数为:
其中,N为预测步长,Nu为控制步长,λ为控制加权因子,{w(k+j)}为设定值柔化序列;
在预测控制中,为了使输出y(k)按一定响应速度平滑地过渡到设定值yr,参考轨迹通常取为如下一阶滞后模型:
式中,α∈[0,1)为输出柔化系数;
使w(k+j)平滑地过渡到设定值yr;
其中
f=[f(k+1),f(k+2),…,f(k+N)]T (27)
gi是系统的阶跃响应函数,{f(k+j)}由下式给出
f(k+j)=Fj(q-1)y(t)+Hj(q-1)Δu(k-1) (29)
1=Ej(q-1)ΔA(q-1)+q-jFj(q-1) (30)
Ej(q-1)B(q-1)=Gj(q-1)+q-jHj(q-1) (31)
Ej(q-1)=e0+e1q-1+…+ej-1q-j+1
Gj(q-1)=g0+g1q-1+…+gj-1q-j+1
在参考输入W=[w(k+1),w(k+2),…,w(k+N)]T作用下,目标函数(22)式变为
并令u(k)=u(k-1)+Δu(k)即得到当前的控制u(k);
控制步骤如下:
1)对系统采样得到若干组输入-输出数据,利用广义动态模糊神经网络得出u条模糊规则和u条模糊规则的参数;
2)利用式(21)得到系统的局部线性化模型;
3)根据式(23)~式(33)得到控制律;
4)重复2)、3)步骤;
(3)控制器所产生的控制信号经过数字/模拟转换器产生模拟信号并经过信号放大器增强后输出给执行机构;
(4)执行机构按指令执行,将斜舵船舶系统变化到指定的工况下。
2.根据权利要求1所述的斜舵船舶垂荡和纵摇装置智能自适应控制方法,其特征是:所述的测量系统是位移传感器、陀螺仪。
3.根据权利要求2所述的斜舵船舶垂荡和纵摇装置智能自适应控制方法,其特征是:所述的多步预估器是基于智能自适应集成模型的预估器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101421847A CN101825871B (zh) | 2010-04-09 | 2010-04-09 | 斜舵船舶垂荡和纵摇装置智能自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101421847A CN101825871B (zh) | 2010-04-09 | 2010-04-09 | 斜舵船舶垂荡和纵摇装置智能自适应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101825871A CN101825871A (zh) | 2010-09-08 |
CN101825871B true CN101825871B (zh) | 2012-09-26 |
Family
ID=42689826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010101421847A Expired - Fee Related CN101825871B (zh) | 2010-04-09 | 2010-04-09 | 斜舵船舶垂荡和纵摇装置智能自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101825871B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063133A (zh) * | 2010-11-22 | 2011-05-18 | 北京航空航天大学 | 一种多变量时滞过程的自适应控制方法 |
CN102636995B (zh) * | 2012-05-03 | 2014-07-30 | 河海大学常州校区 | 基于rbf神经网络滑模控制微陀螺仪的方法 |
CN103177290B (zh) * | 2013-04-03 | 2017-05-03 | 大连海事大学 | 一种基于在线自组织神经网络的船舶领域模型的辨识方法 |
CN103592849B (zh) * | 2013-11-12 | 2014-10-15 | 中国交通建设股份有限公司 | 一种船舶动力定位控制方法 |
CN103963938B (zh) * | 2014-05-14 | 2017-01-04 | 哈尔滨工程大学 | 一种基于斜舵船舶减纵摇装置智能自适应预测控制系统 |
CN106033189B (zh) * | 2015-03-16 | 2019-02-22 | 徐州工程学院 | 飞行机器人位姿神经网络预测控制器 |
CN106249594B (zh) * | 2016-09-08 | 2019-01-29 | 哈尔滨工程大学 | 一种基于前馈动态矩阵控制算法的两对鳍减摇系统控制方法 |
CN106599993A (zh) * | 2016-11-10 | 2017-04-26 | 贵州电网有限责任公司电力科学研究院 | 一种小水电机组自动调节系统及其方法 |
CN106527568A (zh) * | 2016-12-15 | 2017-03-22 | 中国人民解放军后勤工程学院 | 基于广义动态模糊神经网络的最大功率跟踪器控制方法 |
CN107122897B (zh) * | 2017-04-17 | 2021-05-25 | 武汉理工大学 | 基于深度学习算法的无人船适航性评估方法 |
CN107247413A (zh) * | 2017-06-27 | 2017-10-13 | 哈尔滨工程大学 | 一种基于模糊控制法的高速三体船减纵摇控制方法 |
CN107571965B (zh) * | 2017-08-22 | 2019-05-21 | 哈尔滨工程大学 | 一种基于移动终端的船舶海上作业辅助决策支持系统 |
CN108227710B (zh) * | 2017-12-29 | 2022-10-04 | 商汤集团有限公司 | 自动驾驶控制方法和装置、电子设备、程序和介质 |
CN109334892B (zh) * | 2018-09-20 | 2020-06-26 | 江苏大学 | 一种多体船的简化鲁棒自适应减纵摇控制方法 |
CN112970733B (zh) * | 2021-02-09 | 2022-10-25 | 广东电网有限责任公司广州供电局 | 输电线路多棱镜驱鸟装置 |
CN113419422B (zh) * | 2021-07-02 | 2022-01-28 | 哈尔滨理工大学 | 一种船用舵鳍联合减摇控制系统 |
CN114132451B (zh) * | 2021-11-29 | 2023-02-14 | 哈尔滨工程大学 | 一种船模拖曳水池多自由度定位辅助装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1749890A (zh) * | 2005-10-20 | 2006-03-22 | 南开大学 | 智能预测自适应控制器 |
CN1758026A (zh) * | 2005-11-11 | 2006-04-12 | 燕山大学 | 基于新型广义预测控制的在线关键参数测量方法 |
CN101328836A (zh) * | 2008-07-04 | 2008-12-24 | 东南大学 | 燃气轮机转速系统的多模型自适应广义预测控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040181300A1 (en) * | 2003-03-11 | 2004-09-16 | Clark Robert L. | Methods, apparatus and computer program products for adaptively controlling a system by combining recursive system identification with generalized predictive control |
-
2010
- 2010-04-09 CN CN2010101421847A patent/CN101825871B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1749890A (zh) * | 2005-10-20 | 2006-03-22 | 南开大学 | 智能预测自适应控制器 |
CN1758026A (zh) * | 2005-11-11 | 2006-04-12 | 燕山大学 | 基于新型广义预测控制的在线关键参数测量方法 |
CN101328836A (zh) * | 2008-07-04 | 2008-12-24 | 东南大学 | 燃气轮机转速系统的多模型自适应广义预测控制方法 |
Non-Patent Citations (3)
Title |
---|
宋连龙等.舰船姿态运动的自适应实时预报及其应用.《船电技术》.2005,(第4期),第40-42页. * |
陈虹丽等.基于π型舵船舶减纵摇广义预测控制研究.《系统仿真学报》.2006,第18卷(第12期),第3508-3511页. * |
陈虹丽等.基于斜舵的船舶减纵摇复合广义预测控制研究.《2009中国智能自动化会议论文集》.2009,第668-676页. * |
Also Published As
Publication number | Publication date |
---|---|
CN101825871A (zh) | 2010-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101825871B (zh) | 斜舵船舶垂荡和纵摇装置智能自适应控制方法 | |
CN104991444B (zh) | 基于跟踪微分器的非线性pid自适应控制方法 | |
CN101986564B (zh) | 基于Backlash算子和神经网络的自适应滤波器 | |
CN106325071A (zh) | 一种基于事件驱动的广义预测自适应补给船航向控制方法 | |
CN102411305A (zh) | 单旋翼直升机/涡轴发动机综合抗扰控制系统设计方法 | |
CN105137999A (zh) | 一种具有输入饱和的飞行器跟踪控制直接法 | |
CN103854055A (zh) | 基于神经网络及模糊逻辑算法的输电线路覆冰预测模型 | |
CN105354620A (zh) | 一种风机发电功率的预测方法 | |
CN103886395A (zh) | 一种基于神经网络模型的水库优化调度方法 | |
CN102269125A (zh) | 风力发电机额定风速以上鲁棒变桨控制器设计方法 | |
Schuler et al. | $\ell_ {1} $-Optimal Control of Large Wind Turbines | |
CN103745101A (zh) | 基于改进神经网络算法的中厚板轧制力设定值预报方法 | |
CN101813916A (zh) | 非线性生产过程的自适应预测函数控制方法 | |
CN103557037A (zh) | 一种基于自适应逆控制的汽轮机转速控制方法 | |
CN103399488B (zh) | 基于自学习的多模型控制方法 | |
CN109976150A (zh) | 一类欠驱动多输入多输出系统集中式自抗扰控制方法 | |
CN103901775A (zh) | 一种基于t-s模型带有输入约束的舵减横摇模糊控制器及其控制方法 | |
CN102663493A (zh) | 一种用于时间序列预测的迟滞神经网络 | |
Sethuramalingam et al. | PID controller tuning using soft computing methodologies for industrial process-A comparative approach | |
CN110018695B (zh) | 超大跨度悬索桥颤振气动翼板主动控制方法 | |
Ehring et al. | Greedy sampling and approximation for realizing feedback control for high dimensional nonlinear systems | |
Tafazoli et al. | Hysteresis modeling using fuzzy subtractive clustering | |
Errachdi et al. | Adaptive internal model neural networks control for nonlinear system | |
Wang et al. | Real-time Hybrid Modeling of Francis Hydroturbine Dynamics via a Neural Controlled Differential Equation Approach | |
ERRACHDI et al. | A new algorithm of neural internal model controller using variable learning rate |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120926 Termination date: 20180409 |
|
CF01 | Termination of patent right due to non-payment of annual fee |