CN101859147A - 船舶航向智能协调控制方法 - Google Patents

Abstract

本发明提供的是一种船舶航向智能协调控制方法。具体包括：(1)设定期望航向角；(2)计算实际航向角与期望航向角的偏差；(3)获取舵角控制指令信号；(4)计算船舶实际输出航向角；(5)辨识船舶运动逆系统模型，调整最小二乘支持向量机控制器参数；(6)重复步骤(2)计算。本发明采用逆控制与模糊控制结合的船舶航向复合控制策略，有效克服了基于输入输出数据辨识的逆模型不精确引起的逆控制不足；采用最小二乘支持向量机建立船舶操纵逆系统模型，具有结构设计简单、稳态精度高的优点，同时结合模糊控制响应快速，抗干扰能力强，鲁棒性好的优势。能实现航向保持的精确控制。

Description

船舶航向智能协调控制方法

技术领域

本发明涉及的是一种船舶航行与姿态控制方法，特别涉及一种航向智能协调控制技术。

背景技术

在船舶航行姿态控制中，航向控制无疑是最基本的，同时也是控制理论应用较早且取得成功的一个领域。早在20世纪50年代，经典控制理论被应用于航向控制，产生了自动舵。随着计算机技术和现代控制理论的不断发展，各种新的控制方法，如变结构控制、神经网络控制、模糊控制等，都先后应用于船舶航向控制。

经对现有的技术文献检索发现，CNKI数据库中的名称为“舰船航向-舵/翼舵智能协调控制研究”的哈尔滨工程大学硕士论文(2007)中，介绍了舵/翼舵船舶航向模糊控制器的设计，与本发明的船舶航向LSSVM复合控制系统不同。

发明内容

本发明的目的在于提供一种能够有效提高船舶航向控制系统的快速性、稳定性，拥有较好的抗干扰能力及鲁棒性的船舶航向智能协调控制方法。

本发明的目的是这样实现的：

首先设定期望航向角，根据反馈的船舶实际航向角求取实际航向角与期望航向角的偏差，将偏差信号送入到设计好的模糊控制器中，同时将期望航向角送入最小二乘支持向量机控制器(Least Squares Support Vector Machines Controller，LSSVMC)中，模糊控制器与LSSVMC并行连接，形成复合控制器，通过调整两个控制器输出的比重，得到舵角控制指令信号，将舵角控制指令信号输入到船舶运动数学模型中，同时引入外界干扰，得到实际的航向角输出。利用输出的航向角和控制指令信号作为最小二乘支持向量机(LSSVM)的输入，辨识船舶运动逆系统模型，并将辨识得到的参数输入到LSSVMC，调整其参数，计算舵角控制指令信号。

具体包括以下几个步骤：

(1)设定期望航向角；

(2)计算实际航向角与期望航向角的偏差；

(3)获取舵角控制指令信号；

(4)计算船舶实际输出航向角；

(5)辨识船舶运动逆系统模型，调整最小二乘支持向量机控制器参数；

(6)重复步骤(2)计算。

所述的步骤(1)中，设定航向控制系统的期望航向角为ψ_r(k)。

所述的步骤(2)中，实际航向角与期望航向角的偏差Δψ(k)计算方法为：

Δψ(k)＝ψ_r(k)-ψ(k)    (1)

其中，ψ(k)为实际航向角。

所述的步骤(3)中，舵角控制指令信号包括两部分，一部分为模糊控制器输出的舵角控制指令信号δ₁(k)，另一部分为最小二乘支持向量机控制器输出的舵角控制指令信号δ₂(k)。总的舵角控制指令信号u(k)计算方法为：

u(k)＝βδ₁(k)+(1-β)δ₂(k)    (2)

其中，β为模糊控制器与最小二乘支持向量机控制器的协调控制因子。

所述的步骤(4)中，将舵角控制指令信号输入到船舶运动数学模型中，并加入船舶运动的干扰d(k)，得到船舶实际输出航向角ψ(k)。步骤中用到的船舶运动数学模型为三自由度非线性运动数学模型：

式中，Y_R、K_R、N_R分别为舵产生的横荡力、横摇力矩和艏摇力矩，Y_D、K_D、N_D分别为船舶受到的横荡干扰力、横摇干扰力矩和艏摇干扰力矩；J_zD为船体质量对z轴的惯性矩，J_xG为船体质量对x轴的惯性矩；m为船舶质量，m_y为横荡附加质量，m_x为纵荡附加质量；J_zz为艏摇附加转动惯量矩，J_xx为横摇附加转动惯量矩；Y.、N.为粘性水动力系数；

为横摇阻尼力矩，

为横摇扶正力矩；D为排水量，h为横稳心高，z_H为船体横向力Y_H的作用点至船体重心的垂向距离；r、p、v分别为艏摇角速度、横摇角速度和横向速度，

为横摇角。

所述的步骤(5)中，采用最小二乘支持向量机(LSSVM)辨识船舶运动逆系统模型，选择实际航向角ψ(k)、舵角δ(k)、横摇角

作为输入量，辨识得到的参数输出给最小二乘支持向量机控制器，调整其参数。用LSSVM辨识得到的船舶运动逆系统模型为：

$f\left(X\left(k\right)\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(X\left(i\right),X\left(k\right))+b---\left(4\right)$

其中，f(X(k))为参数输出，X(k)为输入向量，α_i为拉格朗日乘子，b为偏差量，f(X(k))为映射函数。

所述的步骤(6)中，是从步骤(2)开始进行再次运算，使船舶实际航向角跟踪给定期望航向角，达到精确航向保持的目的。

本发明的优点在于：

(1)采用逆控制与模糊控制结合的船舶航向复合控制策略，有效克服了基于输入输出数据辨识的逆模型不精确引起的逆控制不足；

(2)采用最小二乘支持向量机建立船舶操纵逆系统模型，具有结构设计简单、稳态精度高的优点，同时结合模糊控制响应快速，抗干扰能力强，鲁棒性好的优势，使得LSSVM模型即使没有经过足够充分的训练，也能保证控制器从一个快速和稳定的初始状态开始控制，实现航向保持的精确控制。

附图说明

图1为船舶航向LSSVM智能复合控制信号处理流程图

图2为船舶航向LSSVM智能复合控制结构图

图3为模糊控制器输入的隶属函数图

图4为LSSVM辨识船舶运动逆系统模型原理

图5(a)-(c)遭遇角30°，不同有义波高时航向智能协调控制系统仿真结果，中图5(a)为有义波高2m时、图5(b)为有义波高4m时、图5(c)为有义波高6m时；

图6(a)-(c)遭遇角90°，不同有义波高时航向智能协调控制系统仿真结果，中图6(a)为有义波高2m时、图6(b)为有义波高4m时、图6(c)为有义波高6m时；

图7(a)-(c)遭遇角150°，不同有义波高时航向智能协调控制系统仿真结果，中图7(a)为有义波高2m时、图7(b)为有义波高4m时、图7(c)为有义波高6m时。

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：

如图1所示，本发明的处理流程如下：首先设定期望航向角ψ_r(k)，根据反馈的船舶实际航向角求取实际航向角与期望航向角的偏差Δψ(k)，模糊控制器和LSSVMC并联组成复合控制系统，复合控制器根据期望航向角和偏差信号计算得到舵角控制指令信号u(k)，将舵角控制指令信号输入到船舶运动数学模型中，同时引入外界干扰d(k)，得到实际的航向角输出ψ(k)。在反馈通路中，利用输出的航向角和控制指令信号作为最小二乘支持向量机(LSSVM)的输入，辨识船舶运动逆系统模型，并将辨识得到的参数输入到LSSVMC，调整其参数，计算LSSVMC的舵角控制指令信号δ₂(k)。

具体实施步骤如下：

步骤(1)，设定航向控制系统的期望航向角为ψ_r(k)。

步骤(2)，计算实际航向角与期望航向角的偏差Δψ(k)，计算方法为：

Δψ(k)＝ψ_r(k)-ψ(k)    (1)

其中，ψ(k)为实际航向角。

步骤(3)，舵角控制指令信号是由复合控制系统产生的，包括两部分，一部分为模糊控制器输出的舵角控制指令信号δ₁(k)，另一部分为最小二乘支持向量机控制器输出的舵角控制指令信号δ₂(k)。复合控制系统包括模糊控制器和LSSVMC，模糊控制器作为反馈控制器，LSSVMC为前馈控制器。如图2所示，LSSVME表示被控对象的最小二乘支持向量机逆系统辨识器(Least Squares Support Vector Machines Emulator，LSSVME)，模糊控制器与LSSVMC共同作为被控系统的控制输入，控制器的输出可以用式(2)表示，

u(k)＝βδ₁(k)+(1-β)δ₂(k)    (2)

其中β∈[0，1]为模糊控制器与LSSVMC协调控制因子，即通过调节β的参数，可以调整模糊控制器与LSSVMC在控制中所占的比重。如果令β＝1，控制器的输出完全由模糊控制器来决定，此时的控制系统可以等效为模糊逻辑控制系统，如果令β＝0，控制器的输出完全由LSSVMC来决定，此时的控制系统可以等效为LSSVMC系统，当β在大于0小于1之间时，控制器输出由模糊控制与LSSVMC混合控制，通过调节β使控制系统处于最佳控制状态。为使系统处于最佳控制状态，控制器的输出u(k)＝βδ₁(k)+(1-β)δ₂(k)中的参数β的选取可以根据艏摇角误差Δψ(k)的大小来选取。这里采用如下选取方法，首先将Δψ(k)模糊化，这里模糊化为7个等级，即[NB，NM，NS，ZE，PS，PM，PB]，然后根据实际量转化的模糊量，对应选取协调控制因子β值，β与模糊化的Δψ(k)由表1决定：

表1协调控制因子β与艏摇角误差Δψ(k)的模糊关系

步骤(3)中，模糊控制器主要用来实现前期控制快速响应的要求，所以这个期间，可以通过逆辨识器在线调整其参数，以期获得被控系统更多的信息，在系统输出快达到设定值时(即控制后期)，将逆辨识器在线调整的参数完全传递给逆控制器，这时主要采用LSSVMC实现对被控系统的有效控制。因此，LSSVMC在后期起主要作用，以消除对被控系统的稳态误差。由于复合控制系统中增加了反馈环节，因而比直接逆控制具有更优的性能和鲁棒性。

本发明中模糊控制器输入的系统误差e、误差变化ec均采用如图3所示的隶属函数。

本发明采用如表2所示的模糊规则表，使用如下公式：

R＝([E_i×EC_j]×U_PB)∪([E_i×EC_j]×U_PM)

∪([E_i×EC_j]×U_PS)∪

([E_i×EC_j]×U_ZO)∪([E_i×EC_j]×U_NS)∪

(3)

([E_i×EC_j]×U_NM)∪([E_i×EC_j]×U_NB)

求出其模糊关系R，再利用关系式U＝(E×EC)^TR求出模糊推理的输出控制量U。

表2控制量的模糊规律表

本发明采用隶属度加权平均的方法进行解模糊化运算，设模糊集U＝[μ_U(u₁)/U₁，μ_U(u₂)/U₂，…，μ_U(u_n)/U_n]，则控制量u由下式决定：

$u=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\μ}}_U\left(u_1\right)u_1}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\μ}}_U\left(u_1\right)}---\left(4\right)$

步骤(4)，将舵角控制指令信号输入到船舶运动数学模型中，并加入船舶运动的干扰d(k)，得到船舶实际输出航向角ψ(k)。步骤中用到的船舶运动数学模型为三自由度非线性运动数学模型：

式中，Y_R、K_R、N_R分别为舵产生的横荡力、横摇力矩和艏摇力矩，Y_D、K_D、N_D分别为船舶受到的横荡干扰力、横摇干扰力矩和艏摇干扰力矩；J_zG为船体质量对z轴的惯性矩，J_xG为船体质量对x轴的惯性矩；m为船舶质量，m_y为横荡附加质量，m_x为纵荡附加质量；J_zz为艏摇附加转动惯量矩，J_xx为横摇附加转动惯量矩；Y.、N.为粘性水动力系数；

为横摇阻尼力矩，

为横摇扶正力矩；D为排水量，h为横稳心高，z_H为船体横向力Y_H的作用点至船体重心的垂向距离；r、p、v分别为艏摇角速度、横摇角速度和横向速度，

为横摇角。

所述的步骤(5)中，采用最小二乘支持向量机(LSSVM)辨识船舶运动逆系统模型，选择实际航向角ψ(k)、舵角δ(k)、横摇角

作为输入量，其输入量的向量形式为：

其中n、m、p分别为艏摇角、舵角及横摇角的阶数。LSSVM模型的输出为系统的控制量，即舵角的指令信号δ_r(k)。给定训练样本为X₁，...X_l为k时刻到k+l-1时刻的输入向量，记：

.

.

.

δ₁，...δ_l为k-1时刻到k+l-1时刻的输出量，即δ₁＝δ(k-1)，...δ_l＝δ(k+l-1)。其结构如图4所示。核函数取径向基(RBF)函数：

K(x，x_k)＝exp(-||x-x_k||²/σ²)(10)

辨识得到的船舶运动逆系统模型为：

$f\left(X\left(k\right)\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(X\left(i\right),X\left(k\right))+b---\left(11\right)$

其中，f(X(k))为参数输出，X(k)为输入向量，α_i为拉格朗日乘子，b为偏差量，f(X(k))为映射函数。

LSSVMC的参数完全由LSSVM逆辨识器决定，LSSVM逆辨识器具有良好的泛化能力和动态辨识能力，可以有效地辨识非线性系统的特性，提供很好的被控系统模型，使得LSSVMC可以有效地消除被控系统稳态误差。

所述的步骤(6)中，是从步骤(2)开始进行再次运算，使船舶实际航向角跟踪给定期望航向角，达到精确航向保持的目的。

为了验证本发明所设计的船舶航向支持向量机智能控制系统的控制效果，分别对不同海情和浪向角下的情况进行了仿真。仿真海情分别为有义波高2m、4m和6m，图5-图7给出了遭遇角分别为30°、90°、150°下的仿真曲线，表3-表5给出了遭遇角分别为30°、90°、150°时的仿真结果统计值，E(·)表示均值，STD(·)表示标准差，ψ代表航向角，δ代表舵角，角的量纲均为度。

表3航向控制系统仿真结果统计值(有义波高2m)

表4航向控制系统仿真结果统计值(有义波高4m)

表5航向控制系统仿真结果统计值(有义波高6m)

从仿真结果可以看出：对于船舶航向支持向量机智能协调控制系统而言，在有义波高为2m的情况下，控制器的航向角偏差的均方差值都在0.31度范围内；有义波高为4m的情况下，控制器的航向角偏差的均方差值都在0.41度范围内；有义波高为6m的情况下，控制器的航向角偏差的均方差值都在0.62度范围内。并且艏摇角曲线相对稳定，施舵合理，说明本发明设计的船舶航向智能协调控制系统可以达到控制精度要求，具有很好的鲁棒性。从航向角偏差的均方差值，舵角的均方差值的比较可知，本专利设计的船舶航向智能协调控制系统，应用最小二乘支持向量机回归算法辨识航向控制系统的逆模型，建立了逆控制器，LSSVM逆模型作为前馈控制器，模糊控制器作为反馈控制器，克服了因逆模型辨识不精确而带来的直接逆控制的缺点，实现了航向精确控制。

Claims (9)

1.一种船舶航向智能协调控制方法，其特征是：首先设定期望航向角，根据反馈的船舶实际航向角求取实际航向角与期望航向角的偏差，将偏差信号送入到模糊控制器中，同时将期望航向角送入最小二乘支持向量机控制器中，模糊控制器与最小二乘支持向量机控制器并行连接，形成复合控制器，通过调整两个控制器输出的比重，得到舵角控制指令信号，将舵角控制指令信号输入到船舶运动数学模型中，同时引入外界干扰，得到实际的航向角输出；利用输出的航向角和控制指令信号作为最小二乘支持向量机的输入，辨识船舶运动逆系统模型，并将辨识得到的参数输入到最小二乘支持向量机控制器，调整其参数，计算舵角控制指令信号。

2.根据权利要求1所述的船舶航向智能协调控制方法，其特征是所述求取实际航向角与期望航向角的偏差的方法为：

Δψ(k)＝ψ_r(k)-ψ(k)    (1)

其中，ψ_r(k)为期望航向角、ψ(k)为实际航向角。

3.根据权利要求1或2所述的船舶航向智能协调控制方法，其特征是所述舵角控制指令信号包括两部分，一部分为模糊控制器输出的舵角控制指令信号δ₁(k)，另一部分为最小二乘支持向量机控制器输出的舵角控制指令信号δ₂(k)；总的舵角控制指令信号u(k)计算方法为：u(k)＝βδ₁(k)+(1-β)δ₂(k)，其中β为模糊控制器与最小二乘支持向量机控制器的协调控制因子。

4.根据权利要求1或2所述的船舶航向智能协调控制方法，其特征是所述船舶运动数学模型为三自由度非线性运动数学模型：

其中，Y_R、K_R、N_R分别为舵产生的横荡力、横摇力矩和艏摇力矩；Y_D、K_D、N_D分别为船舶受到的横荡干扰力、横摇干扰力矩和艏摇干扰力矩；J_zG为船体质量对z轴的惯性矩，J_xG为船体质量对x轴的惯性矩；m为船舶质量，m_y为横荡附加质量，m_x为纵荡附加质量；J_zz为艏摇附加转动惯量矩，J_xx为横摇附加转动惯量矩；Y.、N.为粘性水动力系数；为横摇阻尼力矩，

为横摇扶正力矩；D为排水量，h为横稳心高，z_H为船体横向力Y_H的作用点至船体重心的垂向距离；r、p、v分别为艏摇角速度、横摇角速度和横向速度，

为横摇角。

5.根据权利要求3所述的船舶航向智能协调控制方法，其特征是所述船舶运动数学模型为三自由度非线性运动数学模型：

其中，Y_R、K_R、N_R分别为舵产生的横荡力、横摇力矩和艏摇力矩；，Y_D、K_D、N_D分别为船舶受到的横荡干扰力、横摇干扰力矩和艏摇干扰力矩；J_zG为船体质量对z轴的惯性矩，J_xG为船体质量对x轴的惯性矩；m为船舶质量，m_y为横荡附加质量，m_x为纵荡附加质量；J_zz为艏摇附加转动惯量矩，J_xx为横摇附加转动惯量矩；Y.、N.为粘性水动力系数；

为横摇阻尼力矩，

为横摇扶正力矩；D为排水量，h为横稳心高，z_H为船体横向力Y_H的作用点至船体重心的垂向距离；r、p、v分别为艏摇角速度、横摇角速度和横向速度，

为横摇角。

6.根据权利要求1或2所述的船舶航向智能协调控制方法，其特征是所述外界干扰包括实际航向角ψ(k)、舵角δ(k)、横摇角所述得到的船舶运动逆系统模型为：

$f\left(X\left(k\right)\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(X\left(i\right),X\left(k\right))+b$

其中，f(X(k))为参数输出，X(k)为输入向量，α_i为拉格朗日乘子，b为偏差量，f(X(k))为映射函数。

7.根据权利要求3所述的船舶航向智能协调控制方法，其特征是所述外界干扰包括实际航向角ψ(k)、舵角δ(k)、横摇角

所述得到的船舶运动逆系统模型为：

$f\left(X\left(k\right)\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(X\left(i\right),X\left(k\right))+b$

其中，f(X(k))为参数输出，X(k)为输入向量，α_i为拉格朗日乘子，b为偏差量，f(X(k))为映射函数。

8.根据权利要求4所述的船舶航向智能协调控制方法，其特征是所述外界干扰包括实际航向角ψ(k)、舵角δ(k)、横摇角

所述得到的船舶运动逆系统模型为：

$f\left(X\left(k\right)\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(X\left(i\right),X\left(k\right))+b$

其中，f(X(k))为参数输出，X(k)为输入向量，α_i为拉格朗日乘子，b为偏差量，f(X(k))为映射函数。

9.根据权利要求5所述的船舶航向智能协调控制方法，其特征是所述外界干扰包括实际航向角ψ(k)、舵角δ(k)、横摇角

所述得到的船舶运动逆系统模型为：

$f\left(X\left(k\right)\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(X\left(i\right),X\left(k\right))+b$

其中，f(X(k))为参数输出，X(k)为输入向量，α_i为拉格朗日乘子，b为偏差量，f(X(k))为映射函数。

Images