CN101963784A - 基于支持向量机和广义预测控制算法的船舶动力定位方法 - Google Patents

Abstract

本发明公开一种基于支持向量机和广义预测控制算法的船舶动力定位方法，先对船舶动态运动模型进行模型辨识并建立SVM预测模型，再将期望位置和姿态作为船舶动力定位系统的纵荡、横荡和艏摇方向的三个给定，将三个SVM预测模型分别嵌入三个GPC控制器并作为GPC控制器的预测模型，将三个给定分别输入三个GPC控制器，最后三个GPC控制器通过推力分配模块将纵荡、横荡和艏摇方向三个力矩施加到船舶动态运动模型上，并将纵荡、横荡位移和艏摇三个角度分别反馈给三个SVM预测模型，对系统进行反馈校正定位控制。本发明不依赖经验知识，具有很强的系统性、逻辑性和普遍性，能自适应船舶内部的装载变化及外部的海况变化，控制效果好，定位精度高。

Description

基于支持向量机和广义预测控制算法的船舶动力定位方法

技术领域

本发明涉及的是船舶工程技术领域，具体涉及基于支持向量机和广义预测控制混合算法的船舶动力定位控制方法。

背景技术

船舶动力定位系统(简称DPS)，是指不借助锚泊系统，利用自身推进装置有效地产生反力和反力矩去抵抗风、流和浪作用于船上的环境外力和力矩，维持船舶在给定位置，或使船舶精确地跟踪某一给定轨迹的系统。

专利号为200510027565.X、名称为“基于模糊自适应算法的船舶动力定位控制系统”将测位系统的信息输出连接到模拟/数字转换器输入端，模拟/数字转换器输出端连接到计算机，计算机再与滤波器输入端连接，滤波器输出端经学习器、优化决策器接到电位放大器输入端，电位放大器输出端接到执行机构，所采用的是模糊算法，其算法中的模糊规则及隶属函数完全凭经验获得，算法缺乏系统性和普遍性，因此，其本质上是无法自适应于船的内部的装载变化及外部的海况变化，定位精度差。

申请号为94117369.0、名称为“船舶动力定位的神经网络控制系统及其方法”，其动力定位方法是由测位系统将信息经滤波后送给学习器，再经优化决策选择将控制信号输给执行机构，使船以最小误差与冲击接近指定位置，采用神经网络算法是以经验风险最小化为准则，辨识过程中需要大量学习样本，相反还容易出现局部最小点，导致泛化能力较差。

支持向量机(简称SVM)是建立在统计学理论基础上、以结构风险最小化为准则的一种神经网络。SVM先固定经验风险，再最小化置信风险，将输入空间映射到高维内积的空间，通过解一个线性约束的二次规划问题得到全局最优解，不存在局部最小值问题，快速算法保证了收敛速度。因此SVM在很大程度上解决了小样本建模、模型选择与过学习、非线性和局部最小点等问题。

广义预测控制(简称GPC)是一种鲁棒性强、能够有效地克服系统滞后、应用于开环不稳定非最小相位系统的先进控制算法，是一种基于模型的先进控制技术，采用的是多步测试、滚动优化和反馈校正等控制策略，因而控制效果好，适用于控制不易建立精确数字模型且比较复杂的过程。一般GPC算法首先利用易于得到的工业过程脉冲或阶跃响应曲线，将在采样时刻的一系列值作为描述对象动态特征的信息，从而构成测试模型，这样来确定控制量的时间序列，使未来一段时间内被控变量与经过“柔化”后的期望轨迹之间的误差最小，此优化过程反复做线进行，以期达到优化控制的目的。

发明内容

本发明的目的在于克服现有技术中存在的不足，在重点考虑船舶三个自由度的运动即纵荡、横荡和艏摇运动的基础上，提出一种基于支持向量机和广义预测控制算法的船舶动力定位方法，使其能自适应于船的装载变化及海况变化，提高定位精度。

本发明采用的技术方案是：先对船舶动态运动模型进行模型辨识，建立SVM预测模型；再将期望位置和姿态作为船舶动力定位系统的纵荡、横荡和艏摇方向的三个给定，将三个SVM预测模型分别嵌入三个GPC控制器并作为GPC控制器的预测模型，将三个给定分别输入三个GPC控制器，分别对纵荡、横荡和艏摇运动进行控制；最后三个GPC控制器通过推力分配模块将纵荡、横荡和艏摇方向的三个力矩施加到船舶动态运动模型上，并将纵荡、横荡位移和艏摇的三个角度分别反馈给三个SVM预测模型，构成闭环反馈控制系统，对船舶动力定位系统进行控制。

本发明的有益效果是：

1、本发明针对船舶具有的非线性、大时滞和大惯性等特性，采用广义预测控制算法中的多步预测、滚动优化和反馈校正机制，控制效果好，定位精度高。采用支持向量机算法对数学模型要求低，泛化能力强，无需大量学习样本，解决了小样本建模、模型选择与过学习、非线性、维数灾和局部最小点等问题。

2、本发明将广义预测控制算法和支持向量机算法进行混合，先将支持向量机在小样本情况下对船舶动力非线性模型进行有效辨识，辨识结果作为广义预测控制算法的预测模型，该预测模型辨识精度高和泛化能力强，能为船舶动力定位系统控制器提供有效预测信息；然后采用多步预测、滚动优化和反馈校正机制对具有非线性、大时滞和大惯性的船舶对象进行控制，控制效果好，定位精度高。

3、整个控制算法具有严格的数学推导，不依赖经验知识，具有很强的系统性、逻辑性和普遍性，能够自适应于船舶内部的装载变化及外部的海况变化。

附图说明

图1是支持向量机辨识的具体实现框图。

图2是基于支持向量机的广义预测控制混合控制策略结构框图。

具体实施方式

由于船舶在海上的动力学特性具有强耦合、非线性、大时滞和大惯性等特点，很难用精确的数学模型进行描述，并且风、流和浪等外部随机干扰的统计特性也随着不同海况而发生很大的变化。鉴于广义预测控制(GPC)算法在非线性控制方面的独特优势以及神经网络具有自学习和自适应的能力，本发明采用基于支持向量机(SVM)的GPC混合控制算法进行动力定位，将SVM作为GPC算法的预测模型，利用多步预测、滚动优化和反馈机制设计GPC控制器，并应用于船舶动力定位系统(DPS)中。

本发明的动力定位方法是：先建立附图1的连接，对船舶动态运动模型进行模型辨识，旨在建立SVM预测模型；再建立附图2的连接，其中将附图1建立起来的SVM预测模型嵌入在附图2，作为GPC控制器的预测模型，然后将期望位置和姿态作为船舶DPS给定，通过三个GPC控制器，分别对船舶的三个自由度即纵荡、横荡和艏摇运动进行控制；最后通过推力分配模块施加到船舶动态运动模型上，将纵荡、横荡位移和艏摇角度反馈给SVM预测模型，构成闭环反馈控制系统。具体实施步骤如下：

1、建立SVM预测模型

1)SVM的系统辨识

采用收敛速度较快和泛化能力较好的v-SVM算法和混合核函数的方法对船舶动态运动模型进行辨识。给定样本集为{(x_i，y_i)，i＝1，2，…l}，其中x_i∈R^N为输入值，y_i∈R为对应的目标值，l为样本数。所要求拟合函数形式为：

f(x)＝w·φ(x)+b           w，φ(x)∈R^N，b∈R    (1)

其中：w是参数列矢量，φ()是一个函数列矢量，它把输入样本从输入空间映射到特征空间，b是常值偏差。

将具有代表性的全局核函数(Polynomial核函数)和局部核函数(RBF核函数)组合构成一种混合核函数SVM，结合v-SVM对船舶动力学模型进行辨识，不仅具有良好的模型拟合精度，而且能有效抑制局部核函数所引起的预测输出波动，解决了系统建模的问题。即：

Polynomial核函数：K(x，x_i)＝[(xx_i)+1]^q；

RBF核函数： $K(x,x_i)=\exp [-\frac{{|x-x_i|}^2}{{2\mathrm{\σ}}^2}];$

混合函数：K_mix＝ρK_Poly+(1-ρ)K_RBF    (2)

其中：K_Poly和K_RBF分别为Polynomial核函数和RBF核函数，系数ρ(0≤ρ≤1)为调节两种核函数作用大小的常数。

由(1)式和(2)式可得SVM输出拟合函数：

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({{\mathrm{\α}}_i}^{*}-{\mathrm{\α}}_i)K(x,x_i)+b---\left(3\right)$

其中：α，α^*为Lagrange(拉格朗月)因子。

2)SVM辨识的具体实现

SVM辨识的具体实现框图见附图1。图中u(t)为船舶动力定位系统输入，y(t)为船舶动力定位系统实际输出，

为SVM预测模型的输出，z^-1为滞后因子。将船舶动力定位系统输入u(t)为船舶动态运动模型输入、将船舶动力定位系统输入u(t)经滞后因子后为SVM预测模型输入，将船舶动力定位系统实际输出y(t)经滞后因子后为SVM预测模型输入。将u(t)输入船舶动态运动模型，并将u(t)经滞后因子z^-1输入SVM预测模型，系统实际输出y(t)经滞后因子z^-1输入SVM预测模型，目的是使

能够较好地拟合y(t)。其中船舶动态运动模型系统产生两批数据，第一批3000个数据作为训练集，第二批1000个数据作为测试集。

以船舶的纵荡为例，选取x＝[u(t-1)，y(t-1)，y(t-2)]，y＝y(t)，(x，y)作为输入样本供SVM学习和测试。通过训练集中3000个数据样本的训练学习，SVM获得了船舶动力学模型的动态特性，即SVM预测模型，即求出α，α^*，b，ρ，σ等特征参数；再将测试集中1000个数据样本用来测试得到的预测模型，即将公式(3)得出的

与测试样本y＝y(t)进行对比，测试SVM的泛化能力。

2、运用基于SVM的GPC混合控制算法设计控制器

附图2是基于SVM的GPC混合控制策略结构框图，其中：

为SVM预测模型的输出，x_F、y_F、N_F分别为纵荡、横荡和艏摇方向的力矩，x_e、y_e、ψ分别为纵荡、横荡位移和艏摇角度，z^-1为滞后因子。

将三个SVM预测模型分别嵌入三个GPC控制器中，SVM预测模型的输出为GPC控制器的输入，SVM预测模型作为GPC控制器的预测模型，为GPC控制器提供预测信息。具体控制时：先将期望位置和姿态作为船舶DPS纵荡、横荡和艏摇方向的给定，将DPS纵荡、横荡和艏摇方向的三个给定分别输入三个GPC控制器，通过三个GPC控制器以及三个SVM预测模型采集预测信息，GPC控制器采用多步预测、滚动优化和反馈校正机制分别对船舶的三个自由度即纵荡、横荡和艏摇运动进行控制，最后将三个GPC控制器通过推力分配模块将纵荡、横荡和艏摇方向的三个力矩x_F、y_F、N_F施加到船舶动态运动模型上，并将纵荡、横荡位移和艏摇的三个角度x_e、y_e、ψ分别反馈给三个SVM预测模型，构成闭环反馈控制系统，对船舶动力定位系统进行反馈校正定位控制。

其中：SVM预测模型将采集到的u(t-1)，y(t-1)，y(t-2)信号作为模型输入，通过图1的形式产生多步预测信息输出给GPC控制器；推力分配模块设置于船舶推力分配器上，推力分配模块采用推力分配逻辑，推力分配逻辑通常采用常规的遗传等寻优算法。当船舶在海上航行时，风、流和浪会对船舶产生很大的干扰，导致船舶无法达到期望位置和姿态，此时DPS系统通过三个GPC控制器分别产生三个自由度的推进力和推进力矩，并由推力分配模块按照一定的逻辑分配给若干推进器，共同发挥作用以达到抵消风、流和浪干扰作用的目的。

单个GPC控制器进行控制时的具体控制算法如下：

取优化性能指标函数J为二次性能加权指标，GPC控制器是通过在k时刻对下面的性能指标进行优化以获得控制作用。

$J=\underset{i=d}{\overset{N_1}{\mathrm{\Σ}}}{[y_r(t+i)-\hat{y}(t+i|t)]}^2+\underset{j=1}{\overset{N_u}{\mathrm{\Σ}}}{\mathrm{\λ}}_i{\left[\mathrm{\Δu}(t+j-1)\right]}^2---\left(4\right)$

其中：N₁为最大预测长度，N_u为控制长度，λ_j为控制加权，y_r(t+j)为船舶期望位置和姿态参考序列，

为多步预测序列(由SVM预测模型提供)，Δu(t)，…，Δu(t+N_u-1)为优化变量。在k时刻对该性能指标进行优化获得控制作用序列，Δu(t)，…，Δu(t+N_u-1)作用于系统，在k时刻以后重复上述过程进行滚动优化。

定义：Δu＝[Δu(t)，…，Δu(t+N_u-1)]^T，则在每一采样时刻，使用梯度下降法得Δu控制律如下：

Δu＝-μδJ_u                                                (5)

其中μ是优化步长，并且

δJ_u＝-δy_ueλΔu                                           (6)

其中：

$\mathrm{\λ}=\mathrm{diag}[{\mathrm{\λ}}_1,\·\·\·,{\mathrm{\λ}}_{N_u}]$

$e={[y_r(t+d)-\hat{y}(t+d),\·\·\·,y_r(t+N_2)-\hat{y}(t+N_2)]}^T$

将(5)式代入到(6)式可得

Δu＝(I+μλ)^-1μδy_ue

根据GPC控制的滚动优化，广义预测控制律为：

u(t)＝u(t-1)+[1，0，…，0](I+μλ)^-1μδy_ue，其中：I为单位矩阵，

u(t)为图2中单个GPC控制器输出的控制信号，也是图1中单个船舶动力定位系统输入u(t)。当将控制信号u(t)输入到船舶控制对象时，需将三个GPC控制器的三个控制信号进行迭加，然后再将船舶姿态信号反馈到给定信号，进行反馈校正，从而构成闭环反馈控制系统。

Claims (3)

1.一种基于支持向量机和广义预测控制算法的船舶动力定位方法，其特征是采用如下步骤：

1)对船舶动态运动模型进行模型辨识，建立SVM预测模型；

2)将期望位置和姿态作为船舶动力定位系统的纵荡、横荡和艏摇方向的三个给定，将三个SVM预测模型分别嵌入三个GPC控制器并作为GPC控制器的预测模型，将三个给定分别输入三个GPC控制器，分别对纵荡、横荡和艏摇运动进行控制；

3)三个GPC控制器通过推力分配模块将纵荡、横荡和艏摇方向的三个力矩施加到船舶动态运动模型上，并将纵荡、横荡位移和艏摇的三个角度分别反馈给三个SVM预测模型，构成闭环反馈控制系统，对船舶动力定位系统进行控制。

2.根据权利要求1所述的基于支持向量机和广义预测控制算法的船舶动力定位方法，其特征是：步骤1)包括将船舶动力定位系统输入作为船舶动态运动模型输入、将船舶动力定位系统输入经滞后因子后作为SVM预测模型输入，将船舶动力定位系统实际输出经滞后因子后作为SVM预测模型输入。

3.根据权利要求1所述的基于支持向量机和广义预测控制算法的船舶动力定位方法，其特征是：步骤3)单个GPC控制器控制算法为：

u(t)＝u(t-1)+[1，0，…，0](I+μλ)^-1μδy_ue

其中：u(t)为单个GPC控制器输出的控制信号；μ为优化步长；I为单位矩阵；

λ_j为控制加权；

y_r(t+j)为船舶期望位置和姿态参考序列；

为由SVM预测模型提供的预测序列；u(t)为船舶动力定位系统输入；u(t-1)，y(t-1)，y(t-2)为模型输入；N_u为控制长度；