CN103592849A - 一种船舶动力定位控制方法 - Google Patents

Abstract

本发明涉及一种船舶动力定位控制方法。本发明属于船舶工程技术领域。一种船舶动力定位控制方法，包括以下步骤：(1)对船舶动态运动模型进行模型辨识，建立支持向量机预测模型；(2)将期望位置和姿态作为船舶动力定位系统的纵荡、横荡和艏摇方向的给定，将支持向量机预测模型嵌入广义预测控制器，分别对纵荡、横荡和艏摇运动进行控制；(3)广义预测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、横荡位移和艏摇的角度反馈，构成闭环反馈控制系统，对船舶动力定位系统进行控制。本发明具有多步预测、滚动优化和反馈校正机制，对船舶控制效果好，定位精度高，能够自适应于船舶装载及海况变化等优点。

Description

一种船舶动力定位控制方法

技术领域

本发明属于船舶工程技术领域，特别是涉及一种船舶动力定位控制方法。

背景技术

目前，船舶动力定位系统（Dynamic Positioning System，以下简称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。

支持向量机（Support Vector Machine,以下简称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。

蚁群优化算法(Ant Colony Algorithms，以下简称ACA)是一种随机搜索算法，它基于对自然界真实蚁群的集体觅食行为的研究，模拟真实的蚁群协作过程。算法由若干个蚂蚁共同构造解路径，通过在解路径上遗留并交换信息素提高解的质量，进而达到优化的目的。ACA的主要特征是正反馈和隐并行性。正反馈机制可以快速发现优化解，隐并行性通过多个个体之间的并行交换信息素可防止算法陷入局部最优解，并可使算法收敛于解空间的一个子集，有利于对解空间进一步搜索。因此运用ACA算法对SVM参数进行优化选择，在很大程度上减少了主观经验选择的盲目性，也提高了预测的精度和推广能力。

广义预测控制(Generalized Predictive Control,以下简称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。

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，现有的船舶动力定位系统没有将上述技术整合，存在动力定位准确性差，难以满足实际生产需要等技术问题。

发明内容

本发明为解决公知技术中存在的技术问题而提供一种船舶动力定位控制方法。

本发明的目的是提供一种具有多步预测、滚动优化和反馈校正机制，对非线性、大时滞和大惯性的船舶对象控制效果好，定位精度高，而且具有很强的系统性、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等特点的船舶动力定位控制方法。

本发明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SVM、ACA和GPC混合算法的船舶DPS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。

本发明船舶动力定位控制过程：首先对船舶动态运动模型进行模型辨识，建立SVM预测模型；然后采用ACA算法对SVM预测模型进行参数优化，得到修正的预测模型；再将期望位置和姿态作为船舶DPS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DPS进行控制。

本发明船舶动力定位控制方法所采取的技术方案是：

一种船舶动力定位控制方法，其特点是：动力定位控制方法包括以下步骤

(1)建立支持向量机预测模型

对船舶动态运动模型进行模型辨识，建立支持向量机预测模型；

(2)期望位置和姿态给定预测控制

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，将三个支持向量机预测模型分别嵌入三个广义预测控制器并作为三个广义预测控制器的预测模型，将三个给定分别输入三个广义预测控制器，分别对纵荡、横荡和艏摇运动进行控制；

(3)预测控制定位

三个广义预测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支持向量机预测模型，构成闭环反馈控制系统，对船舶动力定位系统进行控制实现船舶动力定位。

本发明船舶动力定位控制方法还可以采用如下技术方案：

所述的船舶动力定位控制方法，其特点是：建立支持向量机预测模型时，将船舶在海面上的综合运动分为风、流和二阶波浪力引起的低频运动和由于一阶波浪力引起的高频运动；从船舶测得的综合位置信息分离出低频信号，然后加以控制。

所述的船舶动力定位控制方法，其特点是：建立支持向量机预测模型时，支持向量机将船舶的非线性动态特性通过线性变换转化为高维空间的线性动态特性，并在此高维空间进行线性回归。

所述的船舶动力定位控制方法，其特点是：期望位置和姿态给定预测控制时，先将期望位置和姿态作为船舶动力定位系统纵荡、横荡和艏摇方向的给定，将动力定位系统纵荡、横荡和艏摇方向的三个给定分别输入三个广义预测控制器，通过三个广义预测控制器以及三个支持向量机预测模型采集预测信息，广义预测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，最后将三个广义预测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支持向量机预测模型，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。

本发明具有的优点和积极效果是：

船舶动力定位控制方法由于采用了本发明全新的技术方案，与现有技术相比，本发明具有以下特点：

1、针对船舶具有的非线性、大时滞和大惯性等特性，采用GPC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SVM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SVM算法、ACA算法和GPC算法进行混合，先将SVM在小样本情况下对船舶动力非线性模型进行有效辨识，并用ACA算法对SVM模型进行优化，其优化的辨识结果作为GPC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DPS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是本发明SVM辨识的具体实现框图；

图2是本发明蚁群算法节点和路径生成示意图；

图3是本发明基于SVM和ACA的GPC混合控制策略结构框图。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：

参阅附图1、图2和图3。

实施例1

一种船舶动力定位控制方法，其特点是：动力定位控制方法包括以下步骤

(1)建立支持向量机预测模型：对船舶动态运动模型进行模型辨识，建立支持向量机预测模型；

(2)期望位置和姿态给定预测控制：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，将三个支持向量机预测模型分别嵌入三个广义预测控制器并作为三个广义预测控制器的预测模型，将三个给定分别输入三个广义预测控制器，分别对纵荡、横荡和艏摇运动进行控制；

(3)预测控制定位：三个广义预测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支持向量机预测模型，构成闭环反馈控制系统，对船舶动力定位系统进行控制实现船舶动力定位。

建立支持向量机预测模型时，将船舶在海面上的综合运动分为风、流和二阶波浪力引起的低频运动和由于一阶波浪力引起的高频运动；从船舶测得的综合位置信息分离出低频信号，然后加以控制。支持向量机将船舶的非线性动态特性通过线性变换转化为高维空间的线性动态特性，并在此高维空间进行线性回归。

期望位置和姿态给定预测控制时，先将期望位置和姿态作为船舶动力定位系统纵荡、横荡和艏摇方向的给定，将动力定位系统纵荡、横荡和艏摇方向的三个给定分别输入三个广义预测控制器，通过三个广义预测控制器以及三个支持向量机预测模型采集预测信息，广义预测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，最后将三个广义预测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支持向量机预测模型，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。

本实施例的具体工作过程详述如下：

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GPC算法在非线性控制方面的独特优势、SVM神经网络具有自学习和自适应的能力和ACA在优化方面的特性，本发明采用基于SVM和ACA的GPC混合控制算法进行动力定位，将经过ACA优化过的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）船舶动态运动模型

船舶在海面上的综合运动一般分为风、流和二阶波浪力引起的低频运动和由于一阶波浪力引起的高频运动。由于高频运动仅表现为周期性的振荡而不会导致平均位置的改变，为了避免不必要的能量浪费和推力器的磨损，一般从船舶测得的综合位置信息分离出低频信号，然后加以控制，而不对高频信号进行控制。本实施例可以将低频运动方程经过线性化和离散化处理后得到以下的状态空间形式：

$\begin{array}{c}{\stackrel{\·}{x}}_k={\mathrm{Ax}}_k+{\mathrm{Bu}}_k+{\mathrm{Dw}}_k\\ y_k={\mathrm{Cx}}_k+v_k\end{array}---\left(1\right)$

式中x表示纵荡、横荡和艏摇方向的速度、位置和艏向的状态向量：u代表控制输入向量；w为三维扰动向量，包括了流、风和波浪漂移负载；y是纵荡、横荡和艏摇方向的位置和艏向角的观测向量；v是三维高斯白色噪声；A,B,C,D为常数矩阵。

2）SVM系统辨识

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。系统辨识得到的拟合函数形式为：

f(x)=w·φ(x)+b w,φ(x)∈R^N,b∈R          （2）

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。

所求得的拟合函数f(·)要使下面的性能指标R_reg ^ε最小(也就是结构风险)：

${R_{\mathrm{reg}}}^{\mathrm{\ϵ}}=\frac{1}{2}{\left|\right|w\left|\right|}^2+{{\mathrm{CR}}_{\mathrm{emp}}}^{\mathrm{\ϵ}}---\left(3\right)$

把函数逼近近似问题转化为如下的优化问题：

$\underset{w,b,\mathrm{\ζ}}{\min }\frac{1}{2}{\left|\right|w\left|\right|}^2+C(\mathrm{v\ϵ}+\frac{1}{l}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\ζ}}_i+{\mathrm{\ζ}}_i^{*}))---\left(4\right)$

s.t.y_i-w·φ(x_i)-b≤ε+ζ_i

$w\·\mathrm{\φ}\left(x_i\right)+b-y_i\≤\mathrm{\ϵ}+{\mathrm{\ζ}}_i^{*}$

${\mathrm{\ζ}}_i\≥0,{\mathrm{\ζ}}_i^{*}\≥0,i=\mathrm{1,2},...l$

这里0≤v≤1，C是一个调整参数。ε－不灵敏损失函数意味着如果w^Tφ(x)在y±ε之内，不考虑损失。求解上述优化问题，定义Lagrange函数：

$\begin{array}{c}L(w,b,\mathrm{\ξ},{\mathrm{\ξ}}^{*},\mathrm{\α},{\mathrm{\α}}^{*},\mathrm{\η},{\mathrm{\η}}^{*}=\frac{1}{2}{\left|\right|w\left|\right|}^2+\mathrm{Cv\ϵ}+\frac{C}{l}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}(\mathrm{\ξ}+{\mathrm{\ξ}}^{*})-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i(\mathrm{\ϵ}+{\mathrm{\ξ}}_i+y_i-w^T\mathrm{\φ}\left(x_i\right)-b)\\ -\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{*}(\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}+y_i-w^T\mathrm{\φ}\left(x_i\right)-b)-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\η}}_i{\mathrm{\ξ}}_i+{\mathrm{\η}}_i^{*}{\mathrm{\ξ}}_i^{*})-\mathrm{\β\ϵ}\end{array}---\left(5\right)$

其中α,α^*,η,η^*,β为Lagrange因子。

通过对Lagrange函数求偏导可以解得：

${\∂}_{w}L=0\→w=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\mathrm{\φ}\left(x\right)---\left(6\right)$

${\∂}_{b}L=0\→\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0---\left(7\right)$

${\∂}_{\mathrm{\ϵ}}L=0\→\mathrm{Cv}-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})-\mathrm{\β}=0---\left(8\right)$

${\∂}_{{\mathrm{\ξ}}_i}L=0\→C/l-{\mathrm{\α}}_i-{\mathrm{\η}}_i=0---\left(9\right)$

${\∂}_{{{\mathrm{\ξ}}_i}^{*}}L=0\→C/l-{\mathrm{\α}}_i^{*}-{\mathrm{\η}}_i^{*}=0---\left(10\right)$

由于船舶的动态特性具有较大的非线性，因此SVM通过线性变换将非线性转化为某个高维空间的线性问题，并在此高维空间进行线性回归。这样，在高维特征空间的线性回归就对应于低维空间的非线性回归。具体是通过一个满足Mercer条件的核函数来求特征空间的点积K(x,y)=φ(x)·φ(y)来实现的，这样就免去了高维空间复杂的运算。把式（6）～（10）代入式（4）可得到下面一个二次型优化问题：

$\begin{array}{c}\min (\frac{1}{2}{(\mathrm{\α}-{\mathrm{\α}}^{*})}^{T}H(\mathrm{\α}-{\mathrm{\α}}^{*})+y^T(\mathrm{\α}-{\mathrm{\α}}^{*}))\\ e^T(\mathrm{\α}-{\mathrm{\α}}^{*})=0,e^T(\mathrm{\α}+{\mathrm{\α}}^{*})\≤\mathrm{Cv},0\≤{\mathrm{\α}}_i,{\mathrm{\α}}_i^{*}\≤C/l,i=1,...,l\end{array}---\left(11\right)$

这里H是核函数矩阵，其元素

H_i,j=φ(x_i)^Tφ(x_j)=K(x_i,x_j)          （12）

其中核函数采用RBF核函数：

$K(x_i,x_j)=\exp [-\frac{{|x_i-x_j|}^2}{{2\mathrm{\σ}}^2}];---\left(13\right)$

把式（6）～（10）代入式（2），SVM的输出函数（即辨识结果）如下：

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K(x_i,x)+b---\left(14\right)$

3）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2000个数据作为训练集，第二批500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2000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；再将测试集中500个数据样本用来测试得到的预测模型，即将公式（14）得出的

与测试样本y=y(t)进行对比，测试SVM的泛化能力。

4）利用ACA算法对SVM参数进行优化

①优化变量和节点选择

对于RBF核函数的SVM，以v、C、σ和ε作为待优化变量，根据这些参数在大多数SVM中的取值情况，令v的2个数位全为小数点后2位；C和σ的5个数位中小数点前占3位，小数点后占2位；ε的3个数位中小数点前占1位，小数点后占2位。为便于采用蚁群算法，把这4个参数的抽象地表示在XOY平面上，方法为：画15条等间距、等长度且垂直于X轴的线段L₁,L₂,…,L₁₅，如附图2所示。其中L₁～L₃、L₄～L₈、L₉～L₁₃和L₁₃～L₁₅分别表示v的第1～2个数位、C的第1～5个数位、σ第1～5个数位和ε的第1～3个数位，这些线段在X轴上的位置分别用1～15表示。然后，将这些线段在Y轴方向上分9等份，这样Y轴方向上有10个节点，分别表示该线段所代表的数位可能取的10个值0～9。在XOY平面上总共有15×10个节点，用符号Knot(x_i,y_i,j)表示一个节点，x_i为线段L_i的横坐标(i=1～15)；y_i,j为线段L_i的节点j的纵坐标(j=0～9)。

设某只蚂蚁从坐标原点O出发，当它爬行到线段L₁₅上任意一点时，完成一次循环，其爬行路线可表示为：Path={O,Knot(x₁,y_1,j),Knot(x₂,y_2,j),…,Knot(x₁₅,y_15,j)}。这里节点Knot(x_i,y_i,j)位于线段L_i上。显然，这条路径所代表的v、C、σ和ε的值可以按照如下公式计算：

$\left\{\begin{array}{c}v=y_{1,j}\×{10}^{-1}+y_{2,j}\×{10}^{-2}\\ C=y_{3,j}\×{10}^2+y_{4,j}\×{10}^1+y_{5,j}\×{10}^0+y_{6,j}\×{10}^{-1}+y_{7,j}\×{10}^{-2}\\ \mathrm{\σ}=y_{8,j}\×{10}^2+y_{9,j}\×{10}^1+y_{10,j}\×{10}^0+y_{11,j}\×{10}^{-1}+y_{12,j}\×{10}^{-2}\\ \mathrm{\ϵ}=y_{13,j}\×{10}^0+y_{14,j}\×{10}^{-1}+y_{15,j}\×{10}^{-2}\end{array}\right.---\left(15\right)$

②目标函数建立

以方均误差

来描述SVM回归与参考模型之间的偏差，其中：n为样本个数，y为参考模型，f(x)为SVM回归。优化算法的目标函数是：选取最佳的参数组合，使得SVM回归与参考模型具有最小的方均误差，即：

F=minf(z₁,…,z_i)=minMSE

a_i≤z_i≤b_i,i=1,2,3,4          （16）

这里优化变量z_i总共为4个，对应于参数v、C、σ和ε；[a_i,b_i]为各个变量z_i的定义域。

③路径点的选择

假设每只蚂蚁从线段L_i上从任一节点爬行到下一线段L_i+1上任一节点的时间相等，与节点间距离无关。若所有蚂蚁都从坐标原点O出发，则它们将同时到达每条线段L_i(i=1～15),最后同时到达线段L₁₅上各自的终点，完成一次循环。

在时刻t设蚁群移动到线段L_i上，令b_j(j=0～9)为t时刻在L_i上节点j处的蚂蚁数，则蚂蚁总数m可以表示为

设τ(x_i,y_i,j,t)表示t时刻在节点Knot(x_i,y_i,j)上遗留的信息量，初始时刻各节点上的信息量相等，即τ(x_i,y_i,j,0)=c（其中，c为常数，i=1～15,j=0～9），Δτ(x_i,y_i,j,0)=0。设P_k(x_i,y_i,j,t)表示时刻t第k只蚂蚁由L_i-1上任一点向Knot(x_i,y_i,j)爬行的概率，则有

$\begin{array}{c}{P}_k(x_i,y_{i,j},t)=\frac{{\mathrm{\τ}}^{\mathrm{\α}}(x_i,y_{i,j},t){\mathrm{\η}}^{\mathrm{\β}}(x_i,y_{i,j},t)}{\underset{j=0}{\overset{9}{\mathrm{\Σ}}}{\mathrm{\τ}}^{\mathrm{\α}}(x_i,y_{i,j},t){\mathrm{\η}}^{\mathrm{\β}}(x_i,y_{i.j},t)}---\left(17\right)\\ \end{array}$

式中η^β(x_i,y_i,j,t)为节点Knot(x_i,y_i,j)上的能见度，且

${\mathrm{\η}}^{\mathrm{\β}}(x_i,y_{i,j},t)=\frac{10-|y_{i,j}-y_{i,j}^{*}|}{10}---\left(18\right)$

式中，

(i＝1～15，j＝0～9)按如下方式取值：在蚁群算法的第一次循环中，为参数v、C、σ和ε的经验值映射在图2的15个节点所对应的纵坐标值；在以后各次循环中，则为上一次循环中所产生的最优路径（上一次循环中的最优性能指标）所对应的参数v、C、σ和ε的值映射在图1的15个节点所对应的纵坐标值。

④信息素的更新

假设在初始时刻t=0，所有蚂蚁都位于坐标原点O，那么经过15个时间单位后，所有蚂蚁都从起始点爬到终点，此时可根据如下公式调整各路径点的信息量

τ(x_i,y_i,j,t+15)=τ(x_i,y_i,j,t)+Δ(x_i,y_i,j)          （19）

$\mathrm{\Δ}(x_i,y_{i,j})=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{\Δ}{\mathrm{\τ}}_k(x_i,y_{i,j})---\left(20\right)$

式中，Q表示信息强度，它在一定程度上影响算法的收敛速度；F_k表示第k只蚂蚁在本次循环中的目标函数值，由公式（16）计算。

2、运用基于SVM和ACA的GPC混合控制算法设计控制器

附图3是基于SVM和ACA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x=[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、流和浪都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。

$J=\underset{i=d}{\overset{N_t}{\mathrm{\Σ}}}{[y_r(t+i)-\hat{y}(t+i|t)]}^2+\underset{j=1}{\overset{N_u}{\mathrm{\Σ}}}{\mathrm{\λ}}_i{\left[\mathrm{\Δu}(t+j-1)\right]}^2---\left(22\right)$

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          （23）

其中μ是优化步长，并且

δJ_u=-δy_ue+λΔu          （24）

其中：

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

$e={[y_r(t+d)-\hat{y}(t+d),...,y_r(t+N_2)-\hat{y}(t+N_2)]}^T---\left(25\right)$

将式(23)代入到式(24)可得

Δu=(I+μλ)^-1μδy_ue          （26）

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          （27）

其中：I为单位矩阵。u(t)为图3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。

本实施例具有所述的多步预测、滚动优化和反馈校正机制，对船舶对象控制效果好，定位精度高，而且具有很强的系统性、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等积极效果，可以维持船舶在给定位置，或使船舶精确地跟踪某一给定轨迹。

Claims (4)

1.一种船舶动力定位控制方法，其特征是：动力定位控制方法包括以下步骤：

(1)建立支持向量机预测模型

对船舶动态运动模型进行模型辨识，建立支持向量机预测模型；

(2)期望位置和姿态给定预测控制

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，将三个支持向量机预测模型分别嵌入三个广义预测控制器并作为三个广义预测控制器的预测模型，将三个给定分别输入三个广义预测控制器，分别对纵荡、横荡和艏摇运动进行控制；

(3)预测控制定位

三个广义预测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支持向量机预测模型，构成闭环反馈控制系统，对船舶动力定位系统进行控制实现船舶动力定位。

2.根据权利要求1所述的船舶动力定位控制方法，其特征是：建立支持向量机预测模型时，将船舶在海面上的综合运动分为风、流和二阶波浪力引起的低频运动和由于一阶波浪力引起的高频运动；从船舶测得的综合位置信息分离出低频信号，然后加以控制。

3.根据权利要求1所述的船舶动力定位控制方法，其特征是：建立支持向量机预测模型时，支持向量机将船舶的非线性动态特性通过线性变换转化为高维空间的线性动态特性，并在此高维空间进行线性回归。

4.根据权利要求1所述的船舶动力定位控制方法，其特征是：期望位置和姿态给定预测控制时，先将期望位置和姿态作为船舶动力定位系统纵荡、横荡和艏摇方向的给定，将动力定位系统纵荡、横荡和艏摇方向的三个给定分别输入三个广义预测控制器，通过三个广义预测控制器以及三个支持向量机预测模型采集预测信息，广义预测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，最后将三个广义预测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支持向量机预测模型，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。

Images