CN105446136A - 基于不完全递归支集动态神经网络的船舶航向智能控制器 - Google Patents

Abstract

本发明公开了一种基于不完全递归支集动态神经网络的船舶航向智能控制器，包括依次连接的输入转换装置、舵机控制器、神经网络控制器；在神经网络控制器内部建立不完全递归支集动态神经网络，并给出了船舶航向预测控制策略，解决传统舵机控制器不能精确控制大滞后船舶，使船舶航向切换控制过程快速、平滑，操舵量小，从而实现高精度的船舶航向控制。

Description

基于不完全递归支集动态神经网络的船舶航向智能控制器

技术领域

本发明涉及计算机智能船舶运动控制领域，具体涉及一种基于不完全递归支集动态神经网络模型的船舶航向智能控制器。

背景技术

船舶运动是一种复杂的控制问题，它是具有大惯性、大时滞、非线性和参数时变的动态过程。如万吨级油轮的时间常数可达100s以上，对动舵响应缓慢，某些开环不稳定船舶甚至存在着对操舵的反常响应(在一定舵角界限内打右舵船头反而向左转)，其控制有相当难度。同时船舶运动特性随航速、载荷、吃水差、水深等因素的变化而变化，扰动特性也随海浪、风、流等海况而不同，因此，船舶运动控制还具有明显的不确定性。

大滞后的控制问题一直是自动控制中公认的难题之一。传统的控制方法，要求被控对象具有精确的数学模型，而且这些方法仅适用于具有反馈的确定线性系统。随着社会生产活动的进步与科学技术的不断发展，受控对象越来越复杂，绝大多数是互有耦合的多输入多输出系统，且往往伴有参数时变、非线性特点，要建立较精确的数学模型，变的越来越困难，所以传统的控制策略就难以获得令人满意的控制性能。如何解决预测控制中复杂系统的参数时变、非线性，不同的学者提出了不同的解决办法如非线性H∞预测控制，基于LMI的MPC等，其中把模糊模型和神经网络应用于预测控制来进行复杂系统的非线性模型的辨识，对于描述非线性过程具有良好的效果。从模糊控制的基本原理可以看出，偏差变化定量地反映了被控过程状态量在当前时刻的变化方向和大小，因此，模糊控制对纯滞后系统有一定的预测能力，但对大滞后系统(τ_s/T_m>0.5)就缺乏有效的控制。相比之下，具有自学习能力和逼近任意非线性映射能力的神经网络，就显示出明显优势，为解决这类系统的控制问题提供了新的手段。

发明内容

针对上述现有技术中存在的问题，本发明的目的在于，提供一种基于不完全递归支集动态神经网络的船舶航向智能控制器，以实现对船舶航向的高精度控制。

为了实现上述任务，本发明采用以下技术方案：

一种基于不完全递归支集动态神经网络的船舶航向智能控制器，包括依次连接的输入转换装置、舵机控制器、神经网络控制器；

所述的神经网络控制器内部建立不完全递归支集动态神经网络，该网络的构造方法包括：

在局部回归神经网络的基础上，对其进行改进，得到不完全递归支集动态神经网络，具体如下：

①局部回归神经网络的输入层传递函数或激活函数设置为恒等变换r(x)＝x；

②将类支集函数作为局部回归神经网络的隐含层传递函数，类支集函数定义如下：

设一个函数f(x)在(-∞,∞)内有定义且|f(c)|≠0，称f(x)为x＝c的类支集函数，且对任意给定的ε＞0，存在α>0使当|x-c|＞α时有

|f(x)|＜ε

③在局部回归神经网络的隐含关联层增加自反馈，并利用反馈增益系数β调整自反馈的大小；

④在局部回归神经网络的输出关联层增加自反馈，并利用反馈增益系数γ来调整自反馈大小；

⑤将局部回归神经网络的输出层的传递函数设置为恒等变换g(x)＝x；

所述的神经网络控制器中不完全递归支集动态神经网络的输入为船舶的实际船首航向角在(τ-1,...,τ-k)时刻的向量Y(τ-1,...,τ-k)、向量Y(τ-1,...,τ-k)的一阶导数向量Y(τ-1,...,τ-k)的二阶导数舵机控制器的控制输出向量U(τ-1,...,τ-k)，风浪流的外扰力向量D(τ-1,...,τ-k)，输出为控制输出量y_N(τ_s+T_m)，控制输出量和期望的航向y_d叠加得到误差e(τ_s+T_m)，然后将误差经过输入转换装置转换成模拟量，传递给舵机控制器，舵机控制器对模拟量进行调节，用模拟量控制输出量对船舵进行控制，从而控制船舶航向。

进一步地，所述的神经网络控制器中对船舶航向的预测控制方法包括：

①若误差E_n(τ)>预先设定的控制精度ε，则以y_p(τ)为目标，完成不完全递归支集动态神经网络对非线性时滞船舶的模型辨识学习，这时有神经网络输出的舵角控制量y_N(τ)≈y_p(τ)；

②若误差E_n(τ)<ε，则将y_N(τ)代替y_p(τ)，输入向量Y中，即

$Y={[y_p(\mathrm{\&tau;}-k),y_p(\mathrm{\&tau;}-k+1),...,y_N\left(\mathrm{\&tau;}\right),{\stackrel{\&CenterDot;}{y}}_p(\mathrm{\&tau;}-1),{\stackrel{\&CenterDot;\&CenterDot;}{y}}_p(\mathrm{\&tau;}-1)]}^T$

③将船舶的实际船首航向角向量Y和风浪流的外扰力向量D、舵机控制器的控制输出向量U一起输入已训练好的网络，求出第一步预测的(τ-1)时刻舵机控制器的控制输出量y_N ⁽¹⁾(τ+1)；

④将y_N ⁽¹⁾(τ+1)代入式(5)，则有：

$Y={\&lsqb;y_p(\mathrm{\&tau;}-k+1),y_p(\mathrm{\&tau;}-k+2),...,{y_N}^{\left(1\right)}(\mathrm{\&tau;}+1),{\stackrel{\&CenterDot;}{y}}_p(\mathrm{\&tau;}-1),{\stackrel{\&CenterDot;\&CenterDot;}{y}}_p(\mathrm{\&tau;}-1)\&rsqb;}^T$

⑤返回到第③步，重复③、④，并连续预测n步，求出神经网络的第n预测值y_N ⁽¹⁾(τ+1)，y_N ⁽²⁾(τ+2)，…，y_N ⁽ⁿ⁾(τ+n)，完成n步预测；

⑥计算预测误差e(τ+l)＝y_d-y_N ^(l)(τ+n)，y_d为系统期望输出；将此预测误差e(τ+l)传递给控制器，求出控制量u(τ+l)，即可实现对动态系统的控制；

⑦重复上述过程①～⑥，直至误差E_n(τ)<ε，结束。

本发明与现有技术相比具有以下技术特点：

1.系统不用预先设定参数，它会自动学习调整优化，是智能化的新型船舶航向控制器。

2.系统控制精度高，使船舶航向切换控制过程快速、平滑，操舵量小。特别是对大滞后的船舶，控制效果明显提高，可有效克服大惯性、大时滞、非线性、难控制等问题。

附图说明

图1为本发明的船舶航向智能控制器的结构原理图；

图2为不完全递归支集动态神经网络的结构图；

图3为无外扰、空载的情况下本方案仿真的自动舵的航向跟踪和舵角变化历时曲线；

图4为无外扰、空载的情况下的常规模型参考自适应舵航向跟踪和舵角变化历时曲线；

图5为在满载、加入外扰条件下本方案仿真的舵角与航向历时曲线。

具体实施方式

本发明公开了一种基于不完全递归支集动态神经网络的船舶航向智能控制器，包括依次连接的输入转换装置、舵机控制器、神经网络控制器，如图1所示；整个智能控制器的输入包括τ时刻船舶的实际航向角y_p(τ)，海上风浪的外扰d(τ)，以及期望的航向角y_d；输出为对船舶的控制量u(τ)。

一种基于不完全递归支集动态神经网络的船舶航向智能控制器，包括依次连接的输入转换装置、舵机控制器、神经网络控制器；

所述的神经网络控制器内部建立不完全递归支集动态神经网络，该网络的构造方法包括：

在局部回归神经网络的基础上，对其进行改进，得到不完全递归支集动态神经网络IRSNN3，具体如下：

①局部回归神经网络的输入层传递函数或激活函数设置为恒等变换r(x)＝x；

②将类支集函数作为局部回归神经网络的隐含层传递函数，类支集函数定义如下：

设一个函数f(x)在(-∞,∞)内有定义且|f(c)|≠0，称f(x)为x＝c的类支集函数，且对任意给定的ε＞0，存在α>0使当|x-c|＞α时有

|f(x)|＜ε

③在局部回归神经网络的隐含关联层增加自反馈，并利用反馈增益系数β调整自反馈的大小；

④在局部回归神经网络的输出关联层增加自反馈，并利用反馈增益系数γ来调整自反馈大小；

⑤将局部回归神经网络的输出层的传递函数设置为恒等变换g(x)＝x；

不完全递归支集动态神经网络的其他网络设置与局部回归神经网络相同。这里所指的局部回归神经网络包括Elman神经网络、对角递归神经网络。

所述的神经网络控制器中不完全递归支集动态神经网络的输入为船舶的实际船首航向角在(τ-1,...,τ-k)时刻的向量Y(τ-1,...,τ-k)、向量Y(τ-1,...,τ-k)的一阶导数向量Y(τ-1,...,τ-k)的二阶导数舵机控制器的控制输出向量U(τ-1,...,τ-k)，风浪流的外扰力向量D(τ-1,...,τ-k))；输出为神经网络智能舵机控制器的控制输出量y_N(τ_s+T_m)，控制输出量经过和期望的航向y_d叠加得到误差e(τ_s+T_m)，然后将其经过输入转换装置转换成模拟量，传递给舵机控制器，舵机控制器对模拟量进行调节，用模拟量控制舵机控制器的输出量对船舵进行控制，从而控制船舶航向。

在本方案中，神经网络控制器采用由我们提出的三型不完全递归支集动态神经网络IRSNN3，它是一种动态神经网络，可以更好地描述系统的动态特性。其结构如图2所示。

发明的工作原理是：

在图2中，u(·)和y(·)为分别为网络输入和输出；S(·),S^C1(·),S^C2(·)为分别为隐含层、隐含关联层、输出关联层输出；f(·)为隐层层传递函数，采用类支集函数。W^I，W^C1，W^C2，W^O分别为输入层节点与隐含层节点、隐含关联层节点与隐含层节点、输出关联层节点与隐含层节点、以及隐含层节点与输出节点之间的连接权，β为隐含关联层自反馈增益系数，γ为输出关联层自反馈增益系数。

由于关联层自反馈增益β的引入，隐含关联层的输出S^C1(k)变为：

S^C1(k)＝S(k-1)+βS^C1(k-1)(1)

由于输出层自反馈增益γ的引入，输出关联层的输出S^C2(k)为：

S^C2(k)＝y(k-1)+γS^C2(k-1)(2)

继续迭代，有：

S^C1(k)＝S(k-1)+βS(k-2)+β²S(k-3)+…(3)

S^C2(k)＝y(k-1)+γy(k-2)+β²y(k-3)+…

在上式中，β,γ越是接近1，则网络就越多考虑到更远时刻的系统的内部状态反馈和输出反馈，因此，网络结构的改变和两个自反馈增益的引入大大增强了网络的动态特性反映能力。这样，网络通过引入隐含关联层，可以存储有关网络内部状态特性的历史数据；通过引入输出关联层，可以存储有关网络外部输出特性的历史数据。同时，通过调节β,γ的大小进一步增加了我们对网络记忆历史数据的可控性。

对不完全递归支集动态神经网络，有如下非线性状态方程：

$\left\{\begin{array}{c}S\left(k\right)=f\left(W^{C1}{S}^{C1}\left(k\right)+W^{C2}{S}^{C2}\left(k\right)+W^{I}u\left(k-1\right)\right)\\ S^{C1}\left(k\right)=S\left(k-1\right)+{\mathrm{\&beta;S}}^{C1}\left(k-1\right)\\ S^{C2}\left(k\right)=y\left(k-1\right)+{\mathrm{\&gamma;S}}^{C2}\left(k-1\right)\\ y\left(k\right)=W^{O}S\left(k\right)\end{array}\right.---\left(4\right)$

网络中在隐层反馈关联层增加一个增益为β的自反馈连接与隐层反馈连接一起构成隐含关联层，使得网络有很强的对内部状态历史数据的可控的记忆能力。同时，增加输出关联层，把预测的输出反馈作为输入，并与增益为γ的自反馈连接一起构成输出关联层，以可控地存储和记忆网络的输出历史数据，非常适合我们的多步预测需要。因此，该网络的输入由3个部分组成，即网络输出反馈、隐层输出反馈和外部输入，使网络可以比较全面的反映对象的动态特性。

设时滞船舶系统的惯性时间常数为T_m，系统的纯滞后时间τ_s。则在当前时刻对系统所加的激励，系统要经过(τ_s+Tm)时间段后才能达到预期的状态，而(τ_s+T_m)的长短直接影响控制系统的控制效果。由此可知，若使时滞系统在某时刻达到某一期望状态，则必须提前(τ_s+T_m)时间段对系统进行控制，期间系统将在原来控制作用和状态下向前发展。因此，在用神经网络结构对其进行系统辨识或控制时，仅考虑过去的激励和状态下的系统的响应是不够的；对于当前时刻的激励，由于系统的时滞特性，它还没有立刻产生响应。要想确定系统下一时刻控制量的大小，就必须知道系统在未来时刻综合响应的大小，也就是说，根据系统的输入、干扰和状态，对系统未来综合响应特性进行预测。

在一般常规的神经网络预测控制中，仅采用动态系统的输入u、输出y、外扰d以及输出误差y_e来训练神经网络。这样训练好的神经网络参考模型仅可在很短的一个时间里描述动态系统，但在一个长时间段内并不能很好地或根本就不能描述动态系统特别是时滞系统的动态响应特性。若直接利用这种常规模型和方法对具有大时滞、非线性的大型船舶的航向进行预测，其效果不可能很好。

分析其原因，主要是因为时滞系统的未来响应特性不仅仅与系统当前时刻的状态有关，而且还与当前及过去时刻系统的状态变化趋势有关，前者已反映在训练中，而后者却没有。故为了改善神经网络的预测效果，更好地反映出大时滞对像的动态特性，提出将系统实际输出值(网络辨识结果)的变化趋势，即在(τ-1)时刻系统的一阶导数和二阶导数都输入到神经网络的输入层，从而提高神经网络的动态变化趋势的预测能力。同时，由于大型船舶的时滞较大，系统的阶数未知，因此对静态结构的神经网络如BP网络需要引入倒推k个时刻的Y(τ-1,...,τ-k)，U(τ-1,...,τ-k)，D(τ-1,...,τ-k)进行训练，通过反复试验，一般可找到一个较好的k值；对于动态神经网络则比较好办，只要引入输出反馈，它们会自动反映出控制对象的动态时滞特性，是非常方便的。

于是建立以下如图1所示的船舶航向的神经网络二阶导数多步预测控制方案。

用y_p或y_N在(τ-1)时刻的前向差分来表示导数。为便于计算，可将实际采样周期下的差分方程简化为

一阶导数： ${\stackrel{\&CenterDot;}{y}}_p(\mathrm{\&tau;}-1)=y_p\left(\mathrm{\&tau;}\right)-y_p(\mathrm{\&tau;}-1)$

二阶导数： ${\stackrel{\&CenterDot;\&CenterDot;}{y}}_p(\mathrm{\&tau;}-1)=y_p\left(\mathrm{\&tau;}\right)-2y_p(\mathrm{\&tau;}-1)-y_p(\mathrm{\&tau;}-2)$

在神经网络的输入中增加和并对网络的输入数据进行尺度变换处理后，对于图1中神经网络控制器中的神经网络设计如下预测算法；在该神经网络控制器上有一个单刀双掷开关，如图1中标号为1、2、3的部分所示，当开关3与端口1、2相接时，可调整不同的网络输入参数。

①若误差E_n(τ)>ε(预先设定的控制精度)，开关3与1相接，以y_p(τ)为目标，完成神经网络对非线性时滞船舶的模型辨识学习，这时有神经网络输出的舵角控制量y_N(τ)≈y_p(τ)；E_n(τ)＝y_p(τ)-y_N(τ)，即船舶实际航向和神经网络输出的舵角控制量之差；

②若误差E_n(τ)<ε，开关3与2相接，将y_N(τ)代替y_p(τ)，输入向量Y中，即

$Y={\&lsqb;y_p(\mathrm{\&tau;}-k),y_p(\mathrm{\&tau;}-k+1),...,y_N\left(\mathrm{\&tau;}\right),{\stackrel{\&CenterDot;}{y}}_p(\mathrm{\&tau;}-1),{\stackrel{\&CenterDot;\&CenterDot;}{y}}_p(\mathrm{\&tau;}-1)\&rsqb;}^T---\left(5\right)$

③将船舶的实际船首航向角向量Y和风浪流的外扰力向量D、舵机控制器的控制输出向量U一起输入已训练好的网络，求出第一步预测的(τ-1)时刻神经网络智能舵机控制器的控制输出量y_N ⁽¹⁾(τ+1)；

④将y_N ⁽¹⁾(τ+1)代入式(5)，则有：

$Y={\&lsqb;y_p(\mathrm{\&tau;}-k+1),y_p(\mathrm{\&tau;}-k+2),...,{y_N}^{\left(1\right)}(\mathrm{\&tau;}+1),{\stackrel{\&CenterDot;}{y}}_p(\mathrm{\&tau;}-1),{\stackrel{\&CenterDot;\&CenterDot;}{y}}_p(\mathrm{\&tau;}-1)\&rsqb;}^T$

⑤返回到第③步，重复③、④，并连续预测n步(n取决于系统滞后时间与控制周期的比值，在n步预测过程中，D、U不变)，求出网络的第n预测值y_N ⁽¹⁾(τ+1)，y_N ⁽²⁾(τ+2)，…，y_N ⁽ⁿ⁾(τ+n)，完成n步预测；

⑥计算控制系统预测误差e(τ+l)＝y_d-y_N ^(l)(τ+n)，y_d为系统期望输出；将此预测误差e(τ+l)传递给控制器，求出控制量u(τ+l)，即可实现对动态系统的控制；由于系统具有滞后，u(τ+l)对系统的作用要经过(τ_s+T_m)时间后才能有响应；

⑦重复上述过程①～⑥，直至误差E_n(τ)<ε，结束。

性能及实验

以大连远洋运输公司“阳澄湖”号油轮为例，以本发明的技术方案进行了航向控制性能仿真。该船的船长L为158m，船宽B为22m，满载吃水T为9.214m，方形系数Cb为0.809，额定船速V为6.945m/s，满载排水量Δ为25123000kg，重心距中心距离xC为3.38m，舵叶面积Aδ为20.4m2。在仿真中，船舶模型采用日本MMG的分离型非线性船舶模型。输入航向期望信号Ψd取为周期600s以[-10°,10°]变化的方波信号，输入控制量是舵角δ，输出为船舶实际航向角ψ。利用Matlab进行了仿真。仿真图形中的上图为航向跟踪情况，其中加有三角符号的线条为期望航向，另一条为实际航向；下图为舵角变化情况。

1.无外扰工况下的跟踪控制

无外扰工况下的跟踪控制用来测试控制器的学习性能。控制器在无风浪干扰、空载时的舵角的跟踪曲线仿真结果见图3。可以看出，控制器在对象未知的情况下，经过有限次在线学习后，即可实现对系统的跟踪控制。

2.无外扰工况下的常规模型参考自适应跟踪控制

作为对比，我们对常规模型参考自适应舵也进行了仿真，得到图4的航向跟踪与舵角历时曲线。可以看出，常规模型参考自适应控制方法系统的输出也能跟踪设定航向，但有一定超调，动舵幅度也相对较大。而我们的方法精度高，基本无超调。

3.参数变化、加入外扰后的跟踪控制

将船舶参数改变为满载情况下，加入风速6级，绝对风向50°定常风时，舵角与航向历时曲线见图。由图可知，系统的输出响应在受到外力干扰后，能很快返回到其理想的轨迹附近，这表明控制器对外扰具有很强的自适应性。图中的舵角摄动控制器在对象参数发生改变，并有外扰的情况下，仍可很好实现对系统的跟踪控制。

通过以上的仿真曲线可以看出，利用神经网络二阶导数多步预测自适应控制方法控制船舶航向时，对设定航向具有较为精确的跟踪控制效果。在设定的航向改变时，控制器能够无超调快速跟踪设定航向；当风力、风向变化时，控制效果仍然较好，控制器具有良好的控制性能和自适应能力。船舶的负载改变后，控制器也能够快速无超调地跟踪设定航向，动舵效果理想。系统的动态跟踪特性及稳态精度等性能指标都符合船舶运动控制要求。仿真结果表明，我们设计的方法应用于船舶航向控制具有良好控制性能，是有效可行的。

Claims (2)

1.一种基于不完全递归支集动态神经网络的船舶航向智能控制器，其特征在于，包括依次连接的输入转换装置、舵机控制器、神经网络控制器；

所述的神经网络控制器内部建立不完全递归支集动态神经网络，该网络的构造方法包括：

在局部回归神经网络的基础上，对其进行改进，得到不完全递归支集动态神经网络，具体如下：

①局部回归神经网络的输入层传递函数或激活函数设置为恒等变换r(x)＝x；

②将类支集函数作为局部回归神经网络的隐含层传递函数，类支集函数定义如下：

设一个函数f(x)在(-∞,∞)内有定义且|f(c)|≠0，称f(x)为x＝c的类支集函数，且对任意给定的ε＞0，存在α>0使当|x-c|＞α时有

|f(x)|＜ε

③在局部回归神经网络的隐含关联层增加自反馈，并利用反馈增益系数β调整自反馈的大小；

④在局部回归神经网络的输出关联层增加自反馈，并利用反馈增益系数γ来调整自反馈大小；

⑤将局部回归神经网络的输出层的传递函数设置为恒等变换g(x)＝x；

所述的神经网络控制器中不完全递归支集动态神经网络的输入为船舶的实际船首航向角在(τ-1,...,τ-k)时刻的向量Y(τ-1,...,τ-k)、向量Y(τ-1,...,τ-k)的一阶导数向量Y(τ-1,...,τ-k)的二阶导数舵机控制器的控制输出向量U(τ-1,...,τ-k)和风浪流的外扰力向量D(τ-1,...,τ-k)，输出为控制输出量y_N(τ_s+T_m)，控制输出量和期望的航向y_d叠加得到误差e(τ_s+T_m)，然后将误差经过输入转换装置转换成模拟量，传递给舵机控制器，舵机控制器对模拟量进行调节，用模拟量控制输出量对船舵进行控制，从而控制船舶航向。

2.如权利要求1所述的所述的基于不完全递归支集动态神经网络的船舶航向智能控制器，其特征在于，所述的神经网络控制器中对船舶航向的预测控制方法包括：

①若误差E_n(τ)>预先设定的控制精度ε，则以y_p(τ)为目标，完成不完全递归支集动态神经网络对非线性时滞船舶的模型辨识学习，这时有神经网络输出的舵角控制量y_N(τ)≈y_p(τ)；

②若误差E_n(τ)<ε，则将y_N(τ)代替y_p(τ)，输入向量Y中，即

③将船舶的实际船首航向角向量Y和风浪流的外扰力向量D、舵机控制器的控制输出向量U一起输入已训练好的网络，求出第一步预测的(τ-1)时刻舵机控制器的控制输出量y_N ⁽¹⁾(τ+1)；

④将y_N ⁽¹⁾(τ+1)代入式(5)，则有：

⑤返回到第③步，重复③、④，并连续预测n步，求出神经网络的第n预测值y_N ⁽¹⁾(τ+1)，y_N ⁽²⁾(τ+2)，…，y_N ⁽ⁿ⁾(τ+n)，完成n步预测；

⑥计算预测误差e(τ+l)＝y_d-y_N ^(l)(τ+n)，y_d为系统期望输出；将此预测误差e(τ+l)传递给控制器，求出控制量u(τ+l)，即可实现对动态系统的控制；

⑦重复上述过程①～⑥，直至误差E_n(τ)<ε，结束。