CN108594651A - 一种船舶动力定位推力分配智能优化方法 - Google Patents

Abstract

本发明涉及一种船舶动力定位推力分配智能优化方法，包括：步骤S1：确定船舶推进装置布局，载入各推进器的参数，其中，推进器的参数包括：推进器推力方向可变范围、推力大小可变范围、推力方向变化率范围，推力大小变化率范围；步骤S2：根据各推进器的参数和当前状态得到推进器状态向量的变化率限制，并在接受到目标控制指令后，建立多步优化问题模型；步骤S3：通过遗传算法获取长期变化范围内推进器状态的全局最优解；步骤S4：得到驱动推进器的最优多步决策序列，并输出分配决策。与现有技术相比，本发明解决了遗传算法收敛速度慢、种群多样性退化迅速等问题。

Description

一种船舶动力定位推力分配智能优化方法

技术领域

本发明涉及船舶自动控制技术领域。，尤其是涉及一种船舶动力定位推力分配 智能优化方法。

背景技术

我国海洋能源和资源大都分布在深海区域。以石油资源为例，南海油气资源量 约占我国油气总资源量的1/3。对于深海作业船舶(包括各类海上浮体)，传统的系 泊定位方式在许多应用中存在很大限制。为了解决这一问题产生了动力定位技术。 动力定位技术可以保证船舶在风、浪和流的干扰下，利用自身的动力保持在期望的 位置和姿态。该技术是深海能源和资源开采必不可少的关键技术，被广泛应用于海 洋采油、水下工程施工、打捞救助、海上安装吊装和船舶靠泊等作业。尤其是90 年代以来，随着海上石油勘探开发逐步向深水和超深水发展，几乎所有的深水钻井 船和油田守护船都需要装备动力定位系统。该技术在军事领域也有重要应用，可用 于实现无人水面舰艇的循迹控制、舰船抢修、舰船编队和航母供给等。

如图1所示，动力定位船舶装备了冗余的全回转推进器和侧向推进器，这些新 型设备增加了推力系统的可靠性和机动性，但可控变量的增加和功能的耦合也使得 船舶推力结构愈发复杂。合理、高效地利用冗余推进器，设计智能的推力分配算法， 对于提高船舶海上作业控制精度、稳定性、灵活性和能耗至关重要。

传统推力分配优化主要采用伪逆算法和现行二次优化(SQP)算法。伪逆算法 简单可靠，但在逐渐复杂的推力分配要求下因模型过于简单难以适用。SQP方法 灵活、适用范围广，但作为单步优化算法，每次优化的变量可行域十分有限，并且 忽略了对推进器状态的长期优化，可能导致推进器状态陷入次优解，降低能耗效率 和机动性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种船舶动力定 位推力分配智能优化方法。

本发明的目的可以通过以下技术方案来实现：

一种船舶动力定位推力分配智能优化方法，包括：

步骤S1：确定船舶推进装置布局，载入各推进器的参数，其中，推进器的参 数包括：推进器推力方向可变范围、推力大小可变范围、推力方向变化率范围，推 力大小变化率范围；

步骤S2：根据各推进器的参数和当前状态得到推进器状态向量的变化率限制， 并在接受到目标控制指令后，建立多步优化问题模型：

其中：τ_d为当前步的控制指令，x(i)为第i步推进器状态向量，B(x)为推力方 向系数矩阵，Q为三自由度上合力误差的惩罚权重，N_s为达到最优状态所需要的 步数，x_i为推进器当前状态向量，x*为推进器最优状态向量，u(i)为第i步作用于 各推进器归一化的推力指令，|·|为模，δ_x为推进器状态向量的变化率限制；

步骤S3：通过遗传算法获取长期变化范围内推进器状态的全局最优解；

步骤S4：得到驱动推进器的最优多步决策序列，并输出分配决策。

所述达到最优状态所需要的步数的确定过程包括步骤：

S21：判断当前步的控制指令和上一步的控制指令的差距是否小于设定阈值， 若为是，则认定当前步指令维持稳定；

步骤S22：若已有N步的控制指令维持稳定，则期待该指令能在接下来的N 步保持稳定，并得到达到最优状态所需要的步数。

所述达到最优状态所需要的步数具体为：

其中：和分别为维持的稳定的前后步的推进器的最优状态向量，δ_xi为当 前步推进器状态向量的变化速率限制。

所述步骤S3具体包括：

步骤S31：在遗传编码上直接使用实数编码，即：以推进器状态为优化变量和 遗传染色体，遗传算子直接在实数变量上进行操作；

步骤S32：比较当前种群和父代种群的最优目标函数值，若父代种群的最优目 标函数值大于当前种群的最优目标函数值超过设定阈值，则加倍变异步长，并且搜 索网格粒度变大，反之，则变异步长减小，并且搜索网格粒度变细；

步骤S33：从当前种群中选取变异父代个体；

步骤S34：区分边界约束式中对选取的父代个体的起作用约束，在可行方向和 搜索网格的交集中随机选取一系列的变异方向，并基于变异方向获得可行的变异子 代；

步骤S35：判断是否仍有未选取的父代个体，若为是，则选取下一个父代个体 并返回步骤S34，若为否，则执行步骤S36；

步骤S36：将种群按适应度排序；

步骤S37：从当前种群中选取出适应度倒数第1个的个体；

步骤S38：判断其推力估计量是否满足预设约束条件，若为是，则用代替代元个体，否则用起作用的边界约束f_ub或f_lb代替中相应越界元素，得到修 正量用代替原个体，其中：α为推进器角度向量，为推力估计 量，f_ub为推力可变下限，f_lb为推力可变上限；

步骤S39：继续选择下一个倒数顺位的个体执行步骤S38，直至没有未选取的 个体。

所述步骤S38中的预设约束条件为：

α_lb≤α≤α_ub

其中：α_lb为推进器角度可变下限，α_ub为推进器角度可变上限，α_i为当前推进 器角度，α_ui为当前推进器的角度可变下限，α_li为当前推进器的角度可变上限。

所述推力估计量为：

其中：为矩阵B的加权广义逆，W＝diag(c₁,c₂,…,c_r)为各推进器功率系数矩阵，B为推力结构矩阵-。

所述步骤S4具体包括：

步骤S41：通过构造无约束代价函数，并引入非二次惩罚项，得到自适应动态 规划：

其中：u^*为最优控制输入，为控制量u(i)∈R^r+p的饱和限制，λ_k+1为偏导k为迭代的时刻；

步骤S42：对自适应动态规划控制映射，确定其控制网络和评价网络；

步骤S43：对自适应动态规划进行在线训练；

步骤S44：计算推力改变谷从横，得到最终推力分配结果。

与现有技术相比，本发明具有以下有益效果：

1)在本发明中，我们首先将推力分配问题按照多步决策过程进行建模，然后 采用改进遗传算法求解推进器状态长期可行域下的全局最优化问题，最后通过自适 应动态规划求解从当前推进器状态变化至最优状态之间整个过程中的推力分配指 令序列。该算法可以显著减少推进器状态调整过程中的推力误差，改善了长期能耗 效率和机动性。

2)推进器状态长期可行域非常大，在优化过程中会带来多局部极值问题。为 解决该问题，本发明采用了一种针对推力分配算法的改进遗传算法。首先进行了最 优推进器状态分别对推力大小和推力角度的灵敏度分析，然后根据结论将伪逆算法 引入遗传变异算子中，并自适应的改变变异算子粒度，解决了遗传算法收敛速度慢、 种群多样性退化迅速的问题，计算结果明优于序列二次优化算法。

附图说明

图1为典型推力系统布置示意图；

图2为船舶控制系统中的推力分配算法框图；

图3为多步优化算法框架；

图4为为双启发式自适应动态规划结构示意图；

图5为遗传算法和SQP的合力/力矩的跟踪曲线；

图6为遗传算法和SQP功率消耗对比示意图；

图7为多步优化和直接变化的合力/力矩的跟踪曲线；

图8为多步优化与直接变化法推进器控制量曲线；

图9为多步优化与直接变化法推力角度变化曲线。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范 围不限于下述的实施例。

传统推力分配优化主要采用伪逆算法、序列二次优化与启发式等优化算法，这 些分配算法均为单步优化算法，每次优化的变量可行域十分有限，并且忽略了对推 进器状态的长期优化，可能导致推进器状态陷入次优解，降低能耗效率和机动性。

针对以上问题，本申请提出一种用于船舶动力定位的推力分配多步智能优化算法，其特征在于，包括以下步骤：

(1)考虑了推进器状态变化缓慢的特征，将推力分配视为一个多步决策过程；

(2)通过遗传算法获取长期变化范围内推进器状态的全局最优解；

(3)采用自适应动态规划求解当前推进器状态变化；

(4)得到驱动推进器的最优多步决策序列，并输出分配决策。

一种船舶动力定位推力分配智能优化方法，包括：

步骤S1：确定船舶推进装置布局，载入各推进器的参数，其中，推进器的参 数包括：推进器推力方向可变范围、推力大小可变范围、推力方向变化率范围，推 力大小变化率范围；

步骤S2：根据各推进器的参数和当前状态得到推进器状态向量的变化率限制， 并在接受到目标控制指令后，建立多步优化问题模型：

其中：τ_d为当前步的控制指令，x(i)为第i步推进器状态向量，B(x)为推力方 向系数矩阵，Q为三自由度上合力误差的惩罚权重，N_s为达到最优状态所需要的 步数，x_i为推进器当前状态向量，x^*为推进器最优状态向量，u(i)为第i步作用于 各推进器归一化的推力指令，|·|为模，δ_x为推进器状态向量的变化率限制；

具体的，步骤S2需要如下步骤：

一、针对图2中系统框图，建立船舶动力定位推力分配的单步优化模型。控制 器实时给出的控制指令(合力与合力矩)为满足：

为全回转推进器角度向量，为推进器推力向量， K＝diag{k₁,k₂,…,k_r}为推力上限矩阵，u∈R^r为作用于各个推进器归一化的推力指 令。分配目的是将τ_d分配至推进器状态α和u。

记全回转推进器当前推力和推进角分别为f₀和α₀，最大变化速率分别为δ_f和 δ_α，推进器最大输出正向、反向推力分别为f_max与f_min，推进角限制α_max和α_min，则 可以得到当前优化步的变量范围限制为：

式中，变量上下限由当前步推进器状态f₀和α₀等实时计算获得：

为了避免全回转推进器频繁改变推进角度，造成机械回转设备磨损，在推力分 配目标函数中引入二次惩罚项：

式中Ω为正定矩阵。引入松弛变量s来确保推力分配可行解的存在：

s＝τ_d-B(α)f (5)

在目标函数中加入了针对误差s的二次惩罚项：

式中Q＝diag(w_X,w_Y,w_N)表示三自由度上合力误差的惩罚权重。为克服奇异结 构，设置一个带权值的惩罚项：

式中S为奇异值惩罚项的权值，ε＞0选为极小正数避免数值问题，W正定矩 阵。考虑桨-桨干扰，在本发明中设置10～15度的推进器禁区，限制全回转推进器 进入禁止角区域。指定禁止角区域下限α_l和上限α_u。

得单步优化模型

其中：α_lb为推进器角度可变下限，α_ub为推进器角度可变上限，α_i为当前推进 器角度，α_ui为当前推进器的角度可变下限，α_li为当前推进器的角度可变上限。

二、将推力分配问题视为一个多步决策过程，其中每一步的优化决定了下一步 决策的可行域，并确定可行域切换逻辑。算法框架如图3。

可行域切换根据合力/力矩指令τ_d持续稳定的时间，为全局优化确定变量的可 行域，即为接下来的N_m步的推进器状态变化进行优化；全局最优化在扩大了倍的可行域空间内有效地求解针对输入τ_d最优推进器状态，该结 构至少需要N_s步变化达到；多步规划方法依据当前状态x_i、最优状态x^*和变化步 数N_s，来优化整个变化过程，并依次输出变化推进器状态序列驱动推 进器。

可行域切换的逻辑如下：

A.如果当前步指令τ_d和上一步的相比几乎没有变化，则 可以期待该推力指令τ_d在接下来的多步中维持稳定，推力分配算法进入多步优 化模式，N＝1，推进器输入切换至动态规划输出的序列

B.在多步优化模式中，如果指令τ_d已保持相对稳定了N步，则期待该指令能在接下来的N_m步保持稳定，全局优化的范围扩展至推进器组在 N_m步内能达到的推进器状态，如图3-9所示。全局最优化在该扩展的可行域内 得到的解x*至少需要N_s＜N_m步才能逐渐达到。

N_m和N_s采用的简单估计为：

N_m＝N (9)

式中，δ_xi：＝col(δ_f，δ_α)为推进器状态向量x的变化速率限制，和x_i ^*分别为维持的稳定的前后步的推进器的最优状态向量。

三、建立多步决策过程模型。该问题可以构造成一个带输入饱和与终端约束的 非线性系统最优控制问题如下：

式中，x：＝col(f，α)表示推进器状态，u(i)即为第i步推进器状态的变化量。

步骤S3：通过遗传算法获取长期变化范围内推进器状态的全局最优解，该步 骤得最优解为x^*，具体包括：

步骤S31：针对产长期变化范围内的单步优化问题(8)，遗传编码上直接使用 实数编码，即以推进器状态为优化变量和遗传染色体，遗传算子直接在实 数变量上进行操作，在遗传算法中，结合对约束上下界中可行方向的获取，自适应 变异粒度算子流程如下：

步骤S32：比较当前种群P_k和父代种群P_k-1的最优目标函数值f_min，若父代种群 的最优目标函数值大于当前种群的最优目标函数值超过设定阈值：则加倍变异步长δ_m：＝2δ_m，并且搜索网格粒度变大N_poll＝1/δ_m，反之，则变异步长 减小并且搜索网格粒度变细N_poll＝1/δ_m，记i＝1；

步骤S33：从当前种群P_k中选取变异父代个体x，i:＝i+1；

步骤S34：区分边界约束式中对选取的父代个体x的起作用约束，在可行方向 和搜索网格的交集中随机选取一系列的变异方向Δx，并基于变异方向 获得可行的变异子代

步骤S35：判断是否仍有未选取的父代个体，若为(如果i＜N·P_m)，则选取下 一个父代个体并返回步骤S34，若为否，则执行步骤S36进入如下的推力二次变异 过程；

步骤S36：记i＝1，将种群按适应度排序；

步骤S37：从当前种群P_k中选取出适应度倒数第1个的个体x；

步骤S38：计算其推力估计量为：

其中：为矩阵B的加权广义逆，W＝diag(c₁,c₂,…,c_r)为各推进器功率系数矩阵，B为推力结构矩阵-。

判断其推力估计量是否满足预设约束(8)，若为是，则用代替代 元个体，否则用起作用的边界约束f_ub或f_lb代替中相应越界元素，得到修正量用代替原个体，其中：α为推进器角度向量， 为推力估计量，f_ub为推力可变下限，f_lb为推力可变上限；

步骤S39：继续选择下一个倒数顺位的个体执行步骤S38，直至没有未选取的 个体，结束变异算子。

步骤S4：得到驱动推进器的最优多步决策序列，并输出分配决策，具体包括：

步骤S41：基于自适应动态规划的推力分配多步优化，即求解离散系统(11-12) 的最优控制问题，确定最优控制输入u^*(x(k))。首先构造相应的无约束代价函数为：

为了输入饱和约束引入的非二次惩罚项：

ψ^-1(u(i))＝col(ψ^-1(u1(i))，...，ψ^-1(um(i)))

式中为控制量饱和限制，本专利选取双曲正切函数，得

其中：u^*为最优控制输入，为控制量u(i)∈R^r+p的饱和限制，λ_k+1为偏导k为迭代的时刻；步骤S42：如图4所示， 针对自适应动态规划控制输入映射(16)，确定评价网络和控制网络。采用两组径 向基函数神经网络，一组作为“评价网络”近似第k步的代价函数协状态λ_k(x(k))， 一组作为“控制网络”近似第k步的控制量的选取策略。

对输入进行聚类来决定隐含节点数量和中心位置，将推进器状态x的可行范围Ω_k规定为：在k步内可以由x(0)出发得到，并且还能在接下来N_s-k步到达x(N_s)的 点集：

可求解得上下界形式为。本专利在可行范围Ω_k,k＝0,1,...,N_s内均匀随机地选取h＝5N_s个点作为隐含层节点中心，其中第i个的作用范围σ_i可由下式得到：

RBF网络的隐含层与输出层通过权值矩阵连接，由此可以得到自适应动态 规划评价网络和控制网络的输入输出方程为：

式中得到评价网络和控制网络的训练目标为：

激活函数H一般取高斯密度函数。

步骤S43：对自适应动态规划(16)进行在线训练，训练过程如4所示。的 方程已知，训练从最后一步k＝N_s-1向前进行到k＝0，步骤如下：

A.随机取训练权值矩阵来满足式(21)；

B.记k＝N_s-1，从最后一步向前训练；

C.记k＝N_s-1，从最后一步向前训练；

D.记i＝0，随机生成权值矩阵的初始迭代值；

E.随机取x∈Ω_k，训练权值矩阵来满足式(22)；

F.设i:＝i+1，迭代D步直到收敛或者达到迭代上限i＞i_max；

G.记作为多步决策过程在第k步的控制网络权值；

H.记i＝0,并且令作为初始迭代值；

I.随机取x∈Ω_k，训练权值矩阵来满足式(23)；

J.设i:＝i+1，迭代I步直到收敛或者达到迭代上限i＞i_max；

K.设k:＝k-1，循环至C步直至k＝0。

上述训练过程中，RBF神经网络的权值V_k和W_k训练分别基于控制网络的误差 E_c(k)和评价网络的误差E_λ(k)。

步骤S44：确定当前时刻的最终分配结果x^*(k)。神经网络训练过程结束后，即 可从x(0)开始逐次通过式(20)获得最优控制量u^*(i),i＝1,2,...,N_s-1，求解推力状 态改变过程x(i),i＝1,2,...,N_s。与此同时，对进行修正：

其中：U_ki，L_ki，为(17)得到的上下界。这样即得最终推力分配结果。

为了进一步了解本发明的内容、特点及功效，兹举例一下实施例，并配合附图 详细说明如下：

实施例1

对于某只动力定位船舶，装有四个推进装置，其具体参数如表1。

表1推进器相关参数

系统采用优化频率f＝5Hz，全回转推进器转向速度2RPM(δ_α＝2.4deg/step)， 推进器静止至全速需要合推力/力矩指令τ_d＝(20,0,0)^T，遗传 算法种群大小N＝70，最大种群代数N_Pmax＝25，优化停滞代数N_stall＝10，优化时 间上限T_limit＝100ms，变异概率P_m＝0.4，交叉概率P_c＝0.6。 x(0)＝(0,-0.3,0.8,0,1.57,0,2.35)^T。由改进遗传算法给出全局最优推进器状态为 x(N_s)＝(0,0.5,0.63,0.6,-0.01,0.24,-0.24)^T。

在单步优化情况下，给出的结果的误差和功率情况如图5与图6所示。在 引入多步优化的自适应动态规划算法，分配结果见图6-9。

Claims (7)

1.一种船舶动力定位推力分配智能优化方法，其特征在于，包括：

步骤S1：确定船舶推进装置布局，载入各推进器的参数，其中，推进器的参数包括：推进器推力方向可变范围、推力大小可变范围、推力方向变化率范围，推力大小变化率范围；

步骤S2：根据各推进器的参数和当前状态得到推进器状态向量的变化率限制，并在接受到目标控制指令后，建立多步优化问题模型：

其中：τ_d为当前步的控制指令，x(i)为第i步推进器状态向量，B(x)为推力方向系数矩阵，Q为三自由度上合力误差的惩罚权重，N_s为达到最优状态所需要的步数，x_i为推进器当前状态向量，x^*为推进器最优状态向量，u(i)为第i步作用于各推进器归一化的推力指令，|·|为模，δ_x为推进器状态向量的变化率限制；

步骤S3：通过遗传算法获取长期变化范围内推进器状态的全局最优解；

步骤S4：得到驱动推进器的最优多步决策序列，并输出分配决策。

2.根据权利要求1所述的一种船舶动力定位推力分配智能优化方法，其特征在于，所述达到最优状态所需要的步数的确定过程包括步骤：

S21：判断当前步的控制指令和上一步的控制指令的差距是否小于设定阈值，若为是，则认定当前步指令维持稳定；

步骤S22：若已有N步的控制指令维持稳定，则期待该指令能在接下来的N步保持稳定，并得到达到最优状态所需要的步数。

3.根据权利要求2所述的一种船舶动力定位推力分配智能优化方法，其特征在于，所述达到最优状态所需要的步数具体为：

其中：和x_i ^*分别为维持的稳定的前后步的推进器的最优状态向量，δ_xi为当前步推进器状态向量的变化速率限制。

4.根据权利要求1所述的一种船舶动力定位推力分配智能优化方法，其特征在于，所述步骤S3具体包括：

步骤S31：在遗传编码上直接使用实数编码，即：以推进器状态为优化变量和遗传染色体，遗传算子直接在实数变量上进行操作；

步骤S32：比较当前种群和父代种群的最优目标函数值，若父代种群的最优目标函数值大于当前种群的最优目标函数值超过设定阈值，则加倍变异步长，并且搜索网格粒度变大，反之，则变异步长减小，并且搜索网格粒度变细；

步骤S33：从当前种群中选取变异父代个体；

步骤S34：区分边界约束式中对选取的父代个体的起作用约束，在可行方向和搜索网格的交集中随机选取一系列的变异方向，并基于变异方向获得可行的变异子代；

步骤S35：判断是否仍有未选取的父代个体，若为是，则选取下一个父代个体并返回步骤S34，若为否，则执行步骤S36；

步骤S36：将种群按适应度排序；

步骤S37：从当前种群中选取出适应度倒数第1个的个体；

步骤S38：判断其推力估计量是否满足预设约束条件，若为是，则用代替代元个体，否则用起作用的边界约束f_ub或f_lb代替中相应越界元素，得到修正量用代替原个体，其中：α为推进器角度向量，为推力估计量，f_ub为推力可变下限，f_lb为推力可变上限；

步骤S39：继续选择下一个倒数顺位的个体执行步骤S38，直至没有未选取的个体。

5.根据权利要求4所述的一种船舶动力定位推力分配智能优化方法，其特征在于，所述步骤S38中的预设约束条件为：

α_lb≤α≤α_ub

其中：α_lb为推进器角度可变下限，α_ub为推进器角度可变上限，α_i为当前推进器角度，α_ui为当前推进器的角度可变下限，α_li为当前推进器的角度可变上限。

6.根据权利要求4所述的一种船舶动力定位推力分配智能优化方法，其特征在于，所述推力估计量为：

其中：为矩阵B的加权广义逆，W＝diag(c₁,c₂,…,c_r)为各推进器功率系数矩阵，B为推力结构矩阵-。

7.根据权利要求6所述的一种船舶动力定位推力分配智能优化方法，其特征在于，所述步骤S4具体包括：

步骤S41：通过构造无约束代价函数，并引入非二次惩罚项，得到自适应动态规划：

其中：u^*为最优控制输入，为控制量u(i)∈R^r+p的饱和限制，λ_k+1为偏导k为迭代的时刻；

步骤S42：对自适应动态规划控制映射，确定其控制网络和评价网络；

步骤S43：对自适应动态规划进行在线训练；

步骤S44：计算推力改变谷从横，得到最终推力分配结果。