CN109375637B - 一种舰船用融合神经网络pd的紧格式无模型自适应航向控制算法 - Google Patents
一种舰船用融合神经网络pd的紧格式无模型自适应航向控制算法 Download PDFInfo
- Publication number
- CN109375637B CN109375637B CN201811032862.7A CN201811032862A CN109375637B CN 109375637 B CN109375637 B CN 109375637B CN 201811032862 A CN201811032862 A CN 201811032862A CN 109375637 B CN109375637 B CN 109375637B
- Authority
- CN
- China
- Prior art keywords
- control
- heading
- algorithm
- cfdl
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 230000004927 fusion Effects 0.000 title claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 53
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 6
- 238000000855 fermentation Methods 0.000 description 4
- 230000004151 fermentation Effects 0.000 description 4
- 240000002627 Cordeauxia edulis Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0875—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted to water vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于舰船运动自动控制领域,具体涉及一种舰船用融合神经网络PD的紧格式无模型自适应航向控制算法;包括在紧格式无模型自适应控制算法的基础上引入比例项和微分项构成融合PD型CFDL_MFAC算法;将神经网络控制与PD_CFDL_MFAC算法相结合提出融合神经网络PD的紧格式无模型自适应航向控制算法;计算航向偏差e(k),其中e(k)=y*(k)‑y(k)等。本发明通过比例项和微分项的引入,提高了算法的自适应性以及抵抗外界不确定干扰的能力。
Description
技术领域
本发明属于舰船运动自动控制领域,具体涉及一种舰船用融合神经网络PD的紧格式无模型自适应航向控制算法。
背景技术
目前在工程应用中,舰船航向的控制,基本上采用的是PID控制算法,但舰船容易受到模型摄动,环境干扰力等影响,导致拥有一组固定参数的PID控制器难以维持一致的控制效果,需要重新调整参数才能使系统稳定。而基于“模型导向”设计策略开发的控制器,严重地依赖于系统数学模型,由于获得精确的数学模型十分困难,存在未建模动态、模型摄动等影响导致系统的自适应较差,难以保证系统鲁棒性能,从而很难在工程中获得应用。
公开日2013年04月24日,公布号为CN103064292A,发明名称“基于神经网络逆的生物发酵自适应控制系统及控制方法”利用神经网络和时分多路延时环节构造神经网络逆,通过调整神经网络的权系数使神经网络实现对生物发酵系统逆系统功能,结合CFDL_MFAC算法实现对生物发酵系统的无模型自适应控制,提高生物发酵过程的控制性能。公开日2017年02月01日,公布号为CN106369589A,发明名称为“一种过热蒸汽温度的控制方法”,该控制方法基于CFDL_MFAC算法采用由外环控制器和内环控制器构成的串级控制系统对锅炉过热蒸汽温度进行控制。
CFDL_MFAC算法属于增量式的积分结构,此外舰船航向系统具有大时滞性,非线性,不确定性,将上述改进的无模型控制算法直接应用到舰船的航向控制中会产生积分饱合的现象,舰船航向系统产生严重超调,以及震荡现象甚至使系统失稳。
发明内容
本发明的目的在于提供一种使舰船航向能够稳定收敛到期望航向的舰船用融合神经网络PD的紧格式无模型自适应航向控制算法。
一种舰船用融合神经网络PD的紧格式无模型自适应航向控制算法,具体包括如下步骤:
步骤1、在紧格式无模型自适应控制算法的基础上引入比例项和微分项构成融合PD型CFDL_MFAC算法;
步骤2、将神经网络控制与PD_CFDL_MFAC算法相结合提出融合神经网络PD的紧格式无模型自适应航向控制算法;
步骤3、根据舰船期望航向y*(k),与舰船当前航向y(k),计算航向偏差e(k),其中e(k)=y*(k)-y(k);
步骤4、当e(k)的绝对值|e(k)|小于设定的航向状态偏差的阈值e0时,e0为较小的正常量,本发明中取e0=2,认为舰船的实际航向收敛到期望航向并跳出循环,否则执行步骤5;
步骤5、NN_PD_CFDL_MFAC控制器根据e(k)、Δe(k)、Δ2e(k),利用相关学习规则,本发明以有监督的Hebb学习规则为例进行阐述,调节权值ωi(k),解算出航向系统的期望输入u(k),其中e(k)=y*(k)-y(k)、Δe(k)=e(k)-e(k-1)、Δ2e(k)=(e(k)-2e(k-1)+e(k-2)),k为控制周期的序号;
步骤6、操纵机构接收并执行航向系统输入指令u(k),并令k=k+1,更新y(k),e(k)、Δe(k)、Δ2e(k),并转到步骤3。
所述一种舰船用融合神经网络PD的紧格式无模型自适应航向控制算法,步骤1中比例项的离散形式为kp·Δe(k),微分项的离散形式为kd·(e(k)-2e(k-1)+e(k-2)),kp为比例控制系数,kd为微分控制系数,k为控制周期的序号,Δe(k)=e(k)-e(k-1),e(k)、e(k-1)、e(k-2)分别为第k,第k-1、第k-2个控制周期的航向偏差。
所述一种舰船用融合神经网络PD的紧格式无模型自适应航向控制算法,步骤5中NN_PID_CFDL_MFAC航向控制算法如下:
ω1(k)=ω1(k-1)+ηpz(k)u(k)(Δe(k))
ω2(k)=ω2(k-1)+ηdz(k)u(k)(e(k)-2e(k-2)+e(k-1))
其中,η∈(0,1],λ∈(0,1]为步长因子,μ>0,ρ>0为权重系数,ηp、ηd分别为神经元的比例、微分学习速率,K为神经元比例系数,K>0,ωi(k)表示权值,ωi'(k)表示权值系数Δe(k)=e(k)-e(k-1),e(k)、e(k-1)、e(k-2)分别为第k、第k-1、第k-2个控制周期的航向偏差,u(k)为第k个控制周NN_PID_CFDL_MFAC控制器输出,φ(k)为伪偏导数,为伪偏导数估计值,当|Δu(k-1)|≤ε或或令
本发明的有益效果在于:
本发明中比例项的引入,提高了系统的响应速度,微分项的引入使得控制算法具有对系统的动态特性具有预测的作用,从而减小系统超调,降低调节耗时,提高系统的动、静态性能并将神经网络控制与CFDL_MFAC算法相结合通过对比例项、微分项采用不同的学习速率实现对不同权系数分别进行调整,从而提高算法的自适应性以及抵抗外界不确定干扰的能力。
附图说明
图1为本发明的航向系统整体框图;
图2为本发明的流程图;
具体实施方式
下面结合附图对本发明做进一步描述:
如附图1所示,为本发明的航向系统整体框图,首先给出期望航向y(k)*的命令,根据第k、第k-1、第k-2个控制周期的舰船航向计算e(k)、Δe(k)、Δ2e(k)并作为NN_PID_CFDL_MFAC控制器输入,NN_PD_CFDL_MFAC控制器解算出舰船航向系统当前期望输入量u(k)。操纵机构执行期望输入指令,更新舰船系统的实际航向,令k=k+1更新e(k)、Δe(k)、Δ2e(k)并输入NN_PD_CFDL_MFAC控制器,重复上述过程,从而使得舰船的实际航向收敛到期望航向。
如附图2所示,为本发明的系统流程图,具体包括如下步骤:
步骤1、在紧格式无模型自适应控制算法的基础上引入比例项和微分项构成融合PD型CFDL_MFAC算法;
步骤2、将神经网络控制与PD_CFDL_MFAC算法相结合提出融合神经网络PD的紧格式无模型自适应航向控制算法;
步骤3、根据舰船期望航向y*(k),与舰船当前航向y(k),计算航向偏差e(k),其中e(k)=y*(k)-y(k);
步骤4、当e(k)的绝对值|e(k)|小于设定的航向状态偏差的阈值e0时,e0为较小的正常量,本发明中取e0=2,认为舰船的实际航向收敛到期望航向并跳出循环,否则执行步骤5;
步骤5、NN_PD_CFDL_MFAC控制器根据e(k)、Δe(k)、Δ2e(k),利用相关学习规则,本发明以有监督的Hebb学习规则为例进行阐述,调节权值ωi(k),解算出航向系统的期望输入u(k),其中e(k)=y*(k)-y(k)、Δe(k)=e(k)-e(k-1)、Δ2e(k)=(e(k)-2e(k-1)+e(k-2)),k为控制周期的序号;
步骤6、操纵机构接收并执行航向系统输入指令u(k),并令k=k+1,更新y(k),e(k)、Δe(k)、Δ2e(k),并转到步骤3。
所述一种舰船用融合神经网络PD的紧格式无模型自适应航向控制算法,步骤1中比例项的离散形式为kp·Δe(k),微分项的离散形式为kd·(e(k)-2e(k-1)+e(k-2)),kp为比例控制系数,kd为微分控制系数,k为控制周期的序号,Δe(k)=e(k)-e(k-1),e(k)、e(k-1)、e(k-2)分别为第k,第k-1、第k-2个控制周期的航向偏差。
所述一种舰船用融合神经网络PD的紧格式无模型自适应航向控制算法,步骤5中NN_PID_CFDL_MFAC航向控制算法如下:
ω1(k)=ω1(k-1)+ηpz(k)u(k)(Δe(k))
ω2(k)=ω2(k-1)+ηdz(k)u(k)(e(k)-2e(k-2)+e(k-1))
Claims (1)
1.一种舰船用融合神经网络PD的紧格式无模型自适应航向控制算法,其特征在于,具体包括如下步骤:
步骤1、在紧格式无模型自适应控制算法的基础上引入比例项和微分项构成融合PD型CFDL_MFAC算法;
步骤2、将神经网络控制与PD_CFDL_MFAC算法相结合提出融合神经网络PD的紧格式无模型自适应航向控制算法NN_PD_CFDL_MFAC;
步骤3、根据舰船期望航向y*(k),与舰船当前航向y(k),计算航向偏差e(k),其中e(k)=y*(k)-y(k);
步骤4、当e(k)的绝对值|e(k)|小于设定的航向状态偏差的阈值e0时,认为舰船的实际航向收敛到期望航向并跳出循环,否则执行步骤5;
步骤5、NN_PD_CFDL_MFAC控制器根据e(k)、Δe(k)、Δ2e(k),调节权值ωi(k),解算出航向系统的期望输入u(k),其中e(k)=y*(k)-y(k)、Δe(k)=e(k)-e(k-1)、Δ2e(k)=(e(k)-2e(k-1)+e(k-2)),k为控制周期的序号;
步骤6、操纵机构接收并执行航向系统输入指令u(k),并令k=k+1,更新y(k),e(k)、Δe(k)、Δ2e(k),并转到步骤3;
步骤1中所述比例项的离散形式为kp·Δe(k),微分项的离散形式为kd·(e(k)-2e(k-1)+e(k-2)),kp为比例控制系数,kd为微分控制系数,k为控制周期的序号,Δe(k)=e(k)-e(k-1),e(k)、e(k-1)、e(k-2)分别为第k,第k-1、第k-2个控制周期的航向偏差;
步骤5中所述NN_PD_CFDL_MFAC航向控制算法如下:
ω1(k)=ω1(k-1)+ηpz(k)u(k)(Δe(k))
ω2(k)=ω2(k-1)+ηdz(k)u(k)(e(k)-2e(k-2)+e(k-1))
其中,η∈(0,1],λ∈(0,1]为步长因子,μ>0,ρ>0为权重系数,ηp、ηd分别为神经元的比例、微分学习速率,K为神经元比例系数,K>0,ωi(k)表示权值,ωi(k)指ω1(k)和ω2(k),xi(k)指x1(k)和x2(k),其中x1(k)=e(k),x2(k)=e(k)-e(k-1),z(k)=e(k),e(k)表示第k个控制周期舰船的航向跟踪偏差,ε表示一个小的正常量可取为0.005;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811032862.7A CN109375637B (zh) | 2018-09-05 | 2018-09-05 | 一种舰船用融合神经网络pd的紧格式无模型自适应航向控制算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811032862.7A CN109375637B (zh) | 2018-09-05 | 2018-09-05 | 一种舰船用融合神经网络pd的紧格式无模型自适应航向控制算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109375637A CN109375637A (zh) | 2019-02-22 |
CN109375637B true CN109375637B (zh) | 2022-03-18 |
Family
ID=65405288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811032862.7A Active CN109375637B (zh) | 2018-09-05 | 2018-09-05 | 一种舰船用融合神经网络pd的紧格式无模型自适应航向控制算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109375637B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765907B (zh) * | 2019-03-05 | 2022-04-05 | 哈尔滨工程大学 | 一种舰船用pid无模型自适应航向控制算法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003157103A (ja) * | 2001-07-13 | 2003-05-30 | Fisher Rosemount Syst Inc | モデルフリー型適応プロセスコントローラ |
CN106054594A (zh) * | 2016-06-12 | 2016-10-26 | 金陵科技学院 | 基于控制输入饱和的无模型自适应控制方法 |
CN106325064A (zh) * | 2016-11-07 | 2017-01-11 | 哈尔滨工程大学 | 一种无人艇航速与航向控制方法 |
CN106979641A (zh) * | 2017-04-20 | 2017-07-25 | 天津大学 | 基于改进mfac的制冷系统数据驱动节能控制系统及方法 |
CN107255923A (zh) * | 2017-06-14 | 2017-10-17 | 哈尔滨工程大学 | 基于rbf辨识的ica‑cmac神经网络的欠驱动无人艇航迹跟踪控制方法 |
CN108227483A (zh) * | 2018-01-05 | 2018-06-29 | 哈尔滨工程大学 | 海洋运载器用pd型紧格式无模型自适应航速控制方法 |
-
2018
- 2018-09-05 CN CN201811032862.7A patent/CN109375637B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003157103A (ja) * | 2001-07-13 | 2003-05-30 | Fisher Rosemount Syst Inc | モデルフリー型適応プロセスコントローラ |
CN1484118A (zh) * | 2001-07-13 | 2004-03-24 | ����-��˹â��ϵͳ�ɷ�����˾ | 过程控制器的无模型自适应 |
CN106054594A (zh) * | 2016-06-12 | 2016-10-26 | 金陵科技学院 | 基于控制输入饱和的无模型自适应控制方法 |
CN106325064A (zh) * | 2016-11-07 | 2017-01-11 | 哈尔滨工程大学 | 一种无人艇航速与航向控制方法 |
CN106979641A (zh) * | 2017-04-20 | 2017-07-25 | 天津大学 | 基于改进mfac的制冷系统数据驱动节能控制系统及方法 |
CN107255923A (zh) * | 2017-06-14 | 2017-10-17 | 哈尔滨工程大学 | 基于rbf辨识的ica‑cmac神经网络的欠驱动无人艇航迹跟踪控制方法 |
CN108227483A (zh) * | 2018-01-05 | 2018-06-29 | 哈尔滨工程大学 | 海洋运载器用pd型紧格式无模型自适应航速控制方法 |
Non-Patent Citations (4)
Title |
---|
Data-driven sliding mode control of unknown MIMO nonlinear discrete-time systems with moving PID sliding surface;Y. P. Weng,et al.;《Journal of the Franklin Institute》;20170719;第354卷(第15期);全文 * |
基于神经网络PID的气垫船转艏角速度保持控制研究;魏健雄 等;《软件导刊》;20180331;第17卷(第3期);全文 * |
大型舰船综合减摇系统无模型自适应控制;马洁 等;《控制理论与应用》;20091130;第26卷(第11期);全文 * |
船舶自动靠泊简捷非线性神经网络控制器;张强 等;《中国航海》;20171231;第40卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109375637A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zribi et al. | A new PID neural network controller design for nonlinear processes | |
Na et al. | Adaptive control for nonlinear pure-feedback systems with high-order sliding mode observer | |
CN107450326B (zh) | 反步有限时间双边遥操作控制方法及计算机可读存储介质 | |
CN108008627B (zh) | 一种并行优化的强化学习自适应pid控制方法 | |
CN107544255B (zh) | 一种批次注塑过程的状态补偿模型控制方法 | |
Narendra et al. | Fast Reinforcement Learning using multiple models | |
Rong et al. | Adaptive fuzzy control of aircraft wing-rock motion | |
CN110554715A (zh) | 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法 | |
CN113900380A (zh) | 一种异构集群系统鲁棒输出编队跟踪控制方法及系统 | |
CN111221311B (zh) | 基于参数变分法的复杂网络分布式脉冲同步方法及系统 | |
CN109375637B (zh) | 一种舰船用融合神经网络pd的紧格式无模型自适应航向控制算法 | |
Fu et al. | A cross‐coupling control approach for coordinated formation of surface vessels with uncertain disturbances | |
CN109765907B (zh) | 一种舰船用pid无模型自适应航向控制算法 | |
CN109189075B (zh) | 一种舰船用模糊遗忘因子无模型自适应航向控制方法 | |
CN113093532B (zh) | 一种非自衡系统的全格式无模型自适应控制方法 | |
Hager et al. | Adaptive Neural network control of a helicopter system with optimal observer and actor-critic design | |
CN107390527B (zh) | 一种执行器时滞和失效时的模糊自适应补偿控制方法 | |
JP7432838B2 (ja) | 制御装置 | |
CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
CN113110519B (zh) | 一种舰船用非增量型无模型自适应艏向控制方法 | |
Saeed et al. | Distributed nonlinear model predictive control and reinforcement learning | |
Hajipour et al. | Optimized neuro observer-based sliding mode control for a nonlinear system using fuzzy static sliding surface | |
CN112147897B (zh) | 离散不确定多时滞四旋翼系统的容错控制方法 | |
CN115128951A (zh) | 一种基于期望轨迹受限优化的双环高性能控制方法 | |
Qin et al. | Autonomous control of underwater offshore vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |