CN109765906B - 一种基于复合正交神经网络预测控制的智能船舶循迹方法 - Google Patents

一种基于复合正交神经网络预测控制的智能船舶循迹方法 Download PDF

Info

Publication number
CN109765906B
CN109765906B CN201910158825.9A CN201910158825A CN109765906B CN 109765906 B CN109765906 B CN 109765906B CN 201910158825 A CN201910158825 A CN 201910158825A CN 109765906 B CN109765906 B CN 109765906B
Authority
CN
China
Prior art keywords
neural network
thrust
ship
predicted
prediction
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
Application number
CN201910158825.9A
Other languages
English (en)
Other versions
CN109765906A (zh
Inventor
余文曌
杜希森
朱轲涵
韩素敏
余克宇
万沪川
林涛
张铮淇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201910158825.9A priority Critical patent/CN109765906B/zh
Publication of CN109765906A publication Critical patent/CN109765906A/zh
Application granted granted Critical
Publication of CN109765906B publication Critical patent/CN109765906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于复合正交神经网络预测控制的智能船舶循迹方法，包括步骤：在船舶的运动过程中，获取预定轨迹，将预定轨迹与预测输出通过优化算法，计算各推进器的优化算法预测推力；通过神经网络预测推力，将优化算法预测推力与神经网络预测推力加权迭加输出各推进器应当产生的推力；通过预测模型对船舶的位置、艏向、速度进行预测；对船舶的位置、艏向、速度的预测值进行修正，将修正后的预测值作为前述预测输出。本发明结合了复合正交神经网络提出一种新的模型预测策略，该神经网络算法简单，学习收敛速度快，有线性、非线性逼近精度高等优异特性，并且神经网络的学习算法可以离线完成，大大减少了在线计算的时间。

Description

一种基于复合正交神经网络预测控制的智能船舶循迹方法
技术领域
本发明涉及船舶智能控制技术领域，具体地指一种基于复合正交神经网络预测控制的智能船舶循迹方法。
背景技术
近年来，信息、计算机、通信、网络、新能源、人工智能等技术的发展以及物联网、大数据、综合船桥系统和信息物理系统的应用，大大推进了船舶智能化的进程。智能船舶包括众多任务，如何利用环境感知信息实现智能船舶的自主循迹控制是其中的重要内容之一。
随着愈来愈多深水作业的船舶或平台将会配备自主循迹系统，现在海洋行业对智能船舶或平台作业的安全性和可靠性要求越来越高，但船舶本身是非线性的，再加上海洋环境复杂多变，使得智能船舶自主循迹控制成为一个非线性，复杂，时变的控制问题。运用模型预测虽然可以解决这些复杂的非线性问题，但是存在一个比较明显的问题是优化计算量过大甚至导致系统不能在规定的控制时间内给出控制作用，因此我们结合了复合正交神经网络提出一种新的模型预测策略。运用复合正交神经网络，可以有效的解决复杂的非线性问题，大大减少了在线计算的时间，十分适用于实时控制系统。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于复合正交神经网络预测控制的智能船舶循迹方法，通过可以离线完成的神经网络学习算法,大大减少了在线计算的时间，可以有效的在规定的控制时间内给出控制作用。
为实现上述目的，本发明所设计的一种基于复合正交神经网络预测控制的智能船舶循迹方法，其特殊之处在于，所述方法包括如下步骤：
1)在船舶的运动过程中，获取预定轨迹，将预定轨迹与预测输出通过优化算法，计算各推进器的优化算法预测推力；
2)将预定轨迹和所述各推进器的预测推力输入至神经网络，输出神经网络预测推力，将优化算法预测推力与神经网络预测推力加权迭加输出各推进器应当产生的推力；
3)将各推进器应当产生的推力输入至预测模型，对船舶的位置、艏向、速度进行预测；
4)各推进器根据应当产生的推力推动船舶运动，采集各推进器实际产生的推力、船舶的位置和艏向，
5)将各推进器实际产生的推力、船舶的位置和艏向对船舶的位置、艏向、速度的预测值进行修正，将修正后的预测值作为步骤1)中的预测输出；
6)重复步骤1)～5)直至预定轨迹完成。
优选地，所述神经网络采用复合正交神经网络的算法，每一控制周期结束时将神经网络预测推力与各推进器应当产生的推力相比较，经过学习算法修正权重，以使得神经网络预测推力与各推进器应当产生的推力差值减小。
优选地，所述步骤4)中船舶的位置和艏向通过传感器采集并经过滤波器除去噪声。
模型预测可以解决复杂的非线性问题，但是存在一个比较明显的问题是优化计算量过大甚至导致系统不能在规定的控制时间内给出控制作用，本发明结合了复合正交神经网络提出一种新的模型预测策略，该神经网络算法简单，学习收敛速度快，有线性、非线性逼近精度高等优异特性，并且神经网络的学习算法可以离线完成,大大减少了在线计算的时间，可以有效的在规定的控制时间内给出控制作用，鲁棒性强，十分适用于实时控制系统。本发明前馈控制效果更好，响应速度更快，输出误差小、实时性好、鲁棒性强，并且也采用了模型预测控制中的反馈校正，保证了系统的稳定性，可以使智能船舶在复杂多变的海洋环境中更加高效节能地实现自主循迹。
附图说明
图1为本发明基于复合正交神经网络预测控制的智能船舶循迹方法的控制过程示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述。
如图1所示，本发明提出的一种基于复合正交神经网络预测控制的智能船舶循迹方法，所述方法包括如下步骤：
1)在船舶的运动过程中，获取预定轨迹，将预定轨迹与预测输出通过优化算法，计算各推进器的优化算法预测推力。
2)将预定轨迹和各推进器的预测推力输入至神经网络，输出神经网络预测推力，将优化算法预测推力与神经网络预测推力加权迭加输出各推进器应当产生的推力。神经网络采用复合正交神经网络的算法，每一控制周期结束时将神经网络预测推力与各推进器应当产生的推力相比较，经过学习算法修正权重，以使得神经网络预测推力与各推进器应当产生的推力差值尽可能小。
3)将各推进器应当产生的推力输入至预测模型，对船舶的位置、艏向、速度进行预测。
4)各推进器根据应当产生的推力推动船舶运动，采集各推进器实际产生的推力、船舶的位置和艏向。船舶的位置和艏向通过传感器采集并经过滤波器除去噪声。
5)将各推进器实际产生的推力、船舶的位置和艏向对船舶的位置、艏向、速度的预测值进行修正，将修正后的预测值作为步骤1)中的预测输出。
6)重复步骤1)～5)直至预定轨迹完成。
船舶在运动过程中，获得了预定轨迹，控制器(综合点)根据上一时刻的预测输出，通过优化算法，输出推进器应当产生的推力，完成控制输出的计算时，将其传递给神经网络，神经网络采用有导师的学习算法，每一控制周期结束时，计算出相应的神经网络输出，并与总控制输出相比较，修正权重，进入学习过程，使总控制输出与神经网络的输出之差最小，经过神经网络的学习，系统的总控制输出由神经网络产生，并分配给各个推进器。在外界干扰以及自身推进器的推力作用下，船舶产生运动，并到达预定的位置。
控制器在进行优化算法后，根据内部预测模型和实际输出，得到预测输出，传感器测得船舶当前的位置和艏向，并通过滤波器进行状态估计和滤波，对预测输出进行修正，完成反馈校正，返回进行新一轮优化。
本发明在采用模型预测控制的同时，结合复合正交神经网络，完成控制输出的计算，并输出各个推进器产生需要的推力，使船舶产生相应的运动。
在模型预测控制中，当前控制动作是在每一个采样瞬间通过求解一个有限时域开环最优控制问题而获得的。过程的当前状态作为最优控制问题的初始状态，解得的最优控制序列只实施第一个控制作用，在这个过程中，引入了复合正交神经网络，在获得预定轨迹后，完成控制输出的计算时，将其传递给神经网络，神经网络采用有导师的学习算法，每一控制周期结束时，计算出相应的神经网络输出，并与总控制输出相比较，修正权重，进入学习过程。学习的目的是使总控制输出与神经网络的输出之差最小，经过神经网络的学习，系统的总控制输出由神经网络产生。
在此过程中，充分体现了前馈控制效果更好，响应速度更快，这充分地体现了复合正交神经网络的特点,即输出误差小、实时性好、鲁棒性强。并且也采用了模型预测控制中的反馈校正，保证了系统的稳定性。可以使智能船舶在复杂多变的海洋环境中更加高效节能地实现自主循迹。
最后需要说明的是，以上具体实施方式仅用以说明本专利技术方案而非限制，尽管参照较佳实施例对本专利进行了详细说明，本领域的普通技术人员应当理解，可以对本专利的技术方案进行修改或者等同替换，而不脱离本专利技术方案的精神和范围，其均应涵盖在本专利的权利要求范围当中。

Claims (3)

1.一种基于复合正交神经网络预测控制的智能船舶循迹方法，其特征在于：所述方法包括如下步骤：
1)在船舶的运动过程中，获取预定轨迹，将预定轨迹与预测输出通过优化算法，计算各推进器的优化算法预测推力；
2)将预定轨迹和所述各推进器的优化算法预测推力输入至神经网络，输出神经网络预测推力，将优化算法预测推力与神经网络预测推力加权迭加输出各推进器应当产生的推力；
3)将各推进器应当产生的推力输入至预测模型，对船舶的位置、艏向、速度进行预测；
4)各推进器根据应当产生的推力推动船舶运动，采集各推进器实际产生的推力、船舶的位置和艏向，
5)将各推进器实际产生的推力、船舶的位置和艏向对船舶的位置、艏向、速度的预测值进行修正，将修正后的预测值作为步骤1)中的预测输出；
6)重复步骤1)～5)直至预定轨迹完成。
2.根据权利要求1所述的一种基于复合正交神经网络预测控制的智能船舶循迹方法，其特征在于：所述神经网络采用复合正交神经网络的算法，每一控制周期结束时将神经网络预测推力与各推进器应当产生的推力相比较，经过学习算法修正权重，以使得神经网络预测推力与各推进器应当产生的推力差值减小。
3.根据权利要求1所述的一种基于复合正交神经网络预测控制的智能船舶循迹方法，其特征在于：所述步骤4)中船舶的位置和艏向通过传感器采集并经过滤波器除去噪声。
CN201910158825.9A 2019-03-04 2019-03-04 一种基于复合正交神经网络预测控制的智能船舶循迹方法 Active CN109765906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910158825.9A CN109765906B (zh) 2019-03-04 2019-03-04 一种基于复合正交神经网络预测控制的智能船舶循迹方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910158825.9A CN109765906B (zh) 2019-03-04 2019-03-04 一种基于复合正交神经网络预测控制的智能船舶循迹方法

Publications (2)

Publication Number Publication Date
CN109765906A CN109765906A (zh) 2019-05-17
CN109765906B true CN109765906B (zh) 2021-11-23

Family

ID=66457519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910158825.9A Active CN109765906B (zh) 2019-03-04 2019-03-04 一种基于复合正交神经网络预测控制的智能船舶循迹方法

Country Status (1)

Country Link
CN (1) CN109765906B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110347192B (zh) * 2019-06-17 2020-11-03 武汉理工大学 基于注意力机制和自编码器的玻璃炉温智能预测控制方法
CN111007879B (zh) * 2019-11-28 2023-06-30 智慧航海（青岛）科技有限公司 一种船舶自动循迹的实现方法及装置
CN112213948B (zh) * 2020-10-23 2022-06-10 武汉理工大学 一种基于mpc的船舶航速协同控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101963784A (zh) * 2010-09-07 2011-02-02 江苏科技大学 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
CN103592849A (zh) * 2013-11-12 2014-02-19 中国交通建设股份有限公司 一种船舶动力定位控制方法
CN109032136A (zh) * 2018-07-23 2018-12-18 西北工业大学 基于主从分布式模型预测控制的欠驱动多无人船编队跟踪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101092690B1 (ko) * 2009-11-02 2011-12-09 기아자동차주식회사 연료 최소화 경로 및 비용 산출 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101963784A (zh) * 2010-09-07 2011-02-02 江苏科技大学 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
CN103592849A (zh) * 2013-11-12 2014-02-19 中国交通建设股份有限公司 一种船舶动力定位控制方法
CN109032136A (zh) * 2018-07-23 2018-12-18 西北工业大学 基于主从分布式模型预测控制的欠驱动多无人船编队跟踪方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Maritime Traffic Monitoring Based on Vessel Detection, Tracking, State Estimation,and Trajectory Prediction;Lokukaluge P. Perera等;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;20120930;第13卷(第3期);第1188-1200页 *
Model Predictive Control for Tracking of Underactuated Vessels Based on Recurrent Neural Networks;Zheng Yan等;《IEEE JOURNAL OF OCEANIC ENGINEERING》;20121031;第37卷(第4期);第717-726页 *
基于BP神经网络的船舶航迹实时预测;徐婷婷等;《大连海事大学学报》;20120229;第38卷(第1期);第9-11页 *
基于LSTM的船舶航迹预测模型;权波等;《计算机科学》;20181130;第45卷(第11A期);第126-131页 *

Also Published As

Publication number Publication date
CN109765906A (zh) 2019-05-17

Similar Documents

Publication Publication Date Title
CN108008628B (zh) 一种不确定欠驱动无人艇系统的预设性能控制方法
CN109765906B (zh) 一种基于复合正交神经网络预测控制的智能船舶循迹方法
KR101706367B1 (ko) 과소작동기를 갖는 자율무인 이동체의 신경회로망 기반 결함포용 컨트롤 방법
CN109901403A (zh) 一种自主水下机器人神经网络s面控制方法
CN114879671B (zh) 一种基于强化学习mpc的无人艇轨迹跟踪控制方法
CN103558854A (zh) 一种风帆助航船舶航向控制方法及系统
CN101825871A (zh) 斜舵船舶垂荡和纵摇装置智能自适应控制方法
CN107255920A (zh) 基于网络优化算法的pid控制方法和装置及系统
CN113219978B (zh) 一种基于零阶保持器的船舶路径跟踪事件触发控制方法
CN110262494A (zh) 一种同构多无人艇系统的协同学习与编队控制方法
CN107918396A (zh) 一种基于船体模型的水下清洗机器人路径规划方法及系统
CN107315348B (zh) 一种基于惩罚式小波网络的无人潜航器位姿控制方法
CN103645635A (zh) 一种基于模拟退火-强化学习算法的船舶运动控制器
CN114137826B (zh) 一种基于灰狼算法的船舶动力定位自抗扰控制方法
CN115903820A (zh) 多无人艇追逃博弈控制方法
CN104142626A (zh) 一种基于逆系统和内模控制的船舶动力定位控制方法
CN117032209A (zh) 一种欠驱动船舶鲁棒自适应神经网络控制方法
Li et al. Parallel path following control of cyber-physical maritime autonomous surface ships based on deep neural predictor
CN116184997A (zh) 一种用于三自由度水面无人艇跟踪控制方法
CN108181900B (zh) 一种基于增强学习智能算法的航海船舶运动控制方法
Wu et al. Study on fuzzy neural network-based ship autopilot
Cao et al. An Improved Deep Reinforcement Learning Method-Based Nonparametric Modeling of Ship Dynamics
Hu et al. A survey of deep neural network sliding mode control in robot application
Yang et al. Reinforcement Learning-based Position Control for a Disc-shaped Underwater Remotely Operated Vehicle
CN117170382B (zh) 一种适用于同向实时点位跟踪的双无人船协同控制方法

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