CN111665722A - 一种基于预测控制的海浪主动补偿控制方法 - Google Patents

Abstract

本发明的目的在于提供一种基于预测控制的海浪主动补偿控制方法，首先根据采集的海浪对船体扰动数据训练出神经网络预测器，然后不断采集新的海浪对船体扰动数据对预测器进行滚动优化，最后通过反馈矫正修正实际系统存在的未知误差导致预测输出和实际输出存在的偏差，实现精确实时的海浪主动补偿。结合混联机构运动规划算法和海浪干扰预测器，对主动海浪补偿控制系统进行整体仿真，通过传统PID算法进行仿真对比实验，验证了本发明的有效性，具有更强的鲁棒性。本发明能有效解决混联机构进行海浪主动补偿的滞后问题，满足海洋平台的运维需要，本发明也为其他形式的海浪补偿机构提供了解决方案。

Description

一种基于预测控制的海浪主动补偿控制方法

技术领域

本发明涉及的是一种海浪对船体扰动的控制方法。

背景技术

海浪主动补偿系统能够补偿海浪对船体产生的扰动，让海上施工、运维、传送工作得以顺利实施，保障工作人员和海上设备的安全，是十分重要的海上技术之一。

按照补偿控制方式可分为三种，被动海浪补偿，主动海浪补偿，复合海浪补偿三种。

被动海浪补偿方法：通常基于比较简单的结构，主要包括补偿油缸、蓄能器、张紧器等组件，同时成本较低，在进行海浪补偿时无需为它提供额外的动力。系统在工作时相当于一个液压弹簧，对波浪产生的冲击进行缓冲，其工作原理是在船体做升沉运动时，钢丝绳的受力发生变化，导致张紧器收缩或膨胀，从而释放或收紧钢缆完成海浪补偿，一般用于补偿升沉方向的海浪干扰。但是该方法存在较大的滞后性，补偿效率较低，适用于精度要求不高的低风险作业。

主动海浪补偿方法：需要动力源提供动力进行海浪补偿作业，常见动力元件有补偿绞车和液压泵两种。基于补偿绞车的主动海浪补偿方法一般应用于起重设备中，利用传感器检测船体运动状态和被吊物品运动情况，同时将测得数据发送给控制系统，通过控制绞车转动状态和输出速率来实现对船体升沉运动的补偿。液压泵作为动力元件常见于海上稳定平台，以最具代表性的六自由度并联平台为例，控制器对传感器测量得到的船体运动状态参数进行解算，输出各个液压缸的伸缩值与运动状态作为控制量和补偿量，据此控制并联平台各个液压缸的伸缩实现主动海浪补偿。

主动海浪补偿方法在控制过程中加入了反馈校正环节，大大提高补偿精度和补偿性能。但是随着控制器的复杂性以及控制对象惯性的提高，系统响应时间出现一定滞后，这对控制系统的设计是一个考验。同时由于该方法在补偿作业时需要为动力源提供能量，更适用于小功率海浪补偿。

复合海浪补偿方法：将被动补偿方法与主动补偿方法结合起来，综合二者优点，目前该方法在深海补偿设备中得到广泛应用。复合海浪补偿方法的结构较为复杂，控制难度较大。

根据不同的任务需要和海上设备特点采用不同的海浪补偿方法，因此上述三种海浪补偿方法无优劣之分。但是传统的海浪主动补偿方法具有明显的滞后性，特别是对于随机性的海浪干扰，不能够有效实施补偿，导致补偿误差较大，为海洋装备的工作带来较大的危险性。

发明内容

本发明的目的在于提供针对系统中存在的非线性不确定因素以及海浪干扰不可预见性的一种基于预测控制的海浪主动补偿控制方法。

本发明的目的是这样实现的：

本发明一种基于预测控制的海浪主动补偿控制方法，其特征是：首先根据采集的海浪对船体扰动数据训练出神经网络预测器，然后不断采集新的海浪对船体扰动数据对预测器进行滚动优化，最后通过反馈矫正修正实际系统存在的未知误差导致预测输出和实际输出存在的偏差，实现精确实时的海浪主动补偿。

本发明还可以包括：

1、神经网络预测器的训练过程为：

(1)确定训练参数：确定训练次数，即确定神经网络学习的最大迭代次数；确定训练目标，即对神经网络的学习结果的精度要求；将预测输出y_sd(n)与期望输出y_out(n)的误差作为性能指标，设误差函数和性能指标分别为e(n)＝y_sd(n)-y_out(n)和

当输出的性能指标小于设定误差最小值时，表示神经网络的预测能力已经符合期望性能指标，训练已完成；

(2)权值调整：当输出的性能指标不符合期望值时，反向传播对各个神经元对应的权值系数进行调整，权值调整用于确定网络学习方向，选择梯度下降法进行权值调整，设W(k)为权值系数，C(k)为对应神经元激励函数，η为学习率，权值调整的迭代关系为

W(k+1)＝W(k)-ηe(k)C(k)；

(3)确定学习率η：学习率的选择在保证神经网络收敛的前提下进行设置。

2、所述滚动优化方法，具体为：

将每个采样时刻的优化解的第一个分量作用于系统，在下一个采样时刻，根据新得到的测量值为初始条件重新预测系统的未来输出并求解优化解，这个时刻的优化解的第一个分量作用于系统，这样重复运行；模型预测控制采用随时间推移滚动变化的有限时域优化策略，在目标函数中加入现在时刻的控制输入对于未来时刻系统输出的影响，考虑当前时刻的控制量对系统下一时刻的影响，定义目标优化函数为：

其中，y_r(k)和y(k)分别是系统输入和系统输出，u(k)是控制量，n是预测器的最大预测长度，m是控制器的控制长度，两者要满足m≤n的关系，λ(j)＞0是优化加系数。

3、所述反馈校正方法，具体为：

利用测量值计算出偏差，并在下一时刻将该测量偏差利用负反馈的形式进行补偿，对下一时刻的控制输入进行优化，从而提高系统对于控制对象的动态跟踪能力，这一过程描述为利用预测器输出结果与实际输出结果的偏差量进行在线校正：

y_p(k+j)＝y_m(k+j)+ωe(k)(j＝1，2，...)，

e(k)＝y(k)-y_m(k)，

其中，e(k)＝y(k)-y_m(k)是预测器输出与系统实际输出间的偏差值，y_m(k)是预测器k时刻输出的预测值，ω是偏差的权重值，j是预测器预测长度。

本发明的优势在于：

1、本发明确定一种混联机构的海浪主动补偿控制方法，该方法能够保证海上工程装备和人员工作的安全性。

2、本发明具有较强的鲁棒性，能够有效解决随机性海浪的干扰，具有一定的实时性。

3、本发明有效克服系统自身存在的不确定性，减少控制输出的偏差，提供控制的准确性。

附图说明

图1为本发明的结构框图；

图2为预测器训练流程图；

图3为常规PID法下海浪补偿控制曲线-升沉量；

图4为模型预测控制法下海浪补偿控制曲线-升沉量；

图5为两种控制方法下轨迹跟踪误差对比图；

图6为常规PID法下海浪补偿控制曲线-纵摇角；

图7为模型预测控制法下海浪补偿控制曲线-纵摇角；

图8为两种控制方法下轨迹跟踪误差对比图；

图9为常规PID法下海浪补偿控制曲线-横摇角；

图10为模型预测控制海浪补偿控制曲线-横摇角；

图11为两种控制方法下轨迹跟踪误差对比图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

结合图1-11，本发明以混联形式的海浪主动补偿机构为控制对象，针对系统中存在的非线性不确定因素以及海浪干扰的不可预见性，提出基于神经网络预测器的模型预测控制方法。首先根据采集的海浪对船体扰动数据训练出神经网络的预测器，然后不断采集新的海浪对船体扰动数据对预测器进行滚动优化，最后通过反馈矫正修正实际系统存在的未知误差导致预测输出和实际输出存在的偏差，实现精确实时的海浪主动补偿。

结合附图2所示，神经网络预测器设计过程如下：

1)确定训练参数：确定训练次数，即确定神经网络学习的最大迭代次数；确定训练目标，即对神经网络的学习结果的精度要求，一般精度要求越高，所需要的迭代次数就越多；通常将预测输出y_sd(n)与期望输出y_out(n)的误差作为性能指标，设误差函数和性能指标分别为式(1)和式(2)。当输出的性能指标小于设定误差最小值时，就表示神经网络的预测能力已经符合期望性能指标，标志着训练已完成。

e(n)＝y_sd(n)-y_out(n) (1)

2)权值调整：当输出的性能指标不符合期望值时，需要通过反向传播对各个神经元对应的权值系数进行调整。权值调整用于确定网络学习方向，与学习率紧密相关，是BP神经网络的核心算法，将模型参数的调整问题转换为某个误差性能指标函数的极小值问题。常用的权值调整算法有梯度下降法、弹性BP算法(RPROP)、共轭梯度算法等等，在设计BP神经网络时要考虑网络规模，内存需求以及计算能力选择合适的算法。本专利选择梯度下降法进行权值调整，设W(k)为权值系数，C(k)为对应神经元激励函数，η为学习率，权值调整的迭代关系如式(3)所示。

W(k+1)＝W(k)-ηe(k)C(k) (3)

3)确定学习率η(learning-rate)：也就是学习的步长，就是网络在训练学习时每次迭代朝着最优解前进的速度。需要注意的是学习率越大，收敛速度越快，但是可能会在最优解附近来回震荡导致没办法到达最优解，影响精度；相反，学习率越小，精度越高，但是可能需要很多次数的迭代，才能到达最优解。学习率的选择通常是在保证神经网络收敛的前提下，根据经验值进行设置。

滚动优化方法的工作过程是将每个采样时刻的优化解的第一个分量作用于系统，在下一个采样时刻，根据新得到的测量值为初始条件重新预测系统的未来输出并求解优化解，这个时刻的优化解的第一个分量作用于系统，这样重复运行。模型预测控制并非采用固定不变的全局优化目标优化策略，而是采用随时间推移滚动变化的有限时域优化策略。在目标函数中加入现在时刻的控制输入对于未来时刻系统输出的影响，不同的模型预测方法对应的滚动优化形式也不同，但最终目标都是求解在有限时域内目标函数最优条件下的系统控制输入量。为保证控制系统的鲁棒性，考虑当前时刻的控制量对系统下一时刻的影响，定义目标优化函数为：

其中，y_r(k)和y(k)分别是系统输入和系统输出，u(k)是控制量，n是预测器的最大预测长度，m是控制器的控制长度，两者要满足m≤n的关系，λ(j)＞0是优化加系数。

柔性化处理方法是为提高控制系统的控制稳定性，考虑执行机构的执行安全性，建立一种对期望输入进行柔性处理方法，防止因控制增量突变而对机构造成的物理损伤或振荡影响系统正常工作。提出一种具体柔性处理方法如下：

y_d(k+j)＝α^jy(k)+(1-α^j)y_r(k+j)(j＝1，2，...n) (5)

式中，y_r(k)、y(k)和y_d(k)分别是期望值，控制输出和柔化输出，a是柔化系数，0＜α＜1。

反馈校正方法是针对实际系统中经常存在的一些未知误差诸如被控对象模型失配，提出一种反馈校正方法。利用测量值计算出这个偏差，并在下一时刻将该测量偏差利用负反馈的形式进行补偿，对下一时刻的控制输入进行优化，从而提高系统对于控制对象的动态跟踪能力。这一过程可以描述为利用预测器输出结果与实际输出结果的偏差量进行在线校正：

y_p(k+j)＝y_m(k+j)+ωe(k)(j＝1，2，...) (6)

e(k)＝y(k)-y_m(k) (7)

其中，e(k)＝y(k)-y_m(k)是预测器输出与系统实际输出间的偏差值，y_m(k)是预测器k时刻输出的预测值，ω是偏差的权重值，j是预测器预测长度。当系统运行过程中出现了不确定因素影响造成预测模型失配时，通过反馈补偿可以及时对预测结果进行校正，保证滚动优化始终建立在一个较为准确的预测基础上。

针对六自由度并联平台和三自由度串联舷梯所组成的混联机构，根据已搭建的混联机构运动学模型和海浪干扰预测器，提出基于神经网络的模型预测控制方法，制定主动海浪补偿系统模型预测控制方案。预测控制器的输出量传送给混联形式的海浪主动补偿机构进行运动规划，输出要执行的速度、位置给海浪主动补偿机构的执行器，实现预测控制的海浪主动补偿。

具体流程如下：

Step1：根据历史数据训练出相应神经网络预测器；

Step2：初始时刻设置参数k＝0，给系统加入期望输入量y_r(k)；

Step3：k时刻，根据神经网络预测器输出y_m(k+1)和反馈校正输出y_p(k)等状态量，对目标函数J进行最小化求解，得到当前时刻的最优控制量u(k)；

Step4：将控制量u(k)加到被控对象，经过混联机构的运动规划和正运动学推导，得到控制系统输出量y(k)；

Step5：进入下一时刻，重复Step3-5。

仿真结果分析及结论

(1)基于升沉量-heave的海浪补偿仿真实验结果

首先利用实测海浪谱数据的升沉变化量进行两种控制算法的对比仿真实验附图3和附图4分别是常规PID控制算法和模型预测控制算法下的升沉量补偿控制曲线。其中，expection为系统输入升沉变化量，是主动海浪补偿系统的目标跟踪轨迹，在-3.7m～-3.9m范围内不规则变化，output为系统控制输出，主动海浪补偿系统的控制目标为系统输出跟踪输入。从附图3和附图4可以较直观的看出在常规PID控制方法下，系统控制输出可以基本跟踪升沉变化量的趋势，但在数值上仍存在较大误差；模型预测控制法下的系统输入对于升沉变化量的跟踪效果更高，变化趋势跟贴近输入，误差也更小。对比两种控制方法，模型预测控制算法下的海浪补偿控制曲线在跟踪升沉变化轨迹时的输出曲线更加平稳，在系统进行主动海浪补偿作业时，平稳的输出可以更大程度地保障作业人员及设备的安全，是研究主动海浪补偿系统控制方法的重要性能指标。

为了更加直观地对比两种方法对升沉变化量的补偿结果，对其轨迹跟踪误差进行量化处理，附图5是两种控制方法下轨迹跟踪误差对比图，e1对应常规PID法，e2对应上文提出的模型预测控制方法。在时长为50s的仿真区间内，e1平均在0.06m以上，e2平均值低于0.04m，由此可见，本专利所提出的基于神经网络的模型预测控制方案对于船体升沉变化的跟踪效果更佳。

(2)基于纵摇角-pitch的海浪补偿仿真实验结果

利用实测海浪谱数据的纵摇角变化量进行常规PID控制算法和模型预测控制算法下的对比仿真实验，附图6和附图7分别是两种控制算法下的纵摇角补偿控制曲线。与上一组类似，expection为系统输入纵摇角变化量，是主动海浪补偿系统的目标跟踪轨迹，在(-3°,-0.5°)范围内呈不规则正弦曲线变化，变化周期5s左右，output为系统控制输出，实现主动海浪补偿即使系统输出跟踪输入。

纵摇角变化对船体稳定性有很大影响，从附图6和附图7可以较直观的看出两种方法均在一定程度上实现了对纵摇角扰动的主动海浪补偿，在常规PID控制方法下，随时间推移所产生的跟踪误差逐渐累积，跟踪存在一定时间滞后，对比模型预测控制法跟踪结果，可知采用本专利提出的控制方案轨迹跟踪效果更佳。两种方法相较而言，后者用于主动海浪补偿作业时对纵摇变化的补偿效果更好，平稳度更高，补偿系统整体安全性也就更强。

附图8是两种控制方法下轨迹跟踪误差对比图，e1对应常规PID法，e2对应本专利提出的模型预测控制方法。从图中可以看出，在时长为50s的仿真区间内，e1在前25s内一直处于0.5°一下，跟踪效果较好，但25s之后误差逐渐增加至2°以上，几乎脱离约束。e2平均值低于0.5°，始终在约束范围内变化。由此可见，本专利所提出的基于神经网络的模型预测控制方案对于船体纵摇角变化的跟踪效果更佳。

(3)基于横摇角-roll的海浪补偿仿真实验结果

利用实测海浪谱数据的横摇角变化量进行常规PID控制算法和模型预测控制算法下的对比仿真实验，附图9和附图10分别是两种控制算法下的横摇角补偿控制曲线。与前两组类似，expection为系统输入横摇角变化量，是主动海浪补偿系统的目标跟踪轨迹，横摇角受海浪影响较大，在(-7°,1°)范围内呈不规则非线性变化，output为系统控制输出，主动海浪补偿性能体现在系统输出对输入的跟踪情况。

横摇角变化范围比纵摇角更大，对船体平稳性的影响也更大，从附图9和附图10可以看出两种方法均可以实现一定程度对横摇角扰动的主动海浪补偿，常规PID控制方法可以对横摇角进行跟踪，但始终存在较大偏差，模型预测控制方法跟踪效果更好，基本可以实现对横摇角变化的主动补偿。

附图11是两种控制方法下轨迹跟踪误差对比图，e1对应常规PID法，e2对应本专利提出的模型预测控制方法。从图中可以看出，在时长为50s的仿真区间内，e1随时间推移逐渐增加，最高至2.5°，e2则相反，随时间推移逐渐减小，且平均值不超过0.5°，说明控制输出与输入存在偏移，而模型预测控制对偏移的约束效果更佳。

综上所述，对比两种控制方法可以看出本专利所提方案对于船只所受海浪干扰的主动补偿效果更好，在对船体平稳性影响最大的升沉量、纵摇角和横摇角三个方面都实现了较好的跟踪，且误差均在约束范围内，验证了该预测控制的海浪主动补偿控制方法的有效性和鲁棒性。

Claims (4)

1.一种基于预测控制的海浪主动补偿控制方法，其特征是：首先根据采集的海浪对船体扰动数据训练出神经网络预测器，然后不断采集新的海浪对船体扰动数据对预测器进行滚动优化，最后通过反馈矫正修正实际系统存在的未知误差导致预测输出和实际输出存在的偏差，实现精确实时的海浪主动补偿。

2.根据权利要求1所述的一种基于预测控制的海浪主动补偿控制方法，其特征是：神经网络预测器的训练过程为：

(1)确定训练参数：确定训练次数，即确定神经网络学习的最大迭代次数；确定训练目标，即对神经网络的学习结果的精度要求；将预测输出y_sd(n)与期望输出y_out(n)的误差作为性能指标，设误差函数和性能指标分别为e(n)＝y_sd(n)-y_out(n)和

当输出的性能指标小于设定误差最小值时，表示神经网络的预测能力已经符合期望性能指标，训练已完成；

(2)权值调整：当输出的性能指标不符合期望值时，反向传播对各个神经元对应的权值系数进行调整，权值调整用于确定网络学习方向，选择梯度下降法进行权值调整，设W(k)为权值系数，C(k)为对应神经元激励函数，η为学习率，权值调整的迭代关系为

W(k+1)＝W(k)-ηe(k)C(k)；

(3)确定学习率η：学习率的选择在保证神经网络收敛的前提下进行设置。

3.根据权利要求1所述的一种基于预测控制的海浪主动补偿控制方法，其特征是：所述滚动优化方法，具体为：

将每个采样时刻的优化解的第一个分量作用于系统，在下一个采样时刻，根据新得到的测量值为初始条件重新预测系统的未来输出并求解优化解，这个时刻的优化解的第一个分量作用于系统，这样重复运行；模型预测控制采用随时间推移滚动变化的有限时域优化策略，在目标函数中加入现在时刻的控制输入对于未来时刻系统输出的影响，考虑当前时刻的控制量对系统下一时刻的影响，定义目标优化函数为：

其中，y_r(k)和y(k)分别是系统输入和系统输出，u(k)是控制量，n是预测器的最大预测长度，m是控制器的控制长度，两者要满足m≤n的关系，λ(j)＞0是优化加系数。

4.根据权利要求1所述的一种基于预测控制的海浪主动补偿控制方法，其特征是：所述反馈校正方法，具体为：

利用测量值计算出偏差，并在下一时刻将该测量偏差利用负反馈的形式进行补偿，对下一时刻的控制输入进行优化，从而提高系统对于控制对象的动态跟踪能力，这一过程描述为利用预测器输出结果与实际输出结果的偏差量进行在线校正：

y_p(k+j)＝y_m(k+j)+ωe(k)(j＝1，2，...)，

e(k)＝y(k)-y_m(k)，

其中，e(k)＝y(k)-y_m(k)是预测器输出与系统实际输出间的偏差值，y_m(k)是预测器k时刻输出的预测值，ω是偏差的权重值，j是预测器预测长度。

Images