CN111856922A - 一种基于循环神经网络pid波浪补偿平台控制方法 - Google Patents
一种基于循环神经网络pid波浪补偿平台控制方法 Download PDFInfo
- Publication number
- CN111856922A CN111856922A CN202010769954.4A CN202010769954A CN111856922A CN 111856922 A CN111856922 A CN 111856922A CN 202010769954 A CN202010769954 A CN 202010769954A CN 111856922 A CN111856922 A CN 111856922A
- Authority
- CN
- China
- Prior art keywords
- neural network
- output
- recurrent neural
- pid
- layer
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000004069 differentiation Effects 0.000 title claims abstract description 8
- 230000010354 integration Effects 0.000 title claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000004913 activation Effects 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims abstract description 3
- 230000033001 locomotion Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于循环神经网络PID波浪补偿平台控制方法，包括：步骤1，根据机理建模的方法得到波浪补偿平台的动力学和运动学模型；步骤2，确定循环神经网络的结构；步骤3，对循环神经网络系统的输出值y(k)进行采样；步骤4，根据循环神经网络的激活函数和加权系数计算其各层神经元的输入和输出；步骤5，根据公式计算PID控制器在此时的Kp、Ki、Kd参数下的输出u(k)；步骤6，在线调整加权系数以完成循环神经网络的学习过程；步骤7，学习过程直到输出层的输出与期望值的偏差在可接受的范围内时，才会停止；反之，令k＝k+1，返回步骤3继续学习。
Description
技术领域
本发明涉及一种波浪补偿控制技术，特别是一种基于循环神经网络PID波浪补偿平台控制方法。
背景技术
船舶在海洋中执行工作任务时，海浪的无规律起伏会使船舶呈现复杂的运动，如横摇运动、纵摇运动和升沉运动，进而影响船舶及船载设备的运行安全。如在大风海况下，船与船之间的货物吊运会造成船只碰撞、货物与船舶甲板发生猛烈撞击，极端情况下可能会导致钢丝绳断裂，这将给工作人员、货物以及船舶造成不可挽回的损伤，这种安全事件对海上运输及作业的安全影响极大。针对上述种种安全问题，我们需要对海上工作的船舶采取强有力的补偿措施，最大限度地减小风浪对工作船舶的影响。波浪补偿平台，可以对船舶的横摇运动、纵摇运动和升沉运动进行有效补偿，能够提高船舶及船载设备的安全，提高船舶及船载设备的工作效率。
在众多的控制方法中，对于传统的PID控制方法，如中国公开专利号：CN110083057A，由于受到复杂多变的环境条件的扰动，传统PID控制参数整定适应性会很差，控制精度低，很难达到理想的补偿效果。目前，将具有自学习能力的神经网络广泛应用于PID控制研究中，可以对PID控制参数进行自适应整定以及适应非线性系统的控制要求。BP神经网络(Back Propagation)具有非线性映射的能力并进行学习以适应环境变化，因而可以采用BP神经网络根据系统的状态变化自动的调节优化PID控制器参数，如中国公开专利号：CN106682735A，采用BP神经网络调节优化PID控制器参数，从而实现某一指标要求下的最优控制效果，但是BP神经网络是基于梯度下降的算法，存在收敛速度慢且易陷入局部极小点，网络训练时对初始连接权值和阈值很敏感等缺陷。针对以上控制方法的不足，提出了用循环神经网络对PID参数进行优化。循环神经网络本质上是非线性系统，可以很好的解决控制理论中面临的非线性问题。并且循环神经网络所有时刻的权重矩阵都是共享的，可以很好地解决BP神经网络存在的问题。
循环神经网络(Recurrent Neural Network)用于解决训练样本输入是连续的序列，且序列的长短不一的问题，比如基于时间序列的问题。基础的神经网络只在层与层之间建立了权连接，RNN最大的不同之处就是在层之间的神经元之间也建立的权连接。传统的神经网络DNN或者CNN网络他们的输入和输出都是独立的。对于这些模型输入的数据跟输出的数据大多是关联不太紧密的场景，但是有些场景输入的数据对后面输入的数据是有关系的，或者后面的数据跟前面的数据是有关联的。而循环神经网络的每一时刻的输出都跟当前时刻的输入和上一时刻的输出有关。
发明内容
本发明的目的在于提供一种基于循环神经网络PID波浪补偿平台控制方法，实现对波浪补偿平台的控制。
实现本目的的发明方案为：一种基于循环神经网络PID波浪补偿平台控制方法，包括以下步骤：
步骤1：根据机理建模的方法得到波浪补偿平台的动力学和运动学模型，通过矩阵法以四阶矩阵来变换三维空间坐标为基础，能够将运动、变换、映射转化为简单的矩阵运算，可以用来表示各部件的位移、速度和加速度；电动缸通过胡克铰与动平台及机座相连，电动缸通过同步齿形带与电机的输出轴连接，把电机的旋转运动利用高精度高强度的丝杠变换成电动缸缸杆的直线运动，给平台提供动力；
步骤2：确定循环神经网络的结构，也就是要确定输入层神经元节点的数目和隐含层神经元节点的数目，本发明循环神经网络选择3-4-3的结构，即输入层神经元数目为3，分别为误差、误差的变化率和误差的积分；隐含层神经元数目为4，神经节节点数选取的过大会增大计算量，取得过小又不能很好的逼近目标函数；输出层神经元数目为3，分别对应的三个控制参数，输出层的激活函数选择Sigmoid，控制器整体的输入信号可以采用利用海浪谱仿真得到的数据，也可以采用实测的数据；
步骤3：对循环神经网络系统的输出值y(k)进行采样，记录电动缸缸杆伸缩的长度变量，并计算此时系统实际输出值与期望输出之间的误差e(k)＝r(k)-y(k)，也就是当前的系统补偿量相对于控制器所输入的海浪信号之间的误差；
步骤4：根据循环神经网络的激活函数和加权系数计算其各层神经元的输入和输出，循环神经网络的输出与PID控制器的参数Kp、Ki、Kd一一对应，其中循环神经网络当前状态公式St＝f(U×Xt+W×St-1)，St是表示t时刻的记忆，Xt是时间t时的输入，t时刻网络的输出Ot表达为如下形式
步骤5：根据公式u(k)＝u(k-1)+Δu(k)和Δu(k)＝Kp(e(k)-e(k-1)+Kie(k)+Kd(e(k)-2e(k-1)+e(k-2))计算PID控制器在此时的Kp、Ki、Kd参数下的输出u(k)；
步骤6：在线调整加权系数以完成循环神经网络的学习过程，实现PID控制器参数的自适应调整；
步骤7：学习过程直到输出层的输出与期望值的偏差在可接受的范围内，达到补偿精度时，才会停止；反之，令k＝k+1，返回步骤3继续学习。
本发明与现有的技术相比，具有以下优点：
1.波浪补偿平台是一个复杂的非线性的系统，由于受到复杂多变的海况条件的扰动，传统PID控制参数整定适应性会很差，控制精度低，很难达到理想的补偿效果。本发明解决了传统PID控制非线性控制的问题。
2.并且解决了BP神经网络梯度下降的算法所带来的收敛速度慢、易陷入局部极小点和网络训练时对初始连接权值和阈值很敏感的问题。
附图说明
图1是本发明运动平台控制流程；
图2是本发明结构原理示意图；
图3是本发明循环神经网络的结构示意图。
具体实施方式
一种基于循环神经网络PID波浪补偿平台控制方法，平台以6个电动缸作为平台运动的控制对象，通过控制伺服阀输入信号来控制各个电动缸的输出位移，进而使平台按照给定的参数实现运动。为了能够对伺服系统进行位置闭环控制，需要通过位移传感器检测电动缸活塞杆的实际位置，然后与理论需要的活塞杆位置进行比较，以它们的差值作为伺服阀的控制信号，实现电动缸位置的跟踪。给每个液压缸发出指令信号，与位移传感器的信号进行比较，通过PID校正和补偿，这样电动缸活塞移动的位置总是按照指令信号给定的规律变化，具体包括以下步骤：
步骤1：根据机理建模的方法得到波浪补偿平台的动力学和运动学模型，通过矩阵法以四阶矩阵来变换三维空间坐标为基础，能够将运动、变换、映射转化为简单的矩阵运算，可以用来表示各部件的位移、速度和加速度；电动缸通过胡克铰与动平台及机座相连，电动缸通过同步齿形带与电机的输出轴连接，把电机的旋转运动利用高精度高强度的丝杠变换成电动缸缸杆的直线运动，给平台提供动力。
步骤2：确定循环神经网络的结构，也就是要确定输入层神经元节点的数目和隐含层神经元节点的数目。本发明循环神经网络选择3-4-3的结构，其中一个目标电动缸活塞杆位置、一个当前电动缸活塞杆位置以及目标电动缸活塞杆位置与当前电动缸活塞杆位置的偏差这三个参数作为循环神经网络输入层的输入，所以输入层神经元数目为3，分别为误差、误差的变化率和误差的积分。隐含层神经元数目为4，神经节节点数选取的过大会增大计算量，取得过小又不能很好的逼近目标函数。输出层神经元数目为3，分别对应的三个控制参数，输出层的激活函数选择Sigmoid，控制器整体的输入信号可以采用利用海浪谱仿真得到的数据，也可以采用实测的数据。
步骤3：通过伺服电机驱动滚珠丝杠进行传动，对循环神经网络系统的输出值y(k)进行采样，记录电动缸缸杆伸缩的长度变量，并计算此时系统实际输出值与期望输出之间的误差e(k)＝r(k)-y(k)，也就是当前的系统补偿量相对于控制器所输入的海浪信号之间的误差。
步骤4：根据循环神经网络的激活函数和加权系数计算其各层神经元的输入和输出，循环神经网络的输出与PID控制器的参数Kp、Ki、Kd一一对应。其中循环神经网络当前状态公式St＝f(U×Xt+W×St-1)，St是表示t时刻的记忆，Xt是时间t时的输入，t时刻网络的输出Ot表达为如下形式
步骤5：根据公式u(k)＝u(k-1)+Δu(k)和Δu(k)＝Kp(e(k)-e(k-1)+Kie(k)+Kd(e(k)-2e(k-1)+e(k-2))计算PID控制器在此时的Kp、Ki、Kd参数下的输出u(k)。
步骤6：在线调整加权系数以完成循环神经网络的学习过程，实现PID控制器参数的自适应调整。
步骤7：学习过程直到输出层的输出与期望值的偏差在可接受的范围内，补偿精度达到要求时，才会停止；反之，令k＝k+1，返回步骤3继续学习。
以上是本发明的较佳实施方式，但本发明的保护范围并不仅仅局限在此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡依本发明技术方案作变换或替换的，都应该涵盖在本发明的保护范围内。因此，本发明的保护范围都应以权利要求的保护范围为准。
Claims (1)
1.一种基于循环神经网络PID波浪补偿平台控制方法，其特征在于，包括以下步骤：
步骤1：根据机理建模的方法得到波浪补偿平台的动力学和运动学模型，通过矩阵法以四阶矩阵来变换三维空间坐标为基础，能够将运动、变换、映射转化为简单的矩阵运算，可以用来表示各部件的位移、速度和加速度；电动缸通过胡克铰与动平台及机座相连，电动缸通过同步齿形带与电机的输出轴连接，把电机的旋转运动利用高精度高强度的丝杠变换成电动缸缸杆的直线运动，给平台提供动力；
步骤2：确定循环神经网络的结构，也就是要确定输入层神经元节点的数目和隐含层神经元节点的数目，本发明循环神经网络选择3-4-3的结构，即输入层神经元数目为3，分别为误差、误差的变化率和误差的积分；隐含层神经元数目为4，神经节节点数选取的过大会增大计算量，取得过小又不能很好的逼近目标函数；输出层神经元数目为3，分别对应的三个控制参数，输出层的激活函数选择Sigmoid；
步骤3：对循环神经网络系统的输出值y(k)进行采样，记录电动缸缸杆伸缩的长度变量，并计算此时系统实际输出值与期望输出之间的误差e(k)＝r(k)-y(k)；
步骤4：根据循环神经网络的激活函数和加权系数计算其各层神经元的输入和输出，循环神经网络的输出与PID控制器的参数Kp、Ki、Kd一一对应，其中循环神经网络当前状态公式St＝f(U×Xt+W×St-1)，St是表示t时刻的记忆，Xt是时间t时的输入，t时刻网络的输出Ot表达为如下形式
步骤5：根据公式u(k)＝u(k-1)+Δu(k)和Δu(k)＝Kp(e(k)-e(k-1)+Kie(k)+Kd(e(k)-2e(k-1)+e(k-2))计算PID控制器在此时的Kp、Ki、Kd参数下的输出u(k)；
步骤6：在线调整加权系数以完成循环神经网络的学习过程，实现PID控制器参数的自适应调整；
步骤7：学习过程直到输出层的输出与期望值的偏差在可接受的范围内时，才会停止；反之，令k＝k+1，返回步骤3继续学习。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010769954.4A CN111856922A (zh) | 2020-08-04 | 2020-08-04 | 一种基于循环神经网络pid波浪补偿平台控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010769954.4A CN111856922A (zh) | 2020-08-04 | 2020-08-04 | 一种基于循环神经网络pid波浪补偿平台控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111856922A true CN111856922A (zh) | 2020-10-30 |
Family
ID=72952985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010769954.4A Pending CN111856922A (zh) | 2020-08-04 | 2020-08-04 | 一种基于循环神经网络pid波浪补偿平台控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111856922A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009015514A (ja) * | 2007-07-03 | 2009-01-22 | Nippon Petroleum Refining Co Ltd | Ｐｉｄ制御装置 |
| CN101968629A (zh) * | 2010-10-19 | 2011-02-09 | 天津理工大学 | 基于rbf辨识的弹性积分bp神经网络的pid控制方法 |
| CN107145070A (zh) * | 2017-05-02 | 2017-09-08 | 同济大学 | 一种用于高海况作业浮吊的模糊变结构波浪补偿方法 |
| CN110083057A (zh) * | 2019-06-12 | 2019-08-02 | 哈尔滨工程大学 | 基于水翼运动姿态的pid控制方法 |
| CN110187633A (zh) * | 2019-04-30 | 2019-08-30 | 长安大学 | 一种面向汽车底盘测功机的bp~rnn变速积分pid算法 |
| CN110826195A (zh) * | 2019-10-21 | 2020-02-21 | 上海海事大学 | 一种基于蚁群优化bp神经网络的波浪补偿控制算法 |
| CN111459144A (zh) * | 2020-05-01 | 2020-07-28 | 西北工业大学 | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 |
-
2020
- 2020-08-04 CN CN202010769954.4A patent/CN111856922A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009015514A (ja) * | 2007-07-03 | 2009-01-22 | Nippon Petroleum Refining Co Ltd | Ｐｉｄ制御装置 |
| CN101968629A (zh) * | 2010-10-19 | 2011-02-09 | 天津理工大学 | 基于rbf辨识的弹性积分bp神经网络的pid控制方法 |
| CN107145070A (zh) * | 2017-05-02 | 2017-09-08 | 同济大学 | 一种用于高海况作业浮吊的模糊变结构波浪补偿方法 |
| CN110187633A (zh) * | 2019-04-30 | 2019-08-30 | 长安大学 | 一种面向汽车底盘测功机的bp~rnn变速积分pid算法 |
| CN110083057A (zh) * | 2019-06-12 | 2019-08-02 | 哈尔滨工程大学 | 基于水翼运动姿态的pid控制方法 |
| CN110826195A (zh) * | 2019-10-21 | 2020-02-21 | 上海海事大学 | 一种基于蚁群优化bp神经网络的波浪补偿控制算法 |
| CN111459144A (zh) * | 2020-05-01 | 2020-07-28 | 西北工业大学 | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 孙友刚等: "海上浮吊平台作业的波浪补偿系统的仿真与研究", 《中国工程机械学报》 * |
| 张新福等: "模糊自适应PID算法在波浪补偿起重机中的应用", 《工业控制计算机》 * |
| 徐小军等: "单神经元PID的波浪补偿系统自适应控制与仿真", 《机械与电子》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108255060B (zh) | 基于极限学习机的船舶动力定位自抗扰控制方法 | |
| CN109696836B (zh) | 飞机舵机电液伺服系统智能控制方法 | |
| CN110597069A (zh) | 一种基于rbf神经网络的水下机器人自适应区域动力定位控制方法 | |
| CN108674613B (zh) | 一种水下机器人重心辅助调节系统及控制方法 | |
| CN110826195A (zh) | 一种基于蚁群优化bp神经网络的波浪补偿控制算法 | |
| CN109828467B (zh) | 一种数据驱动的无人船强化学习控制器结构及设计方法 | |
| CN104817019A (zh) | 一种基于吊物升沉运动预报的船用起重机升沉补偿方法 | |
| CN111665722A (zh) | 一种基于预测控制的海浪主动补偿控制方法 | |
| CN108303870B (zh) | 一种多自由度位移变化补偿平台的控制方法、控制系统 | |
| CN110794856A (zh) | 一种基于改进粒子群优化算法的波浪补偿平台控制方法 | |
| CN111856922A (zh) | 一种基于循环神经网络pid波浪补偿平台控制方法 | |
| CN116819950B (zh) | 一种船舶与浮式海洋平台动力定位控制方法及系统 | |
| CN117163219B (zh) | 一种考虑杆长杆间约束的船载栈桥前馈模糊控制方法 | |
| CN106958548A (zh) | 一种基于比例同步的冷床横移控制方法 | |
| CN114715331B (zh) | 一种浮式海洋平台动力定位控制方法及系统 | |
| CN111796511A (zh) | 液压执行器的小波神经网络pid在线控制方法及系统 | |
| CN109116727B (zh) | 一种基于低通滤波器的pid型一阶全格式无模型自适应航速控制算法 | |
| CN114004035B (zh) | 一种水面无人艇目标跟踪控制方法 | |
| CN116993821A (zh) | 一种基于Transformer-AdaRNN模型的船舶姿态实时预测方法 | |
| CN111026145A (zh) | 一种适用于上层海洋机器人的沉浮及姿态控制系统 | |
| CN114489090B (zh) | 一种基于横滚自抗扰控制的飞翼布局水下滑翔机航向控制方法 | |
| CN115639751A (zh) | 混联平台迟滞响应的主动补偿方法 | |
| CN115903820A (zh) | 多无人艇追逃博弈控制方法 | |
| Ma et al. | Path tracking control of hybrid-driven robotic fish based on deep reinforcement learning | |
| CN117032268B (zh) | 一种水下并联机器人智能下潜控制方法及系统 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201030 |