CN114063442A - 一种基于神经网络船舶拖曳作业pid航向控制方法 - Google Patents

一种基于神经网络船舶拖曳作业pid航向控制方法 Download PDF

Info

Publication number
CN114063442A
CN114063442A CN202111412994.4A CN202111412994A CN114063442A CN 114063442 A CN114063442 A CN 114063442A CN 202111412994 A CN202111412994 A CN 202111412994A CN 114063442 A CN114063442 A CN 114063442A
Authority
CN
China
Prior art keywords
ship
neural network
layer
course
output
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.)
Granted
Application number
CN202111412994.4A
Other languages
English (en)
Other versions
CN114063442B (zh
Inventor
李佳川
赵宾
张海滨
王岭
王福
徐凯
黄炜
王小东
孟令桐
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.)
707th Research Institute of CSIC
Original Assignee
707th Research Institute of CSIC
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 707th Research Institute of CSIC filed Critical 707th Research Institute of CSIC
Priority to CN202111412994.4A priority Critical patent/CN114063442B/zh
Publication of CN114063442A publication Critical patent/CN114063442A/zh
Application granted granted Critical
Publication of CN114063442B publication Critical patent/CN114063442B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种基于神经网络船舶拖曳作业PID航向控制方法，通过构建BP神经网络，考虑拖体对船舶运动的影响，将船舶航向偏差、旋转角速度、航速和拖绳长度作为神经网络的输入参数，能够反应不同旋转角速度、航速和拖绳长度条件下拖体对船舶运动的影响，通过神经网络的训练，得到合适的PID控制参数，对船体进行更高精度的航向控制，同时对神经网络连接权值进行修正，不断调整PID控制参数，实现拖曳作业过程船体的高精度航向控制。

Description

一种基于神经网络船舶拖曳作业PID航向控制方法
技术领域
本发明属于船舶控制技术领域，尤其是一种基于神经网络船舶拖曳作业PID航向控制方法。
背景技术
由于海洋工程的发展，海上拖曳作业十分频繁。诸如拖曳声纳进行水声监测、拖曳无人艇进行航行、拖曳无动力海上平台至指定位置等。在拖曳过程中，拖体会通过绳索对拖船产生力的作用，从而对拖船的运动状态产生影响。
拖曳过程中拖体对船舶运动的影响非常复杂，绳索长度、航速、旋转速度都会影响绳索受力，且不同因素间的影响具有较强的耦合性。船体在航行过程中，受到拖体的影响，不可避免地会偏离预定航线(轨迹)，为了使船舶保持在预定的航向上航行，必须随时对船舶航行方向进行修正。目前，现有的对于单船的控制方法，很难较全面的考虑拖体的影响，无法实现拖曳过程中的船舶高精度航向控制。
发明内容
本发明的目的在于克服现有技术的不足，提出一种基于神经网络船舶拖曳作业PID航向控制方法，能够实现拖曳作业过程船舶航向精确控制。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于神经网络船舶拖曳作业PID航向控制方法，包括以下步骤：
步骤1、确定包括输入层、输出层和隐含层节点数的BP神经网络；
步骤2、将航向偏差、旋转角速度、航速和拖绳长度四个参数作为神经网络的输入参数；
步骤3、进行神经网络运算，计算得到PID算法的三个参数；
步骤4、将船体航向偏差和船体航向偏差增量作为PID算法的输入，根据步骤3得到的三个参数计算船体控制转矩的增量，进而控制船体的航向；
步骤5、根据BP网络的误差逆向传递算法，调整各层连接权值；
步骤6、返回步骤2，在线调整PID参数。
而且，所述步骤1中BP神经网络的输入层为：
Figure BDA0003374241400000011
其中，i＝1、2、3、4，
Figure BDA0003374241400000012
e为船体航向偏差；
Figure BDA0003374241400000013
ω为船体旋转角速度；
Figure BDA0003374241400000014
Figure BDA0003374241400000018
v为船体速度；
Figure BDA0003374241400000015
l为船体与拖体之间的拖绳长度；
隐含层的输入为：
Figure BDA0003374241400000016
其中，j＝1、2、3、4、5，
Figure BDA0003374241400000017
为隐含层的权值系数，U为输入层，V为隐含层
隐含层激发函数为S型函数：
f(x)＝(ex-e-x)/(ex+e-x)
隐含层输出为：
Figure BDA0003374241400000021
输出层的输入：
Figure BDA0003374241400000022
其中，m＝1、2、3，R为输出层；
输出层的激发函数为S型函数：
g(x)＝1/(1+e-x)
神经网络的输出为：
Figure BDA0003374241400000023
其中，
Figure BDA0003374241400000024
而且，所述步骤3中PID算法为：
Δu(k)＝KP(e(k)-e(k-1))+Ki(e(k)+Kd(e(k)-2e(k-1)+e(k-2))
其中，Δu为控制转矩的增量，e(k)为k时刻船体航向偏差，e(k-1)为k-1时刻船体航向偏差，e(k-2)为k-2时刻船体航向偏差，通过k时刻船体航向偏差e(k)和船体航向偏差增量Δe计算，KP，Ki和Kd为PID算法的三个参数。
而且，所述步骤5的具体实现方法为：根据输出值与期望值之间的偏差，采用梯度下降法对神经网络连接权值进行修正：
设定性能指标函数：
J(k)＝(θd(k)-θ(k))2
其中，θd为目标航向，θ为输出航向；
更新后的输出层权值系数为：
Figure BDA0003374241400000025
其中，
Figure BDA0003374241400000026
η为学习效率，e(k)为k时刻船体航向偏差，
Figure BDA0003374241400000027
θ(k)为船体的输出航向，u(k)为船体的输入转矩，m＝1、2、3，R为输出层，
Figure BDA0003374241400000028
e(k-1)为k-1时刻船体航向偏差，e(k-2)为k-2时刻船体航向偏差，g(x)为输入层的激发函数，
Figure BDA0003374241400000029
为神经网络的输出层的输入，
Figure BDA00033742414000000210
为神经网络的隐含层输出，
更新后的隐含层权值系数为：
Figure BDA00033742414000000211
其中，
Figure BDA0003374241400000031
Figure BDA0003374241400000032
f'(x)为S型函数的倒数，
Figure BDA0003374241400000033
为神经网络的隐含层输入，
Figure BDA0003374241400000034
为神经网络的输入层。
本发明的优点和积极效果是：
本发明通过构建BP神经网络，考虑拖体对船舶运动的影响，将船舶航向偏差、旋转角速度、航速和拖绳长度作为神经网络的输入参数，能够反应不同旋转角速度、航速和拖绳长度条件下拖体对船舶运动的影响，通过神经网络的训练，得到合适的PID控制参数，对船体进行更高精度的航向控制，同时对神经网络连接权值进行修正，不断调整PID控制参数，实现拖曳作业过程船体的高精度航向控制。
附图说明
图1为本发明结构框图；
图2为本发明BP神经网络结构图。
具体实施方式
以下结合附图对本发明做进一步详述。
一种基于神经网络船舶拖曳作业PID航向控制方法，如图1所示，包括以下步骤：
步骤1、确定包括输入层、输出层和隐含层节点数的BP神经网络。
如图2所示，BP神经网络包括一层输入层、一层隐含层和一层输出层，其中输入层包含四个节点，隐含层包含五个节点，输出层包含三个节点，输出层节点对应PID控制的KP，Ki，Kd三个参数，给出各层加权系数的初值，选定学习速率。
步骤2、将航向偏差、旋转角速度、航速和拖绳长度四个参数作为神经网络的输入参数。
网络的输入层为：
Figure BDA0003374241400000035
其中，i＝1、2、3、4，
Figure BDA0003374241400000036
e为船体航向偏差；
Figure BDA0003374241400000037
ω为船体旋转角速度；
Figure BDA0003374241400000038
Figure BDA0003374241400000039
v为船体速度；
Figure BDA00033742414000000310
l为船体与拖体之间的拖绳长度；
隐含层的输入为：
Figure BDA00033742414000000311
其中，j＝1、2、3、4、5，
Figure BDA00033742414000000312
为隐含层的权值系数，U为输入层，V为隐含层
隐含层激发函数为S型函数：
f(x)＝(ex-e-x)/(ex+e-x)
隐含层输出为：
Figure BDA00033742414000000313
输出层的输入：
Figure BDA0003374241400000041
其中，m＝1、2、3，R为输出层；
输出层的激发函数为S型函数：
g(x)＝1/(1+e-x)
神经网络的输出为：
Figure BDA0003374241400000042
其中，
Figure BDA0003374241400000043
步骤3、进行神经网络运算，计算得到PID算法的三个参数。
步骤4、将船体航向偏差和船体航向偏差增量作为PID算法的输入，根据步骤3得到的三个参数计算船体控制转矩的增量，进而控制船体的航向。
其中PID算法为：
Δu(k)＝KP(e(k)-e(k-1))+Ki(e(k)+Kd(e(k)-2e(k-1)+e(k-2))
其中，Δu为控制转矩的增量，e(k)为k时刻船体航向偏差，e(k-1)为k-1时刻船体航向偏差，e(k-2)为k-2时刻船体航向偏差，通过k时刻船体航向偏差e(k)和船体航向偏差增量Δe计算，KP，Ki和Kd为PID算法的三个参数。
步骤5、根据BP网络的误差逆向传递算法，调整各层连接权值。
本步骤逇具体实现方法为：根据输出值与期望值之间的偏差，采用梯度下降法对神经网络连接权值进行修正。
设定性能指标函数：
J(k)＝(θd(k)-θ(k))2
其中，θd为目标航向，θ为输出航向；
神经网络输出层权值系数的优化学习算法为：
Figure BDA0003374241400000044
Figure BDA0003374241400000045
其中，式等号右端的各项分别简化为：
第一项：
Figure BDA0003374241400000046
第二项：
Figure BDA0003374241400000047
无法直接得到，由于船体的输出航向θ(k)对输入转矩u(k)的响应是单调的，
Figure BDA0003374241400000048
可近似用符号函数sgn(k)表示。
第三项：
Figure BDA0003374241400000049
第四项：
Figure BDA0003374241400000051
第五项：
Figure BDA0003374241400000052
得到：
Figure BDA0003374241400000053
更新后的输出层权值系数为：
Figure BDA0003374241400000054
其中，η为学习效率。
同理可得隐含层权值的修正量为：
Figure BDA0003374241400000055
则更新后的隐含层权值系数为：
Figure BDA0003374241400000056
步骤6、返回步骤2，在线调整PID参数。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (4)

1.一种基于神经网络船舶拖曳作业PID航向控制方法，其特征在于：包括以下步骤：
步骤1、确定包括输入层、输出层和隐含层节点数的BP神经网络；
步骤2、将航向偏差、旋转角速度、航速和拖绳长度四个参数作为神经网络的输入参数；
步骤3、进行神经网络运算，计算得到PID算法的三个参数；
步骤4、将船体航向偏差和船体航向偏差增量作为PID算法的输入，根据步骤3得到的三个参数计算船体控制转矩的增量，进而控制船体的航向；
步骤5、根据BP网络的误差逆向传递算法，调整各层连接权值；
步骤6、返回步骤2，在线调整PID参数。
2.根据权利要求1所述的一种基于神经网络船舶拖曳作业PID航向控制方法，其特征在于：所述步骤1中BP神经网络的输入层为：
Figure FDA0003374241390000011
其中，i＝1、2、3、4，
Figure FDA0003374241390000012
e为船体航向偏差；
Figure FDA0003374241390000013
ω为船体旋转角速度；
Figure FDA0003374241390000014
Figure FDA0003374241390000015
v为船体速度；
Figure FDA0003374241390000016
l为船体与拖体之间的拖绳长度；
隐含层的输入为：
Figure FDA0003374241390000017
其中，j＝1、2、3、4、5，
Figure FDA0003374241390000018
为隐含层的权值系数，U为输入层，V为隐含层
隐含层激发函数为S型函数：
f(x)＝(ex-e-x)/(ex+e-x)
隐含层输出为：
Figure FDA0003374241390000019
输出层的输入：
Figure FDA00033742413900000110
其中，m＝1、2、3，R为输出层；
输出层的激发函数为S型函数：
g(x)＝1/(1+e-x)
神经网络的输出为：
Figure FDA00033742413900000111
其中，
Figure FDA00033742413900000112
3.根据权利要求1所述的一种基于神经网络船舶拖曳作业PID航向控制方法，其特征在于：所述步骤3中PID算法为：
Δu(k)＝KP(e(k)-e(k-1))+Ki(e(k)+Kd(e(k)-2e(k-1)+e(k-2))
其中，Δu为控制转矩的增量，e(k)为k时刻船体航向偏差，e(k-1)为k-1时刻船体航向偏差，e(k-2)为k-2时刻船体航向偏差，通过k时刻船体航向偏差e(k)和船体航向偏差增量Δe计算，KP，Ki和Kd为PID算法的三个参数。
4.根据权利要求1所述的一种基于神经网络船舶拖曳作业PID航向控制方法，其特征在于：所述步骤5的具体实现方法为：根据输出值与期望值之间的偏差，采用梯度下降法对神经网络连接权值进行修正：
设定性能指标函数：
J(k)＝(θd(k)-θ(k))2
其中，θd为目标航向，θ为输出航向；
更新后的输出层权值系数为：
Figure FDA0003374241390000021
其中，
Figure FDA0003374241390000022
η为学习效率，e(k)为k时刻船体航向偏差，
Figure FDA0003374241390000023
θ(k)为船体的输出航向，u(k)为船体的输入转矩，m＝1、2、3，R为输出层，
Figure FDA0003374241390000024
e(k-1)为k-1时刻船体航向偏差，e(k-2)为k-2时刻船体航向偏差，g(x)为输入层的激发函数，
Figure FDA0003374241390000025
为神经网络的输出层的输入，
Figure FDA0003374241390000026
为神经网络的隐含层输出，
更新后的隐含层权值系数为：
Figure FDA0003374241390000027
其中，
Figure FDA0003374241390000028
j＝1、2、3、4、5，f'(x)为S型函数的倒数，
Figure FDA0003374241390000029
为神经网络的隐含层输入，
Figure FDA00033742413900000210
为神经网络的输入层。
CN202111412994.4A 2021-11-25 2021-11-25 一种基于神经网络船舶拖曳作业pid航向控制方法 Active CN114063442B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111412994.4A CN114063442B (zh) 2021-11-25 2021-11-25 一种基于神经网络船舶拖曳作业pid航向控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111412994.4A CN114063442B (zh) 2021-11-25 2021-11-25 一种基于神经网络船舶拖曳作业pid航向控制方法

Publications (2)

Publication Number Publication Date
CN114063442A true CN114063442A (zh) 2022-02-18
CN114063442B CN114063442B (zh) 2023-04-28

Family

ID=80276184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111412994.4A Active CN114063442B (zh) 2021-11-25 2021-11-25 一种基于神经网络船舶拖曳作业pid航向控制方法

Country Status (1)

Country Link
CN (1) CN114063442B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114906292A (zh) * 2022-05-17 2022-08-16 武汉理工大学 一种基于机械臂的船舶航行控制装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11286957A (ja) * 1998-04-03 1999-10-19 Ishikawajima Harima Heavy Ind Co Ltd 浚渫船のｒａｎｃ自動制御方法
US20040130441A1 (en) * 2003-01-03 2004-07-08 Lee Yong Han Trailer tongue length estimation using a hitch angle sensor
CN101320271A (zh) * 2008-07-22 2008-12-10 中国船舶重工集团公司第七一○研究所 海洋拖曳线阵高精度航向控制方法
CN105278535A (zh) * 2015-11-23 2016-01-27 上海海事大学 一种用于无动力设施拖带系统的智能转向协同控制方法
CN107991869A (zh) * 2017-11-29 2018-05-04 海安县申菱电器制造有限公司 一种曳引机自适应控制系统
CN111413981A (zh) * 2020-04-07 2020-07-14 上海海事大学 一种船舶自动舵复合神经网络pid控制方法
CN112000097A (zh) * 2020-08-17 2020-11-27 上海交通大学 一种港区无人拖航作业的拖船集群自适应控制方法
CN112051845A (zh) * 2020-08-17 2020-12-08 上海交通大学 一种面向无人拖航作业的分布式集群控制系统及其方法
CN112947494A (zh) * 2021-04-22 2021-06-11 中国船舶重工集团公司第七0七研究所九江分部 一种基于模糊pid的船舶自动靠泊控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11286957A (ja) * 1998-04-03 1999-10-19 Ishikawajima Harima Heavy Ind Co Ltd 浚渫船のｒａｎｃ自動制御方法
US20040130441A1 (en) * 2003-01-03 2004-07-08 Lee Yong Han Trailer tongue length estimation using a hitch angle sensor
CN101320271A (zh) * 2008-07-22 2008-12-10 中国船舶重工集团公司第七一○研究所 海洋拖曳线阵高精度航向控制方法
CN105278535A (zh) * 2015-11-23 2016-01-27 上海海事大学 一种用于无动力设施拖带系统的智能转向协同控制方法
CN107991869A (zh) * 2017-11-29 2018-05-04 海安县申菱电器制造有限公司 一种曳引机自适应控制系统
CN111413981A (zh) * 2020-04-07 2020-07-14 上海海事大学 一种船舶自动舵复合神经网络pid控制方法
CN112000097A (zh) * 2020-08-17 2020-11-27 上海交通大学 一种港区无人拖航作业的拖船集群自适应控制方法
CN112051845A (zh) * 2020-08-17 2020-12-08 上海交通大学 一种面向无人拖航作业的分布式集群控制系统及其方法
CN112947494A (zh) * 2021-04-22 2021-06-11 中国船舶重工集团公司第七0七研究所九江分部 一种基于模糊pid的船舶自动靠泊控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
于升杰;庞师坤;李英辉;张裕芳;: "船舶拖缆作业时的循线航行和定点定位控制" *
魏健雄;万舟;: "基于神经网络PID的气垫船转艏角速度保持控制研究" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114906292A (zh) * 2022-05-17 2022-08-16 武汉理工大学 一种基于机械臂的船舶航行控制装置

Also Published As

Publication number Publication date
CN114063442B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN111736617B (zh) 一种基于速度观测器的可底栖式水下机器人预设性能轨迹跟踪控制方法
CN112947504B (zh) 一种无人潜航器自主回收控制系统及其控制方法
CN116736709B (zh) 一种海洋机器人的动态补偿型自抗扰艏向控制方法
CN112947375B (zh) 一种考虑未知死区的复合自适应容错控制器设计方法
CN106444359A (zh) 一种喷水推进无人艇自主区域保持的仿人智能控制方法
CN109946976A (zh) 一种宽航速auv运动控制方法
Kragelund et al. Adaptive speed control for autonomous surface vessels
CN114063442B (zh) 一种基于神经网络船舶拖曳作业pid航向控制方法
CN114967702A (zh) 一种无人艇控制系统及路径跟踪方法
CN115480580A (zh) 一种基于nmpc的水下机器人路径跟踪与避障的控制方法
CN114609905A (zh) 一种船舶编队事件触发控制方法
CN112925332B (zh) 无人艇与水下无人潜器联合系统的协同交会对接控制方法
CN112558472A (zh) 一种基于烟花算法的船舶动力定位预测控制器设计方法
CN116088309B (zh) 一种基于故障辨识的水面船复合学习容错控制方法
CN113820956B (zh) 一种高速auv运动控制方法
CN113406884B (zh) 一种基于滑模自适应的多点系泊系统定位控制方法
CN115686008A (zh) 基于指令滤波反步法的船舶动力定位辅助锚泊系统设计
CN110837254B (zh) 一种水翼艇纵向运动控制方法
CN113900372A (zh) 一种基于神经网络自抗扰控制的无人艇航向保持方法
CN112904719A (zh) 一种适用于水下机器人位置环形区域跟踪控制方法
CN112416005A (zh) 基于领航者策略的多模块船自抗扰动态面协同控制方法
Tomera Dynamic positioning system design for “Blue Lady”. Simulation tests
CN114661056B (zh) 一种考虑推进器伺服控制的差动水面无人船轨迹跟踪方法
Yunhe et al. Trajectory Tracking Control of Underdriven Ship by Combining Virtual Ship Leading and Integral Line-of-Sight Methods
CN118192259B (zh) 一种基于ladrc算法的无人艇航迹跟踪控制方法

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