CN114063442B - 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 PDFInfo
- Publication number
- CN114063442B CN114063442B CN202111412994.4A CN202111412994A CN114063442B CN 114063442 B CN114063442 B CN 114063442B CN 202111412994 A CN202111412994 A CN 202111412994A CN 114063442 B CN114063442 B CN 114063442B
- Authority
- CN
- China
- Prior art keywords
- ship
- neural network
- layer
- output
- input
- 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 47
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000006870 function Effects 0.000 claims description 20
- 230000005284 excitation Effects 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 238000012549 training Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000004044 response Effects 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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (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
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:
隐含层的输入为:
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:
输出层的输入:
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:
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:
其中,η为学习效率,e(k)为k时刻船体航向偏差,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,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,为神经网络的输出层的输入,为神经网络的隐含层输出,
更新后的隐含层权值系数为:
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:
隐含层的输入为:
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:
输出层的输入:
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:
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:
其中,式等号右端的各项分别简化为:
第三项:
得到:
更新后的输出层权值系数为:
其中,η为学习效率。
同理可得隐含层权值的修正量为:
则更新后的隐含层权值系数为:
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。
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:
其中,η为学习效率,e(k)为k时刻船体航向偏差,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,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,为神经网络的输出层的输入,为神经网络的隐含层输出,
更新后的隐含层权值系数为:
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 CN114063442A (zh) | 2022-02-18 |
CN114063442B true 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) |
Families Citing this family (1)
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 (8)
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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6806809B2 (en) * | 2003-01-03 | 2004-10-19 | General Motors Corporation | Trailer tongue length estimation using a hitch angle sensor |
-
2021
- 2021-11-25 CN CN202111412994.4A patent/CN114063442B/zh active Active
Patent Citations (8)
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 |
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)
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.上海交通大学学报.2016,第50卷(第03期),158-163. * |
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.软件导刊.2018,(第03期), 22-26. * |
Also Published As
Publication number | Publication date |
---|---|
CN114063442A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102385316A (zh) | 一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法 | |
CN111413981A (zh) | 一种船舶自动舵复合神经网络pid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 | |
CN114063442B (zh) | 一种基于神经网络船舶拖曳作业pid航向控制方法 | |
CN112947504B (zh) | 一种无人潜航器自主回收控制系统及其控制方法 | |
CN112947431A (zh) | 一种基于强化学习的无人船路径跟踪方法 | |
CN111352341B (zh) | 一种船舶航行控制在线自适应调节系统及方法 | |
CN112363393B (zh) | 无人艇动力定位的无模型自适应预设性能控制方法 | |
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 | |
CN113031614A (zh) | 一种远洋船舶航向控制复合优化节油方法 | |
CN114089749A (zh) | 无人艇运动控制抗扰控制器及方法 | |
CN115016277A (zh) | 一种考虑船间事件触发通信的多船分布式容错控制方法 | |
CN114967702A (zh) | 一种无人艇控制系统及路径跟踪方法 | |
CN109814583B (zh) | 基于自主水下机器人航向运动的动态状态反馈控制方法 | |
CN110515387A (zh) | 一种水面船舶漂角补偿非线性航向控制方法 | |
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 | |
CN116088309B (zh) | 一种基于故障辨识的水面船复合学习容错控制方法 | |
Hou et al. | Robust nonlinear model predictive control for ship dynamic positioning using Laguerre function | |
CN115755891A (zh) | 一种高海况下近水面航行器运动控制方法 | |
CN113625725B (zh) | 一种水面无人艇路径跟踪控制方法 | |
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 | |
CN114609905A (zh) | 一种船舶编队事件触发控制方法 | |
CN114047743A (zh) | 一种带预测的无人艇目标跟踪控制方法与系统 | |
CN113820956B (zh) | 一种高速auv运动控制方法 |
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 |