CN114237254B - 基于Smith预估器和粒子群算法的无人船舵向PID控制设计方法 - Google Patents
基于Smith预估器和粒子群算法的无人船舵向PID控制设计方法 Download PDFInfo
- Publication number
- CN114237254B CN114237254B CN202111560870.0A CN202111560870A CN114237254B CN 114237254 B CN114237254 B CN 114237254B CN 202111560870 A CN202111560870 A CN 202111560870A CN 114237254 B CN114237254 B CN 114237254B
- Authority
- CN
- China
- Prior art keywords
- model
- unmanned
- rudder
- ship
- smith predictor
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 120
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013461 design Methods 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 230000013016 learning Effects 0.000 claims abstract description 25
- 230000033001 locomotion Effects 0.000 claims abstract description 21
- 230000002441 reversible effect Effects 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 24
- 238000012546 transfer Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000005094 computer simulation Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 230000010354 integration Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009326 social learning Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- KZVPFSJPLBOVLO-UHFFFAOYSA-N trimethyl(2-methylprop-1-enoxy)silane Chemical compound CC(C)=CO[Si](C)(C)C KZVPFSJPLBOVLO-UHFFFAOYSA-N 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- XCKKIKBIPZJUET-VYKNHSEDSA-N morphine hydrochloride Chemical compound Cl.O([C@H]1[C@H](C=C[C@H]23)O)C4=C5[C@@]12CCN(C)[C@@H]3CC5=CC=C4O XCKKIKBIPZJUET-VYKNHSEDSA-N 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于Smith预估器和粒子群优化算法的无人船舵向PID控制器设计方法。建立无人船电动液压舵转向系统时滞模型，建立无人船船体运动模型、舵机模型、带改进Smith预估器的PID控制器模型；其中改进Smith预估器是传统Smith预估器的优化设计，可以同时对前向通路与反馈通路中的时滞进行补偿。搭建带改进Smith预估器的无人船舵向PID控制系统模型；PID控制器模型参数优化整定采用混合均值中心反向学习粒子群优化算法。针对无人船电动液压舵转向系统的前向与反馈通路双滞后特性，优化了Smith预估器结构，提高了控制系统的稳定性与动态性能，同时解决了PID控制器参数整定困难且整定参数很难达到最优的问题，可实现对高速无人船舵向的平稳控制。
Description
技术领域
本发明涉及无人船控制技术领域，具体涉及一种基于Smith预估器和粒子群优化算法的无人船舵向PID控制设计方法。
背景技术
无人船(Unmanned Surface Vehicle，USV)是一种融合了船舶、通信、自动化、传感监控、网络技术的水面智能机器人，借助精确卫星定位、自身传感器、自主控制器可在水面完成自主导航、智能避障、远距离通信、视频实时传输、网络化监控等功能，适用于环保监测、科研勘探、水下测绘、搜索救援、安防巡逻乃至军事领域。
良好的操纵性能是无人船设计的基础，包括直线稳定性、方向稳定性和位置稳定性。通常，无人船良好的操纵性能通过航向控制实现。差速转向、舵转向是常用的无人船航向控制方式，其中舵转向是高速无人船常用的航向控制方式。液压传动具有结构紧凑、运动平稳、无换向冲击等优点，电动液压舵机系统是无人船舵向控制的发展趋势，可方便实现无人、有人驾驶系统的有机整合，电动液压舵机系统一般包括舵机、液压传动系统、电动伺服泵、电控系统。舵向自动控制是无人船自动控制的关键技术之一，是无人船的自动避障、航迹控制的基础，需要性能优良的控制方法，常用的无人船舵向控制方法有PID控制、自抗扰控制、滑模控制等。
PID控制运算速度快，工程上易于实现，是目前无人船舵向控制采用的主要方法。但电动液压舵机系统是一个存在滞后的系统，常规PID控制难以获得良好的控制性能，尤其对于要求同时满足小超调量、短调节时间的高速无人船的舵向控制。史密斯(Smith)预估器适用于存在一定纯滞后特性的被控对象，可以很好地补偿大迟延对象的纯滞后特性，提高系统的稳定性和动态性能。Smith预估器在系统的反馈回路中引入补偿装置，将控制通道传递函数中的纯滞后部分与其他部分分离。控制系统中前向路径的纯时延问题可以通过使用Smith控制器或其改进型来实现。但对于传感器延迟引起的反馈路径滞后问题，目前还没有有效的解决方法。
对Kp、Ki、Kd三个参数的优化是PID控制器设计的关键，常用的ZN公式法难以获得最优的PID控制器参数。粒子群算法具有代码易实现、迭代过程简单、参数设置少等优点，已应用于众多工程领域的优化问题。然而，经典粒子群算法存在多样性差、易早熟收敛等问题，制约了粒子群算法的应用。为了平衡粒子群算法勘探与开发能力，研究人员提出了混合均值中心反向学习粒子群优化算法(Hybrid Mean Center Opposition-Based LearningParticle Swarm Optimization Algorithm，HCOPSO)，算法将所有粒子和部分优质粒子分别构造的均值中心进行贪心选择，得出的混合均值中心将对粒子所在区域进行精细搜索，同时对混合均值中心进行反向学习，使粒子能探索更多新区域。HCOPSO算法性能优于基于反向学习策略改进的代表性粒子群优化算法OPSO、GOPSO、NCOPSO等。
发明内容
本发明的目的在于解决上述技术问题之一，提出一种针对无人船液压舵向控制，尤其是高速无人船舵向控制系统的设计方法，该设计方法基于改进的预Smith估器、PID控制和混合均值中心反向学习粒子群优化算法(HCOPSO)，旨在解决时滞问题，优化整定PID控制系统参数，以实现对高速无人船舵向的平稳控制。
为解决以上问题，本发明提供如下技术方案：
一种基于Smith预估器和粒子群优化算法的无人船舵向控制设计方法，包括以下步骤：
S1：无人船建模步骤，包括船体建模、舵机建模、电动液压系统建模；
船体建模步骤建立无人船船体运动模型：
G1(s)＝K0/(T0s2+s)；
其中，K0是船舶回转性参数，T0为船舶操纵性能指数；
舵机建模步骤将舵机模型表示为：
G2(s)＝1/(Ts+1)；
其中，T为舵机系统的时间常数；
电动液压系统建模步骤将电动液压系统传递函数表示为：
S2：控制系统建模步骤：基于船体运动模型、舵机模型和电动液压系统传递函数，建立带Smith预估器的高速无人船舵向PID控制系统模型，所述PID控制系统的输入端接入控制信号，输出端包括第一支路和第二支路，第一支路顺次连接第一电动液压模型、第一时滞因子第一舵机模型、第一船体运动模型和第二时滞因子/>第二支路连接改进Smith预估器，所述改进Smith预估器包括顺次连接第二船体运动模型、第二舵机模型、G3(s)、第二时滞因子/>和第一时滞因子/>
其中：
具体的说，所述Smith预估器包括G2(s)＝1/(Ts+1)，G1(s)＝K0/(T0s2+s)及第一时滞因子/>及第二时滞因子/>
第二舵机模型连接G3(s)，G3(s)的输出端包括第三支路和第四支路，第三支路顺次连接三时滞因子第一时滞因子/>并连接至第四支路的输出端，第三支路和第四支路汇合后连接至PID控制系统的输入端；
所述PID控制系统的模型表示为：
其中，控制参数包括：Kp为比例系数、Ki为积分系数、Kd为微分系数；
带改进Smith预估器的高速无人船舵向PID控制系统模型为：
其中Gp(s)＝G1(s)G2(s)G3(s)；
S3：参数整定步骤：采用混合均值中心反向学习粒子群优化算法(HCOPSO)整定PID控制系统的控制参数，包括：
S31：初始化粒子群参数，包括学习因子C1、社会学习因子C2、惯性因子ω、评估次数M、种群规模N；将待优化的控制参数作为粒子X，并赋予初始化随机值，既粒子维度为5，位置xid为随机解，其中i＝1,2,…N，d＝1,2,3；
S32：根据飞行速度公式更新种群中粒子的飞行速度：
vid＝ωvid+C1random(0,1)(Pid-xid)+C2random(0,1)(PGd-xid)；
根据位置公式更新种群中粒子的位置：
xid＝xid+vid；
其中，random(0,1)表示区间[0,1]上的随机数，Pid表示粒子位置xid的极值，PGd表示全局最优解的第d维，xid表示第i个粒子X的第d维粒子位置，vid表示粒子位置xid的飞行速度；
S33：构造种群的第d维粒子位置均值中心MC：
其中：i＝1,2,…N，d＝1,2,3；
计算粒子种群的平均适应值MVF：
根据粒子的适应值挑选种群中优于MVF的粒子，并计算挑选后粒子的第d维粒子位置偏均值中心PMC：
fSwarm(i)<fitenessaverage MVF；
其中fSwarm(i)表示第i个粒子X的适应值；
比较第d维粒子位置均值中心MC与计算挑选后粒子的第d维粒子位置偏均值中心PMC，选择较小者构造更具优势的混合均值中心HMC参与种群进化；
HMC＝min(MC,PMC)；
S34：按照式对混合均值中心HMC进行反向学习，使生成的反向解/>参与种群进化；
按照式得到更新后的控制参数全局最优解Kp、Ki、Kd；
S4：将获得的全局最优解控制参数作为船舵向PID控制系统参数，用于无人船舵向控制。
本发明一些实施例中，所述船体建模的步骤包括：
以无人船舵机控制指令为输入，以无人船航向为输出，得无人船运动三阶传递函数模型：
其中，δ为无人船舵角，T1,T2,T3为时间常数，K0是船舶回转性参数；
对三阶传递函数模型进行简化，得无人船二阶船体模型：
其中，δ为舵角，Ψ为方位角；
基于二阶船体模型，得无人船船体运动模型。
本发明一些实施例中，电动液压系统包括直流电机驱动、电动伺服泵、液压传动系统，电动液压系统连接舵机构成电动液压舵转向系统。
本发明一些实施例中，根据ITAE性能指标或进化次数判断是否满足终止条件，如果满足终止条件则结束算法迭代得到全局最优解，否则返回S3继续进行粒子群优化；其中：
e(t)表示在当前迭代获得的Kp、Ki、Kd作为参数构建的PID控制系统输出控制信号至舵机控制，舵机实际的输出信号与控制指令的差值。
本发明提供的方法和系统有益效果在于：
针对电动液压舵机高速无人船的舵向PID控制的滞后特性和参数优化需求，本发明专利提出了一种基于改进Smith预估器和混合均值中心反向学习粒子群算法的高速无人船舵向PID控制设计方法。
(1)建立了电动液压舵机高速无人船的舵向控制滞后模型，针对无人船实际舵机闭环系统进行了分析研究，分析出其系统前向和反馈通路中的滞后环节；基于舵向控制滞后模型设计了带改进Smith预估器的高速无人船PID控制系统，对传统Smith预估控制器的内部结构进行了优化设计，可以同时对前向通路与反馈通路中的时滞进行补偿，提高了控制系统的稳定性与动态性能。
(2)将PID控制器的参数整定与智能优化算法相结合，采用混合均值中心反向学习粒子群算法对控制器参数进行优化，该算法易于实现，没有额外的计算复杂性。解决了工程中调节控制器参数的方法基本依赖于经验法，且调节出的参数很难达到最优控制效果的问题。
(3)该方法可有效提升带滞后特性的高速无人船的舵向控制性能，可推广应用于带滞后特性的其他PID控制系统。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为无人船电动液压舵转向系统结构图；
图2为带改进Smith预估器的PID控制系统建模；
图3为带改进Smith预估器的PID控制系统等效框图；
图4为带改进Smith预估器的高速无人船舵向PID控制系统结构示意图；
图5为基于HCOPSO优化PID参数的过程流程图；
图6为常规PID与HCOPSO算法结合控制效果示意图；
图7为传统Smith预估器与HCOPSO算法结合控制效果示意图；
图8为本发明改进Smith预估器与HCOPSO算法结合控制效果示意图；
图9为HCOPSO、粒子群算法(PSO)与惯性权重递减粒子群算法优化本发明改进Smith预估器的控制响应曲线对比；
图10为HCOPSO、粒子群算法(PSO)与惯性权重递减粒子群算法优化本发明改进Smith预估器的控制响应曲线对比的局部放大图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明针对电动液压舵机高速无人船的舵向PID控制的滞后特性和参数优化需求，设计一种基于Smith预估器和混合均值中心反向学习粒子群算法的高速无人船舵向PID控制设计方法。本方法对Smith预估器进行了改进，同时改进了PID参数的整定方法，可有效提升带滞后特性的高速无人船的舵向控制性能。
本发明提出的参数优化算法基于混合均值中心反向学习粒子群优化算法(HybridMean Center Opposition-Based Learning Particle Swarm Optimization Algorithm，HCOPSO)进行。将所有待整定的参数视为粒子，将所有粒子和部分优质粒子分别构造的均值中心进行贪心选择，得出的混合均值中心将对粒子所在区域进行精细搜索，同时对混合均值中心进行反向学习，使粒子能探索更多新区域。
首先，介绍Smith预估器及混合均值中心反向学习粒子群优化算法的原理。
Smith预估器能否对被控对象取得较好的控制效果，在传递函数中体现为Smith预估器是否能将系统的闭环传递函数中分母项中的延时项消除。
HCOPSO算法将所有粒子和部分优质粒子分别构造的均值中心进行贪心选择得出混合均值中心，混合均值中心位于种群的中心位置，对粒子所在区域进行精细搜索，由其引导种群进化，种群各粒子的步长增量更少，加速粒子向中心靠拢，可大幅增强种群的局部搜索能力。当种群陷入局部最优位置时，所有粒子都分布在局部最优峰上，各粒子携带的信息将趋同。针对此问题，引入反向学习策略，对混合均值中心进行位置空间变换，生成混合均值中心反向解，使其跳出局部最优位置，构造一个更具优势的均值中心位置，同时扩大搜索区域，增强种群的全局搜索能力。
以下，介绍本发明提供的控制设计方法，整体流程参考图5，其包括以下步骤。
S1：无人船建模步骤，包括船体建模、舵机建模、电动液压系统建模。
电动液压系统建模过程如下。
高速无人船转向采用电动液压舵机系统，该系统由舵机、液压传动系统、电动伺服泵、直流电机驱动、电控系统组成。
电动伺服泵与液压传动系统的液压传动特性，导致在执行转舵操作时会存在一定的时间延时，同时，无人船网关以一定周期反馈舵角传感器的舵角信息，导致舵机转向闭环控制系统中前向通路与反馈回路均有一定的时间延时。电动液压舵转向系统结构框图如图1所示。
根据电动液压舵转向系统的实际情况，简化为一阶惯性环节，其传递函数为：
其中N(s)为输出转速，Kv为速度增益，TD为时间常数；τ1为时滞时间。其中参数设置为Kv＝300r/min/V，TD＝0.02s，时滞时间τ1取1s。
船体建模过程如下。
以无人船舵机控制指令为输入，以无人船航向为输出，得无人船运动三阶传递函数模型：
其中，δ为无人船舵角，T1,T2,T3为时间常数，K0是船舶回转性参数；
对三阶传递函数模型进行简化，得无人船二阶船体模型：
基于二阶船体模型，得无人船船体运动模型：
G1(s)＝K0/(T0s2+s) (4)
以上各式中，K0是船舶回转性参数，T0为船舶操纵性能指数，δ为舵角，Ψ为方位角；模型中具体操作性能指数设为K0＝6，T0＝42.6。
舵机建模步骤将舵机模型表示为：
G2(s)＝1/(Ts+1) (5)
其中，T为舵机系统的时间常数，一般取1～3秒。舵机在实际控制及过程中有一定的延迟作用，因此通常将舵机的建模看做一阶惯性环节。
S2：控制系统建模步骤。
基于船体运动模型和舵机模型，建立带改进Smith预估器的高速无人船舵向PID控制系统模型，整体结构参考图4。
为说明改进Smith预估器对高速无人船的作用原理，首先参考图2和图3。
基于改进Smith预估器设计的用于反馈回路与前向通路均有延迟的电动液压舵转向PID控制系统如图2所示，其中Gp(s)为电动液压转舵系统的传递函数，第一时滞因子(参考电动液压系统模型设定)为液压传动系统的时延，第二时滞因子/>为舵角反馈的时延。
改进Smith预估器能否对被控对象取得较好的控制效果，在传递函数中体现为改进Smith预估器是否能将系统的闭环传递函数中分母项中的延时项消除。结合图2所示的控制系统模型，系统的传递函数计算结果如下：
如上式，加入改进Smith预估器，使闭环传递函数中分母的时延项消失了，也就是说这个系统理论上消除了纯滞后对系统控制性能的影响。由结果可知，对传统Smith预估器进行改进优化后，将前向路径中的时延移出反馈回路，同时完全抵消了反馈路径中的时延。优化后系统的控制框图等效图如图3所示。
以下结合图4说明将改进Smith预估器加入船舶PID控制系统的系统结构图。
基于船体运动模型、舵机模型和电动液压舵转向系统的传递函数，建立带改进Smith预估器的高速无人船舵向PID控制系统模型，所述PID控制系统的输入端接入控制信号，输出端包括第一支路和第二支路，第一支路顺次连接第一电动液压模型、第一时滞因子第一舵机模型、第一船体运动模型和第二时滞因子/>第二支路连接改进Smith预估器，所述改进Smith预估器包括顺次连接第二船体运动模型、第二舵机模型、G3(s)、第二时滞因子/>和第一时滞因子/>
其中：
具体的说，改进Smith预估器包括G2(s)＝1/(Ts+1)，G1(s)＝K0/(T0s2+s)及第二时滞因子/>及第一时滞因子/>Gp(s)＝G1(s)G2(s)G3(s)；
第二舵机模型连接G3(s)，G3(s)的输出端包括第三支路和第四支路，第三支路顺次连接第二时滞因子第一时滞因子/>并连接至第四支路的输出端，第三支路和第四支路汇合后连接至PID控制系统的输入端；
PID控制系统的模型表示为：
其中，控制参数包括：Kp为比例系数、Ki为积分系数、Kd为微分系数；
S3：参数整定步骤。
参数整定步骤的作用在于完成比例系数Kp、积分系数Ki、微分系数Kd的整定优化。
采用混合均值中心反向学习粒子群算法整定优化PID控制系统的控制参数，包括一下步骤：
S31：进行粒子群初始化，即初始化设置个体学习因子C1与社会学习因子C2、惯性因子ω、评估次数M、种群规模N等粒子群相关参数，将待优化的控制参数作为粒子X，并赋予初始化随机值，位置xid为随机解，其中i＝1,2,…N，d＝1,2,3。
本实施例中，待优化的参数为比例系数Kp、积分系数Ki、微分系数Kd，包括3个，因此粒子维度为3。
S32：进行飞行速度更新以及粒子位置更新。
根据飞行速度公式更新种群中粒子的飞行速度：
vid＝ωvid+C1random(0,1)(Pid-xid)+C2random(0,1)(PGd-xid)；
根据位置公式更新种群中粒子的位置：
xid＝xid+vid；
其中，random(0,1)表示区间[0,1]上的随机数，Pid表示粒子位置xid的极值，PGd表示全局最优解的第d维，xid表示第i个粒子X的第d维粒子位置，vid表示粒子位置xid的飞行速度；
S33：构造种群的第d维粒子位置均值中心MC：
其中：i＝1,2,…N，d＝1,2,3；
计算粒子种群的平均适应值MVF：
根据粒子的适应值挑选种群中优于MVF的粒子，并计算挑选后粒子的第d维粒子位置偏均值中心PMC：
fSwarm(i)<fitenessaverage MVF；
其中fSwarm(i)表示第i个粒子X的适应值；
比较第d维粒子位置均值中心MC与计算挑选后粒子的第d维粒子位置偏均值中心PMC，选择较小者构造更具优势的混合均值中心HMC参与种群进化；
HMC＝min(MC,PMC)；
S34：按照式对混合均值中心HMC进行反向学习，使生成的反向解/>参与种群进化；
按照式得到更新后的控制参数全局最优解Kp、Ki、Kd；其中，feval为外部计算函数，用于链接Simulink中的仿真系统，ObjFun为目标函数，表示混合均值中心HMC第t次迭代时第d维的位置信息，αd，bd分别为HMC第d维的历史最小值与历史最大值；
S4：将获得的全局最优解控制参数作为Smith预估器的高速无人船舵向PID控制系统参数，用于实际高速无人船舵向控制。
验证过程中，先将参数输入带改进Smith预估器的高速无人船舵向PID控制仿真系统，系统根据给定阶跃信号与系统舵向输出值之间的偏差，及Kp、Ki、Kd等参数，按照采样周期进行带Smith预估器的PID控制算法运算，获得每个采样周期的给定阶跃信号与系统舵向输出值之间的偏差。
更进一步的，本发明一些实施例中，还需要进行参数优化性能的判定。
粒子群优化算法中常用的性能指标如下所示：
以上性能指标分别为平方误差积分准则(ISE)、时间乘平方误差积分准则(ITSE)、绝对误差积分准则(IAE)、时间乘绝对误差积分准则(ITAE)。不同的优化性能指标反映的侧重点不同，按照ISE、IAE设计的控制系统，具有较快的响应速度和较大的振荡，相对稳定性差；ITSE、ITAE是着重考虑瞬态响应后期出现的误差，较少考虑响应中大的起始误差，使系统在较短时间内接近目标瞬态响应的振荡性小。考虑到高速无人船的舵向控制的需求，本发明选取ITAE作为参数优化性能指标。
根据ITAE性能指标或进化次数判断是否满足终止条件，如果满足终止条件则结束算法迭代得到全局最优解，否则返回步骤S3继续进行粒子群优化；其中：
e(t)表示在当前迭代获得的Kp、Ki、Kd作为参数构建的PID控制系统输出控制信号至舵机控制，舵机实际的输出信号与控制指令的差值。
为了验证控制方法的有效性，进行了仿真实验，分别将常规PID控制器(简称PID)，补偿前向通道延迟Smith预估器(简称Smith)以及本专利设计的同时补偿前向通道和反馈通道延迟的Smith预估器(简称改进Smith)分别与HCOPSO算法相结合，分别在MATLABSimulink中搭建PID、Smith预估器以及改进Smith预估器模型，进行无人船航向控制效果仿真分析。
设定粒子数为100，进化次数为50，设置维度为3，学习因子C1,C2均为1.4，速度范围设为[-1,1]。分别对三个控制器进行参数优化，PID、Smith和改进Smith控制器参数优化结果如表1所示。
表1参数优化结果
给定输入信号为阶跃信号，根据无人船实际摆舵情况以及舵角反馈传输周期，前向通路中伺服电机延时设为1秒，反馈回路中延时取0.1秒，测试控制器输出响应情况，常规PID控制器输出响应曲线如图6所示，带Smith预估器的高速无人船舵向PID控制器的输出响应曲线如图7所示，带改进的Smith预估器的高速无人船舵向PID控制器的输出响应曲线如图8所示。
从图6可以看出，常规PID对于存在滞后的系统控制效果很不理想，被控对象很难达到稳定状态。从图7中可以看出，经典Smith预估器在反馈回路包含延迟的系统中，依然无法消除稳态误差，导致被控对象一直处于轻微的震荡状态中。图8中可以看出，改进Smith预估器与粒子群算法结合后，可以起到比较好的调节作用。表2所示是上述三种控制输出响应的指标对比，可以看出本发明的带改进的Smith预估器的高速无人船舵向PID控制器的输出响应曲线的超调量小，且上升时间、调节时间较短，系统的稳定性和动态性能得到明显提升。
表2响应曲线性能指标对比
为进一步对比不同粒子群优化算法的性能，分别采用HCOPSO、粒子群算法(PSO)与惯性权重递减粒子群算法(LDIWPSO)对带改进Smith预估器的高速无人船舵向PID控制器进行参数优化，仿真参数为：设定粒子数为100，进化次数为50，设置维度为3，学习因子C1,C2均为1.4，速度范围设为[-1,1]。参数优化结果如表3所示。
表3HCOPSO、PSO、LDIWPSO参数优化结果
图9、10为分别用HCOPSO、粒子群算法(PSO)与惯性权重递减粒子群算法(LDIWPSO)优化带改进Smith预估器的高速无人船舵向PID控制器的输出响应曲线。从图9、10中可以看出，采用HCOPSO算法，相比于PSO以及LDIWPSO，可以使带改进Smith预估器的高速无人船舵向PID控制器的输出响应曲线拥有更快的上升时间、更短的调节时间，说明了HCOPSO算法的有效性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于Smith预估器和粒子群算法的无人船舵向PID控制设计方法，其特征在于，包括以下步骤：
S1：无人船建模步骤，包括船体建模、舵机建模、电动液压系统建模；
船体建模步骤建立无人船船体运动模型：
G1(s)＝K0/(T0s2+s)；
其中，K0是船舶回转性参数，T0为船舶操纵性能指数；
舵机建模步骤将舵机模型表示为：
G2(s)＝1/(Ts+1)；
其中，T为舵机系统的时间常数；
电动液压系统建模步骤将电动液压系统传递函数表示为：
其中，N(s)表示输出转速，Kv表示速度增益，TD表示时间常数，τ1表示时滞时间；
S2：控制系统建模步骤：基于船体运动模型、舵机模型和电动液压系统传递函数，建立带改进Smith预估器的高速无人船舵向PID控制系统模型，所述PID控制系统的输入端接入控制信号，输出端包括第一支路和第二支路，第一支路顺次连接第一电动液压模型、第一时滞因子第一舵机模型和第一船体运动模型和第二时滞因子/>第二支路连接改进Smith预估器，所述改进Smith预估器包括顺次连接第二船体运动模型、第二舵机模型、G3(s)、第二时滞因子/>和第一时滞因子/>
其中：
G3(s)的输出端包括第三支路和第四支路，第三支路顺次连接第二时滞因子第一时滞因子/>并连接至第四支路的输出端，第三支路和第四支路汇合后连接至PID控制系统的输入端；
第一船体运动模型的输出端经第二时滞因子连接至PID控制系统的输入端；
所述PID控制系统的模型表示为：
其中，控制参数包括：Kp为比例系数、Ki为积分系数、Kd为微分系数；
带改进Smith预估器的高速无人船舵向PID控制系统模型为：
其中Gp(s)＝G1(s)G2(s)G3(s)；
S3：参数优化整定步骤：采用基于混合均值中心反向学习粒子群优化算法(HCOPSO)整定PID控制系统的控制参数，包括：
S31：初始化粒子群参数，包括学习因子C1、社会学习因子C2、惯性因子ω、评估次数M、种群规模N；将待优化的控制参数作为粒子X，并赋予初始化随机值，即粒子维度为3，位置xid为随机解，其中i＝1，2，…N，d＝1，2，3；
S32：根据飞行速度公式更新种群中粒子的飞行速度：
vid＝ωvid+C1random(0，1)(Pid-xid)+C2random(0，1)(PGd-xid)；
根据位置公式更新种群中粒子的位置：
xid＝xid+vid；
其中，random(0，1)表示区间[0，1]上的随机数，Pid表示粒子位置xid的极值，PGd表示全局最优解的第d维，xid表示第i个粒子X的第d维粒子位置，vid表示粒子位置xid的飞行速度；
S33：构造种群的第d维粒子位置均值中心MC：
其中：i＝1,2，...N，d＝1,2,3；
计算粒子种群的平均适应值MVF：
根据粒子的适应值挑选种群中优于MVF的粒子，并计算挑选后粒子的第d维粒子位置偏均值中心PMC：
fSwarm(i)＜fitenessaverage MVF；
其中fSwarm(i)表示第i个粒子X的适应值；
比较第d维粒子位置均值中心MC与计算挑选后粒子的第d维粒子位置偏均值中心PMC，选择较小者构造更具优势的混合均值中心HMC参与种群进化；
HMC＝min(MC，PMC)；
S34：按照式对混合均值中心HMC进行反向学习，使生成的反向解/>参与种群进化；
按照式得到更新后的控制参数全局最优解Kp、Ki、Kd；
其中：feval为外部计算函数，ObjFun为目标函数，表示对混合均值中心HMC进行反向学习得到的反向解，/>表示混合均值中心HMC第t次迭代时第d维的位置信息，ad、bd分别为混合均值中心HMC第d维的历史最小值与历史最大值；
S4：将获得的全局最优解控制参数作为无人船舵向PID控制系统参数，用于无人船舵向控制；
所述船体建模的步骤包括：
以无人船舵机控制指令为输入，以无人船航向为输出，得无人船运动三阶传递函数模型：
其中，δ为无人船舵角，T1，T2，T3为时间常数，K0是船舶回转性参数；
对三阶传递函数模型进行简化，得无人船二阶船体模型：
基于二阶船体模型，得无人船船体运动模型，其中，δ为舵角，Ψ为方位角，是船舶回转性参数。
2.如权利要求1所述的基于Smith预估器和粒子群算法的无人船舵向PID控制设计方法，其特征在于，所述电动液压系统包括直流电机驱动、电动伺服泵、液压传动系统，电动液压系统连接舵机构成电动液压舵转向系统。
3.如权利要求1所述的基于Smith预估器和粒子群算法的无人船舵向PID控制设计方法，其特征在于，
根据ITAE性能指标或进化次数判断是否满足终止条件，如果满足终止条件则结束算法迭代得到全局最优解，否则返回S3继续进行粒子群优化；其中：
e(t)表示在当前迭代获得的Kp、Ki、Kd作为参数构建的PID控制系统输出控制信号至舵机控制，舵机的实际输出信号与控制指令的差值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111560870.0A CN114237254B (zh) | 2021-12-20 | 2021-12-20 | 基于Smith预估器和粒子群算法的无人船舵向PID控制设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111560870.0A CN114237254B (zh) | 2021-12-20 | 2021-12-20 | 基于Smith预估器和粒子群算法的无人船舵向PID控制设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114237254A CN114237254A (zh) | 2022-03-25 |
| CN114237254B true CN114237254B (zh) | 2024-01-09 |
Family
ID=80759094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111560870.0A Active CN114237254B (zh) | 2021-12-20 | 2021-12-20 | 基于Smith预估器和粒子群算法的无人船舵向PID控制设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114237254B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117471921B (zh) * | 2023-12-26 | 2024-03-15 | 天津大学 | 扰动观测抑制与目标跟踪系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107346138A (zh) * | 2017-06-16 | 2017-11-14 | 武汉理工大学 | 一种基于增强学习算法的无人船侧向控制方法 |
| CN109582027A (zh) * | 2019-01-14 | 2019-04-05 | 哈尔滨工程大学 | 一种基于改进粒子群优化算法的usv集群避碰规划方法 |
| CN109856976A (zh) * | 2019-03-12 | 2019-06-07 | 哈尔滨工程大学 | 一种基于自适应交叉粒子群优化的气垫船航迹跟踪自抗扰控制方法 |
| CN112650254A (zh) * | 2020-12-25 | 2021-04-13 | 北京航空航天大学合肥创新研究院 | 一种无人船航向控制器及存储介质 |
| CN113704949A (zh) * | 2020-05-21 | 2021-11-26 | 北京机械设备研究所 | 基于粒子群优化算法建立电动舵机非线性模型的方法 |
-
2021
- 2021-12-20 CN CN202111560870.0A patent/CN114237254B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107346138A (zh) * | 2017-06-16 | 2017-11-14 | 武汉理工大学 | 一种基于增强学习算法的无人船侧向控制方法 |
| CN109582027A (zh) * | 2019-01-14 | 2019-04-05 | 哈尔滨工程大学 | 一种基于改进粒子群优化算法的usv集群避碰规划方法 |
| CN109856976A (zh) * | 2019-03-12 | 2019-06-07 | 哈尔滨工程大学 | 一种基于自适应交叉粒子群优化的气垫船航迹跟踪自抗扰控制方法 |
| CN113704949A (zh) * | 2020-05-21 | 2021-11-26 | 北京机械设备研究所 | 基于粒子群优化算法建立电动舵机非线性模型的方法 |
| CN112650254A (zh) * | 2020-12-25 | 2021-04-13 | 北京航空航天大学合肥创新研究院 | 一种无人船航向控制器及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114237254A (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110308735B (zh) | 一种针对输入时滞的欠驱动uuv轨迹跟踪滑模控制方法 | |
| Xiang et al. | Smooth transition of AUV motion control: From fully-actuated to under-actuated configuration | |
| Aguiar et al. | Trajectory-tracking and path-following of underactuated autonomous vehicles with parametric modeling uncertainty | |
| Zhang et al. | Novel DVS guidance and path-following control for underactuated ships in presence of multiple static and moving obstacles | |
| CN108594639B (zh) | 一种基于强化学习的全垫升气垫船航迹跟踪控制方法 | |
| CN109050835B (zh) | 全驱动自主水下机器人结构及回收三维路径跟踪方法 | |
| CN111427379B (zh) | 观测驱动的多无人机协同standoff目标跟踪方法 | |
| Wang et al. | Filter-backstepping based neural adaptive formation control of leader-following multiple AUVs in three dimensional space | |
| An et al. | Proximate time optimal for the heading control of underactuated autonomous underwater vehicle with input nonlinearities | |
| CN109656142B (zh) | 一种无人艇的串级结构无模型自适应制导方法 | |
| Zhang et al. | Disturbance observer-based composite neural learning path following control of underactuated ships subject to input saturation | |
| CN114237254B (zh) | 基于Smith预估器和粒子群算法的无人船舵向PID控制设计方法 | |
| CN114967714A (zh) | 一种自主式水下机器人抗扰运动控制方法及系统 | |
| Zhang et al. | Improved LVS guidance and path-following control for unmanned sailboat robot with the minimum triggered setting | |
| Yan et al. | Robust MPC-based trajectory tracking of autonomous underwater vehicles with model uncertainty | |
| Wang et al. | A modified alos method of path tracking for auvs with reinforcement learning accelerated by dynamic data-driven auv model | |
| Yu et al. | Adaptive path following control for wave gliders in ocean currents and waves | |
| CN113093804B (zh) | 基于反演滑模控制的无人艇编队控制方法和控制系统 | |
| Qin et al. | Disturbance estimator-based nonsingular fast fuzzy terminal sliding-mode formation control of autonomous underwater vehicles | |
| Wang et al. | Command filter-based adaptive practical prescribed-time asymptotic tracking control of autonomous underwater vehicles with limited communication angles | |
| CN114019985B (zh) | 基于分数阶pid和粒子群算法的无人船舵向控制设计方法 | |
| Shen et al. | Prescribed performance LOS guidance-based dynamic surface path following control of unmanned sailboats | |
| Peimin et al. | The design of gain scheduling PID controller of the USV course control system | |
| Tipsuwan et al. | Overview and control strategies of autonomous sailboats—A survey | |
| Mu et al. | An Novel Model Switching Course Control for Unmanned Surface Vehicle With Modeling Error and External Disturbance |
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 |