CN114545935A - 基于改进麻雀算法的模糊pid动力定位铺缆船循迹控制方法 - Google Patents
基于改进麻雀算法的模糊pid动力定位铺缆船循迹控制方法 Download PDFInfo
- Publication number
- CN114545935A CN114545935A CN202210130216.4A CN202210130216A CN114545935A CN 114545935 A CN114545935 A CN 114545935A CN 202210130216 A CN202210130216 A CN 202210130216A CN 114545935 A CN114545935 A CN 114545935A
- Authority
- CN
- China
- Prior art keywords
- ship
- sparrow
- algorithm
- fuzzy
- representing
- 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
- 241000287127 Passeridae Species 0.000 title claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000010354 integration Effects 0.000 title claims description 6
- 230000004069 differentiation Effects 0.000 title claims description 3
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000013178 mathematical model Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000010845 search algorithm Methods 0.000 claims abstract description 3
- 230000008859 change Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 235000013305 food Nutrition 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 244000062645 predators Species 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 description 2
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 description 2
- 235000009120 camo Nutrition 0.000 description 2
- 235000005607 chanvre indien Nutrition 0.000 description 2
- 239000011487 hemp Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 206010036590 Premature baby Diseases 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
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
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
基于改进麻雀算法的模糊PID动力定位铺缆船循迹控制方法，根据三自由度铺缆船平面运动数学模型，加入风、浪、流作用力模拟海况，以船舶的位置和姿态矢量与实际值的差值作为PID控制器的输入；设计自整定模糊PID结合改进麻雀搜索算法的路径跟踪控制器，根据模糊控制规则自动调整PID参数；同时加入反向学习策略和权重因子改进麻雀算法，以模糊PID的参数作为麻雀位置进行寻优，并引入LOS方法跟踪路径，使船舶按照规划路径行驶，到达目标设定地点。该方法在模糊PID控制器基础上结合改进后的麻雀算法，提高对船舶路径跟踪的控制效率，使其跟踪过程较为平顺。
Description
技术领域
本发明涉及铺缆船控制技术领域，具体涉及一种基于改进麻雀算法的模糊PID动力定位铺缆船循迹控制方法。
背景技术
铺缆船在海上航行时，受到风、浪、海流等环境因素的干扰，使船舶偏离指定位置点，降低了工作效率。为了确保船舶平稳运行，需要对其进行实时定位。动力定位(DynamicPositioning，DP)船舶与传统定位不同，不需借助锚泊系统定位，通过测量系统检测船舶实际位置与目标位置差值，计算出使船舶恢复目标位置所需推力，使船舶按照规划路径行驶，到达目标设定地点。其中DP船舶路径最优控制问题对于航行稳定，提高工作效率有重要意义。
由于船舶运动数学模型为非线性系统，传统PID控制效果并不理想。目前常用控制方法有模糊PID控制、滑模控制、反步法控制和李雅普诺夫理论分析等。其中，模糊控制具有稳定性高，抗扰动能力强等特点。然而模糊控制的设计需要针对性，面对复杂控制系统效果并不理想，难以建立一套系统的模糊控制理论。
智能算法对船舶循迹具有的精准的控制能力。其中，麻雀算法具有较好的全局探索和局部开发的能力，能够使种群中的麻雀向全局最优值移动，迅速的在最优值附近收敛。然而算法在创造麻种群时，个体随机分布不均匀，导致搜索时间变长，易陷入局部最优。
发明内容
本发明提供一种基于改进麻雀算法的模糊PID动力定位铺缆船循迹控制方法，该方法能够提高动力定位铺缆船在复杂海况下铺设海底电缆时的路径循迹能力。该方法在模糊PID控制器基础上结合改进后的麻雀算法，提高对船舶路径跟踪的控制效率，使其跟踪过程较为平顺。
本发明采取的技术方案为：
基于改进麻雀算法的模糊PID动力定位铺缆船循迹控制方法，根据三自由度铺缆船平面运动数学模型，加入风、浪、流作用力模拟海况，以船舶的位置和姿态矢量与实际值的差值作为PID控制器的输入；设计自整定模糊PID结合改进麻雀搜索算法的路径跟踪控制器，根据模糊控制规则自动调整PID参数；同时加入反向学习策略和权重因子改进麻雀算法，以模糊PID的参数作为麻雀位置进行寻优，并引入LOS方法跟踪路径，使船舶按照规划路径行驶，到达目标设定地点。
基于改进麻雀算法的模糊PID动力定位铺缆船循迹控制方法，包括以下步骤：
步骤一：根据船舶参数信息，在matlab/simulink软件中建立三自由度铺缆船平面运动数学模型；
步骤二：根据环境参数信息，在matlab/simulink软件中建立风、浪、流数学模型；
步骤三：设船舶的位置和姿态矢量与实际值的差值为e，其变化率de，作为PID控制器的输入；
步骤四：根据模糊控制规则寻求Kp、Ki、Kd的调整变化量ΔKp、ΔKi、ΔKd与e和de间的关系；
步骤五：在模糊PID控制器基础上引入改进麻雀算法，提高船舶控制系统对路径跟踪的准确性和快速性；为缩短寻优距离与时间，加入反向学习策略初始化麻雀种群；
步骤六：采用LOS方法计算艏向角和路径点位置，以船舶的位置和姿态矢量与实际值的差值作为控制器输入，通过模糊PID控制结合改进麻雀算法对Kp、Ki、Kd进行整定，控制船舶航行；
步骤七：判断是否超过最大迭代次数，若是，结束流程；否则，返回步骤六。
所述步骤一中，三自由度铺缆船平面运动数学模型为：
纵荡、横荡和艏摇三个自由度如表1所示。
表1船舶三自由度名称及表示符号
上式中：
为大地坐标系下铺缆船位置和姿态矢量；V＝[u v r]T为船体坐标系下船舶的速度和角速度矢量；τ＝[X Y N]T为船舶推进系统的力和力矩；τenv＝[XenvYenvNenv]T表示环境干扰的力和力矩；
表示大地坐标系下船舶的速度矢量，
表示船体坐标系下船舶的加速度矢量；Xenv、Yenv、Nenv表示因环境的影响而在船舶运动的三个自由度上产生的作用力和力矩。
表示船从船体坐标系到大地坐标系的旋转矩阵，M表示为船舶系统的惯性矩阵，D表示为在海面受到阻力的线性阻尼矩阵，如下所示：
上式中：m为船舶质量；xg为船体坐标系中重心纵向位置；Iz为相对垂直地心方向的转动惯量；
表示因水动力项的影响而在船舶运动的三个自由度上产生的附加质量和惯性矩。
所述步骤二中，风数学模型为：
上式中：ρa为空气密度；Vrw为相对风速；γw为相对风向角；Cx(γw)、Cy(γw)、Cn(γw)为风对船舶三个自由度方向上的作用力；AFw、ALw分别为船体的正投影面积和侧投影面积；LOA为船舶总长。
浪数学模型为：
上式中:aw为波高，χ为波浪遭遇角，λ为波长，Cxw(λ)、Cyw(λ)、Cnw(λ)为浪对船舶三个自由度方向上的作用力，ρw表示水的密度，LOA表示船舶总长；
流数学模型为：
上式中：ρw为水的密度；Vrc为相对流速；γc为相对流向角；Cx(γc)、Cy(γc)、Cn(γc)为流对船舶三个自由度方向上的作用力；AFc和ALc分别为船体水下部分的正投影面积和侧投影面积。
所述步骤三中，利用测量系统检测铺缆船实际位置与目标位置差值作为PID控制器输入，控制公式为：
上式中：Kp为比例系数；Ki为积分时间常数；Kd为微分时间常数；
所述步骤四中，设e、de和ΔKp、ΔKi、ΔKd的模糊子集和论域如下：
△Kp、△Ki、△Kd＝{PB,PS,ZO,NS,NB}∈[-10,10]；
PB表示正大、PS表示正小、ZO表示零、NS表示负小、NB表示负大；∈[-10,10]表示ΔKp、ΔKi、ΔKd的取值范围；
e表示船舶的位置和姿态矢量与实际值的差值；de表示船舶的位置和姿态矢量与实际值的差值的变化率。∈[-15,15]表示e的取值范围、∈[-5,5]表示de的取值范围。
控制器自动调整参数，计算出船舶推进系统恢复目标位置所需的推力。
所述步骤五包括以下步骤：
S5.1：首先随机生成n个麻雀个体，再通过个体对立点生成新的麻雀个体，反向解生成公式为：
上式中：
表示的xi反向解；ub、lb为寻优空间上下限；
S5.2：提出一种余弦权重因子ω，避免陷入局部最优，加快收敛速度。ω公式如下：
上式中：m为调节系数；itermax表示迭代次数；
S5.3：得出改进的跟随者位置
为：
式中：t表示迭代次数；
表示在t代时第i个麻雀在第j维的位置信息；itermax为最大迭代次数；α为随机数；Q为正态分布的随机数；
表示t代时发现者的最优位置；Xworst表示t代时迭代群体中最差位置；n表示n个麻雀个体；m表示调节系数；i表示n个麻雀个体中第i个麻雀个体。
所述步骤六中，采用LOS方法，设定路径夹角为自动舵的输入指令，计算艏向角和路径点位置，计算方法如下：
式中：xk+1、yk+1为船舶当前跟踪的期望位置；xk、yk为船舶当前位置；
为路径夹角。步骤六中，通过模糊PID控制结合改进麻雀算法对Kp、Ki、Kd进行整定，控制船舶航行。
本发明一种基于改进麻雀算法的模糊PID动力定位铺缆船循迹控制方法，技术效果如下：
1)本发明改进后的麻雀算法在整定Kp、Ki、Kd参数时寻优精度和收敛速度有所提升。
2)本发明结合改进麻雀算法的模糊PID控制方法，在直线跟踪时船舶路径跟踪偏差较小，响应迅速，满足DP铺缆船工作要求。
3)本发明在模糊PID控制基础上结合麻雀算法提高船舶路径跟踪效率，使其跟踪过程较为平顺。
4)在算法基础上加入反向学习策略和权重因子可以缩短寻优距离与时间，控制靠近发现者的跟随者比例，防止早熟。
附图说明
图1为本发明控制系统结构图；
图2为本发明控制方法流程图
图3(a)为e的隶属度函数曲线图；
图3(b)为de的隶属度函数曲线图；
图3(c)为de的隶属度函数曲线图。
图4为LOS向量示意图。
图5(a)为SSA算法Kp整定变化曲线图；
图5(b)为SSA算法Ki整定变化曲线图；
图5(c)为SSA算法Kd整定变化曲线图；
图5(d)为ISSA算法Kp整定变化曲线图；
图5(e)为ISSA算法Ki整定变化曲线图；
图5(f)为ISSA算法Kd整定变化曲线图。
图6为为ISSA和SSA优化PID参数得到的适应度函数收敛曲线图。
图7(a)为铺缆船坐标变化曲线图(横向位置)；
图7(b)为铺缆船坐标变化曲线图(纵向位置)；
图7(c)为铺缆船坐标变化曲线图(艏向角)。
图8(a)为船舶位置角度差值曲线图(横向位移)；
图8(b)为船舶位置角度差值曲线图(纵向位移)；
图8(c)为船舶位置角度差值曲线图(艏向角变化)。
图9为铺缆船轨迹变化图。
具体实施方式
本发明的船舶控制系统结构图如图1所示：包括PID控制器、模糊控制器、改进算法单元、DP铺缆船数学模型以及风浪流数学模型。通过仿真模拟真实海况，将风、浪、流作用力加载到DP铺缆船运动模型上，计算得出船舶的位置和姿态矢量偏差，并将其输入到PID控制器中，加入模糊控制器和改进麻雀算法调节参数，从而决策所需推力及力矩大小和方向，减小船舶位置艏向偏差，最终实现船舶寻优定位。
本发明的控制方法流程如图2所示，包括以下步骤：
基于改进麻雀算法的模糊PID动力定位铺缆船循迹控制方法，包括以下步骤：
步骤一：根据船舶参数信息，在matlab/simulink软件中建立三自由度铺缆船平面运动数学模型；
步骤二：根据环境参数信息，在matlab/simulink软件中建立风、浪、流数学模型；
步骤三：设船舶的位置和姿态矢量与实际值的差值为e，其变化率de，作为PID控制器的输入；
步骤四：根据系统实际的响应情况做出模糊推理，制定模糊控制规则，根据模糊控制规则寻求Kp、Ki、Kd的调整变化量ΔKp、ΔKi、ΔKd与e和de间的关系；
步骤五：在模糊PID控制器基础上引入改进麻雀算法，提高船舶控制系统对路径跟踪的准确性和快速性；为缩短寻优距离与时间，加入反向学习策略初始化麻雀种群。
具体是：对麻雀算法进行改进。随机生成n个麻雀个体，再通过个体对立点生成新的麻雀个体，并加入初始解和反向解的中间解。设计余弦权重因子ω改进跟随着位置。
步骤六：采用LOS方法计算艏向角和路径点位置，以船舶的位置和姿态矢量与实际值的差值作为控制器输入，通过模糊PID结合改进麻雀算法对Kp、Ki、Kd进行整定，控制船舶航行；
步骤七：判断是否超过最大迭代次数，若是，结束流程；否则，返回步骤六。
三自由度铺缆船平面运动数学模型为：
纵荡、横荡和艏摇三个自由度如表1所示。
表1船舶三自由度名称及表示符号
式中：
为大地坐标系下铺缆船位置和姿态矢量；V＝[u v r]T为船体坐标系下船舶的速度和角速度矢量；τ＝[X Y N]T为船舶推进系统的力和力矩；τenv＝[XenvYenvNenv]T表示环境干扰的力和力矩。
表示大地坐标系下船舶的速度矢量，
表示船体坐标系下船舶的加速度矢量；Xenv、Yenv、Nenv表示因环境的影响而在船舶运动的三个自由度上产生的作用力和力矩。
式中：m为船舶质量；xg为船体坐标系中重心纵向位置；Iz为相对垂直地心方向的转动惯量；
表示因水动力项的影响而在船舶运动的三个自由度上产生的附加质量和惯性矩。
风数学模型为：
式中：ρa为空气密度；Vrw为相对风速；γw为相对风向角；Cx(γw)、Cy(γw)、Cn(γw)为风对船舶三个自由度方向上的作用力；AFw、ALw为船体的正投影面积和侧投影面积；LOA为船舶总长。
浪数学模型为：
式中:aw为波高；χ为波浪遭遇角，λ为波长；Cxw(λ)、Cyw(λ)、Cnw(λ)为浪对船舶三个自由度方向上的作用力，ρw表示水的密度，LOA表示船舶总长；
流数学模型为：
式中：ρw为水的密度；Vrc为相对流速；γc为相对流向角；Cx(γc)、Cy(γc)、Cn(γc)为流对船舶三个自由度方向上的作用力；AFc和ALc分别为船体水下部分的正投影面积和侧投影面积。
铺缆船推进系统所需的力和力矩的PID控制公式为：
式中：Kp为比例系数；Ki为积分时间常数；Kd为微分时间常数。
设e、de和ΔKp、ΔKi、ΔKd的隶属度函数如图3(a)、图3(b)、图3(c)所示，模糊子集和论域如下：
△Kp、△Ki、△Kd＝{PB,PS,ZO,NS,NB}∈[-10,10]；
PB表示正大、PS表示正小、ZO表示零、NS表示负小、NB表示负大；∈[-10,10]表示ΔKp、ΔKi、ΔKd的取值范围；
e表示船舶的位置和姿态矢量与实际值的差值；de表示船舶的位置和姿态矢量与实际值的差值的变化率。∈[-15,15]表示e的取值范围、∈[-5,5]表示de的取值范围。
模糊控制规则表如表2所示。
表2模糊控制规则表
算法中具有较好适应度的发现者会优先获取食物，为加入者提供食物的方向。根据观察，麻雀可以在生产者和发现者之间切换，从而获取更大的搜索范围。
其位置更新公式定义为：
式中：t表示迭代次数；
表示在t代时第i个麻雀在第j维的位置信息；itermax为最大迭代次数；α为随机数；Q为正态分布的随机数；R为预警值；TS为安全值。当R<TS时，表示周围环境中没有捕食者，生产者进入广泛的搜索模式。当R>TS时，表示一些麻雀已经发现了捕食者，所有麻雀都快速飞到其他区域。
一部分麻雀随着发现者行动作为跟随者，在发现者找到食物时靠近争夺食物，其中小部分跟随者因为食物太少，会飞往别处寻找食物，以补充能量。其位置更新公式如下：
式中：
表示当前发现者的最优位置；
表示当前迭代群体中最差位置；A为1×3阶矩阵，其中A的元素随机取±1，表示搜索方向。
还有一部分麻雀作为警戒者，时刻注意着周围是否有捕食者出现，感知危险时会放弃食物，带领种群飞往其他位置。其位置更新公式：
式中：fi表示当前麻雀适应度；fg表示全局最优位置适应度；fw表示全局最差位置适应度；Xbest是迭代过程中最佳位置；β是控制步长的参数，均值为0，方差为1的正态分布随机数；K是一个随机数；ε避免分子为0。当fi<fg时，麻雀正处于种群边缘，容易受到捕食者攻击。fi>fg时，种群中心的麻雀意识到危险，靠近其他麻雀尽量减少被捕食的风险。当fi＝fg时，代表这些麻雀最优。
首先随机生成n个麻雀个体，再通过个体对立点生成新的麻雀个体，反向解生成公式为：
式中：
表示的xi反向解；ub、lb为寻优空间上下限。
提出一种余弦权重因子ω，避免陷入局部最优，加快收敛速度，ω公式如下：
式中：m为调节系数。
则改进的跟随者位置
为：
图4为LOS向量示意图,采用LOS方法，设定路径夹角为自动舵的输入指令，计算艏向角和路径点位置。计算方法如下：
式中：xk+1、yk+1为船舶当前跟踪的期望位置；xk、yk为船舶当前位置；
表示路径夹角。
采用matlab软件进行仿真分析：
图5(a)～图5(f)为改进前后麻雀算法整定PID参数的变化曲线。图5(a)～图5(f)中显示ISSA迭代5次左右即可完成对Kp、Ki的整定，SSA需要15次左右。对于Kd整定，ISSA算法变化波动较小。
图6为ISSA和SSA优化PID参数得到的适应度函数收敛曲线图。从图6中可以看出，改进后的鸟群算法收敛速度较快。结合图5和图6，改进后的麻雀算法寻优精度和收敛速度有所提升，在求解非线性最优化计算问题效果较好。
图7(a)～图7(c)中，PID控制的横向、纵峰值为82，改进后PID控制的横向峰值为65，纵向峰值为71，使船舶以更短的距离靠近目标位置。
图8(a)～图8(c)中，改进后PID控制的船舶的位移和角度变化较PID控制，跟踪过程平顺迅速。
图9为DP铺缆船轨迹变化曲线图。改进后的PID控制使船舶沿规划路径行驶的轨迹偏航幅度较小。
综上所述，改进后的麻雀算法在整定Kp、Ki、Kd参数时寻优精度和收敛速度有所提升，结合模糊控制提高船舶路径跟踪效率，满足DP铺缆船工作要求。
Claims (8)
1.基于改进麻雀算法的模糊PID动力定位铺缆船循迹控制方法，其特征在于：根据三自由度铺缆船平面运动数学模型，加入风、浪、流作用力模拟海况，以船舶的位置和姿态矢量与实际值的差值作为PID控制器的输入；设计自整定模糊PID结合改进麻雀搜索算法的路径跟踪控制器，根据模糊控制规则自动调整PID参数；同时加入反向学习策略和权重因子改进麻雀算法，以模糊PID的参数作为麻雀位置进行寻优，并引入LOS方法跟踪路径，使船舶按照规划路径行驶，到达目标设定地点。
2.基于改进麻雀算法的模糊PID动力定位铺缆船循迹控制方法，其特征在于包括以下步骤：
步骤一：建立三自由度铺缆船平面运动数学模型；
步骤二：根据环境参数信息，建立风、浪、流数学模型；
步骤三：设船舶的位置和姿态矢量与实际值的差值为e，其变化率de，作为PID控制器的输入；
步骤四：根据模糊控制规则寻求Kp、Ki、Kd的调整变化量ΔKp、ΔKi、ΔKd与e和de间的关系；
步骤五：在模糊PID控制器基础上引入改进麻雀算法，为缩短寻优距离与时间，加入反向学习策略初始化麻雀种群；
步骤六：采用LOS方法计算艏向角和路径点位置，以船舶的位置和姿态矢量与实际值的差值作为控制器输入，通过模糊PID控制结合改进麻雀算法对Kp、Ki、Kd进行整定，控制船舶航行；
步骤七：判断是否超过最大迭代次数，若是，结束流程；否则，返回步骤六。
3.根据权利要求2所述基于改进麻雀算法的模糊PID动力定位铺缆船循迹控制方法，其特征在于：所述步骤一中，三自由度铺缆船平面运动数学模型为：
上式中：
为大地坐标系下铺缆船位置和姿态矢量；V＝[u v r]T为船体坐标系下船舶的速度和角速度矢量；τ＝[X Y N]T为船舶推进系统的力和力矩；τenv＝[XenvYenvNenv]T表示环境干扰的作用力和力矩；
表示大地坐标系下船舶的速度矢量，
表示船体坐标系下船舶的加速度矢量；Xenv、Yenv、Nenv表示因环境的影响而在船舶运动的三个自由度上产生的作用力和力矩；
上式中：m为船舶质量；xg为船体坐标系中重心纵向位置；Iz为相对垂直地心方向的转动惯量；
为船的附加质量和附加惯性矩阵；
表示因水动力项的影响而在船舶运动的三个自由度上产生的附加质量和惯性矩。
4.根据权利要求2所述基于改进麻雀算法的模糊PID动力定位铺缆船循迹控制方法，其特征在于：所述步骤二中，风数学模型为：
上式中：ρa为空气密度；Vrw为相对风速；γw为相对风向角；Cx(γw)、Cy(γw)、Cn(γw)为风对船舶三个自由度方向上的作用力；AFw、ALw分别为船体的正投影面积和侧投影面积；LOA为船舶总长；
浪数学模型为：
上式中:aw为波高，χ为波浪遭遇角，λ为波长，Cxw(λ)、Cyw(λ)、Cnw(λ)为浪对船舶三个自由度方向上的作用力；ρw表示水的密度，LOA表示船舶总长；
流数学模型为：
上式中：ρw为水的密度；Vrc为相对流速；γc为相对流向角；Cx(γc)、Cy(γc)、Cn(γc)为流对船舶三个自由度方向上的作用力；AFc和ALc分别为船体水下部分的正投影面积和侧投影面积。
5.根据权利要求2所述基于改进麻雀算法的模糊PID动力定位铺缆船循迹控制方法，其特征在于：所述步骤三中，利用铺缆船实际位置与目标位置差值作为PID控制器输入，控制公式为：
上式中：Kp为比例系数；Ki为积分时间常数；Kd为微分时间常数。
6.根据权利要求2所述基于改进麻雀算法的模糊PID动力定位铺缆船循迹控制方法，其特征在于：所述步骤四中，设e、de和ΔKp、ΔKi、ΔKd的模糊子集和论域如下：
△Kp、△Ki、△Kd＝{PB,PS,ZO,NS,NB}∈[-10,10]；
PB表示正大、PS表示正小、ZO表示零、NS表示负小、NB表示负大；∈[-10,10]表示ΔKp、ΔKi、ΔKd的取值范围；
e表示船舶的位置和姿态矢量与实际值的差值；de表示船舶的位置和姿态矢量与实际值的差值的变化率；∈[-15,15]表示e的取值范围、∈[-5,5]表示de的取值范围；
控制器自动调整参数，计算出船舶推进系统恢复目标位置所需的推力。
7.根据权利要求2所述基于改进麻雀算法的模糊PID动力定位铺缆船循迹控制方法，其特征在于：所述步骤五包括以下步骤：
S5.1：首先随机生成n个麻雀个体，再通过个体对立点生成新的麻雀个体，反向解生成公式为：
上式中：
表示的xi反向解；ub、lb为寻优空间上下限；
S5.2：提出一种余弦权重因子ω，避免陷入局部最优，加快收敛速度；ω公式如下：
上式中：m为调节系数；itermax为迭代次数；
S5.3：得出改进的跟随者位置
为：
式中：t表示迭代次数；
表示在t代时第i个麻雀在第j维的位置信息；itermax为最大迭代次数；α为随机数；Q为正态分布的随机数；
表示t代时发现者的最优位置；Xworst表示t代时迭代群体中最差位置；n表示n个麻雀个体；m表示调节系数；i表示n个麻雀个体中第i个麻雀个体。
8.根据权利要求2所述基于改进麻雀算法的模糊PID动力定位铺缆船循迹控制方法，其特征在于：所述步骤六中，采用LOS方法，设定路径夹角为自动舵的输入指令，计算艏向角和路径点位置，计算方法如下：
式中：xk+1、yk+1为船舶当前跟踪的期望位置；xk、yk为船舶当前位置；
表示路径夹角。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210130216.4A CN114545935A (zh) | 2022-02-11 | 2022-02-11 | 基于改进麻雀算法的模糊pid动力定位铺缆船循迹控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210130216.4A CN114545935A (zh) | 2022-02-11 | 2022-02-11 | 基于改进麻雀算法的模糊pid动力定位铺缆船循迹控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114545935A true CN114545935A (zh) | 2022-05-27 |
Family
ID=81673430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210130216.4A Pending CN114545935A (zh) | 2022-02-11 | 2022-02-11 | 基于改进麻雀算法的模糊pid动力定位铺缆船循迹控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114545935A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115145145A (zh) * | 2022-07-08 | 2022-10-04 | 贵州大学 | 一种自适应茶叶加工模糊控制方法 |
| CN117692914A (zh) * | 2024-02-02 | 2024-03-12 | Ut斯达康通讯有限公司 | 服务功能链映射方法、系统、电子设备和存储介质 |
-
2022
- 2022-02-11 CN CN202210130216.4A patent/CN114545935A/zh active Pending
Non-Patent Citations (2)
| Title |
|---|
| 张品等: "基于改进模糊PID的全向搬运机器人路径跟踪控制研究", 《食品与机械》, 30 June 2021 (2021-06-30), pages 114 - 119 * |
| 张爱华: "铺缆船作业过程中的循迹控制方法的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, 15 May 2012 (2012-05-15), pages 036 - 264 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115145145A (zh) * | 2022-07-08 | 2022-10-04 | 贵州大学 | 一种自适应茶叶加工模糊控制方法 |
| CN115145145B (zh) * | 2022-07-08 | 2024-05-07 | 贵州大学 | 一种自适应茶叶加工模糊控制方法 |
| CN117692914A (zh) * | 2024-02-02 | 2024-03-12 | Ut斯达康通讯有限公司 | 服务功能链映射方法、系统、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109828570B (zh) | 一种自适应边界层水面无人艇控制导引方法 | |
| CN108427414B (zh) | 一种自主水下航行器水平面自适应轨迹跟踪控制方法 | |
| CN109976349B (zh) | 一种含约束无人船的路径跟踪制导与控制结构的设计方法 | |
| Moreira et al. | Path following control system for a tanker ship model | |
| CN114545935A (zh) | 基于改进麻雀算法的模糊pid动力定位铺缆船循迹控制方法 | |
| CN110758698A (zh) | 仿生滑翔机器海豚的滑翔深度控制方法、系统、装置 | |
| CN115016496A (zh) | 基于深度强化学习的水面无人艇路径跟踪方法 | |
| CN113885534B (zh) | 一种基于智能预测控制的水面无人船路径跟踪方法 | |
| CN108255060A (zh) | 基于极限学习机的船舶动力定位自抗扰控制方法 | |
| CN113734393B (zh) | 基于攻角法的仿生机器鱼定深控制方法和装置 | |
| Wang et al. | Real-time path planning and following of a gliding robotic dolphin within a hierarchical framework | |
| CN117311142A (zh) | 一种融合粒子群算法与神经网络预测控制的dp船舶运动控制与推力分配协同控制方法 | |
| 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 | |
| Lin et al. | The depth-keeping performance of autonomous underwater vehicle advancing in waves integrating the diving control system with the adaptive fuzzy controller | |
| CN111538242B (zh) | 一种不确定性估计和饱和补偿的动力定位t-s模糊抗饱和控制方法 | |
| Wang et al. | Switching control for 3-D waypoint tracking of a biomimetic underwater vehicle | |
| CN114004035B (zh) | 一种水面无人艇目标跟踪控制方法 | |
| 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 | |
| Praczyk | Using Hill Climb Modular Assembler Encoding and Differential Evolution to evolve modular neuro-controllers of an autonomous underwater vehicle acting as a Magnetic Anomaly Detector | |
| CN115639751A (zh) | 混联平台迟滞响应的主动补偿方法 | |
| CN114609925A (zh) | 水下探索策略模型的训练方法及仿生机器鱼水下探索方法 | |
| Yu | Saturated backstepping control for boat with disturbance estimator | |
| CN113359872A (zh) | 一种舰载光电跟踪平台控制方法 | |
| Aruna | Heave and Roll control of Biomimetic AUV using Advanced control strategies | |
| Wang et al. | Ship course control based on BSO-PID online self-optimization algorithm |
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 |