CN114715331B - 一种浮式海洋平台动力定位控制方法及系统 - Google Patents

一种浮式海洋平台动力定位控制方法及系统 Download PDF

Info

Publication number
CN114715331B
CN114715331B CN202210618367.4A CN202210618367A CN114715331B CN 114715331 B CN114715331 B CN 114715331B CN 202210618367 A CN202210618367 A CN 202210618367A CN 114715331 B CN114715331 B CN 114715331B
Authority
CN
China
Prior art keywords
ocean platform
neural network
surface information
wave surface
floating ocean
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
Application number
CN202210618367.4A
Other languages
English (en)
Other versions
CN114715331A (zh
Inventor
杜君峰
李�杰
杨睿
李华军
常安腾
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.)
Daoli Zhiyuan Technology Qingdao Co ltd
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN202210618367.4A priority Critical patent/CN114715331B/zh
Publication of CN114715331A publication Critical patent/CN114715331A/zh
Application granted granted Critical
Publication of CN114715331B publication Critical patent/CN114715331B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B21/00—Tying-up; Shifting, towing, or pushing equipment; Anchoring
    • B63B21/50—Anchoring arrangements or methods for special vessels, e.g. for floating drilling platforms or dredgers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B35/00—Vessels or similar floating structures specially adapted for specific purposes and not otherwise provided for
    • B63B35/44—Floating buildings, stores, drilling platforms, or workshops, e.g. carrying water-oil separating devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Ocean & Marine Engineering (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种浮式海洋平台动力定位控制方法及系统，属于海洋平台动力定位技术领域；本发明的浮式海洋平台动力定位控制方法及系统，基于当前时刻的波面信息，对未来时刻的波面信息进行预测，获得波面信息预测值；基于获得的波面信息预测值，对波浪力进行预测，获得波浪力预测值，作为前馈控制率；将浮式海洋平台的位置信息进行反馈控制，获得反馈控制率；计算总控制率=前馈控制率+反馈控制率；本发明的浮式海洋平台动力定位控制方法及系统，提高了海洋平台的定位精度，可以实现浮式海洋平台动力定位系统保持更优的定位精度并处于安全工作区域。

Description

一种浮式海洋平台动力定位控制方法及系统
技术领域
本发明属于海洋平台动力定位技术领域，具体地说，是涉及一种浮式海洋平台动力定位控制方法及系统。
背景技术
随着海洋开发活动逐渐由浅海转向深海，浮式海洋结构物在复杂海洋环境荷载作用下的定位成为海洋工程领域一个重要的研究问题。
目前，浮式海洋结构物的定位方式主要分为三种，即锚泊定位、动力定位和锚泊辅助动力定位。
对于一般的工作水深情况，浮式海洋结构物通常采用锚泊定位方式。但随着作业水深不断增加，锚泊定位因建造成本高、安装难度大、灵活性差等不再适用于深海浮式装备定位。
而动力定位因其机动性高、操作简便且定位能力和成本不随水深增加而发生明显变化等优势，逐渐成为浮式海洋结构物定位的普遍选择。
但是目前的动力定位控制策略，当应对突然加载或陡变的系统输入时，控制误差偏大，控制不准确，定位精度差。
因此，浮式海洋平台的定位需要一种更为准确、稳定、可靠的先进动力定位控制方法。
发明内容
本发明提供了一种浮式海洋平台动力定位控制方法，提高了定位精度。
为解决上述技术问题，本发明采用下述技术方案予以实现：
一种浮式海洋平台动力定位控制方法，包括：
基于当前时刻的波面信息，对未来时刻的波面信息进行预测，获得波面信息预测值；
基于获得的波面信息预测值，对波浪力进行预测，获得波浪力预测值，作为前馈控制率
Figure DEST_PATH_IMAGE001
；
将浮式海洋平台的位置信息进行反馈控制，获得反馈控制率
Figure 912472DEST_PATH_IMAGE002
；
计算总控制率
Figure DEST_PATH_IMAGE003
=前馈控制率
Figure 626350DEST_PATH_IMAGE001
+反馈控制率
Figure 937246DEST_PATH_IMAGE002
。
本申请一些实施例中，所述浮式海洋平台的数学模型为：
Figure 863613DEST_PATH_IMAGE004
；
其中，
Figure DEST_PATH_IMAGE005
，
Figure 474723DEST_PATH_IMAGE006
分别为在固定坐标系下浮式海洋平台的纵荡、横荡和艏摇运动响应；
Figure DEST_PATH_IMAGE007
，
Figure 93923DEST_PATH_IMAGE008
分别为在运动坐标系下浮式海洋平台的纵荡速度、横荡速度和艏摇速度；
Figure DEST_PATH_IMAGE009
为环境荷载，
Figure 157694DEST_PATH_IMAGE010
为推进器推力；
Figure DEST_PATH_IMAGE011
为坐标转换矩阵，
Figure 887753DEST_PATH_IMAGE012
为浮式海洋平台的系统惯性矩阵，
Figure DEST_PATH_IMAGE013
为浮式海洋平台的阻尼系数矩阵。
本申请一些实施例中，采用LSTM神经网络模型对未来时刻的波面信息进行预测，获得波面信息预测值。
本申请一些实施例中，采用BP神经网络模型对波浪力进行预测，获得波浪力预测值。
本申请一些实施例中，所述BP神经网络模型为双隐含层BP神经网络模型。
本申请一些实施例中，所述BP神经网络模型的优化过程包括：
获取多个历史波面信息以及对应的历史波浪力；
选取训练集和校验集；
使用训练集对BP神经网络模型进行训练；
将校验集输入训练完成的BP神经网络模型；
计算均方误差；
判断均方误差是否小于阈值；
如果均方误差不小于阈值，则改变BP神经网络模型的结构，重新使用训练集对BP神经网络模型进行训练；
如果均方误差小于阈值，则当前BP神经网络模型为最优BP神经网络模型。
本申请一些实施例中，所述改变BP神经网络模型的结构，具体包括：
改变BP神经网络的隐含层层数或/和隐含层的神经元数量。
本申请一些实施例中，将浮式海洋平台的位置信息进行PID反馈控制，获得反馈控制率。
一种浮式海洋平台动力定位控制系统，包括：
波面信息预测模块，其用于基于当前时刻的波面信息，对未来时刻的波面信息进行预测，获得波面信息预测值；
波浪力预测模块，其用于基于获得的波面信息预测值，对波浪力进行预测，获得波浪力预测值，作为前馈控制率
Figure 370948DEST_PATH_IMAGE001
；
反馈调节模块，其用于将浮式海洋平台的位置信息进行反馈控制，获得反馈控制率
Figure 410317DEST_PATH_IMAGE002
；
总控制率计算模块，其用于计算总控制率
Figure 226963DEST_PATH_IMAGE003
=前馈控制率
Figure 760712DEST_PATH_IMAGE001
+反馈控制率
Figure 815256DEST_PATH_IMAGE002
；
推进器，其用于接收总控制率计算模块输出的总控制率，并输出推力。
本申请一些实施例中，所述波面信息预测模块，具体用于：采用LSTM神经网络模型对未来时刻的波面信息进行预测，获得波面信息预测值；
所述波浪力预测模块，具体用于：采用BP神经网络模型对波浪力进行预测，获得波浪力预测值；
所述反馈调节模块，具体用于：将浮式海洋平台的位置信息进行PID反馈控制，获得反馈控制率。
与现有技术相比，本发明的优点和积极效果是：本发明的浮式海洋平台动力定位控制方法及系统，基于当前时刻的波面信息，对未来时刻的波面信息进行预测，获得波面信息预测值；基于获得的波面信息预测值，对波浪力进行预测，获得波浪力预测值，作为前馈控制率
Figure 776259DEST_PATH_IMAGE001
；将浮式海洋平台的位置信息进行反馈控制，获得反馈控制率
Figure 283464DEST_PATH_IMAGE002
；计算总控制率
Figure 824166DEST_PATH_IMAGE003
=前馈控制率
Figure 733216DEST_PATH_IMAGE001
+反馈控制率
Figure 333962DEST_PATH_IMAGE002
；本发明的浮式海洋平台动力定位控制方法及系统，提高了海洋平台的定位精度，可以实现浮式海洋平台动力定位系统保持更优的定位精度并处于安全工作区域。
结合附图阅读本发明的具体实施方式后，本发明的其他特点和优点将变得更加清楚。
附图说明
图1是本发明提出的浮式海洋平台动力定位控制方法的一种实施例的流程图；
图2是本发明提出的浮式海洋平台动力定位控制方法的一种实施例的控制框图；
图3是LSTM神经网络模型的一种实施例的结构框图；
图4是BP神经网络模型的优化流程图；
图5是BP神经网络模型的拓扑结构图；
图6是本发明提出的浮式海洋平台动力定位控制系统的一种实施例的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图和实施例，对本发明作进一步详细说明。
针对目前浮式海洋平台定位精度差的问题，本发明提出了一种浮式海洋平台动力定位控制方法及控制系统，提高了浮式海洋平台的定位精度，降低了浮式海洋平台动力系统能耗。下面结合附图，对本发明的浮式海洋平台动力定位控制方法及控制系统进行详细说明。
实施例一、
首先，建立浮式海洋平台的数学模型：
Figure 328463DEST_PATH_IMAGE004
（1）
其中，
Figure 672857DEST_PATH_IMAGE005
，
Figure 701992DEST_PATH_IMAGE006
分别为在固定坐标系下浮式海洋平台的纵荡、横荡和艏摇运动响应；即，
Figure 739219DEST_PATH_IMAGE014
表示浮式海洋平台的位置向量，
Figure DEST_PATH_IMAGE015
表示纵荡位移、
Figure 752174DEST_PATH_IMAGE016
表示纵荡位移、
Figure DEST_PATH_IMAGE017
表示艏摇角度；
Figure 165838DEST_PATH_IMAGE007
，
Figure 783901DEST_PATH_IMAGE008
分别为在运动坐标系下浮式海洋平台的纵荡速度、横荡速度和艏摇速度；即，
Figure 257608DEST_PATH_IMAGE018
表示浮式海洋平台的速度向量；
Figure 820176DEST_PATH_IMAGE009
为环境荷载，
Figure 568689DEST_PATH_IMAGE010
为推进器推力；
Figure 109435DEST_PATH_IMAGE011
为坐标转换矩阵，
Figure 754043DEST_PATH_IMAGE012
为浮式海洋平台的系统惯性矩阵，
Figure 944853DEST_PATH_IMAGE013
为浮式海洋平台的阻尼系数矩阵。
Figure DEST_PATH_IMAGE019
（2）
Figure 231478DEST_PATH_IMAGE020
（3）
Figure DEST_PATH_IMAGE021
（4）
式中，m为浮式海洋平台的质量；x g 为运动坐标系下浮式海洋平台重心的纵向坐标；I Z 为浮式海洋平台艏摇转动惯量；M中的其他参数（
Figure 89712DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE023
，
Figure 905222DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE025
，
Figure 848907DEST_PATH_IMAGE026
）为辐射水动力系数，通过试验获得。
其中，M中的元素为浮式海洋平台辐射力中与加速度同相位的那部分力相对于加速度的系数，称为附加质量或附加惯性力系数；
D中的参数（
Figure DEST_PATH_IMAGE027
，
Figure 454069DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
，
Figure 963548DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE031
）为浮式海洋平台辐射力中与速度同相位的那部分力相对于速度的系数，称为附加阻尼系数。
通过设计上述浮式海洋平台的数学模型，可以真实完整形象的反映浮式海洋平台的运动。
本实施例的浮式海洋平台动力定位控制方法，主要包括下述步骤，参见图1所示。
步骤S1：基于当前时刻的波面信息，对未来时刻的波面信息进行预测，获得波面信息预测值。
波面信息主要是指作用在浮式海洋平台上波浪的高度。
本申请一些实施例中，采用LSTM神经网络模型对未来时刻的波面信息进行预测，获得未来时刻的波面信息预测值。
长短期记忆（Long Short-Term Memory ，简称LSTM）神经网络是一种时间循环神经网络，采用LSTM神经网络模型对未来时刻的波面信息进行预测，可以获得比较准确的预测值。
LSTM神经网络模型包括输入层、隐含层、输出层。隐含层由一定数量的神经元组成，两个神经元之间由细胞状态和神经元输出连接。LSTM中的重复模块（神经元）可以使同一个神经网络按顺序一个一个地处理连续数据，并允许LSTM在处理当前步骤的数据时从前一步获取输出，形成重复反馈循环。在重复的过程中，更新单元状态以记住重要数据，并根据隐藏状态忘记序列中不重要的数据。
首先，利用多个历史时刻的波面信息，对LSTM神经网络模型进行训练。例如，将时刻t及时刻t之前20秒这段时间的多个波面信息作为输入数据，将时刻t+15秒的波面信息作为对应的输出数据，将这一组对应的输入输出数据，分别作为LSTM神经网络模型的输入和输出，对模型进行训练。
将多组对应的波面信息划分为训练集和校验集，并进行标准化，然后利用训练集对LSTM神经网络模型进行训练，模型训练完成后，利用校验集对模型进行校验，校验合格后（均方误差小于一个较小的阈值），即可利用LSTM神经网络模型进行预测。基于历史时刻的波面信息，利用LSTM神经网络模型对未来时刻（例如，未来时刻=当前时刻+15秒）的波面信息进行预测，获得未来时刻的波面信息预测值。
参见图3所示，LSTM神经网络模型的隐含层包括n个神经元：LSTM1、 LSTM2、…、LSTMn。
LSTM1的细胞状态C1、神经元输出H1；
LSTM2的细胞状态C2、神经元输出H2；
…；
LSTMn-1的细胞状态Cn-1、神经元输出Hn-1；
LSTMn的细胞状态Cn、神经元输出Hn。
获取当前时刻的波面信息，标准化后输出至LSTM1，经LSTM1处理后输出至LSTM2，按顺序逐个神经元处理数据，然后迭代预测、反标准化处理，最后输出未来时刻的波面信息预测值。
本申请一些实施例中，实时测量当前时刻以及当前时刻之前一段时间的多个波面信息，然后采用LSTM神经网络模型预测未来时刻的波面数据，获得未来时刻的波面信息预测值，用于下一步骤的波浪力预测。具体包括下述步骤，参见图3所示。
首先，实时测量时刻t0至时刻t1的发生在海洋平台所在位置的波面信息数据并记录，得到t0至t1这一时间段内的多个波面历史数据，并进行标准化，得到ht0，…，ht1；其中，ht0为将t0时刻的波面信息标准化后的数据，ht1为将t1时刻的波面信息标准化后的数据。
然后，采用LSTM神经网络模型对未来时刻t2的波面信息进行预测，得到未来时刻t2的波面信息预测值
Figure 949959DEST_PATH_IMAGE032
；并在预测过程中实时更新实测数据以提高神经网络的预测精度。
波面历史数据经过隐含层n个神经元的处理，然后进行预测迭代、反标准化；获得波面信息预测值
Figure 380940DEST_PATH_IMAGE032
。将
Figure 478209DEST_PATH_IMAGE032
用于下一步骤的波浪力预测。
其中，t0为历史时刻，t1为当前时刻，t2为未来时刻。
t0=t1-第一设定时间段；t2=t1+第二设定时间段。
例如，t0=t1-20秒；t2=t1+15秒。
本实施例中，基于当前时刻及当前时刻之前一段时间的多个波面信息，利用LSTM神经网络模型对未来时刻的波面信息进行预测，获得未来时刻的波面信息预测值，用于下一步骤的波浪力预测。
因此，基于历史时刻t0至当前时刻t1这段时间的最新的多个波面信息实测值，利用LSTM神经网络模型进行预测，获得未来时刻t2的波面信息预测值。
步骤S2：基于获得的波面信息预测值，对波浪力进行预测，获得波浪力预测值，作为前馈控制率
Figure 45457DEST_PATH_IMAGE001
。
在本实施例中，基于获得的波面信息预测值，对二阶差频波浪力进行预测，获得二阶差频波浪力预测值，作为前馈控制率
Figure 671610DEST_PATH_IMAGE001
。
在实际情况下很难准确迅速地预报二阶差频波浪力，而人工神经网络通过模拟人神经网络结构进行信息处理，它可以忽略输入与输出之间映射关系的具体数学方程，通过学习历史时刻数据的对应关系得到一个具有具体学习规则的网络结构。
本申请一些实施例中，基于获得的波面信息预测值，采用BP神经网络模型对波浪力进行预测，获得波浪力预测值。
反向传播（Back Propagation，简称BP）神经网络是一种按误差反向传播训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。
BP神经网络具有很强的非线性映射能力和柔性的网络结构，很强的容错能力，能够获得比较准确的预测值。
利用BP神经网络算法对二阶差频波浪力进行预测，也就是说，应用BP神经网络算法构建二阶差频波浪力预测模型，用于对波浪力进行预测。通过BP神经网络算法建立了波面信息到二阶差频波浪力的预测模型。
本申请一些实施例中，BP神经网络模型为双隐含层BP神经网络模型。
参见图5所示，BP神经网络模型包括输入层、两个隐含层、输出层。其中X 1、X 2 、…、X 60 为输入的数据，y 1、y 2 、…、y 7 为隐含层中的神经元，O 1为输出层的输出，
Figure DEST_PATH_IMAGE033
分别为输入层与隐含层、隐含层与输出层之间的阈值，Y 1为期望输出。
通过在BP神经网络模型中设计两个隐含层，既能获得比较准确的预测值，又避免隐含层数量过多导致网络结构过于复杂。
BP神经网络能够用于学习和存贮大量的输入-输出模式映射关系，而无需提前揭示描述这种映射关系的数学表达，其学习规则采用最速下降法，通过信号前向传播与误差反向传播不断调整网络的权值和阈值，使网络的误差平方和趋于最小，其拓扑结构如图5所示。
将历史波面信息与对应的历史二阶差频波浪力作为输入输出参数，对BP神经网络进行训练。
本申请一些实施例中，需要对BP神经网络模型进行优化，以提高预测准确性。BP神经网络模型的优化过程包括下述步骤，参见图4所示。
（21）获取多个历史波面信息以及对应的历史波浪力。
历史波面信息即图4中的历史波面时程，历史波浪力即图4中的二阶差频波浪力时程数据。
（22）选取训练集和校验集。
多个历史波面信息以及对应的历史波浪力中，按照时间顺序排列，将其中前80%的数据作为训练集，剩余的20%的数据作为校验集。
（23）使用训练集对BP神经网络模型进行训练。
（24）将校验集输入训练完成的BP神经网络模型。
将剩余的20%的数据输入训练完成的神经网络模型。
（25）计算均方误差。
将校验集中的波面信息输入至BP神经网络模型，得到预测值；
计算校验集中的历史波浪力与预测值的均方误差。
（26）判断均方误差是否小于阈值。
如果均方误差不小于阈值，说明当前BP神经网络模型不是最优BP神经网络模型，则改变BP神经网络模型的结构，返回（23），重新使用训练集对BP神经网络模型进行训练。
如果均方误差小于阈值，则说明当前BP神经网络模型为最优BP神经网络模型。
该最优BP神经网络模型即为二阶差频波浪力预测模型（响应模型）。
通过设计上述步骤（21）～（26），获得最优的BP神经网络模型，可以快速直接地根据波面信息预测值，获得比较准确的波浪力预测值。
本申请一些实施例中，改变BP神经网络模型的结构，具体包括：改变BP神经网络的隐含层层数或/和隐含层的神经元数量，简单方便快速地改变BP神经网络模型的结构。
本实施例中，当需要改变BP神经网络模型的结构时，可以先改变隐含层的层数，然后再通过步骤（22）～（25），重新获得均方误差，如果获得的均方误差仍不小于阈值，则再改变隐含层的神经元数量，然后再返回（22），通过步骤（22）～（25），重新获得均方误差。
因此，本实施例中，应用BP神经网络算法构建二阶差频波浪力预测模型，将已获取的波面信息与二阶差频波浪力分别作为输入和输出参量，通过匹配历史时刻数据的对应关系得到一个具有明确学习规则、可拓展的网络结构，经过充分的数据学习和训练后，可以快速、直接的根据波面时程信息预报作用于海洋平台上的低频波浪力。
根据LSTM神经网络预测得到的波面信息，结合BP神经网络算法构建的二阶差频波浪力预测模型，便可得到未来时刻下预测的二阶差频波浪力数据。
根据BP神经网络模型所预测得到的二阶差频波浪力数据，以此作为控制过程中的前馈项，记得到的二阶差频波浪力预测值为
Figure 855467DEST_PATH_IMAGE034
，相应的前馈控制率可以表达为：
Figure DEST_PATH_IMAGE035
（5）
步骤S3：将浮式海洋平台的位置信息进行反馈控制，获得反馈控制率
Figure 734256DEST_PATH_IMAGE002
。
本实施例中，将浮式海洋平台的期望位置信息与实际位置信息的差值进行反馈控制，获得反馈控制率
Figure 687168DEST_PATH_IMAGE002
。
浮式海洋平台的位置信息包括横荡位置、纵荡位置、艏摇角度。
反馈控制包括PI控制（比例积分控制）、PD控制（比例微分控制）、PID控制（比例积分微分控制）等。PID控制适应性好，有较强的鲁棒性，可以快速消除浮式海洋平台位置偏差。因此，本申请一些实施例中，将浮式海洋平台的位置信息进行PID反馈控制，获得PID反馈控制率
Figure 280960DEST_PATH_IMAGE036
，即反馈控制率
Figure 155376DEST_PATH_IMAGE002
。
将浮式海洋平台的期望位置信息与实际位置信息的差值进行PID运算，得到PID反馈控制率
Figure 594447DEST_PATH_IMAGE036
。
即，反馈控制采用PID控制，其控制率为：
Figure DEST_PATH_IMAGE037
（6）
其中，K P 是PID控制器的比例增益，T I 是积分时间常数，T D 是微分时间常数，e为浮式海洋平台的期望位置与实际位置之间的偏差。
因此，当采用PID反馈控制时，PID反馈控制率
Figure 136287DEST_PATH_IMAGE036
即为反馈控制率
Figure 369822DEST_PATH_IMAGE002
。
步骤S4：计算总控制率
Figure 997113DEST_PATH_IMAGE003
=前馈控制率
Figure 974296DEST_PATH_IMAGE001
+反馈控制率
Figure 105063DEST_PATH_IMAGE002
。
总控制率
Figure 509499DEST_PATH_IMAGE003
作为浮式海洋平台动力定位系统总的控制量施加至被控对象。
总控制率作用在推进器上，推进器在总控制率
Figure 358507DEST_PATH_IMAGE003
的控制下，输出推力。具体来说，将总控制率
Figure 873802DEST_PATH_IMAGE003
作用在海洋平台的推进系统上，经推进系统分配至推进器上，以使推进器输出推力。
反馈控制的核心思路是基于浮式海洋结构物位置偏差做出有效反应，以维持作业位置处于许可范围。然而在实际应用中，当应对突然加载或陡变的系统输入时，反馈控制往往会导致响应结果具有一定的滞后性，且容易发生在目标值附近往复波动的情况，导致控制误差偏大。前馈控制基于未来的预测信息，相对于反馈控制而言，其响应滞后性可在一定程度上得到消除；但前馈控制精度过度依赖于预测信息的精度，预测信息的误差将直接导致控制的不准确，且控制偏差会不断累积。在实际应用中，由于建模误差、荷载复杂动力特性以及不确定性因素影响等，预测的环境荷载信息难免会存在误差，无法直接应用于前馈控制。因此，可以结合反馈控制以消减预测误差的累积效应，即将前馈控制与反馈控制联合应用，构建动力定位的前馈-反馈控制模式。其中，前馈控制用于应对环境荷载的干扰，反馈控制处理环境荷载预测不准确造成的偏差，从而保留两种方法的优点，弥补各自的不足。
本实施例的浮式海洋平台动力定位控制方法，基于当前时刻的波面信息，对未来时刻的波面信息进行预测，获得波面信息预测值；基于获得的波面信息预测值，对波浪力进行预测，获得波浪力预测值，作为前馈控制率
Figure 124654DEST_PATH_IMAGE001
；将浮式海洋平台的位置信息进行反馈控制，获得反馈控制率
Figure 699992DEST_PATH_IMAGE002
；计算总控制率
Figure 770716DEST_PATH_IMAGE003
=前馈控制率
Figure 89702DEST_PATH_IMAGE001
+反馈控制率
Figure 195062DEST_PATH_IMAGE002
；本实施例的浮式海洋平台动力定位控制方法，提高了海洋平台的定位精度，可以实现浮式海洋平台动力定位系统保持更优的定位精度并处于安全工作区域。
本实施例的浮式海洋平台动力定位控制方法，参见图2所示，基于神经网络算法的动力定位综合控制过程为：首先，由测量得到的波面数据（波面信息观测值）基于长短期记忆模型神经网络算法对波面信息进行超前估计，获得未来时刻的波面信息预测值；然后，基于误差反向传播神经网络算法构建由波面信息对二阶差频波浪力进行预报的模型，对未来时刻的二阶差频波浪力进行超前估计，获得预测的二阶差频波浪力，以此作为动力定位系统的前馈项；最后，前馈控制与位置反馈相结合，建立海洋平台动力定位前馈-反馈综合控制方法。
本实施例的浮式海洋平台动力定位控制方法，是一种基于神经网络算法的二阶波浪差频力前馈控制与位置反馈控制相结合的动力定位综合控制方法，前馈控制通过二阶波浪荷载的预测而采取提前反应，反馈控制则通过实时的位置信息纠正前馈控制产生的误差及累积效应。本实施例的浮式海洋平台动力定位控制方法，融合了前馈、反馈两种控制模式的优点，规避了二者的不足，使得浮式海洋平台动力定位控制的实时性和精度均有大幅提升。
本实施例的浮式海洋平台动力定位控制方法，首先，基于历史时刻的波面信息，通过长短期记忆模型神经网络算法进行未来时刻的波面信息预测。尽早地获取将要到达的波面信息对于动力定位系统波浪荷载前馈具有重要意义。以当前及历史波面信息作为输入，采用长短期记忆模型（Long Short-Term Memory，简称LSTM）神经网络算法对未来时刻的波面信息进行预测，并在预测过程中实时更新真实数据以提高神经网络预测的准确性；预测得到的数据用于二阶差频波浪力的预测。然后，基于BP神经网络算法对二阶差频波浪力进行预测，可以快速、直接的根据预测的波面信息得到所需要的二阶差频波浪力预测数据。最后，通过二阶差频波浪力前馈与位置反馈实现浮式海洋平台动力定位的综合控制。
本实施例的浮式海洋平台动力定位控制方法，将前馈控制和反馈控制的优点结合起来，提出了基于二阶差频波浪力前馈与位置反馈的动力定位综合控制方法。首先，测量获得当前以及历史时刻的波面信息，通过训练得到的长短期记忆模型神经网络算法预测未来时刻的波面信息；然后，以预测的波面信息为基础，采用训练好的BP神经网络预报未来时刻的二阶差频波浪力，以此作为二阶差频波浪力前馈控制量；同时，以浮式海洋平台位置信息作为反馈，采用经典PID控制算法得到反馈控制量；最后，将前馈控制量和反馈控制量求和，作为动力定位系统总的控制量施加至被控对象。
本实施例的浮式海洋平台动力定位控制方法，提供了一种基于神经网络算法的动力定位综合控制方法。目的在于利用二阶差频波浪力前馈与浮体位置反馈相结合组成综合控制模式，从而对浮式海洋平台的扰动进行补偿，提高动力定位系统的定位精度，降低动力定位系统的能耗。
本实施例的浮式海洋平台动力定位控制方法，具有以下有益效果：
（1）前馈控制处理预测的环境荷载，反馈控制处理预测的环境荷载信息误差，前馈控制与反馈控制联合使用，保留两种方法的优点，弥补各自的不足，从而提高了浮式海洋平台动力定位性能。
（2）可以直接补偿二阶差频波浪力对浮式海洋平台的扰动，通过神经网络算法对二阶差频波浪力进行预测，提前采取措施进行前馈控制，相对于单独使用反馈控制，反馈控制添加上前馈控制的综合控制方法应用到浮式海洋平台动力定位中可以获得更好的定位精度。
（3）可以减少未知、突变的环境荷载对动力定位效果产生的影响，相较于反馈控制具有一定的延迟性，前馈控制可以直接对扰动进行作用，因此所提出的综合控制方法既可以保证实时性又可有拥有良好的精确度，从而提高浮式海洋平台的定位性能。
（4）可以降低浮式海洋平台动力定位过程中的能耗，本实施例所提出的定位控制方法可以在推进器输出更小的推力情况下达到更好的控制效果，从而降低了浮式海洋平台运行过程中的燃油消耗。
实施例二、
基于实施例一中的浮式海洋平台动力定位控制方法的设计，本实施例提出了一种浮式海洋平台动力定位控制系统，主要包括波面信息预测模块、波浪力预测模块、反馈调节模块、总控制率计算模块、推进器等，参见图6所示。
波面信息预测模块，其用于基于当前时刻的波面信息，对未来时刻的波面信息进行预测，获得波面信息预测值；
波浪力预测模块，其用于基于获得的波面信息预测值，对波浪力进行预测，获得波浪力预测值，作为前馈控制率
Figure 206880DEST_PATH_IMAGE001
；
反馈调节模块，其用于将浮式海洋平台的位置信息进行反馈控制，获得反馈控制率
Figure 764900DEST_PATH_IMAGE002
；
总控制率计算模块，其用于计算总控制率
Figure 887577DEST_PATH_IMAGE003
=前馈控制率
Figure 847443DEST_PATH_IMAGE001
+反馈控制率
Figure 764583DEST_PATH_IMAGE002
；
推进器，其用于接收总控制率计算模块输出的总控制率
Figure 75479DEST_PATH_IMAGE003
，并在总控制率的控制下输出推力。
本申请一些实施例中，波面信息预测模块，具体用于：采用LSTM神经网络模型对未来时刻的波面信息进行预测，获得波面信息预测值；
波浪力预测模块，具体用于：采用BP神经网络模型对波浪力进行预测，获得波浪力预测值；
反馈调节模块，具体用于：将浮式海洋平台的位置信息进行PID反馈控制，获得反馈控制率。
具体的浮式海洋平台动力定位控制系统的工作过程，已经在上述浮式海洋平台动力定位控制方法中详述，此处不予赘述。
本实施例的浮式海洋平台动力定位控制系统，基于当前时刻的波面信息，对未来时刻的波面信息进行预测，获得波面信息预测值；基于获得的波面信息预测值，对波浪力进行预测，获得波浪力预测值，作为前馈控制率
Figure 736267DEST_PATH_IMAGE001
；将浮式海洋平台的位置信息进行反馈控制，获得反馈控制率
Figure 816219DEST_PATH_IMAGE002
；计算总控制率
Figure 169840DEST_PATH_IMAGE003
=前馈控制率
Figure 702452DEST_PATH_IMAGE001
+反馈控制率
Figure 166932DEST_PATH_IMAGE002
；本实施例的浮式海洋平台动力定位控制方法，提高了海洋平台的定位精度，可以实现浮式海洋平台动力定位系统保持更优的定位精度并处于安全工作区域。
以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (8)

1.一种浮式海洋平台动力定位控制方法，其特征在于，包括：
基于当前时刻的波面信息，对未来时刻的波面信息进行预测，获得波面信息预测值；具体包括：首先，实时测量时刻t0至时刻t1的发生在海洋平台所在位置的波面信息数据并记录，得到t0至t1这一时间段内的多个波面历史数据，并进行标准化，得到ht0，…，ht1；其中，ht0为将t0时刻的波面信息标准化后的数据，ht1为将t1时刻的波面信息标准化后的数据；
然后，采用LSTM神经网络模型对未来时刻t2的波面信息进行预测，得到未来时刻t2的波面信息预测值
Figure DEST_PATH_IMAGE002
；其中，t0为历史时刻，t1为当前时刻，t2为未来时刻；t0=t1-第一设定时间段；t2=t1+第二设定时间段；
基于获得的波面信息预测值，采用BP神经网络模型对二阶差频波浪力进行预测，获得二阶差频波浪力预测值，作为前馈控制率
Figure DEST_PATH_IMAGE004
；
将浮式海洋平台的位置信息进行反馈控制，获得反馈控制率
Figure DEST_PATH_IMAGE006
；
计算总控制率
Figure DEST_PATH_IMAGE008
=前馈控制率
Figure 160214DEST_PATH_IMAGE004
+反馈控制率
Figure 434944DEST_PATH_IMAGE006
。
2.根据权利要求1所述的浮式海洋平台动力定位控制方法，其特征在于，所述浮式海洋平台的数学模型为：
Figure DEST_PATH_IMAGE010
；
其中，
Figure DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE014
分别为在固定坐标系下浮式海洋平台的纵荡、横荡和艏摇运动响应；
Figure DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE018
分别为在运动坐标系下浮式海洋平台的纵荡速度、横荡速度和艏摇速度；
Figure DEST_PATH_IMAGE020
为环境荷载，
Figure DEST_PATH_IMAGE022
为推进器推力；
Figure DEST_PATH_IMAGE024
为坐标转换矩阵，
Figure DEST_PATH_IMAGE026
为浮式海洋平台的系统惯性矩阵，
Figure DEST_PATH_IMAGE028
为浮式海洋平台的阻尼系数矩阵。
3.根据权利要求1所述的浮式海洋平台动力定位控制方法，其特征在于，所述BP神经网络模型为双隐含层BP神经网络模型。
4.根据权利要求1所述的浮式海洋平台动力定位控制方法，其特征在于，所述BP神经网络模型的优化过程包括：
获取多个历史波面信息以及对应的历史波浪力；
选取训练集和校验集；
使用训练集对BP神经网络模型进行训练；
将校验集输入训练完成的BP神经网络模型；
计算均方误差；
判断均方误差是否小于阈值；
如果均方误差不小于阈值，则改变BP神经网络模型的结构，重新使用训练集对BP神经网络模型进行训练；
如果均方误差小于阈值，则当前BP神经网络模型为最优BP神经网络模型。
5.根据权利要求4所述的浮式海洋平台动力定位控制方法，其特征在于，所述改变BP神经网络模型的结构，具体包括：
改变BP神经网络的隐含层层数或/和隐含层的神经元数量。
6.根据权利要求1至5中任一项所述的浮式海洋平台动力定位控制方法，其特征在于，将浮式海洋平台的位置信息进行PID反馈控制，获得反馈控制率。
7.一种浮式海洋平台动力定位控制系统，其特征在于，采用如权利要求1至6中任一项所述的浮式海洋平台动力定位控制方法；
所述浮式海洋平台动力定位控制系统包括：
波面信息预测模块，其用于基于当前时刻的波面信息，对未来时刻的波面信息进行预测，获得波面信息预测值；
波浪力预测模块，其用于基于获得的波面信息预测值，对波浪力进行预测，获得波浪力预测值，作为前馈控制率
Figure 713216DEST_PATH_IMAGE004
；
反馈调节模块，其用于将浮式海洋平台的位置信息进行反馈控制，获得反馈控制率
Figure 639584DEST_PATH_IMAGE006
；
总控制率计算模块，其用于计算总控制率
Figure 109748DEST_PATH_IMAGE008
=前馈控制率
Figure 869894DEST_PATH_IMAGE004
+反馈控制率
Figure 933665DEST_PATH_IMAGE006
；
推进器，其用于接收总控制率计算模块输出的总控制率，并输出推力。
8.根据权利要求7所述的浮式海洋平台动力定位控制系统，其特征在于，
所述波面信息预测模块，具体用于：采用LSTM神经网络模型对未来时刻的波面信息进行预测，获得波面信息预测值；
所述波浪力预测模块，具体用于：采用BP神经网络模型对波浪力进行预测，获得波浪力预测值；
所述反馈调节模块，具体用于：将浮式海洋平台的位置信息进行PID反馈控制，获得反馈控制率。
CN202210618367.4A 2022-06-02 2022-06-02 一种浮式海洋平台动力定位控制方法及系统 Active CN114715331B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210618367.4A CN114715331B (zh) 2022-06-02 2022-06-02 一种浮式海洋平台动力定位控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210618367.4A CN114715331B (zh) 2022-06-02 2022-06-02 一种浮式海洋平台动力定位控制方法及系统

Publications (2)

Publication Number Publication Date
CN114715331A CN114715331A (zh) 2022-07-08
CN114715331B true CN114715331B (zh) 2022-09-09

Family

ID=82232754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210618367.4A Active CN114715331B (zh) 2022-06-02 2022-06-02 一种浮式海洋平台动力定位控制方法及系统

Country Status (1)

Country Link
CN (1) CN114715331B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116819950B (zh) * 2023-08-25 2023-11-07 中国海洋大学 一种船舶与浮式海洋平台动力定位控制方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4640760B2 (ja) * 2004-04-21 2011-03-02 川崎重工業株式会社 到来波浪の波形予測法および波浪中の航走体の運転制御方法
AU2013268170B2 (en) * 2012-05-30 2017-09-28 Cytroniq Co., Ltd. System and method for providing information on fuel savings, safe operation, and maintenance by real-time predictive monitoring and predictive controlling of aerodynamic and hydrodynamic environmental internal/external forces, hull stresses, motion with six degrees of freedom, and the location of marine structure
CN107766995A (zh) * 2017-12-08 2018-03-06 国网山东省电力公司枣庄供电公司 基于深度递归神经网络的电力系统短期负荷预测方法
CN111469999A (zh) * 2020-04-29 2020-07-31 上海交通大学 基于波浪前馈的动力定位模型试验控制方法及系统
CN111483568A (zh) * 2020-04-29 2020-08-04 上海交通大学 基于风流前馈的动力定位模型试验控制方法及系统
CN113283138B (zh) * 2021-05-25 2024-03-26 大连理工大学 一种基于深度学习的深海养殖平台动力响应分析方法
CN113609782B (zh) * 2021-08-17 2023-08-22 山东大学 运动负载受波浪力的实时预测方法及仿真系统

Also Published As

Publication number Publication date
CN114715331A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
Chu et al. Observer-based adaptive neural network trajectory tracking control for remotely operated vehicle
Zhang et al. Ship motion attitude prediction based on an adaptive dynamic particle swarm optimization algorithm and bidirectional LSTM neural network
CN107346138B (zh) 一种基于增强学习算法的无人船侧向控制方法
CA3067573A1 (en) Target tracking systems and methods for uuv
CN110597069B (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
CN112965371B (zh) 基于固定时间观测器的水面无人艇轨迹快速跟踪控制方法
CN108572550A (zh) 一种基于机器学习的在线实时推力分配方法
CN114715331B (zh) 一种浮式海洋平台动力定位控制方法及系统
CN115657689B (zh) 一种基于轨迹预测的自主水下航行器目标跟踪控制方法
CN112068440A (zh) 基于模型预测控制的auv回收对接动力定位控制方法
CN114137826B (zh) 一种基于灰狼算法的船舶动力定位自抗扰控制方法
Meng et al. Intelligent control algorithm for ship dynamic positioning
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
CN115686002A (zh) 一种复杂海域下的水面无人艇路径跟踪控制方法
Jing et al. Self-tuning adaptive active disturbance rejection pitch control of a manta-ray-like underwater glider
Gong et al. Three-dimensional optimal trajectory tracking control of underactuated AUVs with uncertain dynamics and input saturation
CN116819950B (zh) 一种船舶与浮式海洋平台动力定位控制方法及系统
Xu et al. Robust adaptive path following control of autonomous underwater vehicle with uncertainties and communication bandwidth limitation
Yan et al. Differential Evolution Algorithm‐Based Iterative Sliding Mode Control of Underactuated Ship Motion
Ye et al. A modified predictive PID controller for dynamic positioning of vessels with autoregressive model
CN114943168B (zh) 一种水上浮桥组合方法及系统
Zhang et al. Composite neural learning event-triggered control for dynamic positioning vehicles with the fault compensation mechanism
CN115639751A (zh) 混联平台迟滞响应的主动补偿方法
CN112327666A (zh) 动力巡航系统控制模型的目标函数权重矩阵确定方法
Lan et al. Learning‐Based Path Planning Algorithm in Ocean Currents for Multi‐Glider

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
TR01 Transfer of patent right

Effective date of registration: 20231016

Address after: 266000 room 105, B1, zone B, Qingdao Institute of industrial technology, No. 17, Songyuan Road, high tech Zone, Qingdao, Shandong

Patentee after: Daoli Zhiyuan Technology (Qingdao) Co.,Ltd.

Address before: 266100 Shandong Province, Qingdao city Laoshan District Songling Road No. 238

Patentee before: OCEAN University OF CHINA

TR01 Transfer of patent right