CN115639751A - 混联平台迟滞响应的主动补偿方法 - Google Patents

Abstract

本发明提供了一种混联平台迟滞响应的主动补偿方法，涉及海洋工程领域，首先取反的当前姿态变化信息发送到预测模型，得到下一时刻的船体姿态变化信号，提前预测海浪对船体的影响，然后进行逆运动学推算，获得执行器的补偿信息，最后通过控制器输出到执行器中，对执行器下一时刻的运动进行补偿，在执行器动作之前，将海浪对船体可能造成的影响消除，解决补偿迟滞响应的弊端。为了保证预测的精度，最后将下一时刻执行器的运行信息取反，并逆向推算出船体姿态的理论变化值，将理论变化值与船体姿态的实际变化值做差值，并将差值返回到预测模型中，将差值叠加到后一时刻的预测值中，对执行器进行进一步修正，使得补偿效果更好。

Description

混联平台迟滞响应的主动补偿方法

技术领域

本发明涉及海洋工程技术领域，具体而言，涉及一种混联平台迟滞响应的主动补偿方法。

背景技术

随着人口数量的急剧增加，人类面临着陆地资源紧缺，生态环境恶化等全球性难题。为应对上述危机，人类将资源开发利用的目光由陆地逐渐转向海洋。但是海上风电机组常常出故障，需要运维人员经常乘坐船舶到达海上平台进行风电机组维修，因此进行安全海上运维工作就十分必要。

海上风电运维系统就是能够安全将运维人员和设备送到风机平台上，由于海浪的影响，船身处于颠簸摆动的状态，运维系统不能准确平稳的将运维人员和设备送到风机平台上。由于维修设备和吊装重物巨大的惯性，使运维系统的动作滞后于船舶的相对运动；同时，受到机械摩擦、电子元件损耗等不良因素的影响，而且海浪对运维系统的影响呈现明显的非线性特性，最终导致运维系统的执行动作产生时滞，即实际执行动作与期望动作能够到达的位置存在偏差；另外由于执行机构在执行控制信号的时候需要一定的时间，进而使得系统的信号输出比较慢，当前施加的控制作用不能及时输出，进一步加重时滞的产生，严重影响了系统的稳定性，使得系统的控制性能大幅降低。

发明内容

本发明所要解决的问题是如何降低运维系统因海浪产生的迟滞影响。

为解决上述问题，一方面，本发明提供了一种混联平台迟滞响应的主动补偿方法，所述混联平台包括并联平台和舷梯，所述并联平台包括上平台和下平台，所述混联平台迟滞响应的主动补偿方法包括：

根据传感器的反馈信息获取船体的当前姿态变化信息；

将所述当前姿态变化信息取反发送至预测模型中，并结合当前执行器的运动信息，得到下一时刻的姿态变化预测信息；

根据所述姿态变化预测信息对所述混联平台进行分析，获取补偿信息，其中，对所述混联平台的分析包括运动学分析和动力学分析；

将所述补偿信息发送至控制器中，其中，所述控制器根据所述补偿信息修正控制信号，并将修正后的控制信号发送至所述执行器，控制所述执行器在下一时刻运动；

基于所述执行器的运动，获取所述执行器在下一时刻的所述运动信息，并将所述运动信息反馈至所述预测模型中；

循环执行上述步骤，以补偿所述执行器在每一时刻的运动误差。

进一步地，所述将所述当前姿态变化信息取反发送至预测模型中，并结合当前执行器的运动信息，得到下一时刻的姿态变化预测信息包括：

所述预测模型中引入混联平台在输入和输出过程中的动态特征参数，表达式为：

y_p(τ+1)＝f(y(τ),...,y(τ-n+1),u(τ),...,u(τ-m+1),d(τ),...,d(τ-m+1))，

其中，y_p(τ)为所述混联平台内的液压油缸在τ时刻的预测变化量，y(τ) 为所述混联平台内的液压油缸在τ时刻的实际变化量，u(τ)表示所述预测模型在τ时刻的输入，d(τ)为所述混联平台的液压系统在τ时刻的时滞时长，由仿真系统实际延迟时间产生，m、n分别表示有n个u和m个d。

根据上述表达式可知在过去的n个输入和m个输出决定着系统在τ+1时刻的输出值y_p(τ+1)。Elman神经网络预测模型的输入为：之前时刻的监测输入以及反馈的当前时刻的输出及外部干扰。在之后的仿真过程中，Elman网络模型输出的y_p可以替代实际输出y。训练好的Elman网络预测模型可以独立于机械系统之外，即可表示为下式：

y_p(τ)＝f(y_p(τ-1),u(τ-1),d(τ-1))，

进一步地，所述根据所述姿态变化预测信息对所述混联平台进行分析，获取补偿信息包括：

根据所述姿态变化预测信息对所述混联平台进行所述运动学分析，得到所述并联平台和所述舷梯的各个关节的速度和位移量；

根据所述速度和所述位移量，获得所述混联平台中所述执行器的驱动力和驱动力矩，其中，所述补偿信息包括各关节的所述速度和所述位移量以及所述执行器的所述驱动力和所述驱动力矩。

进一步地，所述运动学分析包括：

所述上平台相对于所述下平台的齐次变换矩阵为：

其中，

为位姿变换矩阵；

为所述上平台相对所述下平台的位移矩阵；

与

之间的坐标转换公式：

其中，

为所述上平台铰点坐标；

为所述下平台铰点坐标；

所述上平台和所述下平台之间的驱动杆杆长向量为：

所述舷梯末端相对于所述上平台中心的齐次变换矩阵为：

其中，θ₁为旋转关节旋转角；θ₂为俯仰关节的俯仰角；d为伸缩关节运动后所述舷梯长度。

进一步地，所述动力学分析包括：

所述并联平台的总动能为所述上平台的总动能与所述驱动杆的总动能之和，具体为：

其中，所述上平台的总动能为：

M_p为所述上平台的质量矩，V_p为所述上平台的移动矢量矩阵；

其中，所述驱动杆的总动能为：

m₁为所述驱动杆缸体部分质量，m₂为活塞部分质量；V_Gi为所述驱动杆质心的运动速度，

第i根所述驱动杆的势能为：

其中，g为重力加速度；g_i为液压油缸质心到所述下平台铰点的距离；s₁为所述液压油缸缸体质心到所述下平台铰点的距离；s₂为伸缩质心到所述上平台铰点的距离；h_gi为伸缩油缸质心占所述驱动杆总长度的比例

l_i为所述驱动杆的杆长向量；l_iz为l_i的z轴坐标；

进一步地，所述混联平台中的各个机构所需驱动力为：

其中，L为拉格朗日系数，L＝K-P，K为动能，P为位能；其中

和

分别为求偏导和求导数运算；

其中，l为所述旋转关节质心到所述上平台质心的水平距离，d₁为俯仰铰链到固定舷梯质心的距离，d₂为所述固定舷梯质心到活动舷梯质心的距离，θ₁为所述旋转关节旋转角；θ₂为所述俯仰关节的俯仰角，m3为所述上平台质量； m4为俯仰机构质量；m5为伸缩机构质量。

进一步地，所述混联平台迟滞响应的主动补偿方法还包括对预测模型的隐含层参数进行在线优化；

所述对预测模型的隐含层参数进行在线优化包括：

确定预测模型的最大层延迟系数和隐含层神经元个数的范围；

设置且固定所述预测模型的隐含层层延迟系数为所述最大层延迟系数，通过改变所述隐含层神经元个数，记录优化目标的变化，取使得优化目标产生最小值的层延迟系数为最终隐含层神经元个数；

在所述隐含层神经元个数取所述最终隐含层神经元个数的情况下，所述隐含层层延迟系数从1不断增大到所述最大层延迟系数，记录优化目标的变化，取使得所述优化目标产生最小值的所述隐含层层延迟系数为最终隐含层层延迟系数；

根据优化得到的最终隐含层神经元个数及最终隐含层层延迟系数，创建优化后的预测模型。

进一步地，所述预测模型的所述隐含层在当前时刻的总输入为：

式中ω_ji是输入层到所述隐含层的权值；O_ip为所述输入层的输出量；ω_jl结构层的权值；O_lp是所述结构层的输出量；τ时间函数；θ_j为第j层的阈值；d 为所述隐含层延迟系数。

所述优化目标为所述预测模型的误差函数，所述误差函数为：

其中，y_dk为输出层的期望值，P为总体样本的数量。

进一步地，所述对预测模型的隐含层参数进行在线优化之前，所述混联平台迟滞响应的主动补偿方法还包括：

以所述误差函数取值最小为目标，通过负梯度搜索技术调节所述预测模型中各层的权值或阈值，以使实际输出结果接近期望结果。

进一步地，所述预测模型的所述隐含层到输出层的所述权值ω_kj(τ+1)在训练过程中调整依据的公式为：

ω_kj(τ+1)＝ω_kj(τ)+Δω_kj(τ+1)，

其中，Δω_kj(τ+1)表示第j个隐含层对第k个输出层神经元网络权值的更新；η表示学习速率；P表示样本数；

表示隐含层输出值。

所述预测模型的所述输出层的所述阈值θ_k(τ+1)在训练过程中调整依据的公式为：

θ_k(τ+1)＝θ_k(τ)+Δθ_k(τ+1)，

θ_k表示输出层阈值；y_k(τ)表示输出层各节点的实际值；y_dk(τ)表示输出层各节点的期望值；

表示输出层的输入量；。

所述预测模型的所述输入层到所述隐含层的所述权值ω_ji(τ+1)在训练过程中调整依据的公式为：

ω_ji(τ+1)＝ω_ji(τ)+Δω_ji(τ+1)，

其中，Δω_ji(τ+1)表示第i个输入层对第j个隐含层神经元网络权值的更新；

表示隐含层层的学习信号；

表示输入层的输出值。

所述预测模型的所述隐含层的所述阈值θ_j(τ+1)在训练过程中调整依据的公式为：

θ_j(τ+1)＝θ_j(τ)+Δθ_j(τ+1)，

其中θ_j表示隐含层阈值；

表示隐含层的输入量。

所述预测模型的结构层的所述权值ω_jl(τ+1)在训练过程中调整依据的公式为：

ω_jl(τ+1)＝ω_jl(τ)+Δω_jl(τ+1)，

其中ω_jl表示结构层的权值，

表示隐含层的输出量。

与现有技术相比，本发明具有如下有益效果：

本发明提供的一种混联平台迟滞响应的主动补偿方法，首先取反的当前姿态变化信息发送到预测模型，得到下一时刻的船体姿态变化信号，提前预测海浪对船体的影响，然后进行逆运动学推算，获得执行器的补偿信息，最后通过控制器输出到执行器中，对执行器下一时刻的运动进行补偿，在执行器动作之前，将海浪对船体可能造成的影响消除，解决补偿迟滞响应的弊端。为了保证预测的精度，最后将下一时刻执行器的运行信息取反，并逆向推算出船体姿态的理论变化值，将理论变化值与船体姿态的实际变化值做差值，并将差值返回到预测模型中，将差值叠加到后一时刻的预测值中，对执行器进行进一步修正，使得补偿效果更好，促使运维系统更平稳的工作，以保证将工组人员或者设备准确输送至指定地点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单的介绍，显而易见地，下面描述中的附图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示出了本发明实施例中混联平台的结构示意图；

图2示出了本发明实施例中混联平台迟滞响应的主动补偿方法的流程图；

图3示出了六自由度并联平台结构和坐标系示意图；

图4示出了混联平台中各机构的坐标系示意图；

图5示出了驱动杆质心分布；

图6示出了Elman隐含层参数优化流程；

图7示出了主动海浪补偿系统联合仿真AMESim模型示意图；

图8示出了主动海浪补偿系统预测控制联合仿真Simulink模型示意图；

图9示出了横摇补偿误差分析结果图；

图10示出了纵摇补偿误差分析结果图；

图11示出了升沉补偿误差分析结果图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，混联海浪补偿平台机构由六自由度并联平台和三自由度串联舷梯组成。在六自由度并联平台中，下平台与运维船采用固定副连接，六根驱动杆分别与上、下平台用虎克铰连接。驱动杆采用液压缸实现，液压缸与活塞杆之间用圆柱副连接。在三自由度串联舷梯中，旋转机构与六自由度并联平台的上平台通过转动副连接，俯仰机构通过转动副与转动机构连接，伸缩关节通过移动副与俯仰机构连接。

图2示出了本发明实施例中混联平台迟滞响应的主动补偿方法的流程图，如上所述，混联平台包括并联平台和舷梯，所述并联平台包括上平台和下平台，所述混联平台迟滞响应的主动补偿方法包括：

步骤1：根据传感器的反馈信息获取船体的当前姿态变化信息；其中所述姿态变化信息包括：横荡，纵荡，艏摇，横摇，纵摇，垂荡等产生的船体动荡位移变化。

步骤2：将所述当前姿态变化信息取反发送至预测模型中，并结合当前执行器的运动信息，得到下一时刻的姿态变化预测信息。在将所述当前姿态变化信息取反发送至预测模型中的时候，将所述当前姿态变化信息取反，即相当于将海浪对船体的影响通过反向消除，并使用取反后的所述当前姿态变化信息进行预测，预测下一时刻船体姿态的变化情况。

步骤3：根据所述姿态变化预测信息对所述混联平台进行分析，获取补偿信息，其中，对所述混联平台的分析包括运动学分析和动力学分析；

步骤4：将所述补偿信息发送至控制器中，其中，所述控制器根据所述补偿信息修正控制信号，并将修正后的控制信号发送至所述执行器，控制所述执行器在下一时刻运动；

步骤5：基于所述执行器的运动，获取所述执行器在下一时刻的所述运动信息，并将所述运动信息反馈至所述预测模型中；

循环执行上述步骤，以补偿所述执行器在每一时刻的运动误差。

因为混联海浪补偿平台的机械结构和液压系统等原因不能及时做出补偿反应，产生迟滞响应。本发明为了消除迟滞响应，首先取反的当前姿态变化信息发送到Elman神经网络预测模型，得到下一时刻的船体姿态变化信号，提前预测海浪对船体的影响，然后进行逆运动学推算分析，获得执行器的补偿信息，最后通过控制器输出到执行器中，对执行器下一时刻的运动进行补偿，在执行器动作之前，将海浪对船体可能造成的影响消除，解决补偿迟滞响应的弊端。为了保证预测的精度，最后将下一时刻执行器的运行信息取反，并逆向推算出船体姿态的理论变化值，将理论变化值与船体姿态的实际变化值做差值，并将差值返回到预测模型中，将差值叠加到后一时刻的预测值中，对执行器进行进一步修正，使得补偿效果更好，促使运维系统更平稳的工作，以保证将工组人员或者设备准确输送至指定地点，在恶劣天气下，海上平台的运维工作也能正常进行。

在本发明的一种实施例中，所述将所述当前姿态变化信息取反发送至预测模型中，并结合当前执行器的运动信息，得到下一时刻的姿态变化预测信息包括：

所述预测模型中引入混联平台在输入和输出过程中的动态特征参数，表达式为：

y_p(τ+1)＝f(y(τ),...,y(τ-n+1),u(τ),...,u(τ-m+1),d(τ),...,d(τ-m+1))，

其中，y_p(τ)为所述混联平台内的液压油缸在τ时刻的预测变化量，y(τ) 为所述混联平台内的液压油缸在τ时刻的实际变化量，u(τ)表示预测模型在τ时刻的输入，d(τ)为所述混联平台的液压系统在τ时刻的时滞时长，由仿真系统实际延迟时间产生，m、n分别表示有n个u和m个d，f()表示y_p(τ+1) 的预测与哪些因素相关。

根据上述表达式可知在过去的n个输出和m个输入决定着系统在τ+1时刻的输出值y_p(τ+1)。Elman神经网络预测模型的输入为：之前时刻的监测输入以及反馈的当前时刻的输出及外部干扰。在之后的仿真过程中，Elman网络模型输出的y_p可以替代实际输出y。训练好的Elman网络预测模型可以独立于机械系统之外，即可表示为下式：

y_p(τ)＝f(y_p(τ-1),u(τ-1),d(τ-1))，

在解决主动海浪补偿系统执行机构滞后的问题中，之前的控制信号会影响系统输出的当前控制信号，但是当前控制信号受多少个之前控制信号的影响无法确定，即该滞后系统的滞后时间不能理论推到出。因此基于Elman网络的原理提出混联平台迟滞响应的主动补偿方法。

在本发明的一种实施例中，所述根据所述姿态变化预测信息对所述混联平台进行分析，获取补偿信息包括：

根据所述姿态变化预测信息对所述混联平台进行所述运动学分析，得到所述并联平台和所述舷梯的各个关节的速度和位移量；

根据所述速度和所述位移量，获得所述混联平台中所述执行器的驱动力和驱动力矩，其中，所述补偿信息包括各关节的所述速度和所述位移量以及所述执行器的所述驱动力和所述驱动力矩。

在本发明的一种实施例中，如图3所示，首先进行六自由度平台的建模，进行运动学推算在所述下平台中心点B建立坐标系B-x_by_bz_b，所述上平台中心点A建立坐标系A-x_ay_az_a。所述下平台为静平台固定在船上，所述上平台为动平台，随着驱动杆长度的变化而运动，同时所述上平台运动的姿态可由A坐标系相对于B坐标系表示。所述上平台的铰点为A_i(i＝1,2,3,4,5,6)，所述下平台的铰点为B_i(i＝1,2,3,4,5,6)。

所述上平台相对于所述下平台的齐次变换矩阵为：

其中，

为位姿变换矩阵；

为所述上平台相对所述下平台的位移矩阵；

与

之间的坐标转换公式：

其中，

为所述上平台铰点坐标；

为所述下平台铰点坐标；

设六自由度并联平台的六个连杆杆长分别为l_i(i＝1,2,3,4,5,6)，同一连杆两端分别对应上、所述下平台铰点，因此上平台和所述下平台之间的驱动杆杆长向量为：

如图4所示，为准确描述该机构的运动方式，本文采用D-H参数法建立三自由度串联舷梯各关节的坐标系。三自由度串联舷梯参考坐标系为o-x_oy_oz_o，由于三自由度串联舷梯通过回转关节固定在六自由度并联平台的上平台，故点o与上平台坐标系A-x_ay_az_a原点A重合。转动关节坐标系为o₁-x₁y₁z₁，转动轴为z₁；俯仰关节坐标系为o₂-x₂y₂z₂，转动轴为z₂；伸缩关节坐标系为o₃-x₃y₃z₃，移动轴为z₃。其中o₂到o距离为l，o₂到o₃距离为d。

逆运动学解算即已知舷梯末端位姿，求各关节的运动量。所述舷梯末端相对于所述上平台中心的齐次变换矩阵为：

各关节运动量表示为：

其中，θ₁为旋转关节旋转角；θ₂为俯仰关节的俯仰角；d为伸缩关节运动后舷梯长度。

计算完逆运动学之后，再计算各个执行机构的所需力与力矩，先分析上平台的动能和势能。采用拉格朗日法，建立六自由度并联平台的动力学建模。

通过观察可知，六自由度Stewart并联平台中，上平台的运动可分解为平移和旋转，所述上平台的总动能为：

所述上平台的总动能为：

M_p为所述上平台的质量矩，V_p为平台的移动矢量矩阵。

所述驱动杆的总动能为：

m₁为驱动杆缸体部分质量，m₂为活塞部分质量；V_Gi为驱动杆质心的运动速度，

对于驱动杆的动能和势能计算，将驱动杆缸体和驱动杆活塞的运动用各自质心的运动来表示，因此需确定驱动杆质心的位置。如附图5所示，假定驱动杆缸体部分质量为m₁，活塞部分质量为m₂；缸体质心到所述下平台铰点的距离为s₁，活塞质心到所述上平台铰点距离为s₂；驱动杆质心的速度为V_Gi，驱动杆的杆长为l_i，第i根驱动杆的势能为：

其中，g为重力加速度；g_i为液压油缸质心到所述下平台铰点的距离；s₁为液压油缸缸体质心到所述下平台铰点的距离；s₂为伸缩质心到所述上平台铰点的距离；h_gi为伸缩油缸质心占驱动杆总长度的比例

l_i为驱动杆的杆长向量；l_iz为l_i的z轴坐标。

通过上述推导过程，我们可以得到所述并联平台的总动能为所述上平台的总动能与驱动杆的总动能之和，具体为：

同样采用拉格朗日发对三自由度串联舷梯开展动力学分析及方程推导，根据之前运动学建模，转动关节(第一关节)坐标系为o₁-x₁y₁z₁，转动轴为z₁；俯仰关节(第二关节)坐标系为o₂-x₂y₂z₂，转动轴为z₂；伸缩关节(第三关节) 坐标系为o₃-x₃y₃z₃，移动轴为z₃。其中，旋转关节质心到所述上平台质心的水平距离为l，俯仰铰链到固定舷梯质心为d₁，固定舷梯质心到活动舷梯质心距离为d₂。θ₁为旋转关节旋转角；θ₂为俯仰关节得俯仰角。平台质量为m₃；俯仰机构质量为m₄；伸缩机构质量为m₅。旋转关节的转动惯量为I₁,俯仰关节的转动惯量为I₂,俯仰关节的转动惯量为I₃。

其中，所述混联平台中的各个机构所需驱动力为：

其中，L为拉格朗日系数，L＝K-P，K为动能，P为位能；其中

和

分别为求偏导和求导数运算；

对于第一关节的动能：

第二关节动能不光有第一关节带来的旋转量，同时还存在俯仰产生，所以第二关节的动能：

同样，对于第三关节，不光有伸缩带来的动能，也有第一第二关节带来的动量，第三关节的动能：

运动总能量为：

假设在水平时，重力势能为0求得各个机构的重力势能为：

P₁＝0，

P₂＝m₄gd₁sinθ₁，

P₃＝m₅g(d₁+d₂)sinθ₂，

P₁为回转机构的重力势能；P₂为回转机构重力势能；P₃为伸缩机构重力势能。

因此，总重力势能：P＝P₁+P₂+P₃＝m₄gd₁sinθ₁+m₅g(d₁+d₂)sinθ₂，

通过上述分析，可以得到：

其中，l为旋转关节质心到所述上平台质心的水平距离，d₁为俯仰铰链到固定舷梯质心的距离，d₂为固定舷梯质心到活动舷梯质心的距离，θ₁为旋转关节旋转角；θ₂为俯仰关节的俯仰角，m3为所述上平台质量；m4为俯仰机构质量；m5为伸缩机构质量。

对L求偏导和倒数

最终得到：

分别为第一关节，第二关节和第三关节运动所需要的力。

在本发明的一种实施例中，所述混联平台迟滞响应的主动补偿方法还包括对预测模型的隐含层参数进行在线优化；

如图6所示，所述对预测模型的隐含层参数进行在线优化包括：

确定预测模型的最大层延迟系数和隐含层神经元个数的范围；

设置且固定所述预测模型的隐含层层延迟系数为所述最大层延迟系数，通过改变所述隐含层神经元个数，记录优化目标的变化，取使得优化目标产生最小值的层延迟系数为最终隐含层神经元个数；

在所述隐含层神经元个数取所述最终隐含层神经元个数的情况下，所述隐含层层延迟系数从1不断增大到所述最大层延迟系数，记录优化目标的变化，取使得所述优化目标产生最小值的所述隐含层层延迟系数为最终隐含层层延迟系数。

根据优化得到的最终隐含层神经元个数及最终隐含层层延迟系数，创建优化后的预测模型。

在本发明的一种实施例中，所述对预测模型的隐含层参数进行在线优化之前，所述混联平台迟滞响应的主动补偿方法还包括：

以所述误差函数取值最小为目标，通过负梯度搜索技术调节所述预测模型中各层的权值或阈值，以使实际输出结果接近期望结果。

其中，所述预测模型的隐含层在当前时刻的总输入为：

式中ω_ji是输入层到隐含层的权值；O_ip为输入层的输出量；ω_jl结构层的权值；O_lp是结构层的输出量；τ时间函数；θ_j为第j层的阈值；d为隐含层延迟系数。对于单个隐含层中神经元数量的选择，在保证网络学习能正确表达输入和输出关系的条件下，应选取较少的节点数以优化网络结构，提高计算效率。

所述优化目标为预测模型的误差函数，所述误差函数为：

其中，y_dk为输出层的期望值，P为总体样本的数量；

Elman网络算法的核心思想为总误差均方值最小，即以所述误差函数取值最小为目标，通过负梯度搜索技术调节所述预测模型中各层的权值或阈值，以使实际输出结果接近期望结果。

在对各层的权值或者阈值进行调整的时候，调整的依据如下。

其中，所述预测模型的所述隐含层到输出层的所述权值ω_kj(τ+1)在训练过程中调整依据的公式为：

ω_kj(τ+1)＝ω_kj(τ)+Δω_kj(τ+1)，

其中，Δω_kj(τ+1)表示第j个隐含层对第k个输出层神经元网络权值的更新；η为学习速率；P为样本数；

表示隐含层输出值。

所述预测模型的所述输出层的所述阈值θ_k(τ+1)在训练过程中调整依据的公式为：

θ_k(τ+1)＝θ_k(τ)+Δθ_k(τ+1)，

θ_k表示输出层阈值；y_k(τ)为输出层各节点的实际值；y_dk(τ)为输出层各节点的期望值；

是输出层的输入量；。

所述预测模型的所述输入层到所述隐含层的所述权值ω_ji(τ+1)在训练过程中调整依据的公式为：

ω_ji(τ+1)＝ω_ji(τ)+Δω_ji(τ+1)，

其中，Δω_ji(τ+1)表示第i个输入层对第j个隐含层神经元网络权值的更新；

是隐含层层的学习信号；

表示输入层的输出值。

所述预测模型的所述隐含层的所述阈值θ_j(τ+1)在训练过程中调整依据的公式为：

θ_j(τ+1)＝θ_j(τ)+Δθ_j(τ+1)，

其中θ_j表示隐含层阈值；

是隐含层的输入量。

所述预测模型的所述结构层的所述权值ω_jl(τ+1)在训练过程中调整依据的公式为：

ω_jl(τ+1)＝ω_jl(τ)+Δω_jl(τ+1)，

其中ω_jl是结构层的权值，

是隐含层的输出量。

由上述可实现Elman神经网络预测模型各层间连接权值与阈值的调整。根据误差函数可知误差E_n的产生一方面是各层神经元连接权值和阈值的设置，这个问题可由权值与阈值的计算来调整，另一方面结合上一实施例中Elman 神经网络隐含层参数优化的方法，对预测模型可以进一步优化。

在本发明的一种实施例中，为了支撑上述方法和预测模型的顺利执行，设计了如下系统，将在Simulink(一种可视化仿真工具，模块图环境)中生成AMESim(多学科领域的复杂系统建模与仿真平台)的接口模块SimuCosim，实现Simulink和AMESim的联合仿真。从而实现Simulink-AMESim-ADAMS机电液联合仿真。

Simulink通过控制算法向AMESim的伺服阀输入控制量，AMESim执行机构产生相应的运动，并且将运动量输入至ADAMS(机械系统动力学自动分析) 中，从而ADAMS软件中的机构各关节进行输入的运动量，最后输出为混联机构末端在补偿方向与参考点的偏差量，即可反映主动海浪补偿系统的控制效果。如图7所示，为主动海浪补偿系统联合仿真AMESim模型。图8为主动海浪补偿系统Elman预测控制联合仿真simulink模型。

在主动海浪补偿系统混联机构末端设置参考点模拟实际作业中的风机平台，通过仿真分别得到在理想补偿以及PID控制算法和Elman预测控制各自控制算法的控制下，得到混联机构运动补偿后与参考点的误差曲线，分别如图9、图10和图11所示。

在系统理想补偿时候补偿误差几乎为零，混联机构末端与参考点几乎相对静止。但是在有液压系统执行机构存在时滞的情况下，横摇、纵摇和升沉方向补偿误差都变大，故需要通过控制系统来解决时滞问题，使得补偿误差减小，从而保证混联机构在受到海浪的干扰下保持与风机平台保持静止。在两种方法的控制下，海浪对于混联机构的影响已经得到了有效的控制。图9 为横摇方向的补偿误差，在没有补偿的情况下即为输入周期五秒，最大幅度为6°，在PID控制下，横摇方向最大幅度为2°，在Elman预测控制下，横摇方向最大幅度为1°。图10所示为纵摇方向的补偿误差在没有补偿的情况下即为输入周期五秒，最大幅度为1.5°，在PID控制下，纵摇方向最大幅度为0.4°，在Elman预测控制下，纵摇方向最大幅度为不到0.2°。图11所示为纵摇方向的补偿误差在没有补偿的情况下即为输入周期五秒，最大幅度为2.5m，在PID 控制下，升沉方向最大幅度为0.4m，在Elman预测控制下，升沉方向最大幅度为0.2m。从而可以说明尽管Elman预测值与测量值存在一定误差，但是对系统的控制量确定并没有太大的影响，并且相对于传统PID控制补偿效果更有效。

表1为本发明提出的基于Elman神经网络的控制方法与传统PID控制方法所得结果对比表：

表1Elman神经网络预测控制误差与传统PID控制方法误差对比

	无补偿情况误差	传统PID控制误差	本发明Elman预测控制误差
				横摇	6°	2°	1°
纵摇	1.5°	0.4°	0.2°
				升沉	2.5m	0.4m	0.2m

尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种混联平台迟滞响应的主动补偿方法，其特征在于，所述混联平台包括并联平台和舷梯，所述并联平台包括上平台和下平台，所述混联平台迟滞响应的主动补偿方法包括：

根据传感器的反馈信息获取船体的当前姿态变化信息；

将所述当前姿态变化信息取反发送至预测模型中，并结合当前执行器的运动信息，得到下一时刻的姿态变化预测信息；

根据所述姿态变化预测信息对所述混联平台进行分析，获取补偿信息，其中，对所述混联平台的分析包括运动学分析和动力学分析；

将所述补偿信息发送至控制器中，其中，所述控制器根据所述补偿信息修正控制信号，并将修正后的控制信号发送至所述执行器，控制所述执行器在下一时刻运动；

基于所述执行器的运动，获取所述执行器在下一时刻的所述运动信息，并将所述运动信息反馈至所述预测模型中；

循环执行上述步骤，以补偿所述执行器在每一时刻的运动误差。

2.根据权利要求1所述的混联平台迟滞响应的主动补偿方法，其特征在于，所述将所述当前姿态变化信息取反发送至预测模型中，并结合当前执行器的运动信息，得到下一时刻的姿态变化预测信息包括：

所述预测模型中引入混联平台在输入和输出过程中的动态特征参数，表达式为：

y_p(τ+1)＝f(y(τ),...,y(τ-n+1),u(τ),...,u(τ-m+1),d(τ),...,d(τ-m+1))

其中，y_p(τ)为所述混联平台内的液压油缸在τ时刻的预测变化量，y(τ)为所述混联平台内的液压油缸在τ时刻的实际变化量，u(τ)表示所述预测模型在τ时刻的输入，d(τ)为所述混联平台的液压系统在τ时刻的时滞时长，由仿真系统实际延迟时间产生，m、n分别表示有n个u和m个d。

3.根据权利要求1所述的混联平台迟滞响应的主动补偿方法，其特征在于，所述根据所述姿态变化预测信息对所述混联平台进行分析，获取补偿信息包括：

根据所述姿态变化预测信息对所述混联平台进行所述运动学分析，得到所述并联平台和所述舷梯的各个关节的速度和位移量；

根据所述速度和所述位移量，获得所述混联平台中所述执行器的驱动力和驱动力矩，其中，所述补偿信息包括各关节的所述速度和所述位移量以及所述执行器的所述驱动力和所述驱动力矩。

4.根据权利要求1所述的混联平台迟滞响应的主动补偿方法，其特征在于，所述运动学分析包括：

所述上平台相对于所述下平台的齐次变换矩阵为：

其中，

为位姿变换矩阵；

为所述上平台相对所述下平台的位移矩阵；

与

之间的坐标转换公式：

其中，

为所述上平台铰点坐标；

为所述下平台铰点坐标；

所述上平台和所述下平台之间的驱动杆杆长向量为：

所述舷梯末端相对于所述上平台中心的齐次变换矩阵为：

其中，θ₁为旋转关节旋转角；θ₂为俯仰关节的俯仰角；d为伸缩关节运动后所述舷梯长度。

5.根据权利要求4所述的混联平台迟滞响应的主动补偿方法，其特征在于，所述动力学分析包括：

所述并联平台的总动能为所述上平台的总动能与所述驱动杆的总动能之和，具体为：

其中，所述上平台的总动能为：

M_p为所述上平台的质量矩，V_p为所述上平台的移动矢量矩阵；

其中，所述驱动杆的总动能为：

m₁为所述驱动杆缸体部分质量，m₂为活塞部分质量；V_Gi为所述驱动杆质心的运动速度，

第i根所述驱动杆的势能为：

其中，g为重力加速度；g_i为液压油缸质心到所述下平台铰点的距离；s₁为所述液压油缸缸体质心到所述下平台铰点的距离；s₂为伸缩质心到所述上平台铰点的距离；h_gi为伸缩油缸质心占所述驱动杆总长度的比例

l_i为所述驱动杆的杆长向量；l_iz为l_i的z轴坐标。

6.根据权利要求5所述的混联平台迟滞响应的主动补偿方法，其特征在于，所述混联平台中的各个机构所需驱动力为：

其中，L为拉格朗日系数，L＝K-P，K为动能，P为位能；其中

和

分别为求偏导和求导数运算；

其中，l为所述旋转关节质心到所述上平台质心的水平距离，d₁为俯仰铰链到固定舷梯质心的距离，d₂为所述固定舷梯质心到活动舷梯质心的距离，θ₁为所述旋转关节旋转角；θ₂为所述俯仰关节的俯仰角，m3为所述上平台质量；m4为俯仰机构质量；m5为伸缩机构质量。

7.根据权利要求1所述的混联平台迟滞响应的主动补偿方法，其特征在于，还包括对预测模型的隐含层参数进行在线优化；

所述对预测模型的隐含层参数进行在线优化包括：

确定预测模型的最大层延迟系数和隐含层神经元个数的范围；

设置且固定所述预测模型的隐含层层延迟系数为所述最大层延迟系数，通过改变所述隐含层神经元个数，记录优化目标的变化，取使得优化目标产生最小值的层延迟系数为最终隐含层神经元个数；

在所述隐含层神经元个数取所述最终隐含层神经元个数的情况下，所述隐含层层延迟系数从1不断增大到所述最大层延迟系数，记录优化目标的变化，取使得所述优化目标产生最小值的所述隐含层层延迟系数为最终隐含层层延迟系数；

根据优化得到的最终隐含层神经元个数及最终隐含层层延迟系数，创建优化后的预测模型。

8.根据权利要求7所述的混联平台迟滞响应的主动补偿方法，其特征在于，所述预测模型的所述隐含层在当前时刻的总输入为：

式中ω_ji是输入层到所述隐含层的权值；O_ip为所述输入层的输出量；ω_jl结构层的权值；O_lp是所述结构层的输出量；τ时间函数；θ_j为第j层的阈值；d为所述隐含层延迟系数；

所述优化目标为所述预测模型的误差函数，所述误差函数为：

其中，y_dk为输出层的期望值，P为总体样本的数量。

9.根据权利要求7所述的混联平台迟滞响应的主动补偿方法，其特征在于，所述对预测模型的隐含层参数进行在线优化之前，还包括：

以所述误差函数取值最小为目标，通过负梯度搜索技术调节所述预测模型中各层的权值或阈值，以使实际输出结果接近期望结果。

10.根据权利要求9所述的混联平台迟滞响应的主动补偿方法，其特征在于，所述预测模型的所述隐含层到输出层的所述权值ω_kj(τ+1)在训练过程中调整依据的公式为：

ω_kj(τ+1)＝ω_kj(τ)+Δω_kj(τ+1)，

其中，Δω_kj(τ+1)表示第j个隐含层对第k个输出层神经元网络权值的更新；η表示学习速率；P表示样本数；

表示隐含层输出值。

所述预测模型的所述输出层的所述阈值θ_k(τ+1)在训练过程中调整依据的公式为：

θ_k(τ+1)＝θ_k(τ)+Δθ_k(τ+1)，

θ_k表示输出层阈值；y_k(τ)表示输出层各节点的实际值；y_dk(τ)表示输出层各节点的期望值；

表示输出层的输入量；。

所述预测模型的所述输入层到所述隐含层的所述权值ω_ji(τ+1)在训练过程中调整依据的公式为：

ω_ji(τ+1)＝ω_ji(τ)+Δω_ji(τ+1)，

其中，Δω_ji(τ+1)表示第i个输入层对第j个隐含层神经元网络权值的更新；

表示隐含层层的学习信号；

表示输入层的输出值。

所述预测模型的所述隐含层的所述阈值θ_j(τ+1)在训练过程中调整依据的公式为：

θ_j(τ+1)＝θ_j(τ)+Δθ_j(τ+1)，

其中θ_j表示隐含层阈值；

表示隐含层的输入量。

所述预测模型的结构层的所述权值ω_jl(τ+1)在训练过程中调整依据的公式为：

ω_jl(τ+1)＝ω_jl(τ)+Δω_jl(τ+1)，

其中ω_jl表示结构层的权值，

表示隐含层的输出量。

Images