JP4395269B2

JP4395269B2 - Relative floating body motion system, motion control circuit between two floating bodies, and simulator

Info

Publication number: JP4395269B2
Application number: JP2001133351A
Authority: JP
Inventors: 郁夫山本; 克哉太呉; 雅之橋本; 正己松浦; 英一小林
Original assignee: Mitsubishi Heavy Industries Ltd
Current assignee: Mitsubishi Heavy Industries Ltd
Priority date: 2001-04-27
Filing date: 2001-04-27
Publication date: 2010-01-06
Anticipated expiration: 2021-04-27
Also published as: JP2002321690A

Description

【０００１】
【発明の属する技術分野】
本発明は、相対的浮体運動システム、２浮体間運動制御回路及びシミュレータに関し、特に、力学的に影響し合う２浮体間の非線形運動制御を有効化する相対的浮体運動システム、２浮体間運動制御回路及びシミュレータに関する。
【０００２】
【従来の技術】
２浮体間の位置制御の適正化が求められる。洋上生産システムは、洋上に係留され位置が概ね固定的に制御されるＦＰＳＯを備えている。そのＦＰＳＯから、シャトルタンカーに洋上積み出しが行われる。ＦＰＳＯとシャトルタンカーとの間で行われる洋上積み出し作業を円滑化するために、ＦＰＳＯとシャトルタンカーとの間の相対的位置制御が望まれる。従来は、ＦＰＳＯとシャトルタンカーは潮流に身を任せて相対的距離と相対的回転角を自動調整し、又は、タグボート、ＦＰＳＯとシャトルタンカーのスラスタを用いて名人芸的に人為的にその制御を行っていた。
【０００３】
ＦＰＳＯとシャトルタンカーのそのような位置制御は、その自動化が望まれる。シャトルタンカー３は、図１に示されるように、ＦＰＳＯ１にホーサ４で繋がれているが、潮流、波などの自然環境の中で自然放流状態に放置されている。シャトルタンカー３とＦＰＳＯ１の基準点間距離は、ホーサ４の垂れと伸縮により許容される離隔誤差の範囲で一定距離に維持されている。シャトルタンカー３が外力の方向の変化により回転的にＦＰＳＯ１に対して相対的に運動・変位する場合に、ＦＰＳＯ１とシャトルタンカー３の間の相対的距離が離隔誤差範囲内で一定になるようにフィードバック制御が行われることが望まれる。そのような制御として、ＰＩＤ制御が適正である。そのようなＰＩＤ制御としては、既述の基準点間距離が一定になるようにＦＰＳＯ１の回転変位を制御する距離一定制御と、微分ゲイン主体の調整（相対的角速度を減少させる調整）によりＦＰＳＯ１を外力方向に回転させる回頭角方位保持制御とが考えられる。ＦＰＳＯの可動項目は回頭角に限定されるので、距離一定制御は、物体固定座標系の相対位置のＹ軸（横軸、船尾船首方向に直交する軸）方向成分を回頭角の偏差相当に変換される。距離一定制御は、張力を平均的に減少させるが、回頭角を安定化させる部分が存在しないので、振れが大きくなって張力が過大になることが観測された。他の制御である回頭角方位保持制御は、船位を安定させシャトルタンカーに対する位相のずれを減少させることにより安定化を実現するので、長時間に亘って安定した制御を実現することができる。
【０００４】
このようなＰＩＤ制御は、巨大な質量を持つＦＰＳＯの外乱応答が迅速でなく、相対的距離変位が直ちにホーサ４の張力に影響を与える非線形現象に満足に対応することは極めて困難である。２浮体の相対的回転は直ちにホーサの両端間の距離変動を招くこと、目標制御量と出力制御量との対応が遅延すること、その遅延の間に多様な２浮体相対間の物理量が無制御的に変動すること、制御が多体問題であること等が複合的に重なる非線形要因によって、巨大質量を持つ相対的運動浮体を満足に行う制御はＰＩＤ制御だけで実現することは困難である。
【０００５】
力学的に影響しあう巨大質量を持つ相対的運動浮体の有効な運動制御の技術の確立が求められる。特に、回転運動が相対的距離変動を招く２運動浮体の間の運動の有効な制御が望まれる。特に、回転運動を相対的距離とその変動に基づいて補正する補正技術の確立が求められ、外乱に対する適応性に優れていることが望ましい。
【０００６】
【発明が解決しようとする課題】
本発明の課題は、力学的に影響しあう巨大質量を持つ相対的運動浮体の有効な運動制御の技術を確立することができる相対的浮体運動システム、２浮体間運動制御回路及びシミュレータを提供することにある。
本発明の他の課題は、特に回転運動が相対的距離変動を招く２運動浮体の間の運動の有効な制御を実現することができる相対的浮体運動システム、２浮体間運動制御回路及びシミュレータを提供することにある。
本発明の更に他の課題は、回転運動を相対的距離とその変動に基づく補正が有効であり、外乱に対して適応性が優れている相対的浮体運動システム、２浮体間運動制御回路及びシミュレータを提供することにある。
【０００７】
【課題を解決するための手段】
その課題を解決するための手段が、下記のように表現される。その表現中に現れる技術的事項には、括弧（）つきで、番号、記号等が添記されている。その番号、記号等は、本発明の実施の複数・形態又は複数の実施例のうちの少なくとも１つの実施の形態又は複数の実施例を構成する技術的事項、特に、その実施の形態又は実施例に対応する図面に表現されている技術的事項に付せられている参照番号、参照記号等に一致している。このような参照番号、参照記号は、請求項記載の技術的事項と実施の形態又は実施例の技術的事項との対応・橋渡しを明確にしている。このような対応・橋渡しは、請求項記載の技術的事項が実施の形態又は実施例の技術的事項に限定されて解釈されることを意味しない。
【０００８】
本発明による相対的浮体運動システムは、第１浮体（１）と、第１浮体（１）に変位可能に連結されている第２浮体（３）とを含み、第１浮体（１）は、制御回路（６）を備え、制御回路（６）は、第１物理的信号（θ１）が第１入力信号である第１制御回路（７）と、第２浮体（１）に対する第１浮体（１）の相対的物理量である第２物理的信号（Ｒ，ΔＲ）が第２入力信号である第２制御回路（８）とから形成されている。第１浮体（１）の運動は、第１制御回路（７）の第１出力信号（９）と第２制御回路（８）の第２出力信号（１１）とに基づく第３物理的信号（１２）に基づいて制御される。第２制御回路（８）は、第１出力信号（９）を補正するための第２出力信号（１１）を出力するニューラルネットワークである。第１浮体（１）の運動出力は教師データ（１４）としてニューラルネットワーク（８）に戻される。第１制御回路（７）だけで運動制御する場合には、ホーサ（４）の張力により強く影響を受けて２浮体が２浮体間運動する際に、２浮体間の相対的物理量は、目標関数（θ１）とフィードバック信号（θ２）に基づく第１制御回路（７）のフィードバック制御に反映されず、２浮体間の相対的物理量の変動が有効にフィードバックされない。２浮体間の相対的物理量の変動を計算するための運動方程式は非線形微分方程式であり、巨大物体の多体運動はリアルタイムに厳密には求められ得ない。ニューラルネットワーク（８）は、学習によって、２浮体間の相対的物理量である入力（Ｒ，ΔＲ）に基づいて即座に補正量（１１）を出力することができる。
【０００９】
第１制御回路は、フィードバック制御回路であり特にＰＩＤ制御回路であることが好ましい。第２浮体（３）は第１浮体（１）に伸縮・曲がりが可能であり張力が変動するホースを介して連結されている場合に、２体運動は非線形的運動方程式により記述される。制御回路（６）は、第３物理的信号（１２）に基づいて第１浮体（１）の運動を制御する制御機構（１）を更に備え、第３物理的信号（１２）は制御機構（１）の目標関数として入力される。制御機構（１）は、第１浮体（１）そのものであり、制御用電子回路とスラスタのようなアクチュエータとから構成されている。第１浮体（１）の運動出力は教師データ（１４）として第２制御回路（８）に戻される。教師データは、常態的にフィードバックされることは可能であり、第２制御回路（８）が十分な学習を終えるまでより適正な値として第２制御回路（８）に入力され得る。第１浮体（１）が、他のニューラルネットワークであることは極めて好ましい。
【００１０】
第１物理的信号（θ１）としては、第１浮体（１）に作用する外力の第１浮体（１）に対する外力方向が好適に例示される。この場合、第２物理的信号は、第１浮体（１）と第２浮体（３）の間の相対的距離（Ｒ）と相対的距離の変位量（ΔＲ）とが好適に例示される。
【００１１】
ニューラルネットワーク（８）は多層を備え、多層のうちの１つの層の第ｉ番目のニューロン出力がＱｉで表され、１つの層の次の層の第ｊ番目のニューロンに入力するニューロン入力がＱｊで表され、第ｉ番目のニューロンと第ｊ番目のニューロンとの間の荷重係数がωｉｊで表され、ニューラルネットワークは次式：
Ｑｊ＝ｆ（Σ_ｉωｉｊＱｉ）
特に、
Ｑｊ＝ｔａｎｈ（Σ_ｉωｉｊＱｉ）
で表される。このような関数は公知であるが２浮体間制御のために好ましい。
【００１２】
本発明による２浮体間運動制御回路は、第２浮体（３）に変位自在に連結され第２浮体（３）に対して相対的に運動する第１浮体（１）に搭載される２浮体間運動制御回路（６）である。２浮体間運動制御回路（６）は、第１物理的次元を持つ第１入力信号（θ１）が第１目標関数として入力され第２物理的次元を持つ第１出力信号（９）を出力する第１制御回路（７）と、第３物理的次元を持つ複数の第２入力信号（Ｒ，ΔＲ）が入力され第２物理的次元を持つ第２出力信号（１１）を出力する第２制御回路（８）と、第１出力信号（９）と第２出力信号（１１）とに基づく信号が第２目標関数（１２）として入力され第１浮体（１）の運動を制御する第３出力信号（１４）を出力する第３制御回路（１）とを含み、第２制御回路（８）はニューラルネットワークであり、第２出力信号（１１）は第１出力信号（９）を補正する。第３制御回路は制御機構であり第２浮体（１）に同定される。
【００１３】
本発明による２浮体間運動制御シミュレータは、第１浮体（１）のアクチュエータを動作させる動作信号（２４）が入力されるアクチュエータ模擬入力回路（２１）と、第１浮体（１）の運動の第１運動値と第１浮体（１）に変位自在に連結されている第２浮体（３）の運動の第２運動値とから形成される運動値（２７）を出力する浮体模擬出力回路（２２）と、それらの動作信号が入力され運動値（２７）を出力しアクチュエータ模擬入力回路（２１）と浮体模擬出力回路（２２）との間に介設されるニューロンネットワーク（２３）とから構成されている。
【００１４】
このようなシミュレータは、水槽の中で試験される２浮体に同定されるシミュレーション用の純粋の電子回路であり得る。出力を学習により学んで入力に応答するシミュレータは、その学習が十分である学習段階では、シミュレータは実物そのものに等価である。このようなシミュレータを製作しておけば、コンピュータ内で繰り返して試験を行うことができるようになる。
【００１５】
このように、ニューラルネットワーク制御機構又はニューラルネットワーク・フィードバック制御機構は、シミュレーションだけでなく実物の非線形物理現象を制御する制御機構として最適である。連結浮体としては、２メガフロート、２連結飛行船に限られず、多体連結メガフロート、多体連結飛行船が例示される。連結多体は、一方略固定、両方自由の態様を取り得る。
【００１６】
【発明の実施の形態】
図に対応して、本発明による相対的浮体運動システムの実施の形態は、ＦＰＳＯに対してシャトルタンカーが配置されている。そのＦＰＳＯ１は、図１に示されるように、複数本の係留索２により係留され海洋上に概固定されているが、２次元面上で僅かに変位することができ、更に、その２次元面上で回転可能である。そのシャトルタンカー３は、連結用ホーサ４により繋がれて潮流の後流側に自然状態で放置・放流されている。連結用ホーサ４の長さにに概ね拘束されて、ＦＰＳＯ１の連結基準点とシャトルタンカー３の連結基準点の間の距離は概ね一定に自然に保持されるが、連結用ホーサ４の張力変動に依存する伸縮の程度の範囲で相対間距離は変動している。原油・天然ガスのような液体は、ＦＰＳＯ１からシャトルタンカー３にフローティングホースを介して積み出される。ＦＰＳＯ１は、概ね、重心Ｇを通る鉛直線Ｌのまわりに自転する。重心Ｇは、狭く制限され閉じた領域の中で振れ動くことができる。
【００１７】
図２は、ＦＰＳＯ１が搭載する制御コンピュータ６を示している。制御コンピュータ６は、ＰＩＤ制御ユニット７と、ニューラルネットワーク制御ユニット８とを備えている。ＰＩＤ制御ユニット７には、目標外力方向（例示：潮流とＦＰＳＯ１に固定されている座標系の基準線・Ｘ軸と潮流方向の間の角度・方位）θ１と、ＦＰＳＯ１に対する現実の外力方向（フィードバック信号）θ２が減算的に入力される。外力は、朝夕力、潮流力、風力、波力のような複合自然環境力である。
【００１８】
ニューラルネットワーク制御ユニット８には、ＦＰＳＯ１と係留索２の基準点間距離（例示：連結用ホーサ４の両端点）Ｒと時々刻々の基準点間距離変位量ΔＲとが入力される。ニューラルネットワーク制御ユニット８は、学習機能により得た補正回頭角Δθ（Ｒ，ΔＲ）又はθ^Ｒを出力する。補正回頭角Δθ（Ｒ，ΔＲ）は、ＦＰＳＯ１とシャトルタンカー３の相対距離と相対距離偏差に基づいたＦＰＳＯ１とシャトルタンカー３の間の回頭角換算偏差である：
Δθ＝θ^Ｒ＝Δθ（Ｒ，ΔＲ）・・・・・（１）
ＰＩＤ制御ユニット７が出力する主ＦＰＳＯ制御モーメント９とニューラルネットワーク制御ユニット８が出力する副ＦＰＳＯ制御モーメント１１とは、加算的にＦＰＳＯ１のスラスタ群（図示されず）に目標制御モーメント１２として入力される。ＦＰＳＯ１は、現実に検出されるＦＰＳＯ１の相対角度（検出回頭角）θ２を出力する。θ２は、ＰＩＤ制御ユニット７に主フィードバック信号１３として戻されるとともに、ニューラルネットワーク制御ユニット８にも副フィードバック信号１４として戻される。ニューラルネットワーク制御ユニット８に戻されるフィードバック信号は、ニューラルネットワーク制御では、教師データと呼ばれる。船舶高等技術者（船長、パイロット）の操縦に基づく出力は、教師データ１４’としてニューラルネットワーク制御ユニット８にフィードバックされる。
【００１９】
ＦＰＳＯ１は、ニューラルネットワークで形成されるニューラルネットワーク運動体として提供され得る。図３は、ＦＰＳＯ１を示している。ＦＰＳＯ１の物理的データは、入力データ対応外力（自然環境力、スラスタ力の反作用力としての外力のような船体に作用する外力を含む全外力）２１と、入力データ対応外力２１に基づいて運動する船体の出力運動対応データ（サージ、スウエイ、ヨーの回転運動と直線運動）２２と、ニューラルネット層２３とから形成されている。入力データ対応外力２１は、一般的には、相対的運動２浮体であるＦＰＳＯ１とシャトルタンカー３のそれぞれに作用する外力であるが、今の場合、シャトルタンカー３はホーサ張力を受けているだけで自然環境状態に置かれている。
【００２０】
ニューラルネット層２３は、制御変数が多い場合に、複数層が採択される。その複数層は、単一又は複数の入力層２３−１と、単一又は複数の中間層２３−２と、単一又は複数の出力層２３−３とから形成されている。入力層２３−１には、ＦＰＳＯ１とシャトルタンカー３の複数のアクチュエータ・スラスタの複数推力、ホーサ張力、その他のアクチェータの第１出力２４−１〜ｎがそれぞれに個別に第１ネット結節点（ノード）に入力される。第１出力２４−１〜ｎのそれぞれは、係数をかけられて第１ネット結節点から第２出力２５−１〜ｎとして出力される。第２出力２５−１〜ｎのそれぞれは、中間層２３−２のｎ個の第２ネット結節点に入力する。第２出力２５−１〜ｎのそれぞれは、第２ネット結節点でそれぞれに係数をかけられて、第２ネット結節点から第３出力２６−１〜ｎとして出力される。第３出力２６−１〜ｎのそれぞれは、出力層２３−３のｎ個の第３ネット結節点に入力する。第３出力２６−１〜ｎのそれぞれは、第３ネット結節点でそれぞれに係数をかけられて、第３ネット結節点から第４出力２７−１〜ｎとして出力される。
【００２１】
ニューロン（結節点）の入出力関係は、次式で表される。
Ｑｊ＝ｔａｎｈ（Σ_ｉωｉｊＱｉ）・・・・・（２）
Ｑｉ：ある階層の第ｉ番目のニューロンの出力
ωｉｊ：その第ｉ番目のニューロンから次の層の第ｊ番目のニューロンへ係数（荷重値）
ここでΣの右下添字ｉは、これについて足し加えることを意味する。荷重の学習は、バックプロパゲーションにより実行される。出力層２３−３の第４出力２７−１〜ｎが教師的に採択される教師データ２８に一致するように荷重値ωｉｊがネットワーク内で計算されて決定される。ニューロン数（船体に作用する現実的外力変数の数）が十分に多く、出力層２３−３に教師データが入力される回数が十分に多くなれば、入力データ対応外力２１に対応する出力データ２２が正しい値に漸近的に収束する。このような学習を終えたＦＰＳＯ１は、目標制御モーメント１２である制御信号に従って目標値に漸近する副フィードバック信号１４を獲得することができる。
【００２２】
ニューラルネットワーク制御ユニット８は、このようなネットワーク構造を有している。一般的には、ニューラルネットワーク制御ユニット８にフィードバックされる副フィードバック信号１４は、ＰＩＤ制御ユニット７が出力する主ＦＰＳＯ制御モーメント９を自らが出力する副ＦＰＳＯ制御モーメント１１によって補正した後のＦＰＳＯ１の出力値が教師データとして参照されている。
【００２３】
図２に示される制御系は、ＰＩＤゲインと、学習係数と、加算係数の点で調整される。
ＰＩＤゲイン調整：
Ｐゲインは小さく調整され、Ｉゲインは零に調整され、Ｄゲインは主の制御ゲインとして大きく調整されることが好ましい。
学習係数の調整：
ニューラルネットワークの出力関数１１の定義域は−∞〜＋∞であるが、値域は−１〜＋１であって飽和特性を持っている。学習の進行によって荷重値が正又は負に過大になると、ニューロンの出力は飽和して、過学習の状態になって適正な制御ができなくなる。学習中のニューロンの出力と学習後の荷重値とを比較確認することにより、過学習の状態になることを回避するための学習係数ωｉｊを調整することが有効である。
加算係数の調整：
ニューラルネットワーク８の出力は、既述の通り、−１〜＋１であるが、これをモーメント制御量として用いるため換算する必要がある。ＰＩＤ制御ユニット７がＰＩＤ制御によって出力する主ＦＰＳＯ制御モーメント９を基準値として、副ＦＰＳＯ制御モーメント１１の主ＦＰＳＯ制御モーメント９に対する比率を調整することが有効である。その比率がｋで表されれば、
副ＦＰＳＯ制御モーメント＝ｋ（主ＦＰＳＯ制御モーメント）・・・・・（３）
【００２４】
ＦＰＳＯ１は、ニューラルネットワークに同定されることが確認される。２浮体問題のシミュレーションを行うために、ＦＰＳＯ１とシャトルタンカー３の特性解析が行う水槽実験が行われた。その特性解析のために、ＦＰＳＯ１とシャトルタンカー３の特性データが水槽実験により採取される。その特性データの同定が、ＦＰＳＯ１に固有のニューラルネットワークにより行われる。ニューラルネットワーク１は、水槽実験の動特性がニューラルネットワークの出力２２と一致するように学習して行く。
【００２５】
図４は、その水槽実験の実験装置を示している。計測台車３１と実験用２浮体とが用意されている。実験用２浮体は、ＦＰＳＯ対応模型（長さ約２５５ｍ）３２とシャトル対応模型（長さ約２３０ｍ）３３とから構成されている。ＦＰＳＯ対応模型３２の船尾とシャトル対応模型３３の船首が既述の相対距離の両端点として設定されている。ＦＰＳＯ対応模型３２の船尾とシャトル対応模型３３とは、その両端点でホーサ対応模擬ばね３４により連結されている。両模型は、ホーサ対応模擬ばね３４に連結されて水槽の水面（海水面）に浮かせられ、計測台車３１により牽引され、水槽に海流（潮流）は生成されていない。
【００２６】
シャトル対応模型３３の船尾側にタグ曳引力対応模擬送風機３５が搭載されている。シャトル対応模型３３は、舵３６とプロペラ３７を備えている。ＦＰＳＯ対応模型３２は、回頭角制御用首振りスラスタ３８を装備している。シャトル対応模型３３は、船首部にバウスラスタ３９を装備している。計測台車３１は、ＦＰＳＯ制御用ＰＣ４１と、シャトル制御用ＰＣ４２と、データ解析用ＰＣ４３とを搭載している。ＦＰＳＯ対応模型３２は、計測台車３１に曳航治具４３を介して一定方向に曳航される。水槽実験を通して、ＦＰＳＯ対応模型３２とシャトル対応模型３３は、外力に対する運動としての出力が教師データに一致するように学習させられている。
【００２７】
図５，６，７は、シャトル対応模型３３が学習して得た制御能力により運動した結果を示している。図５は、図３に示されるニューラルネットワーク制御によりシャトル対応模型３３が制御されて運動する運動出力値のうちのサージ運動出力を示している。図６は、図３に示されるニューラルネットワーク制御によりシャトル対応模型３３が制御されて運動する運動出力値のうちのスウエイ運動出力を示している。図７は、図３に示されるニューラルネットワーク制御によりシャトル対応模型３３が制御されて運動する運動出力値のうちのヨー運動出力を示している。図５，６，７には、学習済みニューラルネットワーク制御の計算結果と、実測値を示している。図５，６，７に見られるように、シャトル対応模型３３の学習能力は十分に高いことを示している。このように、ＦＰＳＯ１は、ニューラルネットワークそのもにとして一致し、その同定精度は十分に高い。このような学習機能を持つＦＰＳＯ１は、運動方程式を解くことなくその運動の結果を知ることができる。
【００２８】
図８は、図２に示される制御の水槽実験の試験条件一覧を示す表である。制御モードは、３通りに設定されている。その３通りは、制御なしと、ＰＩＤ制御と、（ＰＩＤ＋ニューラルネットワーク）制御とである。それぞれの制御モードについて、試験条件が示されている。制御対象は、ＰＩＤ制御によるＦＰＳＯ方位角と、（ＰＩＤ＋ニューラルネットワーク）制御によるＦＰＳＯ船尾と相対位置Δθ（Ｒ，ΔＲ）である。試験条件は、波高、波方向、潮流速度、潮流方向、タグ曳引力であり、更に、ＦＰＳＯに関しては、スラスタ首振り角、スラスタ最大推力であり、シャトル３３に関しては、バウスラスタ最大推力、プロペラ推力である。今の場合、シャトル３３は自由状態に放流されている。図８の表の最右欄は、試験参照番号を示している。
【００２９】
図９は、多方向不規則波と潮流の生成を示している。波は、水槽短辺側造波機により生成され、潮流は計測台車３１の相対的直線運動に代えられている。実験のフローは、次の通りである。
（ａ）計測台車３１を想定流速で航走させ、進行角０度で整定させる。
（ｂ）波・潮流が整定したポイントから流速方向を変えるために、計測台車３１をＹ方向に（既述の横軸方向に）方向ベクトル分の速度を付加して走行させる。
【００３０】
図１０は、ＦＰＳＯ対応模型３２とシャトル対応模型３３の物理的・幾何学的データ（ＦＰＳＯ対応模型３２とシャトル対応模型３３のそれ自体のデータとしての出力データ）の計測対象量の定義を示している。図１０は、ＦＰＳＯ対応模型３２とシャトル対応模型３３のそれぞれについて、計測対象量を示している。計測対象量の数値記号の後の括弧の中の記載は、その計測対象量を計測するために好適である計測用機器を示している。
【００３１】
図１１〜図１４は、ＦＰＳＯ１が学習済みである図２のシミュレータにより、ＰＩＤ制御ユニット７とニューラルネットワーク制御ユニット８とを不動作にすることにより無制御航行したＦＰＳＯ対応模型３２とシャトル対応模型３３の揺れ動きをそれぞれに示している。図１１は試験番号１に対応し、図１２は試験番号２に対応し、図１３は試験番号４に対応し、図１４は試験番号５に対応している。試験番号１，２，４，５は、波方向、潮流速度の点で同じ試験条件であるが、波高は試験番号１が他の試験番号と異なっており、潮流方向は試験番号２が他の試験番号と異なっており、タグ力は試験番号５が他の試験番号と異なっている。図１１と図１２とに示されるように、ＦＰＳＯ対応模型３２とシャトル対応模型３３の揺動は波高に強く影響されることがわかる。図１１と図１３とに示されるように、波高より潮流方向がＦＰＳＯ対応模型３２とシャトル対応模型３３の揺動に強く影響することがわかる。図１３と図１４とに示されるように、タグ力が大きいことはＦＰＳＯ対応模型３２とシャトル対応模型３３の揺れ幅を小さくしていることが分かる。
【００３２】
図１５〜図２１は、７個の試験番号について、ＦＰＳＯ対応模型３２とシャトル対応模型３３の相対的運動を数値的に示している。図１５は試験番号４に対応し、図１６は試験番号１０に対応し、試験番号４と試験番号１０とは、試験条件の点で同じである。図８に示されるように、試験番号４と試験番号１０とは試験モードの点で異なり、試験番号４は制御なしであり、試験番号１０はＰＩＤ制御である。無制御モードでは、スラスタ等の制御用アクチュエータは無作動であるが、ＰＩＤ制御モードでは、スラスタ等の制御用アクチュエータは激しく動作している。無制御モードのホース張力（ＨＷＴＥＮ）はほとんど減衰していないが、ＰＩＤ制御のホース張力は減衰していることがわかる。無制御モードのＦＰＳＯ対応模型３２の船尾のＹ軸方向揺れ幅（ＹＦ−ＡＦＴ）とシャトル対応模型３３の船首のＹ軸方向揺れ幅（ＹＳ−ＦＯＲ）との同期的増減と、ＰＩＤ制御モードのＦＰＳＯ対応模型３２の船尾のＹ軸方向揺れ幅（ＹＦ−ＡＦＴ）とシャトル対応模型３３の船首のＹ軸方向揺れ幅（ＹＳ−ＦＯＲ）との同期的増減との比較から、ＰＩＤ制御と無制御とでは相対的揺れ幅の相違は余り見られず、むしろ無制御モードのほうが相対的角度変動が少ないことがわかる。
【００３３】
図１７は、試験番号１６に対応している。無制御モードのＦＰＳＯ対応模型３２の船尾のＹ軸方向揺れ幅（ＹＦ−ＡＦＴ）とシャトル対応模型３３の船首のＹ軸方向揺れ幅（ＹＳ−ＦＯＲ）との同期的増減と、ＰＩＤ制御モードのＦＰＳＯ対応模型３２の船尾のＹ軸方向揺れ幅（ＹＦ−ＡＦＴ）とシャトル対応模型３３の船首のＹ軸方向揺れ幅（ＹＳ−ＦＯＲ）との同期的増減との比較から、（ＰＩＤ＋ネット制御）モードのＦＰＳＯ対応模型３２の船尾とシャトル対応模型３３の船首とは逆方向に運動する傾向が強いが、同期精度が高く相対的距離（相対的回頭角に相当）の大きさは、無制御モードのその相対的距離よりも有効に小さくなっている。図１８は、比較を容易にするために、既述の試験番号４と試験番号１０と試験番号１６のホース張力のみをそれぞれに抜き出して表している。図１８（ａ）は無制御モードを示し、図１８（ｂ）はＰＩＤモードを示し、図１８（ｃ）は（ＰＩＤ＋ネット制御モード）を示している。
【００３４】
図１９（ａ），（ｂ），（ｃ）は、潮流方向が変更されている試験番号２，８，１６のホース張力をそれぞれに示している。（ＰＩＤ＋ネット制御）のホース張力は、無制御モードのホース張力に比べて概ね半分以下に減少している。（ＰＩＤ＋ネット制御）モードのホース張力は、ＰＩＤ制御モードのホース張力に比べて確実に減少しており、相対位置制御の補正効果が現れている。図２０（ａ），（ｂ），（ｃ）は、試験番号５，１１，１６のホース張力をそれぞれに示している。（ＰＩＤ＋ネット制御）のホース張力は、無制御モードのホース張力に比べて概ね半分以下に減少している。（ＰＩＤ＋ネット制御）モードのホース張力は、ＰＩＤ制御モードのホース張力に比べて確実に減少しており、相対位置制御の補正効果がより強く現れている。
【００３５】
図２１（ａ），（ｂ）は、試験番号１，７のホース張力をそれぞれに示している。ＰＩＤ制御のホース張力が無制御モードのホース張力に比べて減少する減衰効果が大きいことは、図１０の右下に示される角度θＦ，θＳに強く影響する波高が相対距離の変動に大きく影響することを示している。波高が小さい場合には、（ＰＩＤ＋ネット制御）モードのネット制御は、回頭角制御の点でＰＩＤ制御モードを有効に補正していることが一連のデータから明瞭に理解される。実験と学習済みのニューラルネットワークを持つシミュレーションとから、ニューラルネットワーク制御は、ＰＩＤ制御を有効に補正することができることを実証している。
【００３６】
船舶の基本運動は、サージ、スウェイ、ヨーの３つの運動に分解される。３つの運動についてそれぞれに非線形運動方程式が成立する。外力としてそれぞれに３次元外力が与えられる。３つの非線形運動方程式から、サージ、スウェイ、ヨーの３つの運動について加速度が求められる。３次元座標軸ｕ，ｖ，ｒについて加速度ｕａ、ｖａ、ｒａは、次式で一般的に表される。
ｕａ＝ｆ（ｖ，ｒ，ｕ、Ｘｊ）
ｖａ＝ｇ（ｖ，ｒ，ｕ、Ｙｊ）
ｒａ＝ｈ（ｖ，ｒ，ｕ、Ｎｊ）
ここで、Ｘｊ，Ｙｊ，Ｎｊは、サージ、スウェイ、ヨーに関する複数外力である。
加速度ｕａ、ｖａ、ｒａが教師データとして与えられれば、非線形関数ｆ，ｇ，ｈがニューラルネットワークで求められる。
【００３７】
図２２は、このような加速度を教師データとして与えたニューラルネットワークを組み込んだシミュレータによる出力結果と、模型船の実測結果を比較して示している。３４７０秒までのグラフデータは、シャトルタンカーのスウェイ運動（加速度・縦軸）のニューラルネットワークモデルによる同定結果を示し、３７４０秒後のグラフデータはそのように同定されたニューラルネットワークモデルでの運動結果である。図２２に示される量実験の結果は、波波乱がある場合にも２浮体間の挙動をニューラルネットワークにより高精度に推定することができることを示している。
【００３８】
【発明の効果】
本発明による相対的浮体運動システム、２浮体間運動制御回路及びシミュレータは、力学的に影響し合う２浮体間の運動制御のフィードバック制御量がニューラルネットワークの制御量により有効に補正され、従来非常に困難であった非線形運動の制御を有効に且つ容易にすることができる。
【図面の簡単な説明】
【図１】図１は、本発明による相対的浮体運動システムの実施の形態の適用例を示す斜軸投影図である。
【図２】図２は、本発明による相対的浮体運動システムの実施の形態を示す回路ブロック図である。
【図３】図３は、本発明による２浮体間運動制御回路の実施の形態の他のニューラルネットワークを示す回路図である。
【図４】図４は、本発明による２浮体間運動制御シミュレータの実施の形態の適用例を示す平面図付き正面面である。
【図５】図５は、本発明による２浮体間運動制御シミュレータの同定データを示すグラフである。
【図６】図６は、他の同定データを示すグラフである。
【図７】図７は、更に他の同定データを示すグラフである。
【図８】図８は、本発明による２浮体間運動制御シミュレータの試験条件を示す表である。
【図９】図９は、実験態様を示す平面図である。
【図１０】図１０は、実験の計測量を示す平面図である。
【図１１】図１１は、運動の試験結果を示す平面図である。
【図１２】図１２は、運動の他の試験結果を示す平面図である。
【図１３】図１３は、運動の更に他の試験結果を示す平面図である。
【図１４】図１４は、運動の更に他の試験結果を示す平面図である。
【図１５】図１５は、試験結果データを示すグラフである。
【図１６】図１６は、他の試験結果データを示すグラフである。
【図１７】図１７は、更に他の試験結果データを示すグラフである。
【図１８】図１８（ａ），（ｂ），（ｃ）は、複数の試験について更に他の試験結果データをそれぞれに示すグラフである。
【図１９】図１９（ａ），（ｂ），（ｃ）は、複数の試験について更に他の試験結果データをそれぞれに示すグラフである。
【図２０】図２０（ａ），（ｂ），（ｃ）は、複数の試験について更に他の試験結果データをそれぞれに示すグラフである。
【図２１】図２１（ａ），（ｂ）は、複数の試験について更に他の試験結果データをそれぞれに示すグラフである。
【図２２】図２２は、シミュレーションと水槽実験の比較データを示すグラフである。
【符号の説明】
１…第１浮体（制御機構）
３…第２浮体
４…ホーサ
６…制御回路
７…第１制御回路
８…ニューラルネットワーク（第２制御回路）
９…第１出力信号
１１…第２出力信号（補正量）
１２…第３物理的信号
１４…教師データ
２１…アクチュエータ模擬入力回路
２２…浮体模擬出力回路
２３…ニューロンネットワーク
２４…動作信号
２７…運動値
Ｒ，ΔＲ…第２物理的信号
θ１…第１物理的信号（目標関数）
θ２…フィードバック信号[0001]
BACKGROUND OF THE INVENTION
The present invention relates to a relative floating body motion system, a motion control circuit between two floating bodies, and a simulator, and in particular, a relative floating body motion system that enables nonlinear motion control between two floating bodies that dynamically affect each other, and a motion control between two floating bodies. The present invention relates to a circuit and a simulator.
[0002]
[Prior art]
Appropriate position control between two floating bodies is required. The offshore production system includes an FPSO that is moored offshore and whose position is generally fixedly controlled. From the FPSO, offshore shipping is performed to a shuttle tanker. In order to facilitate offshore loading operations performed between the FPSO and the shuttle tanker, relative position control between the FPSO and the shuttle tanker is desired. Conventionally, the FPSO and shuttle tanker automatically adjust the relative distance and relative rotation angle by entrusting them to the tide, or using the thrusters of tugboats, FPSO and shuttle tankers to control their control artificially and artificially. I was going.
[0003]
Such position control of FPSO and shuttle tanker is desired to be automated. As shown in FIG. 1, the shuttle tanker 3 is connected to the FPSO 1 by a hawser 4, but is left in a natural discharge state in a natural environment such as a tidal current and a wave. The distance between the reference points of the shuttle tanker 3 and the FPSO 1 is maintained at a constant distance within the range of the separation error allowed by the drooping and stretching of the hawser 4. When the shuttle tanker 3 is rotationally moved and displaced relative to the FPSO1 due to a change in the direction of the external force, feedback is performed so that the relative distance between the FPSO1 and the shuttle tanker 3 is constant within the separation error range. It is desired that control be performed. PID control is appropriate as such control. As such PID control, FPSO1 is controlled by constant distance control for controlling the rotational displacement of FPSO1 so that the distance between the reference points described above is constant, and by adjusting the differential gain main body (adjustment for decreasing the relative angular velocity). The turning angle azimuth holding control for rotating in the direction of external force can be considered. Since the FPSO movable items are limited to the turning angle, the constant distance control converts the Y-axis (horizontal axis, axis perpendicular to the stern bow direction) direction component of the relative position of the fixed object coordinate system to the equivalent of the turning angle deviation. Is done. It was observed that the constant distance control reduces the tension on average, but there is no part that stabilizes the turning angle, so the deflection becomes large and the tension becomes excessive. The turning angle azimuth holding control, which is another control, realizes stabilization by stabilizing the ship position and reducing the phase shift with respect to the shuttle tanker, and therefore, stable control can be realized over a long period of time.
[0004]
In such PID control, the disturbance response of FPSO having a large mass is not quick, and it is extremely difficult to satisfactorily cope with the nonlinear phenomenon in which the relative distance displacement immediately affects the tension of the hawser 4. The relative rotation of the two floating bodies immediately causes the distance fluctuation between both ends of the hawser, the correspondence between the target control amount and the output control amount is delayed, and various physical quantities between the two floating bodies are not controlled during the delay. Control that satisfactorily performs a relative motion floating body having a massive mass is difficult to realize by PID control alone due to nonlinear factors such as complex fluctuations and the fact that control is a multibody problem.
[0005]
It is necessary to establish a technology for effective motion control of a relative motion floating body with a massive mass that influences mechanically. In particular, effective control of the motion between the two motion floating bodies in which the rotational motion causes relative distance fluctuations is desired. In particular, it is required to establish a correction technique for correcting the rotational motion based on the relative distance and its variation, and it is desirable that it has excellent adaptability to disturbance.
[0006]
[Problems to be solved by the invention]
An object of the present invention is to provide a relative floating body motion system, a motion control circuit between two floating bodies, and a simulator capable of establishing a technique for effective motion control of a relative motion floating body having a massive mass that dynamically affects each other. There is.
Another object of the present invention is to provide a relative floating body motion system, a motion control circuit between two floating bodies, and a simulator capable of realizing effective control of movement between two floating bodies, in which rotational movement causes relative distance fluctuations. It is to provide.
Still another object of the present invention is to provide a relative floating body motion system, a two-body motion control circuit, and a simulator, which are effective in correcting rotational motion based on relative distance and its variation, and have excellent adaptability to disturbances. Is to provide.
[0007]
[Means for Solving the Problems]
Means for solving the problem is expressed as follows. Technical matters appearing in the expression are appended with numbers, symbols, etc. in parentheses. The numbers, symbols, and the like are technical matters constituting at least one embodiment or a plurality of embodiments of the present invention, or a plurality of embodiments, in particular, the embodiments or examples. This corresponds to the reference numbers, reference symbols, and the like attached to the technical matters expressed in the drawings corresponding to. Such reference numbers and reference symbols clarify the correspondence and bridging between the technical matters described in the claims and the technical matters of the embodiments or examples. Such correspondence or bridging does not mean that the technical matters described in the claims are interpreted as being limited to the technical matters of the embodiments or examples.
[0008]
The relative floating body motion system according to the present invention includes a first floating body (1) and a second floating body (3) that is displaceably connected to the first floating body (1). The control circuit (6) includes a first control circuit (7) in which the first physical signal (θ1) is a first input signal, and a first floating body (1) for the second floating body (1). A second physical signal (R, ΔR) that is a relative physical quantity of 1) is formed from a second control circuit (8) that is a second input signal. The movement of the first floating body (1) is caused by a third physical signal (9) based on the first output signal (9) of the first control circuit (7) and the second output signal (11) of the second control circuit (8). 12). The second control circuit (8) is a neural network that outputs a second output signal (11) for correcting the first output signal (9). The motion output of the first floating body (1) is returned to the neural network (8) as teacher data (14). When motion control is performed only by the first control circuit (7), when the two floating bodies move between the two floating bodies by being strongly influenced by the tension of the hawser (4), the relative physical quantity between the two floating bodies is the target function. It is not reflected in the feedback control of the first control circuit (7) based on (θ1) and the feedback signal (θ2), and the variation of the relative physical quantity between the two floating bodies is not effectively fed back. The equation of motion for calculating the relative physical quantity variation between the two floating bodies is a nonlinear differential equation, and the multi-body motion of a giant object cannot be determined strictly in real time. The neural network (8) can output the correction amount (11) immediately based on the input (R, ΔR) which is a relative physical quantity between the two floating bodies by learning.
[0009]
The first control circuit is preferably a feedback control circuit, and particularly preferably a PID control circuit. When the second floating body (3) is connected to the first floating body (1) via a hose that can be expanded and contracted and the tension varies, the two-body motion is described by a nonlinear equation of motion. The control circuit (6) further includes a control mechanism (1) for controlling the movement of the first floating body (1) based on the third physical signal (12), and the third physical signal (12) is a control mechanism ( It is input as the target function of 1). The control mechanism (1) is the first floating body (1) itself, and includes a control electronic circuit and an actuator such as a thruster. The motion output of the first floating body (1) is returned to the second control circuit (8) as teacher data (14). The teacher data can be fed back normally, and can be input to the second control circuit (8) as a more appropriate value until the second control circuit (8) completes sufficient learning. It is highly preferred that the first floating body (1) is another neural network.
[0010]
As a 1st physical signal ((theta) 1), the external force direction with respect to the 1st floating body (1) of the external force which acts on a 1st floating body (1) is illustrated suitably. In this case, the second physical signal is preferably exemplified by a relative distance (R) between the first floating body (1) and the second floating body (3) and a displacement (ΔR) of the relative distance.
[0011]
The neural network (8) includes multiple layers, and the i-th neuron output of one layer of the multilayer is represented by Qi, and the neuron input to be input to the j-th neuron of the next layer of one layer is Qj. The weighting factor between the i-th neuron and the j-th neuron is represented by ωij, and the neural network is expressed by the following formula:
Qj = f (Σ _i ωijQi)
In particular,
Qj = tanh (Σ _i ωijQi)
It is represented by Such a function is known but is preferable for the control between two floating bodies.
[0012]
The movement control circuit between two floating bodies according to the present invention is connected to the second floating body (3) so as to be displaceable, and is mounted on the first floating body (1) that moves relative to the second floating body (3). It is a motion control circuit (6). The motion control circuit between two floating bodies (6) receives the first input signal (θ1) having the first physical dimension as the first target function and outputs the first output signal (9) having the second physical dimension. A first control circuit (7) and a second control for inputting a plurality of second input signals (R, ΔR) having a third physical dimension and outputting a second output signal (11) having a second physical dimension A signal based on the circuit (8), the first output signal (9) and the second output signal (11) is input as a second target function (12), and a third output for controlling the movement of the first floating body (1) The second control circuit (8) is a neural network, and the second output signal (11) corrects the first output signal (9). The third control circuit is a control mechanism and is identified as the second floating body (1).
[0013]
The motion control simulator between two floating bodies according to the present invention includes an actuator simulation input circuit (21) to which an operation signal (24) for operating the actuator of the first floating body (1) is input, and a first motion of the first floating body (1). A floating body simulation output circuit (22) that outputs a movement value (27) formed from one movement value and a second movement value of the movement of the second floating body (3) movably connected to the first floating body (1). ) And a neuron network (23) interposed between the actuator simulation input circuit (21) and the floating body simulation output circuit (22) which receives the motion signals and outputs a motion value (27). ing.
[0014]
Such a simulator can be a pure electronic circuit for simulation identified in two floats to be tested in the aquarium. The simulator that learns the output by learning and responds to the input is equivalent to the actual object in the learning stage where the learning is sufficient. If such a simulator is manufactured, the test can be repeatedly performed in the computer.
[0015]
As described above, the neural network control mechanism or the neural network feedback control mechanism is optimal as a control mechanism for controlling not only simulation but also a real nonlinear physical phenomenon. As a connection floating body, it is not restricted to a 2 mega float and a 2 connection airship, A multi-body connection mega float and a multi-body connection air ship are illustrated. The connected multi-body can take a form in which one side is substantially fixed and both are free.
[0016]
DETAILED DESCRIPTION OF THE INVENTION
Corresponding to the figure, in the embodiment of the relative floating body motion system according to the present invention, a shuttle tanker is arranged with respect to the FPSO. As shown in FIG. 1, the FPSO 1 is moored by a plurality of mooring lines 2 and is generally fixed on the ocean. However, the FPSO 1 can be slightly displaced on the two-dimensional surface, and further, the two-dimensional surface. It can be rotated above. The shuttle tanker 3 is connected by a connecting hawser 4 and left and released in a natural state on the downstream side of the tidal current. The distance between the connection reference point of the FPSO 1 and the connection reference point of the shuttle tanker 3 is generally kept constant and is generally constrained by the length of the connection hose 4. The relative distance fluctuates within the range of the degree of expansion and contraction that depends. Liquid such as crude oil and natural gas is loaded from the FPSO 1 to the shuttle tanker 3 via a floating hose. The FPSO 1 generally rotates around a vertical line L passing through the center of gravity G. The center of gravity G can be swung in a closed area that is narrowly limited.
[0017]
FIG. 2 shows the control computer 6 installed in the FPSO 1. The control computer 6 includes a PID control unit 7 and a neural network control unit 8. The PID control unit 7 includes a target external force direction (e.g., a tidal current and a reference line of a coordinate system fixed to the FPSO1, an angle and an orientation between the X axis and the tidal direction) θ1, and an actual external force direction (feedback) with respect to the FPSO1. Signal) θ2 is input in a subtractive manner. External forces are complex natural environmental forces such as morning and evening power, tidal power, wind power, and wave power.
[0018]
The neural network control unit 8 receives the distance between the reference points of the FPSO 1 and the mooring line 2 (example: both end points of the connecting hawser 4) R and the distance between the reference points and the displacement ΔR every moment. The neural network control unit 8 calculates the corrected turning angle Δθ (R, ΔR) or θ obtained by the learning function. ^R Is output. The corrected turning angle Δθ (R, ΔR) is the turning angle conversion deviation between FPSO1 and shuttle tanker 3 based on the relative distance and relative distance deviation between FPSO1 and shuttle tanker 3:
Δθ = θ ^R = Δθ (R, ΔR) (1)
The main FPSO control moment 9 output from the PID control unit 7 and the sub FPSO control moment 11 output from the neural network control unit 8 are additionally input as a target control moment 12 to a thruster group (not shown) of FPSO1. . The FPSO1 outputs a relative angle (detected turning angle) θ2 of the FPSO1 that is actually detected. θ2 is returned to the PID control unit 7 as the main feedback signal 13 and also returned to the neural network control unit 8 as the auxiliary feedback signal 14. The feedback signal returned to the neural network control unit 8 is called teacher data in the neural network control. The output based on the maneuvering by the ship advanced engineer (captain, pilot) is fed back to the neural network control unit 8 as teacher data 14 '.
[0019]
The FPSO1 can be provided as a neural network moving body formed by a neural network. FIG. 3 shows FPSO1. The physical data of the FPSO 1 moves based on the external force 21 corresponding to the input data (total external force including the external force acting on the hull such as the external force as a reaction force of the natural environmental force and the thruster force) 21 and the external force 21 corresponding to the input data. It is composed of data corresponding to the output motion of the hull (surge, sway, yaw rotational motion and linear motion) 22 and a neural network layer 23. The external force 21 corresponding to the input data is generally an external force acting on each of the FPSO 1 and the shuttle tanker 3 which are the relative motion 2 floating bodies. In this case, however, the shuttle tanker 3 is merely subjected to the hawser tension. It is placed in a natural environment.
[0020]
A plurality of layers are adopted as the neural network layer 23 when there are many control variables. The plurality of layers are formed of a single or a plurality of input layers 23-1, a single or a plurality of intermediate layers 23-2, and a single or a plurality of output layers 23-3. In the input layer 23-1, a plurality of thrusts of a plurality of actuators and thrusters of the FPSO 1 and the shuttle tanker 3, a hawser tension, and first outputs 24-1 to n of other actuators are individually connected to a first net node (node). ). Each of the first outputs 24-1 to n is multiplied by a coefficient and output as the second outputs 25-1 to 25-n from the first net node. Each of the second outputs 25-1 to 25-n is input to n second net nodes of the intermediate layer 23-2. Each of the second outputs 25-1 to 25-n is multiplied by a coefficient at the second net node and is output as the third outputs 26-1 to 26-n from the second net node. Each of the third outputs 26-1 to 26-n is input to n third net nodes of the output layer 23-3. Each of the third outputs 26-1 to 26-n is multiplied by a coefficient at the third net node, and is output as the fourth outputs 27-1 to 27-n from the third net node.
[0021]
The input / output relationship of neurons (nodal points) is expressed by the following equation.
Qj = tanh (Σ _i ωijQi) (2)
Qi: Output of the i-th neuron in a certain hierarchy
ωij: Coefficient (load value) from the i-th neuron to the j-th neuron in the next layer
Here, the lower right subscript i of Σ means to add this. Load learning is performed by backpropagation. The load value ωij is calculated and determined in the network so that the fourth outputs 27-1 to 27-n of the output layer 23-3 coincide with the teacher data 28 adopted by the teacher. If the number of neurons (the number of realistic external force variables acting on the hull) is sufficiently large and the number of times teacher data is input to the output layer 23-3 is sufficiently large, the output data 22 corresponding to the external force 21 corresponding to the input data. Converges asymptotically to the correct value. After completing such learning, the FPSO 1 can acquire the secondary feedback signal 14 that gradually approaches the target value in accordance with the control signal that is the target control moment 12.
[0022]
The neural network control unit 8 has such a network structure. In general, the secondary feedback signal 14 fed back to the neural network control unit 8 is the output of the FPSO 1 after the main FPSO control moment 9 output by the PID control unit 7 is corrected by the secondary FPSO control moment 11 output by itself. The value is referenced as teacher data.
[0023]
The control system shown in FIG. 2 is adjusted in terms of PID gain, learning coefficient, and addition coefficient.
PID gain adjustment:
It is preferable that the P gain is adjusted to be small, the I gain is adjusted to zero, and the D gain is adjusted to be large as the main control gain.
Adjustment of learning coefficient:
The definition range of the output function 11 of the neural network is −∞ to + ∞, but the value range is −1 to +1 and has saturation characteristics. When the load value becomes excessively positive or negative due to the progress of learning, the output of the neuron is saturated, and an over-learning state is entered and proper control cannot be performed. It is effective to adjust the learning coefficient ωij for avoiding an overlearning state by comparing and confirming the output of the learning neuron and the weight value after learning.
Adjustment of addition coefficient:
As described above, the output of the neural network 8 is −1 to +1. However, since this is used as a moment control amount, conversion is necessary. It is effective to adjust the ratio of the sub FPSO control moment 11 to the main FPSO control moment 9 using the main FPSO control moment 9 output by the PID control unit 7 through PID control as a reference value. If the ratio is represented by k,
Sub FPSO control moment = k (main FPSO control moment) (3)
[0024]
It is confirmed that FPSO1 is identified in the neural network. In order to perform the simulation of the floating body problem, a water tank experiment was performed in which the characteristics of the FPSO 1 and the shuttle tanker 3 were analyzed. For the characteristic analysis, characteristic data of the FPSO 1 and the shuttle tanker 3 are collected by a water tank experiment. The identification of the characteristic data is performed by a neural network unique to FPSO1. The neural network 1 learns so that the dynamic characteristics of the aquarium experiment match the output 22 of the neural network.
[0025]
FIG. 4 shows an experimental apparatus for the water tank experiment. A measurement carriage 31 and a test floating body are prepared. The experimental floating body is composed of a FPSO-compatible model (length about 255 m) 32 and a shuttle-compatible model (length about 230 m) 33. The stern of the FPSO correspondence model 32 and the bow of the shuttle correspondence model 33 are set as both end points of the above-mentioned relative distance. The stern of the FPSO correspondence model 32 and the shuttle correspondence model 33 are connected to each other at both end points by a hawser simulation spring 34. Both models are connected to the hawser-compatible simulated spring 34 and floated on the water surface (sea surface) of the aquarium, and are pulled by the measuring carriage 31, and no ocean current (tide) is generated in the aquarium.
[0026]
On the stern side of the shuttle-compatible model 33, a tag pulling force-compatible simulated blower 35 is mounted. The shuttle corresponding model 33 includes a rudder 36 and a propeller 37. The FPSO-compatible model 32 is equipped with a swing angle thruster 38 for turning angle control. The shuttle model 33 is equipped with a bow thruster 39 at the bow. The measurement carriage 31 is equipped with an FPSO control PC 41, a shuttle control PC 42, and a data analysis PC 43. The FPSO-compatible model 32 is towed in a certain direction via the towing jig 43 to the measurement carriage 31. Through the aquarium experiment, the FPSO correspondence model 32 and the shuttle correspondence model 33 are learned so that the output as the movement with respect to the external force matches the teacher data.
[0027]
5, 6 and 7 show the result of the shuttle model 33 exercising with the control ability obtained by learning. FIG. 5 shows a surge motion output among the motion output values in which the shuttle corresponding model 33 is controlled by the neural network control shown in FIG. 3 and moves. FIG. 6 shows the sway motion output among the motion output values in which the shuttle corresponding model 33 is controlled by the neural network control shown in FIG. 3 and moves. FIG. 7 shows the yaw motion output among the motion output values in which the shuttle corresponding model 33 is controlled by the neural network control shown in FIG. 3 and moves. 5, 6 and 7 show the calculation results of the learned neural network control and the measured values. As seen in FIGS. 5, 6, and 7, the learning ability of the shuttle corresponding model 33 is sufficiently high. Thus, FPSO1 matches the neural network itself, and its identification accuracy is sufficiently high. The FPSO 1 having such a learning function can know the result of the exercise without solving the equation of motion.
[0028]
FIG. 8 is a table showing a list of test conditions for the controlled water tank experiment shown in FIG. There are three control modes. The three types are no control, PID control, and (PID + neural network) control. Test conditions are indicated for each control mode. Control targets are the FPSO azimuth angle by PID control, and the FPSO stern and relative position Δθ (R, ΔR) by (PID + neural network) control. The test conditions are wave height, wave direction, tidal velocity, tidal direction, and tag pulling force. Further, for FPSO, thruster swing angle and thruster maximum thrust, and for shuttle 33, bow thruster maximum thrust and propeller thrust. is there. In this case, the shuttle 33 is released in a free state. The rightmost column of the table in FIG. 8 indicates the test reference number.
[0029]
FIG. 9 shows the generation of multidirectional irregular waves and tidal currents. The waves are generated by a water tank short-side wave generator, and the tidal current is replaced by the relative linear motion of the measurement carriage 31. The flow of the experiment is as follows.
(A) The measurement carriage 31 is sailed at an assumed flow velocity and set at a travel angle of 0 degree.
(B) In order to change the flow velocity direction from the point where the wave / tidal current is settled, the measuring carriage 31 is caused to travel in the Y direction (in the horizontal axis direction described above) with a speed corresponding to the direction vector.
[0030]
FIG. 10 shows the definition of the measurement target amount of physical / geometric data of the FPSO correspondence model 32 and the shuttle correspondence model 33 (output data as data of the FPSO correspondence model 32 and the shuttle correspondence model 33 itself). Yes. FIG. 10 shows measurement target amounts for each of the FPSO-compatible model 32 and the shuttle-compatible model 33. The description in parentheses after the numerical symbol of the measurement target quantity indicates a measurement device that is suitable for measuring the measurement target quantity.
[0031]
FIGS. 11 to 14 show an FPSO-compatible model 32 and a shuttle-compatible model 33 that are controlled-navigated by disabling the PID control unit 7 and the neural network control unit 8 by the simulator of FIG. 2 in which the FPSO 1 has already been learned. Shows the shaking movement of each. 11 corresponds to test number 1, FIG. 12 corresponds to test number 2, FIG. 13 corresponds to test number 4, and FIG. 14 corresponds to test number 5. Test numbers 1, 2, 4, and 5 are the same test conditions in terms of wave direction and tidal velocity, but the wave height is different from test number 1 in other test numbers, and tidal direction is different in test number 2 The test force is different from the test number, and the tag power is different in test number 5 from other test numbers. As shown in FIGS. 11 and 12, it can be seen that the swing of the FPSO-compatible model 32 and the shuttle-compatible model 33 is strongly influenced by the wave height. As shown in FIGS. 11 and 13, it can be seen from the wave height that the tidal direction strongly affects the swinging of the FPSO correspondence model 32 and the shuttle correspondence model 33. As shown in FIGS. 13 and 14, it can be seen that the large tag force reduces the swing width of the FPSO-compatible model 32 and the shuttle-compatible model 33.
[0032]
15 to 21 numerically show the relative motions of the FPSO correspondence model 32 and the shuttle correspondence model 33 for the seven test numbers. FIG. 15 corresponds to test number 4, FIG. 16 corresponds to test number 10, and test number 4 and test number 10 are the same in terms of test conditions. As shown in FIG. 8, test number 4 and test number 10 differ in terms of the test mode, test number 4 is no control, and test number 10 is PID control. In the non-control mode, the control actuator such as the thruster is inoperative, but in the PID control mode, the control actuator such as the thruster is operating violently. It can be seen that the hose tension (HWTEN) in the non-control mode is hardly attenuated, but the hose tension in the PID control is attenuated. Synchronous increase / decrease in the stern Y-axis direction swing width (YF-AFT) of the FPSO compatible model 32 in the uncontrolled mode and the bow Y-axis direction swing width (YS-FOR) of the shuttle compatible model 33, and the PID control mode From the comparison of the synchronous increase / decrease of the sway Y-axis swing width (YF-AFT) of the FPSO model 32 and the bow Y-axis swing width (YS-FOR) of the shuttle model 33, PID control and no control It can be seen that there is not much difference in relative swing width, and that the relative angle fluctuation is less in the uncontrolled mode.
[0033]
FIG. 17 corresponds to test number 16. Synchronous increase / decrease in the stern Y-axis direction swing width (YF-AFT) of the FPSO compatible model 32 in the uncontrolled mode and the bow Y-axis direction swing width (YS-FOR) of the shuttle compatible model 33, and the PID control mode From the comparison of synchronous increase / decrease in the sway Y-axis swing width (YF-AFT) of the FPSO model 32 and the bow Y-axis swing width (YS-FOR) of the shuttle model 33 (PID + net control) The stern of the FPSO model 32 in the mode and the bow of the shuttle model 33 have a strong tendency to move in the opposite direction, but the synchronization accuracy is high and the relative distance (corresponding to the relative turning angle) is Is effectively smaller than its relative distance. FIG. 18 shows only the hose tensions of Test No. 4, Test No. 10 and Test No. 16 extracted for the sake of easy comparison. 18A shows the no control mode, FIG. 18B shows the PID mode, and FIG. 18C shows (PID + net control mode).
[0034]
FIGS. 19 (a), (b), and (c) show the hose tensions of test numbers 2, 8, and 16 in which the flow direction is changed. The hose tension of (PID + net control) is reduced to almost half or less than the hose tension in the non-control mode. The hose tension in the (PID + net control) mode is surely reduced as compared with the hose tension in the PID control mode, and the effect of correcting the relative position control appears. 20 (a), (b), and (c) show the hose tensions of test numbers 5, 11, and 16, respectively. The hose tension of (PID + net control) is reduced to almost half or less than the hose tension in the non-control mode. The hose tension in the (PID + net control) mode is surely reduced as compared with the hose tension in the PID control mode, and the correction effect of the relative position control appears more strongly.
[0035]
21A and 21B show the hose tensions of test numbers 1 and 7, respectively. The fact that the damping effect by which the hose tension of the PID control is reduced compared to the hose tension of the non-control mode is large. The wave height that strongly influences the angles θF and θS shown in the lower right of FIG. It is shown that. When the wave height is small, it is clearly understood from a series of data that the net control in the (PID + net control) mode effectively corrects the PID control mode in terms of turning angle control. From experiments and simulations with learned neural networks, neural network control demonstrates that PID control can be effectively corrected.
[0036]
The basic movement of a ship is broken down into three movements: surge, sway, and yaw. A nonlinear equation of motion is established for each of the three motions. A three-dimensional external force is applied to each as an external force. From the three nonlinear equations of motion, acceleration is determined for the three motions of surge, sway, and yaw. The accelerations ua, va, and ra for the three-dimensional coordinate axes u, v, and r are generally expressed by the following equations.
ua = f (v, r, u, Xj)
va = g (v, r, u, Yj)
ra = h (v, r, u, Nj)
Here, Xj, Yj, and Nj are multiple external forces related to surge, sway, and yaw.
If accelerations ua, va, and ra are given as teacher data, nonlinear functions f, g, and h can be obtained by a neural network.
[0037]
FIG. 22 shows a comparison between an output result by a simulator incorporating a neural network in which such acceleration is given as teacher data and an actual measurement result of a model ship. The graph data up to 3470 seconds shows the identification result of the sway motion (acceleration / vertical axis) of the shuttle tanker by the neural network model, and the graph data after 3740 seconds is the motion result of the neural network model thus identified. is there. The result of the quantity experiment shown in FIG. 22 shows that the behavior between two floating bodies can be estimated with high accuracy by a neural network even in the presence of wave disturbance.
[0038]
【The invention's effect】
The relative floating body motion system according to the present invention, the motion control circuit between two floating bodies, and the simulator, the feedback control amount of the motion control between the two floating bodies mechanically affecting each other is effectively corrected by the control amount of the neural network. It is possible to effectively and easily control the nonlinear motion that has been difficult.
[Brief description of the drawings]
FIG. 1 is an oblique projection showing an application example of an embodiment of a relative floating body motion system according to the present invention.
FIG. 2 is a circuit block diagram showing an embodiment of a relative floating body motion system according to the present invention.
FIG. 3 is a circuit diagram showing another neural network according to the embodiment of the motion control circuit between two floating bodies according to the present invention.
FIG. 4 is a front view with a plan view showing an application example of the embodiment of the motion control simulator between two floating bodies according to the present invention.
FIG. 5 is a graph showing identification data of a motion control simulator between two floating bodies according to the present invention.
FIG. 6 is a graph showing other identification data.
FIG. 7 is a graph showing still another identification data.
FIG. 8 is a table showing test conditions of a motion control simulator between two floating bodies according to the present invention.
FIG. 9 is a plan view showing an experimental mode.
FIG. 10 is a plan view showing a measurement amount of an experiment.
FIG. 11 is a plan view showing a test result of exercise.
FIG. 12 is a plan view showing another test result of exercise.
FIG. 13 is a plan view showing still another test result of exercise.
FIG. 14 is a plan view showing still another test result of exercise.
FIG. 15 is a graph showing test result data.
FIG. 16 is a graph showing other test result data.
FIG. 17 is a graph showing still another test result data.
FIGS. 18A, 18B, and 18C are graphs showing other test result data for a plurality of tests, respectively.
FIGS. 19A, 19B, and 19C are graphs showing still other test result data for a plurality of tests, respectively.
20 (a), (b), and (c) are graphs showing still other test result data for a plurality of tests, respectively.
FIGS. 21A and 21B are graphs showing still other test result data for a plurality of tests, respectively.
FIG. 22 is a graph showing comparison data between a simulation and an aquarium experiment.
[Explanation of symbols]
1 ... 1st floating body (control mechanism)
3 ... 2nd floating body
4 ... Hosa
6 ... Control circuit
7: First control circuit
8 Neural network (second control circuit)
9: First output signal
11 ... Second output signal (correction amount)
12 ... Third physical signal
14 ... Teacher data
21 ... Actuator simulation input circuit
22 ... Floating body simulation output circuit
23 ... Neuron network
24 ... Operation signal
27 ... Exercise value
R, ΔR ... second physical signal
θ1... first physical signal (target function)
θ2 ... Feedback signal

Claims

A first floating body;
A second floating body movably connected to the first floating body,
The first floating body is
Equipped with a control circuit,
The control circuit includes:
A first control circuit real external force direction is the feedback signal desired external force direction with respect to said first floating body of the external force Ri first input signal der to said first floating body of the external force acting on said first floating body,
A second control circuit in which a relative distance between the second floating body and the first floating body and a displacement amount of the relative distance are second input signals;
The turning motion of the first floating body is a first control moment of the first floating body which is a first output signal of the first control circuit and a second of the first floating body which is a second output signal of the second control circuit . Controlled based on a target control moment of the first floating body based on a control moment ,
The second control circuit, the relative floating movement system Ru der neural network for outputting the second output signal for correcting said first output signal.

The relative floating body motion system according to claim 1, wherein the first control circuit is a PID control circuit.

The relative floating body motion system according to claim 2, wherein the second floating body is connected to the first floating body via a hawser .

The control circuit further includes a control mechanism for controlling the turning motion of the first floating body based on the target control moment , the target control moment being input to the control mechanism as a target function, and the actual external force direction being a teacher The relative floating body motion system according to claim 1, selected from claims 1 to 3, which is returned as data to the neural network .

The relative floating body motion system according to claim 4, wherein the teacher data is normally returned to the neural network.

The relative floating body motion system according to claim 4, wherein the control mechanism is another neural network.

The relative floating body motion system according to claim 1, wherein the actual external force direction is returned to the neural network as teacher data .

The neural network comprises multiple layers;
The i-th neuron output of one layer of the multilayer is represented by Qi, the neuron input to the j-th neuron of the next layer of the one layer is represented by Qj, and the i-th neuron output is represented by Qj. And the j-th neuron is expressed as ωij, and the neural network has the following formula:
Qj = f (Σ _i ωijQi)
The relative floating body motion system of claim 1 represented by:

The formula is
Qj = tanh (Σ _i ωijQi)
The relative floating body motion system of claim 8 represented by:

A movement control circuit between two floating bodies mounted on a first floating body that is connected to a second floating body so as to be displaceable and moves relative to the second floating body ,
The target external force direction of the external force acting on the first floating body with respect to the first floating body is input as a first target function, and the actual external force direction of the external force with respect to the first floating body is fed back to obtain the first control moment of the first floating body. A first control circuit that outputs as a first output signal ;
A second control circuit that receives a relative distance between the second floating body and the first floating body and a displacement amount of the relative distance and outputs a second control moment of the first floating body as a second output signal ; Including
The turning motion of the first floating body is controlled based on a target control moment of the first floating body based on the first output signal and the second output signal,
The second control circuit is a neural network, and the second output signal is a motion control circuit between two floating bodies that corrects the first output signal.

The motion control circuit between two floating bodies according to claim 10, wherein the actual external force direction is returned to the second control circuit as teacher data.

The neural network comprises multiple layers;
The i-th neuron output of one layer of the multilayer is represented by Qi, the neuron input to the j-th neuron of the next layer of the one layer is represented by Qj, and the i-th neuron output is represented by Qj. And the j-th neuron is expressed as ωij, and the neural network has the following formula:
Qj = f (Σ _i ωijQi)
The motion control circuit between two floating bodies of Claim 11 represented by these .

The formula is
Qj = tanh (Σ _i ωijQi)
The motion control circuit between two floating bodies of Claim 12 represented by these .