RU2012132893A - Способ автоматического управления судном по курсу и интеллектуальная система для осуществления способа - Google Patents

Способ автоматического управления судном по курсу и интеллектуальная система для осуществления способа Download PDF

Info

Publication number
RU2012132893A
RU2012132893A RU2012132893/11A RU2012132893A RU2012132893A RU 2012132893 A RU2012132893 A RU 2012132893A RU 2012132893/11 A RU2012132893/11 A RU 2012132893/11A RU 2012132893 A RU2012132893 A RU 2012132893A RU 2012132893 A RU2012132893 A RU 2012132893A
Authority
RU
Russia
Prior art keywords
data
control
neural network
vessel
fuzzy logic
Prior art date
Application number
RU2012132893/11A
Other languages
English (en)
Other versions
RU2519315C2 (ru
Inventor
Нелли Алексеевна Седова
Original Assignee
Нелли Алексеевна Седова
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 Нелли Алексеевна Седова filed Critical Нелли Алексеевна Седова
Priority to RU2012132893/11A priority Critical patent/RU2519315C2/ru
Publication of RU2012132893A publication Critical patent/RU2012132893A/ru
Application granted granted Critical
Publication of RU2519315C2 publication Critical patent/RU2519315C2/ru

Links

Landscapes

  • Feedback Control In General (AREA)

Abstract

1. Способ автоматического управления судном по курсу, включающий следующие операции:задают значение курса судна как объекта управления, определяют по данным обратной связи с объектом управления данные ошибки управления как отклонение между действительным и заданным значениями курса;определяют управляющее воздействие в виде данных угла кладки пера руля судна по данным ошибки управления с использованием алгоритма нечеткой логики с набором нечетких правил;идентифицируют модель объекта управления на базе сетевой структуры по данным обратной связи; икорректируют управляющее воздействие в соответствии с идентифицированной моделью объекта управления,отличающийся тем, что используют модель объекта управления в виде нейросетевой модели объекта управления, а корректировку управляющего воздействия осуществляют за счет настройки настраиваемых параметров алгоритма нечеткой логики.2. Способ по п.1, отличающийся тем, что в данные обратной связи для обработки с использованием алгоритма нечеткой логики включают, по крайней мере, данные управляющих воздействий и данные действительного значения курса.3. Способ по п.2, отличающийся тем, что в данные обратной связи для обработки с использованием алгоритма нечеткой логики дополнительно включают значение действительной линейной скорости судна.4. Способ по п.2, отличающийся тем, что в данные обратной связи для обработки с использованием алгоритма нечеткой логики включают данные, которые выбирают из группы: значения угла кладки руля, значение угла рыскания судна, скорость изменения угла рыскания судна, число перекладок руля и/или скорость изменения кладок пера руля.5. С�

Claims (17)

1. Способ автоматического управления судном по курсу, включающий следующие операции:
задают значение курса судна как объекта управления, определяют по данным обратной связи с объектом управления данные ошибки управления как отклонение между действительным и заданным значениями курса;
определяют управляющее воздействие в виде данных угла кладки пера руля судна по данным ошибки управления с использованием алгоритма нечеткой логики с набором нечетких правил;
идентифицируют модель объекта управления на базе сетевой структуры по данным обратной связи; и
корректируют управляющее воздействие в соответствии с идентифицированной моделью объекта управления,
отличающийся тем, что используют модель объекта управления в виде нейросетевой модели объекта управления, а корректировку управляющего воздействия осуществляют за счет настройки настраиваемых параметров алгоритма нечеткой логики.
2. Способ по п.1, отличающийся тем, что в данные обратной связи для обработки с использованием алгоритма нечеткой логики включают, по крайней мере, данные управляющих воздействий и данные действительного значения курса.
3. Способ по п.2, отличающийся тем, что в данные обратной связи для обработки с использованием алгоритма нечеткой логики дополнительно включают значение действительной линейной скорости судна.
4. Способ по п.2, отличающийся тем, что в данные обратной связи для обработки с использованием алгоритма нечеткой логики включают данные, которые выбирают из группы: значения угла кладки руля, значение угла рыскания судна, скорость изменения угла рыскания судна, число перекладок руля и/или скорость изменения кладок пера руля.
5. Способ по п.1, отличающийся тем, что для настройки настраиваемых параметров алгоритма нечеткой логики выполняют следующие операции:
получают и идентифицируют данные движения судна по курсу и данные управляющих воздействий;
идентифицируют данные движения судна по курсу и данные управляющих воздействий и определяют данные критериальных признаков движения судна по идентифицированным данным движения судна по курсу и данным управляющих воздействий с использованием базе знаний поведения судна по курсу;
выбирают нейросетевую модель объекта управления на базе определенных данных критериальных признаков движения судна;
определяют данные настраиваемых параметров алгоритма нечеткой логики в соответствии с выбранной нейросетевой моделью объекта управления.
6. Способ по п.5, отличающийся тем, что идентификацию полученных данных движения судна по курсу и данных управляющих воздействий проводят с помощью анализа спектра этих данных с использованием дискретного преобразования Фурье.
7. Способ по п.6, отличающийся тем, что при анализе спектра данных движения судна по курсу и данных управляющих воздействий используют от двух до восьми гармоник спектра.
8. Способ по п.6, отличающийся тем, что базу знаний поведения судна по курсу создают и обучают с использованием нейронной сети с радиально-базисными функциями активации.
9. Способ по п.5, отличающийся тем, что нейросетевую модель объекта управления выбирают из нескольких нейросетевых моделей управления из группы: нейронные сети прямого распространения с алгоритмом обучения Левенберга-Марквардта, нейронная сеть прямого распространения с алгоритмом обучения Моллера, рекуррентные нейронные сети Элмана с алгоритмом обучения Левенберга-Марквардта и/или рекуррентная нейронная сеть Элмана с алгоритмом обучения Моллера.
10. Способ по п.9, отличающийся тем, что в качестве нейросетевой модели объекта управления используют нейронную сеть прямого распространения с алгоритмом обучения Левенберга-Марквардта.
11. Способ по п.5, отличающийся тем, что данные настраиваемых параметров алгоритма нечеткой логики определяют с помощью генетического алгоритма.
12. Способ по п.1, отличающийся тем, что используют алгоритм нечеткой логики в виде набора лингвистических условных операторов, определяющих конкретные ситуации управления судном по курсу, которые предварительно определяют на основании экспертных суждений по двум нечетким переменным, в качестве которых используют данные ошибки управления и данные скорости изменения ошибки управления.
13. Способ по п.12, отличающийся тем, что лингвистические условные операторы формируют в матрицу с использованием функции Гаусса и сигмовидной функции принадлежности.
14. Интеллектуальная система автоматического управления судном по курсу, включающая:
судно как объект управления;
регулятор на нечеткой логике для определения управляющего воздействия на объект управления по ошибке управления, как отклонению между действительным и заданным значениями курса, установленный в прямом контуре системы;
эмулятор для корректировки управляющего воздействия за счет идентификации модели объекта управления на базе сетевой структуры по данным обратной связи;
прямые и обратные связи между объектом управления, регулятором на нечеткой логике и эмулятором, входящие в прямой и обратный контуры системы, соответственно,
отличающаяся тем, что эмулятор установлен в обратном контуре системы и выполнен в виде нейросетевого эмулятора, в котором в качестве модели объекта управления использована нейросетевая модель управления, и который выполнен с возможностью настройки настраиваемых параметров регулятора на нечеткой логике по данным обратной связи.
15. Система по п.14, отличающаяся тем, что судно оборудовано средством кладки пера руля, средством задания значения курса и средствами определения данных движения судна по курсу, при этом:
один вход регулятора на нечеткой логике соединен с выходами средства задания значения курса и средств определения данных движения судна по курсу для получения данных ошибки управления;
другой вход регулятора на нечеткой логике соединен с выходом нейросетевого эмулятора для получения данных настраиваемых параметров регулятора на нечеткой логике;
выход регулятора на нечеткой логике соединен со входом средства кладки пера руля для передачи данных управляющего воздействия;
один вход нейросетевого эмулятора соединен с выходом средств определения данных движения судна по курсу для получения данных движения судна по курсу;
другой вход нейросетевого эмулятора соединен с выходом регулятора на нечеткой логике для получения данных управляющих воздействий.
16. Система по п.14, отличающаяся тем, что нейросетевой эмулятор включает нейросетевой классификатор, блок нейросетевой модели объекта управления и блок оптимизации, при этом:
вход нейросетевого классификатора является входом нейросетевого эмулятора для получения данных движения судна по курсу и данных управляющих воздействий от объекта управления и регулятора на нечеткой логике, соответственно;
выход нейросетевого классификатора соединен со входом блока нейросетевой модели объекта управления для передачи данных критериальных признаков движения судна, определенных нейросетевым классификатором по данным движения судна по курсу и данным управляющих воздействий;
выход блока нейросетевой модели объекта управления соединен со входом блока оптимизации для передачи данных параметров нейронной сети, соответствующих нейросетевой модели объекта управления, загруженной в блок нейросетевой модели объекта управления на базе данных критериальных признаков движения судна;
выход блока оптимизации является выходом нейросетевого эмулятора для передачи на один из входов регулятора на нечеткой логике данных настраиваемых параметров регулятора на нечеткой логике, определенных блоком оптимизации по загруженной в него нейросетевой модели объекта управления.
17. Система по п.16, отличающаяся тем, что нейросетевой классификатор содержит базу знаний поведения судна по курсу для определения критериальных признаков движения судна по данным движения судна по курсу и данным управляющих воздействий.
RU2012132893/11A 2012-08-01 2012-08-01 Способ автоматического управления судном по курсу и интеллектуальная система для осуществления способа RU2519315C2 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2012132893/11A RU2519315C2 (ru) 2012-08-01 2012-08-01 Способ автоматического управления судном по курсу и интеллектуальная система для осуществления способа

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2012132893/11A RU2519315C2 (ru) 2012-08-01 2012-08-01 Способ автоматического управления судном по курсу и интеллектуальная система для осуществления способа

Publications (2)

Publication Number Publication Date
RU2012132893A true RU2012132893A (ru) 2014-02-20
RU2519315C2 RU2519315C2 (ru) 2014-06-10

Family

ID=50113639

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2012132893/11A RU2519315C2 (ru) 2012-08-01 2012-08-01 Способ автоматического управления судном по курсу и интеллектуальная система для осуществления способа

Country Status (1)

Country Link
RU (1) RU2519315C2 (ru)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110101106A (zh) * 2019-05-31 2019-08-09 杭州安脉盛智能技术有限公司 基于模糊前馈反馈算法的回潮加湿过程水分控制方法及系统
CN110703605A (zh) * 2019-10-29 2020-01-17 大连海事大学 一种面向智能船舶自动舵系统的自适应模糊最优控制方法及系统
CN111026116A (zh) * 2019-12-16 2020-04-17 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) 船舶操纵控制方法、装置及电子设备
CN114840928A (zh) * 2022-05-07 2022-08-02 西北工业大学 一种基于深度学习的水下航行器集群运动仿真方法
CN114906292A (zh) * 2022-05-17 2022-08-16 武汉理工大学 一种基于机械臂的船舶航行控制装置
CN115145282A (zh) * 2022-07-18 2022-10-04 中国船舶重工集团公司第七0七研究所九江分部 一种欠驱动船舶自动靠泊鲁棒自适应控制方法
CN116101464A (zh) * 2022-09-20 2023-05-12 西北工业大学深圳研究院 无人水下航行器含有动态参数的变阶次模糊逻辑控制方法
CN116620492A (zh) * 2023-07-25 2023-08-22 自然资源部第一海洋研究所 一种可变形无人船及变形方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2589367C1 (ru) * 2015-02-03 2016-07-10 федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Санкт-Петербургский государственный морской технический университет" (СПбГМТУ) Способ контроля экстремальных ситуаций в условиях неопределенности среды
RU2672236C2 (ru) * 2017-01-31 2018-11-12 Виталий Александрович Бондарев Способ предупреждения столкновения морских судов
RU2681740C2 (ru) * 2017-05-02 2019-03-12 Акционерное общество "РОТЕК" (АО "РОТЕК") Способ управления технической системой при помощи удержания точки оптимума состояния системы на агрегированных двумерных и трехмерных группах параметров
RU2678762C1 (ru) * 2018-02-13 2019-01-31 Федеральное государственное бюджетное образовательное учреждение высшего образования "Государственный морской университет имени адмирала Ф.Ф. Ушакова" Способ и система контроля местоположения судна с помощью нечеткой логики
RU2741669C1 (ru) * 2020-08-18 2021-01-28 Акционерное общество "Кронштадт Технологии" Система координированного управления движением судна в режимах автоматического и дистанционного управления
RU2760823C1 (ru) * 2021-05-04 2021-11-30 Федеральное государственное бюджетное образовательное учреждение высшего образования "Государственный морской университет имени адмирала Ф.Ф. Ушакова" Опытовый морской модульный комплекс

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2367690C (en) * 1999-04-23 2005-02-01 Canadian Space Agency Advanced ship autopilot system
RU2251721C2 (ru) * 2002-08-01 2005-05-10 Соловьев Виктор Иванович Интеллектуальная система регулирования
RU2296355C2 (ru) * 2004-12-17 2007-03-27 Государственное образовательное учреждение высшего профессионального образования "Комсомольский-на-Амуре государственный технический университет" (ГОУВПО "КнАГТУ") Способ автоматического управления и следящая система для его осуществления
RU2359308C2 (ru) * 2007-11-29 2009-06-20 Нелли Алексеевна Седова Нейросетевой регулятор для управления курсом судна
CN102183957B (zh) * 2011-03-04 2013-03-20 哈尔滨工程大学 船舶航向变论域模糊与最小二乘支持向量机复合控制方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110101106A (zh) * 2019-05-31 2019-08-09 杭州安脉盛智能技术有限公司 基于模糊前馈反馈算法的回潮加湿过程水分控制方法及系统
CN110101106B (zh) * 2019-05-31 2021-07-16 杭州安脉盛智能技术有限公司 基于模糊前馈反馈算法的回潮加湿过程水分控制方法及系统
CN110703605A (zh) * 2019-10-29 2020-01-17 大连海事大学 一种面向智能船舶自动舵系统的自适应模糊最优控制方法及系统
CN111026116A (zh) * 2019-12-16 2020-04-17 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) 船舶操纵控制方法、装置及电子设备
CN111026116B (zh) * 2019-12-16 2023-05-26 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) 船舶操纵控制方法、装置及电子设备
CN114840928A (zh) * 2022-05-07 2022-08-02 西北工业大学 一种基于深度学习的水下航行器集群运动仿真方法
CN114906292A (zh) * 2022-05-17 2022-08-16 武汉理工大学 一种基于机械臂的船舶航行控制装置
CN115145282A (zh) * 2022-07-18 2022-10-04 中国船舶重工集团公司第七0七研究所九江分部 一种欠驱动船舶自动靠泊鲁棒自适应控制方法
CN116101464A (zh) * 2022-09-20 2023-05-12 西北工业大学深圳研究院 无人水下航行器含有动态参数的变阶次模糊逻辑控制方法
CN116620492A (zh) * 2023-07-25 2023-08-22 自然资源部第一海洋研究所 一种可变形无人船及变形方法
CN116620492B (zh) * 2023-07-25 2023-10-24 自然资源部第一海洋研究所 一种可变形无人船及变形方法

Also Published As

Publication number Publication date
RU2519315C2 (ru) 2014-06-10

Similar Documents

Publication Publication Date Title
RU2012132893A (ru) Способ автоматического управления судном по курсу и интеллектуальная система для осуществления способа
Liang et al. A deep reinforcement learning network for traffic light cycle control
Yu et al. Deep reinforcement learning based optimal trajectory tracking control of autonomous underwater vehicle
Wang et al. Self-learning cruise control using kernel-based least squares policy iteration
CN109901403A (zh) 一种自主水下机器人神经网络s面控制方法
CN110688920B (zh) 一种无人驾驶控制方法、装置及服务器
CN110321605A (zh) 一种基于多重模型预测控制的人机交互协调控制策略
CN115437251A (zh) 一种带有输入量化的usv路径规划与模糊自适应跟踪控制方法
Hoshino et al. PSO training of the neural network application for a controller of the line tracing car
CN103198720A (zh) 一种基于广义自组织神经网络的船舶领域模型的修正方法
Dong et al. Reinforcement learning-based wind farm control: towards large farm applications via automatic grouping and transfer learning
Nguyen et al. Automatic collision avoiding support system for ships in congested waters and at open sea
Emaletdinova et al. Neural fuzzy controller to control the angle of heel and the course of the unmanned aerial vehicle
KR102343507B1 (ko) 가변형 전류 고정 날개 및 가변형 전류 고정 날개의 열림각 조절 방법
Agnone et al. Virtual adversarial training system for dcase 2019 task 4
CN114670856B (zh) 一种基于bp神经网络的参数自整定纵向控制方法及系统
Sineglazov et al. Intelligent System of Helicopter Pilots Simulator Training
CN109799765A (zh) 舵机电液伺服系统智能控制方法
SG10201808290XA (en) Systems and methods for optimization of data center cooling
CN111795795B (zh) 应用信号分析的电子辅助选择系统及方法
CN109711022A (zh) 一种基于深度学习的潜艇抗沉系统
Zhang et al. Research on Decision Model of Soccer Robot System
Hishama et al. Human Driving Skill for Human Adaptive Mechatronics Applications by using Neural Network System
Németh et al. Collision-free motion control with learning features for automated vehicles in roundabouts
CN103186815A (zh) 一种基于在线快速自组织模糊神经网络的船舶领域模型的辨识方法

Legal Events

Date Code Title Description
MM4A The patent is invalid due to non-payment of fees

Effective date: 20150802