斜舵船舶垂荡和纵摇装置智能自适应控制方法

摘要

本发明提供的是一种船舶斜舵减垂荡和纵摇装置(斜舵船舶垂荡与纵摇装置)智能自适应控制方法。利用测量系统测出斜舵船舶垂荡与纵摇装置的状态参数信息；换成数字信号经过滤波器后，送给控制器；控制器选择最优的斜舵船舶垂荡和纵摇装置智能自适应系统的控制输入；控制器所产生的控制信号经过数字/模拟转换器产生模拟信号并经过信号放大器增强后输出给执行机构；执行机构按指令执行，将整个系统变化到指定的工况下。本发明的优点在于适用于斜舵船舶垂荡和纵摇装置这样具有严重的非线性、耦合性、时变性的系统，控制精度高，鲁棒性好。

主权项

1.一种斜舵船舶垂荡和纵摇装置智能自适应控制方法，其特征是：(1)利用测量系统测出斜舵船舶垂荡和纵摇装置的状态参数信息；所述的斜舵船舶垂荡和纵摇装置的状态参数信息包括：垂荡位移和纵摇角位移；(2)通过模拟/数字转换器将得到的状态参数转换成数字信号、数字信号在经过滤波器后，送给广义动态模糊神经网络，通过广义动态模糊神经网络来辨识动态线性CARMA模型；控制器中包含的智能自适应模型广义预测控制算法在参考控制量作用下，智能自适应集成模型的多步预估器预测被控系统的未来输出，根据滚动优化准则，得到控制性能评价指标，依据该控制性能评价指标评价控制量的控制效果，并依据对控制效果的性能评价来修改当前的控制量，最后选择最优的斜舵船舶垂荡和纵摇装置的控制输入；具体方法为：第一步，广义动态模糊神经网络的训练设r是输入变量数，并且每个输入变量x_i，i＝1，2，…，r，有u个隶属函数A_ij，j＝1，2，…，u，它们位于第二层，这些隶属函数都是如下形式的高斯函数：A_ij(x_i)＝exp[-(x_i-c_ij)²/σ²_ij]i＝1，2，…，r，j＝1，2，…，u    (1)其中，A_ij是x_i的第j个隶属函数，c_ij和σ_ij分别为x_i的第j个高斯隶属函数的中心和宽度；输入层中第0个节点的输入值x₀＝1，它的作用是提供模糊后件中的常数项；第三层的每个结点代表一条模糊规则，它的作用是用来匹配模糊规则的前件，计算出每条规则的适用度；后件网络中第二层的作用是计算每一条规则的后件，即w_j＝α_0j+α_1jx₁+…α_rjx_r j＝1，2，…，u    (3)其中α_0j，α_1j，…α_rj分别是输入变量在第j条规则中权值；后件网络中的第三层计算系统的输出广义动态模糊神经网络的学习：1).初始化系统预定义参数ε_min，ε_max，e_min，e_max，k_mf，k_s，k_eer；2).由第一组样本数据产生第一条规则，其结论参数的确定如下：设r个输入变量的n次观测样本产生u个模糊规则，把式(4)写成矩阵形式为Wφ＝Y                 (5)其中，和假设期望的输出为确定最优参数W^*的问题用公式表示为最小化||Wφ-T||₂的线性问题，W由广义逆方法确定如下：W^*＝Tφ⁺               (6)其中，φ^T是φ的转置，φ⁺＝(φ^Tφ)^-1φ^T是φ的广义逆；3).从第二组样本数据开始，每来一组样本，分别计算系统误差e_k和马氏距离md_k(j)，设X_k是第k个输入样本向量，t_k是第k个期望的输出，计算当前结构下的广义动态模糊神经网络的输出y_k；定义系统误差为：||e_k||＝||t_k-y_k||马氏距离$\mathrm{md}\left(j\right)=\sqrt{{(X-C_j)}^T{\Sigma }_j^{-1}(X-C_j)}$其中x＝(x₁，…，x_r)^T∈R^r，C_j＝(c_1j，c_2j，…，c_rj)^T∈R^r，同时∑_j^-1为∑_j^-1＝diag[1/σ²_1j，1/σ²_2j，…，1/σ²_rj]j＝1，2，…，u找到$J={\mathrm{md}}_{k,\min }=\underset{1\le j\le u}{\arg \min }\left({\mathrm{md}}_k\left(j\right)\right);$4).k_e是预先定义的一个阈值，它在学习过程中按以下准则逐渐变化：$k_e=\left\{\begin{array}{cc}{e}_{\max }& 1<k<n/3\\ \max [e_{\max }\times {\beta }^k,e_{\min }]& n/3\le k\le 2n/3\\ e_{\min }& 2n/3\le k\le n\end{array}\right.$其中，k是学习的次数，β∈(0，1)为收敛常数，β＝(e_min/e_max)^3/n5).k_d是一个预先设定并与ε相关联的阈值，k_d在学习的过程中按下式变化：$k_d=\left\{\begin{array}{cc}{d}_{\max }=\sqrt{\ln (1/{ϵ}_{\min })}& 1<k<n/3\\ \max [d_{\max }\times {\gamma }^k,d_{\min }]& n/3\le k\le 2n/3\\ d_{\min }=\sqrt{\ln (1/{ϵ}_{\max })}& 2n/3\le k\le n\end{array}\right.$式中，γ∈(0，1)称为衰减常数，由(7)式推算出来：$\gamma ={(d_{\min }/d_{\max })}^{3/n}={(\sqrt{\ln (1/{ϵ}_{\max })}/\sqrt{\ln (1/{ϵ}_{\min })})}^{3/n};---\left(7\right)$6).新规则参数的确定，计算数据和边界Φ_i之间的欧式距离${\mathrm{ed}}_i\left(j\right)=|x_i^k-{\Phi }_i\left(j\right)|j=\mathrm{1,2},···,u+2$其中，Φ_i∈{x_i min，c_i1，c_i2，…，c_iu，x_i max}，同时找到$j_n=\arg \underset{j=\mathrm{1,2},···,u+2}{\min }\left({\mathrm{ed}}_i\left(j\right)\right)$如果ed_i(j_n)＞k_mf则高斯函数的宽度由(8)式确定，而高斯函数中心设置如下$c_{\mathrm{im}}=x_i^k$${\sigma }_{\mathrm{im}}=\max \left\{\right|c_{\mathrm{im}}-c_{i(m-1)}|,|c_{\mathrm{im}}-c_{i(m+1)}\left|\right\}/\sqrt{\ln (1/ϵ)}---\left(8\right)$其中，c_i(m-1)和c_i(m+1)是与第m个隶属函数临近的两个隶属函数的中心；7).计算出误差减小率ρ_j和第j条规则的重要性η_j，j＝1，2，…，u，给定n个输入-输出对{X_k，t_k，k＝1，2，...n}，把式(4)看做线性回归模型的一种特殊情况，线性回归模型为：或者表示如下的紧凑形式：D＝Hθ+E            (10)其中，是期望的输出，称为回归量，而v＝u×(r+1)，包含实参数，是误差向量，并假设它与回归量h_i不相关，i＝1，2，...v；对于矩阵H，如果它的行数大于列数，则通过QR分解把H转换成正交基向量集：H＝PM                   (11)其中与H的正交列的维数相同，是上三角矩阵；把式(11)代入式(10)得：D＝PMθ+E＝PG+E         (12)G的线性最小方差的解为G＝(P^TP)^-1P^TD，或$g_i=\frac{p_i^{T}D}{p_i^T{p}_i}i=\mathrm{1,2},...v---\left(13\right)$G和θ满足下面方程Mθ＝G                  (14)由于当i≠j时p_i和p_j正交，能量D由下式给出：$D^{T}D=\underset{i=1}{\overset{v}{\Sigma }}{g}_i^2{p}_i^T{p}_i+E^{T}E---\left(15\right)$同样，对应于p_i的误差减少率可以定义如下：${\mathrm{err}}_i=\frac{{\left(p_i^{T}D\right)}^2}{p_i^T{p}_i{D}^{T}D}i=\mathrm{1,2},...v---\left(16\right)$定义误差减少率矩阵该矩阵的元素由式(16)得到；同时Δ的第j列是对应的第j个规则的r+1个误差减少率；此外定义：${\eta }_j=\sqrt{\frac{{\rho }_j^T{\rho }_j}{r+1}}j=\mathrm{1,2},...u---\left(17\right)$8).若满足e_k＞k_e，md_k，min≤k_d，则调整已存在规则前件参数中的宽度前件参数宽度作如下调整：${\sigma }_{\mathrm{ij}}^{\mathrm{new}}=\xi \times {\sigma }_{\mathrm{ij}}^{\mathrm{old}}$其中，ξ∈(0，1)是衰减因子，它由如下式子决定：$\xi =\left\{\begin{array}{cc}{k}_s/(k_s+r^2(1-k_s){(B_{\mathrm{ij}}-1/r)}^2)& B_{\mathrm{ij}}<1/r\\ 1& B_{\mathrm{ij}}\ge 1/r\end{array}\right.$定义$\left\{\begin{array}{cc}{B}_j=\underset{k=2}{\overset{r+1}{\Sigma }}{\rho }_j\left(k\right)& j=\mathrm{1,2},···,u\\ B_{\mathrm{ij}}={\rho }_{\mathrm{ij}}/B_j& i=\mathrm{1,2},···,r\end{array}\right.$ρ_ij是与第j个规则中的第i个输入变量对应的误差减少率；第二步，线性部分的多步预估器的设计及动态线性CARMA模型的在线辨识：通过局部动态线性化的方法得到系统的线性模型为A(q^-1)y(k)＝B(q^-1)u(k-1)+c+e(k)        (18)其中c为一个常量，e(k)为零均值正态白噪声，A(q^-1)＝1+a₁q^-1+…+a_naq^-na    (19)B(q^-1)＝b₀+b₁q^-1+…+b_nbq^-nb   (20)考虑船舶控制对象，令b_i＝0，i＝1，2，…，nb，x₁(k)＝u(k-1)x₂(k)＝y(k-1)...x_na+1(k)＝y(k-na)由式(2)、式(3)和式(18)～式(20)得到$\left\{\begin{array}{c}c=\underset{j=1}{\overset{u}{\Sigma }}{\hat{\theta }}_j{\beta }_j\\ b_0=\underset{j=1}{\overset{u}{\Sigma }}{\hat{\theta }}_{u+j}{\beta }_j\\ a_{i+1}=-\underset{j=1}{\overset{u}{\Sigma }}{\hat{\theta }}_{\mathrm{ui}+j}{\beta }_j,i=2,···,\mathrm{na}+1\end{array}\right.---\left(21\right)$其中，u为广义动态模糊神经网络生成的规则数；第三步，基于CARMA模型的改进广义预测控制决策设目标函数为：$J=E\{\underset{j=1}{\overset{N}{\Sigma }}{[\hat{y}(k+j)-w(k+j)]}^2+\underset{j=1}{\overset{N_u}{\Sigma }}{\left[\mathrm{\lambda \Delta u}(k+j-1)\right]}^2\}---\left(22\right)$其中，N为预测步长，Nu为控制步长，λ为控制加权因子，{w(k+j)}为设定值柔化序列；在预测控制中，为了使输出y(k)按一定响应速度平滑地过渡到设定值y_r，参考轨迹通常取为如下一阶滞后模型：$\left\{\begin{array}{c}w\left(k\right)=y\left(k\right)\\ w(k+j)=\mathrm{\alpha w}(k+j-1)+(1-\alpha )y_r\left(k\right),j=\mathrm{1,2},···N\end{array}\right.---\left(23\right)$式中，α∈[0，1)为输出柔化系数；使w(k+j)平滑地过渡到设定值y_r；为对y(k)的向前j步预测，由下式产生$\hat{y}=G\left(k\right)\tilde{u}+f---\left(24\right)$其中$\hat{y}={[\hat{y}(k+1),\hat{y}(k+2),···,\hat{y}(k+N)]}^T---\left(25\right)$$\tilde{u}={[\mathrm{\Delta u}\left(k\right),\mathrm{\Delta u}(k+1),···,\mathrm{\Delta u}(k+\mathrm{Nu}-1)]}^T---\left(26\right)$f＝[f(k+1)，f(k+2)，…，f(k+N)]^T    (27)g_i是系统的阶跃响应函数，{f(k+j)}由下式给出f(k+j)＝F_j(q^-1)y(t)+H_j(q^-1)Δu(k-1) (29)1＝E_j(q^-1)ΔA(q^-1)+q^-jF_j(q^-1)       (30)E_j(q^-1)B(q^-1)＝G_j(q^-1)+q^-jH_j(q^-1)   (31)E_j(q^-1)＝e₀+e₁q^-1+…+e_j-1q^-j+1$F_j{q}^{-1}=f_0^j+f_1^j{q}^{-1}+···+f_{n_a}^j{q}^{-n_a}$G_j(q^-1)＝g₀+g₁q^-1+…+g_j-1q^-j+1$H_j\left(q^{-1}\right)=h_0^j+h_1^j{q}^{-1}+···+h_{n_b-1}^j{q}^{-n_b+1}$在参考输入W＝[w(k+1)，w(k+2)，…，w(k+N)]^T作用下，目标函数(22)式变为$J={[G\left(k\right)+f-W]}^T[G\left(k\right)+f-W]+\lambda {\tilde{u}}^T\tilde{u}---\left(32\right)$令得到$\tilde{u}={[G{\left(k\right)}^{T}G\left(k\right)+\mathrm{\lambda I}]}^{-1}G{\left(k\right)}^T(W-f)---\left(33\right)$取的第一个分量Δu(k)＝[1，0，...，0][G(k)^TG(k)+λI]^-1G(k)^T(W-f)并令u(k)＝u(k-1)+Δu(k)即得到当前的控制u(k)；控制步骤如下：1)对系统采样得到若干组输入-输出数据，利用广义动态模糊神经网络得出u条模糊规则和u条模糊规则的参数；2)利用式(21)得到系统的局部线性化模型；3)根据式(23)～式(33)得到控制律；4)重复2)、3)步骤；(3)控制器所产生的控制信号经过数字/模拟转换器产生模拟信号并经过信号放大器增强后输出给执行机构；(4)执行机构按指令执行，将斜舵船舶系统变化到指定的工况下。