船舶横向减摇的智能控制

《船舶横向减摇的智能控制》由会员分享，可在线阅读，更多相关《船舶横向减摇的智能控制（9页珍藏版）》请在装配图网上搜索。

1、研究生课程论文封面课程名称智能检测与控制技术教师姓名大师研究生姓名哈哈研究生学号8888888研究生专业自动化所在院系机电学院类别：硕士日期：1998年11月11日船舶横向减摇的智能控制引言船舶在风浪中航行时，在波浪扰动的作用下，会产生横摇、纵摇、垂荡等各种运动，其中横摇是一般 风浪条件下行驶中最剧烈的，在大风浪中也是除垂荡外最为剧烈的,为改善乘客和船员的生活、工作条 件，提高船舶适航性，同时减少加在装载货物及设备上的附加惯性力，提高机械设备使用效率、可靠性及 装载货物的安全性，人们发明了多种减摇设备，如减摇鳍、舭龙骨、减摇水舱、减摇陀螺、移动重物等等, 它们均可在不同层度上减轻船舶在航行时的

2、横摇运动，其中减摇鳍是一种减摇效率最高，应用也最为广 泛的减摇装置1。目前减摇鳍控制系统中多采用基于PID控制的控制器，而且绝大多数控制器的PID参数为预先设定 值。而波浪作为船舶的主要外界扰动信号,其生成及变化情况非常复杂，波浪具有很强的随机性、非线性, 同时影响PID控制器参数的原因如船舶本身的装载量、不同的航行海域等也常常发生变化，为使得减摇 鳍的PID控制器更加高效,其参数必须随外界情况变化而变化，同时它最后具有在线学习及预测能力，基 于这样的背景，本文提出将BP神经网络引入减摇鳍控制系统并开展相关研究。图1：船底的减摇鳍1 BP神经网络介绍人工神经网络(ANN)是模仿生物神经系统的工

3、作原理，通过大量的分布式连接，形成了分布式存储、并行 处理、自适应学习等功能。近30年来神经网络的研究发展非常迅速，在模式识别、图像处理、预测管 理、控制及优化等方面都取得了很好的应用。神经网络一般由神经元模型、网络结构和学习算法三个 要素共同决定，其中学习算法有很多种，从神经网络的拓扑结构上可分为前馈型网络和反馈型网络，本文 选定BP(back propagation反向传播算法)神经网络作为工具进行研究,BP神经网络采用并行网络结构, 包括输入层、中间层(隐含层)和输出层,BP算法学习过程包括前向信息传播和反向误差传播，输入信号 经中间层传到输出层形成输出信号，信号传递时网络的权值不变，如

4、果在输出层无法得到期望输出，则转 入反向误差传播,误差信号从输出端反向传递，在次过程中误差反馈对网络权值进行调节,通过对权值的 不断调整使误差值变为最小。BP神经网络有很强的非线性映射及泛化能力，其三层网络可实现对任意 函数或映射,BP神经网络作为一种成熟网络类型被广泛应用。其基本结构如图2所示：n神经网络是由神经元构成,神经元模型一般包括连接权、求和单元X和非线形激励函数叽)组成,i=1非线形激励函数的作用是进行非线形映射并限制神经元输出幅度在一定范围以内，同时还包括域值ok, 图2所示的三层网络的输出可用数学公式表达如下：输入层:O.=x.(1)i i中间层:O.=p.(net.,O.)(

5、2)j j j j中I可层（隐含层）nett图2 BP神经网络结构示意图2基于BP神经网络的减摇鳍系统分析及仿真模型建立减摇鳍的工作原理是当船在海浪中航行时，海浪运动使得船舶形成横摇运动，减摇鳍装置中的角 速度陀螺检测到船舶横摇角速度信号，经过PID控制器等环节处理后传给电液伺服系统,由电液伺服系 统驱动执行机构带动鳍转动一个角度,这时鳍在水流作用下会产生“升力”,由于左右两舷都装有鳍，而且 工作时鳍的转角大小相等，方向相反。从而形成在船体上产生一个与波浪力矩方向相反的力矩（稳定力 矩）,进而达到减小船舶横摇运动的目的。结合BP神经网络的相关知识，可设计出如图3所示的基于BP 神经网络的减摇鳍

6、原理框图。为便于对系统进行仿真研究，需要分析并建立各环节数学模型：扶正力矩（扶正角）图3基于BP神经网络的减摇鳍原理框图波浪扰动 （波倾角）2.1船舶横摇模型减摇鳍作为一种主动式减摇装置，因其相对高效的减摇效果 而得到了广泛应用。要建立其数学模型，必须先了解船舶横摇运 动模型，由于船舶的横摇运动主要由海浪的扰动产生在横摇角度比较小的情况下用Conolly横摇方程来进行分析，可以得到如 下方程：(Al +I )p+2Np+Dhp=-Dha其中I横摇转动惯量N横摇阻尼系数AI附加转动惯量D船舶排水量h船舶初稳心高XX申一横摇角ae一有效波倾角在零初始条件下船舶对有效波倾角的传递函数:GC(s) =

7、%s)/ae(s)=l/(T c2S2+2TcZcS+1) 其中Tc=Sqrt(AIx+Ix)/Dh为船舶固有横摇周期、Zc=NDh(A【x+Ix)为 无因次阻尼系数2.2角速度陀螺仪模型角速度陀螺仪用于测量船舶横摇角速度，它可将横摇角速度 以电压信号输出，可作为线形元器件看待,其输出对船舶横摇角 的传递函数：GS(s) =V(s)/p(s)=ks(6)其中k为角速度陀螺仪比例系数2.3电液伺服系统模型从液压系统控制方式上，可以把减摇鳍电液伺服系统分为容积 式和节流型两种。本文以容积式作为参考对象建立模型，其模型可 等效为一个二阶系统，为方便分析，对系统做适当简化处理。可得到 伺服阀电压到最终

8、执行机构带动鳍转动角度的传递函数为：Gv(s) =V(s)/ae(s)=k3/(s2+kx s+k2)(7)其中匕、k2、k3分别为特定电液伺服系统参数 2.4鳍角到船舶形成扶正角度间系数kz由于鳍角转化为船舶扶正角计算复杂,可以对该系数进行静 态估算，对特定的减摇鳍系统,它是看作一个常数。2.5 BP神经网络PID控制器 减摇鳍使用的是经典PID控制的控制器，其PID控制器的参数kp、E、kd为预先设定值，本文研究根据系统的运行情况，用BP神经 网络来调节kp、 kd参数,这里采用增量式数字PID控制算法： u(k) =u(k-1) +Au(k)(8)其中 Au(k)=k (e(k)-e(k

9、-1)+kie(k)+kd(e(k)-2e(k-1) +e(k-2)我们采用如图2所示的三层神经网络，网络结构为2-6-3, 同时选Sigmoid函数f(x)=l/(l+ex)作为激励函数。众所周知BP算 法在实际运用中存在收敛速度慢和目标函数局部极小等问题。 根据前人研究，有很多方法可以对以上问题进行改进，本文选用 较为常用的附加动量项的方法来解决该问题。要让神经网络实现预期功能，必须先对网络进行训练,BP网 络的训练通常采用局部梯度下降法学习律)，其基本思想是使1总网络的输出和训练样本之间的误差均方值最小，误差均方值E=2 E(tn-yn)2。这里以t代表样本,n=1对网络的训练通常包括以

10、下几点：1)初始化网络:包括初始化网络权值和域值，本文取权值和域值为随机数值；2) 选取并输入训练样本:在给定范围内对输入值进行5次等分获得36个训练样本;3) 计算各层输出及误差:网络的输出层输出即为PID参数kp、环kd；4) 调整网络权值和域值；卩1输出层权值调整：Awjk(n +1)二朮+必气少)(9)其中=*-丿申k(netk，k)，n为学习步长,a为动量因子。 域值及中间层权值调整方法类同。5) 判断目标函数是否达到预期，如达到则训练结束，否则重 新开始训练直至达到预期。3系统仿真过程及结果以安装JQB-3型减摇鳍的海巡168船为例:其排水量为800t，初稳心高为1. 7m,船舶自

11、摇周期为 6s=2nTC,无因次阻尼系数为0.13,角速度陀螺仪比例系数k=0.4,电液伺服系统系数k1=25、k2=325、 k3=450，转化系数kz=0.35。将以上参数分别带到表达式(5)、(6)、(7)中即得到各环节具体数学模型。用 MATLAB/Simulink对减摇鳍系统进行仿真，可得到图4所示仿真结构图：From Woriace0Clockl040.91s?+0253t1*)+Transfer Fen4 du/dtDerivativenn controlScopelMATLABFunctionprd controlScope2Pl图4减摇鳍系统Simulink仿真结构图图中输入

12、信号用模拟海浪信号，模拟海浪信号由高斯白躁声与正弦波叠加后输入到波浪扰动模型 而产生，其模拟波倾角如图5所示。图中PID控制器及BP神经网络控制器分别由MATLAB程序编制。 当船的航速为10节(18. 52km/h)，船以45度浪向航行，可获得如图6所示传统PID控制器控制时船舶 的横摇角响应仿真曲线，同时可获得如图7所示基于BP神经网络的PID控制器控制时船舶的横摇角响 应仿真曲线。选取n=0.1,a=0.7，设定方差0.000001,可以得到图8误差曲线，经过580步训练学习,误差达 到设定值。图5：浪向角45时的海浪倾角仿真图厂50 t/st/S图6：传统PID控制器时的船舶横摇角仿真

13、图图7：基于BP神经网络控制的横摇角仿真to00 1002003005S0 Epoch*4005009 972G4-4X)7. Coal ! 006 wo图8误差曲线同时通过仿真，可看到PID参数k、k.、kd的实时调整变化情况。1 d通过以上在45浪角行驶下的仿真曲线可以看出，在不同的浪向角下，神经网络混合控制器的效 果要优于PID控制，这主要是因为PID控制器的参数是针对浪向角为标准45的情况下设定的，而在 其它海况下，PID的参数可能不是最优的，需要重新设定参数，而神经网络混合控制器可以适应不同 的海况，且减摇效果是令人满意的。4小结本文在分析船舶减摇鳍系统各环节数学模型的基础上，引入B

14、P神经网络的思想,将传统PID控制器 和BP神经网络结合起来，使得在线训练学习，并根据外界情况变化动态调节PID控制器相关参数，通过 仿真比较,BP神经网络应用于减摇鳍系统后能明显提升控制系统品质，具有一定实用性。通过了一个学期的理论课程学习，也参与了讨论，本人掌握了模糊算法和神经网络的基本知识， 通过金老师的详细讲解还有同学们间的课堂的交流，获得了不少智能控制方面的知识，如专家系统神 经网络结合模糊算法控制等内容，通过这次对于智能检测与控制技术这门课程的学习，同学们完 成理论与实操的结合、提高了自己的实践能力，尤其是观察、分析和解决问题的实际工作能力，在老 师的培养下，我们要争取成为社会所需

15、的高素质的研究型人才。在此，对帮助与指导过我的老师和几 位师兄表示衷心的感谢。参考文献：1 盛振邦，刘应中，船舶原理M.上海:上海交通大学出版社,2004.2 郭庆祝，等基于模糊理论的船舶减摇鳍智能控制系统分析J 中外船舶科技,2005,2.3 洪超舰船减摇鳍伺服系统传递函数研究J.液压气动,2008,4.4 夏国泽船舶流体力学M.华中科技大学出版社,2003.5 MATLAB中文论坛,MATLAB神经网络30个案例分析M.北京:北京航空航天大学出版社, 2010.6 余晓红.BP神经网络的MATLAB编程实现及讨论J.浙江交通职业技术学院学报,2007,8(4). 江同洋，船舶横摇运动及减摇

16、鳍控制系统的仿真研究D.大连:大连海事大学,20118 Odd M.Faltinsen,NON-LIFTING HYDRODYNAMIC INTERACTION FORCES BETWEEN TWO SHIPS UNDERGOING ARBITRARY HORIZONTAL MOTIONS IN CALM WATER JNorwegian University of Science and Technology; Norway对课程论文的评语:平时成绩：课程论文成绩：总成绩：评阅人签名：注：1、无评阅人签名成绩无效；2、必须用钢笔或圆珠笔批阅，用铅笔阅卷无效；3、如有平时成绩，必须在上面评分表中标出，并计算入总成绩。