船舶航向模糊自適應云模型控制

邢道奇 龔 銘

（海軍工程大學 勤務學院 天津300450）

船舶航向模糊自適應云模型控制

邢道奇 龔 銘

（海軍工程大學 勤務學院 天津300450）

［摘 要］為了解決船舶航向云模型控制器驅動參數的自適應問題，將模糊自整定方法引入到云模型控制器設計中，設計了模糊自適應云模型控制器，并進行了仿真對比試驗。結果表明，該控制器可以使船舶航向控制在動態和穩態上都具有較好的精度，超調量小、控制效果良好。

［關鍵詞］船舶航向；云模型控制；模糊自適應

引 言

船舶航向控制是船舶控制的一個重要方面，它直接關系到船舶航行的操縱性、安全性和經濟性。由于船舶運動具有慣性大、非線性、模型參數不確定以及存在擾動等特點，對系統進行航向控制器設計時會遇到很大困難，簡單的PID航向控制器已經不能滿足要求。為了解決這一問題，人們將許多先進技術應用到控制器設計中，出現了參數自適用控制器、滑模控制器、魯棒控制器、智能控制器［1-4］。其中，基于云模型的智能控制技術，是近幾年發展起來的，已經成功運用于倒立擺的穩定控制［5］、船舶航向控制［6］、電動機控制［7］等方面，取得了良好的控制效果。

在基于云模型的船舶航向控制［6］中，云模型控制器的驅動系數需用人工方式進行調節，但當船舶在航行環境發生變化或受干擾時，原有的云模型控制器特性不能隨之自動作相應變化，將導致控制效果變差，使舵機啟動頻繁且舵的擺動幅度較大。針對云模型控制器中驅動系數無法自適應的問題，本文借鑒模糊自適應PID控制器設計方法，將模糊控制運用到航向云模型控制中，實現在線動態調整云模型控制器驅動系數。仿真結果表明：航向云模型控制的品質得到進一步改善，有效提高了云模型控制的靜態和動態性能。

1 船舶非線性數學模型

根據文獻［8］，選擇外界干擾下的船舶非線性Norrbin模型：

式中：ψ為首向角；r為首搖角速度；為首搖角加速度；K為系統增益系數；T為時間常數；為舵角；為舵轉動速度；n1、n3為Norrbin系數；為參考舵角；TE為舵機時間常數；KE為舵機控制增益；fw為外界干擾項。

2 模糊自適應云模型控制器設計

2.1 云模型控制器

（1）云模型概念

設U是一個用精確數值表示的定量論域，C是U上的定性概念。若定量值、x是定性概念C的一次隨機實現，且x對定性概念C的確定度是有穩定傾向的隨機數［9］：

圖1 一維單規則云模型推理

（2）云模型推理［10］

云模型推理通過實現IF…THEN…推理規則，來實現基于語言子集的非線性映射能力。圖1為一維單規則云模型推理圖。用X條件云發生器CGx和Y條件云發生器CGy來構造單定性規則：IF A THEN B。輸入變量x激活不同的X條件云CGx產生不同的μi，然后經過Y條件云CGy產生云滴drop（yij，μi），這些云滴經過加權平均或逆向云輸出，可以獲得相應的推理結果，完成整個推理過程。

（3）航向云模型控制器

定義航向偏差為：

分別將航向偏差e、偏差的積分值ei、偏差的變化率作為3個一維云模型映射器的輸入量，經過云模型不確定性推理，分別得到輸出控制量uP、uI、uD，經過驅動系數KP、KI和KD分別放大，并求和作為舵機的控制輸入，以實現航向控制。

根據上述方法，參考文獻［6］，構建船舶航向控制的結構圖（如圖2所示）。航向控制器中一維云模型控制器構成，雖類似于傳統的PID控制器，但又具有本質區別。

圖2 船舶航向云模型控制結構圖

2.2 模糊自適應云模型控制原理

設計模糊自適應云模型控制的結構，如圖3所示。其中，云模型控制部分完成對航向控制，而模糊整定器則根據航向偏差e和偏差變化率的變化情況，通過模糊推理對云模型器中的驅動系數KP、KI、KD進行在線整定，以達到較好的控制效果。

圖3 模糊自適應云模型控制結構圖

（1）確定模糊整定器的輸入、輸出量

輸出量：云模型驅動系數KP、KI、KD。

輸入、輸出量均選用5個模糊集作為其語言值，即｛負大（NB）、負小（NS）、零（ZE）、正小（PS）、正大（PB）｝。

驅動系數的KP、KI、KD作為輸出量選用7個模糊集作為其語言值，即｛零（ZE）、小（S）、較小（RS）、中（M）、中大（RM）、較大（RB）、大（B）｝

（2）模糊控制規則設計

驅動系數KP值的選取決定了航向控制的響應速度。增大KP能提高響應速度，減小穩態誤差。但KP值過大會產生較大的超調，甚至使系統不穩定。減小KP可以減小超調、提高穩定性，可KP值過小會減慢響應速度、延長調節時間。因此，調節初期應適當取較大的KP值以提高響應速度。在調節中期，KP取較小值，以使系統具有較小的超調，并保證一定的響應速度；而在調節后期，再將KP調到較大值來減小靜差，提高控制精度。KP值的模糊控制規則如表1所示。

驅動系數KI在云模型航向控制中，用來調整系統的穩態誤差。在調節初期，為防止云模型控制中積分飽和，KI應當取較小值，甚至可以取零；而在調節中期，為避免影響穩定性，KI應當取值適中；而在調節后期，則應增大KI值，以減小穩態誤差。KI的模糊控制規則如表2所示。

表1 KP的模糊控制規則表

驅動系數KD在云模型控制中作用在于改變系統的動態特性。在調節初期，應加大微分作用，以獲得較小超調甚至避免超調；在調節中期，由于調節特性對KD值的變化比較敏感，因此KD值應適當小一些并應保持固定不變；在調節后期，KD值應減小，以減小被控過程的制動作用并補償在調節過程初期由于KD值較大所造成的調節過程的時間延長。KD的模糊控制規則如表3所示。

表3 KD的模糊控制規則表

3 仿真研究

3.1 云模型控制器仿真條件

以5 446標準箱系列集裝箱船“Cosco Rotterdam”號［11］為仿真對象，進行航向控制仿真研究。

表4 一維云模型參數

分別用五個語言值NB、NM、Z、PM和PB表示一維云模型映射器的輸入和控制輸出的論域。其中NB為負大、NM負中、Z零、PM正中、PB正大，推理規則如表5所示。

表5 一維云模型定性控制規則表

當船航行速度為24.5 kn（即12.6 m/s）時，K =0.241 9、T = 206.795 8、n1=11.604 9、n3=10.196 6。驅動系數分別取為：KP=10.0、KI= 0.005和KD=15.0，給定初始條件為ψr=10°。

3.2 模糊自適應云模型控制器仿真條件

定義航向模糊整定器輸入、輸出量的基本論域如下：

航向偏差e的基本論域為：［-18，18］，單位：°；航向偏差變化率的基本論域為：［-3，3］，單位：°/s。

驅動系數基本論域：

KP的基本論域為：［3，15］；KI的基本論域為：［0，0.001］；KD的基本論域為：［5，20］。

為了使控制效果具有可比性，其他初始條件與3.1節相同。

3.3 仿真分析

圖4 -圖8表示在無外界干擾下得到的控制仿真曲線；圖9表示有外界干擾下得到的模糊自適應云模型控制仿真曲線；圖10表示未采用模糊整定、有外界干擾下得到的云模型控制仿真曲線。

圖4 驅動系數 KP整定曲線

圖5 驅動系數 KI整定曲線

圖6 驅動系數 KD整定曲線

圖7 舵角 δ 曲線對比

圖8 首向角 ψ 曲線對比

圖9 干擾下模糊自適應控制時的 ψ-δ 曲線

圖10 干擾下未采用模糊自適應控制時的 ψ-δ 曲線

其中，圖4 -圖6分別為云模型驅動系數KP、KI、KD的自適應曲線。從圖中可以看出：經過模糊推理，云模型驅動系數在仿真過程中進行了自適應調整，實現了較好的控制效果。通過圖7的對比可以看出，經過模糊自整定后，云模型控制器的控制性能有了明顯提高，舵角δ響應的幅值由原來的11.8°減小到8.9°；而圖7中航向ψ的響應時間卻并沒有增大，與云模型控制器的控制時間相同，約為51.5 s。從圖8的對比分析可以得出：在響應的初期和中期，經過模糊推理，選取較小的驅動系數KP，以防止出現超調；因此出現了響應速度小于未采用模糊整定的云模型控制器，在圖中表現為實線在虛線右側。這也是舵角δ響應的幅值較小的原因。在響應后期，通過減小驅動系數KD，提高響應速度，減小響應時間。在有干擾的情況下，對比圖9和圖10也可以看出：經過模糊整定的云模型控制器控制性能有了明顯提高。總之，通過與原云模型控制器控制性能的比較可以發現，模糊自適應的云模型控制器明顯提高了航向控制的效果，具有較強的魯棒性、較高的穩態精度和更快的響應特性。

4 結 論

云模型控制作為一種新的智能控制方法，在解決具有非線性、隨機性、多變量以及強耦合性的系統控制問題方面，體現出較好的控制優勢，已經得到廣泛應用。本文在航向云模型控制的基礎上，引入模糊自整定方法，設計了船舶航向模糊自適應云模型控制器，解決了云模型控制器中驅動參數無法自適應的問題，通過仿真試驗驗證了新控制器設計的有效性，控制效果良好。

［參考文獻］

［ 1 ］ 杜佳璐，郭晨，楊承恩．船舶航向非線性系統的自適應跟蹤控制器設計［J］.應用科學學報，2006（1）：83-88.

［ 2 ］ 邢道奇，張良欣．船舶航跡跟蹤的滑模控制［J］. 船舶. 2011（5）：10-14.

［ 3 ］ 張顯庫，關巍．大慣性船舶航向保持的改進簡捷魯棒控制［J］.中國航海，2010（3）：1-5.

［ 4 ］ 卓永強，方祥麟．船舶航向在線自學習智能控制方法［J］.大連海事大學學報，2007（2）：75-79.

［ 5 ］ 李德毅．三級倒立擺的云控制方法及動平衡模式［J］.中國工程科學，1999（2）：46-48．

［ 6 ］ 高鍵，周岸，李眾．船舶航向保持系統的云模型控制研究［J］. 江蘇科技大學學報（自然科學版），2008 （5）：11-16.

［ 7 ］ 李志民，盧曦，孫勇，等．同步發電機云模型勵磁控制器的設計［J］.電力系統及其自動化學報，2010 （3）：91-95.

［ 8 ］ 楊鹽生．不確定系統的魯棒控制及其在船舶運動控制中的應用［D］.大連：大連海事大學，1999．

［ 9 ］ 李德毅，孟海軍，史雪梅．隸屬云和隸屬云發生器［J］.計算機研究與發展，1995（6）：15-20．

［10］ 高鍵，姜長生，李眾. 一種新的云模型控制器設計［J］.信息與控制，2005（2）： 157-162.

［11］ 沈智鵬，郭晨.大型集裝箱船舶運動模糊自整定PID控制［C］//Proceedings of the 7th World Congress on Intelligent Control and Automation，Chongqing，China，2008：356-360．

［中圖分類號］TP273

［文獻標志碼］A

［文章編號］1001-9855（2015）03-0042-06

［收稿日期］2014-09-17；［修回日期］2014-11-06

［作者簡介］邢道奇（1980-），男，博士，講師，研究方向：海上補給技術、海洋結構物應用工程。龔 銘（1978-），男，碩士，講師，研究方向：海上補給勤務與技術。

On fuzzy adaptive cloud model control of ship course

XING Dao-qi GONG Ming

(Naval Universitg of Engineering, Tianjin 300450, China)

Abstract：In order to solve the adaptability of the drive parameters of the cloud model controller in ship course，fuzzy adaptive model is introduced in the design of the cloud model controller. This paper designs the fuzzy adaptive cloud model controller， and carries out the simulation to compare with experiments. The results show that the new controller can command the ship course with better precision， small overshooting and good control effect under both dynamic and steady conditions.

Keywords：ship course； cloud model control； fuzzy adaptability