基于神經(jīng)網(wǎng)絡的船舶舵機控制系統(tǒng)設計

蔡冬林

(南通航運職業(yè)技術學院 輪機工程系，江蘇 南通 226010)

基于神經(jīng)網(wǎng)絡的船舶舵機控制系統(tǒng)設計

蔡冬林

(南通航運職業(yè)技術學院 輪機工程系，江蘇 南通 226010)

傳統(tǒng)船舶舵機控制系統(tǒng)只適于控制對象是線性系統(tǒng)且時延和階數(shù)等已知的情況，但在實際應用中，船舶舵機控制過程受船舶運行情況和航行環(huán)境的影響，屬于隨機過程。為此，設計一種新的基于神經(jīng)網(wǎng)絡的船舶舵機控制系統(tǒng)，依據(jù)功能要求設計船舶舵機的不同控制模型，再設計整體控制系統(tǒng)結(jié)構(gòu)。通過設計 4 個不同層次的控制器結(jié)構(gòu)，實現(xiàn)神經(jīng)網(wǎng)絡控制器的整體設計，利用神經(jīng)網(wǎng)絡算法對控制器中的參數(shù)進行學習和調(diào)整，神經(jīng)網(wǎng)絡控制器輸出結(jié)果即為船舶舵機控制結(jié)果。實驗結(jié)果表明，所設計系統(tǒng)控制效果好，不易受外界環(huán)境的干擾。

神經(jīng)網(wǎng)絡；船舶舵機；控制系統(tǒng)

0 引 言

船舶舵機的有效控制是船舶航行的關鍵，和船舶行駛安全有很大關系[1-2]。當前，隨著海運領域的迅猛發(fā)展，船舶噸位逐漸上升，航速越來越快，人們對船舶運輸安全性的要求越來越高[3–5]。所以，研究一種高性能的船舶舵機控制系統(tǒng)具有重要意義，是相關學者研究的重點課題[6-7]。

文獻[8]提出一種基于數(shù)學模型的船舶舵機控制方法，依據(jù)歷史數(shù)據(jù)建立數(shù)學模型，通過數(shù)學模型實現(xiàn)船舶舵機的控制，該方法實現(xiàn)過程簡單，但由于船舶本身運行端機參數(shù)相對而言不穩(wěn)定，且具有非線性，沒有辦法以此構(gòu)建較為精確的數(shù)學模型；文獻[9]提出一種基于以太網(wǎng)和 CAN 技術的船舶舵機控制系統(tǒng)，通過傳感器節(jié)點、智能設備、控制節(jié)點等構(gòu)成船舶舵機控制系統(tǒng)。該系統(tǒng)可實現(xiàn)對船舶舵機的實時監(jiān)控，但硬件成本過高，不適于實際應用；文獻[10]提出一種離散船舶舵機控制系統(tǒng)，將遺傳算法應用于離散系統(tǒng)中，實現(xiàn)對船舶舵機的控制。該方法實現(xiàn)過程簡單，但計算復雜程度和計算量較高，也就是有計算量膨脹的弊端。

針對上述方法的弊端，設計一種新的基于神經(jīng)網(wǎng)絡的船舶舵機控制系統(tǒng)，分別介紹系統(tǒng)中 4 項主要模型（參考模型、船舶舵機模型、船舶模型和擾動模型），依據(jù)功能要求設計船舶舵機控制系統(tǒng)結(jié)構(gòu)，利用神經(jīng)網(wǎng)絡設計船舶舵機控制器。實驗結(jié)果表明，所設計系統(tǒng)控制效果好，不易受外界環(huán)境的干擾。

1 基于神經(jīng)網(wǎng)絡的船舶舵機控制系統(tǒng)設計

1.1 控制系統(tǒng)中各項模型設計

1.1.1 參考模型

參考模型相當于預篩選器，不論要求的參考偏航角如何變化，參考模型和船舶的動力特性都匹配。

本節(jié)選用的參考模型為：

其中：Tm為時間常數(shù)；Km為模型增益系數(shù)。在實際應用中模型為非線性，即

其中：系數(shù) a，b，c 可通過經(jīng)驗獲取，本節(jié)參數(shù)取為 a = 0.934，b = 0.204，c = 0.018 2。

1.1.2 船舶舵機模型

船舶舵機主要負責將舵調(diào)整至控制系統(tǒng)要求的角，本節(jié)選用的船舶舵機模型用圖 1 進行描述。

圖1 中，δc用于描述命令舵角，對大部分船舶來說，最大操舵角為 ±35°，最大操舵速率為 ±8°/s；ψr為船舶參考航向；ψd為設計航向；ψ為實際航向；δ 為操舵角。

1.1.3 船舶模型

受很多因素的影響，船舶模型是非線性的，本節(jié)選用的船舶模型如下：

其中： a1，a3為 Norrbin 系數(shù)，本節(jié) a1和 a3依次取 1和 5。

1.1.4 擾動模型

船舶舵機控制中的擾動問題較為復雜，通常認為是受到風與海浪的干擾，可通過一個典型的二階低通濾波器形成的海浪波譜模型形成，公式描述如下：

式中：ωn為自然頻率；ζ 為二階低通濾波器的阻尼比；s 為白噪聲帶寬。ωn計算公式如下：

式中：ω0為海浪頻譜的峰值頻率；u 為船速；γ 為船舶航向和海量之間的夾角；g為重力加速度。

1.2 船舶舵機控制系統(tǒng)總體設計

所設計的基于神經(jīng)網(wǎng)絡的船舶舵機控制系統(tǒng)主要包括航向改變功能和航向保持功能 2 個功能，航向改變功能要求系統(tǒng)操縱能力強，航向保持功能要求系統(tǒng)穩(wěn)定性強，依據(jù)上述功能要求設計的船舶舵機控制系統(tǒng)結(jié)構(gòu)如圖 2 所示。

1.3 控制器分層結(jié)構(gòu)設計

所設計的神經(jīng)網(wǎng)絡控制器由 4 層前向神經(jīng)網(wǎng)絡組成，依次為輸入層、隸屬度函數(shù)層、規(guī)則層和輸出層。假設第 i 層的第 j 個節(jié)點輸入用進行描述，第 i層第 j 個節(jié)點的輸出用進行描述，則有下面對神經(jīng)網(wǎng)絡控制器各層進行詳細分析。

第 1 層為輸入層。該層中各神經(jīng)元均代表 1 個輸入變量，本節(jié)輸入向量為航向角偏差 e 和偏差的變化量˙。輸入層神經(jīng)元將輸入變量 xi利用作用函數(shù) f 傳輸至下一層中的神經(jīng)元，其輸出可描述成：

第 2 層為隸屬度函數(shù)層，該層中神經(jīng)元代表輸入變量的一個隸屬度函數(shù)，本節(jié)將高斯函數(shù)看作隸屬度函數(shù)，該層輸出可描述成：

其中，mij，σij分別為第 i 個輸入變量第 j 個模糊集合的高斯函數(shù)均值與方差。

第 3 層為規(guī)則層，其神經(jīng)元數(shù)量即模糊規(guī)則數(shù)量，其輸出可描述成：

其中，k=(i?1)n+j；n 為各輸入變量的模糊集合。

第 4 層為輸出層，該層輸出可描述如下：

1.4 船舶舵機控制器設計

進行上述 4 個分層結(jié)構(gòu)設計后，實現(xiàn)船舶舵機的整體控制。

考慮在船舶航向易出現(xiàn)偏差，設計船舶舵機控制過程如圖 3 所示。

當控制過程處于階段Ⅰ時，船舶開始回旋，處于階段Ⅱ時，船舶不會沿著之前的方向繼續(xù)前進，新方向的提示會使得船舶調(diào)轉(zhuǎn)方向，處于階段Ⅲ時，舵機需保證船舶的航向角不出現(xiàn)超調(diào)現(xiàn)象。

本節(jié)通過神經(jīng)網(wǎng)絡對船舶舵機進行控制，采用的神經(jīng)網(wǎng)絡控制器用圖 4 進行描述，δ 為操舵角，ψ 為實際航向，將 δ，ψ 看作神經(jīng)網(wǎng)絡的輸入，將看作神經(jīng)網(wǎng)絡的輸出，將 ψ 與之間的差值看作神經(jīng)網(wǎng)絡的調(diào)整信號，以實現(xiàn)船舶舵機控制器的整體設計。

1.5 基于神經(jīng)網(wǎng)絡的控制器參數(shù)優(yōu)化

利用神經(jīng)網(wǎng)絡算法對其中的參數(shù)進行調(diào)整，將指標函數(shù) Ec看作參考模型輸出 ψm與船舶輸出 ψ 之間的方差：

定義：

則可獲取不同可修正參數(shù)的學習算法，針對第 n次學習，學習規(guī)則可描述如下：

式中：η(4)，ηm和 ησ分別為第 4 層權(quán)值、第 2 層隸屬度函數(shù)參數(shù) mij與 σij的學習率；，αm，ασ為對應的動量因子。

2 實驗結(jié)果分析

船舶舵機控制系統(tǒng)的設計需采用船舶與舵機的響應數(shù)據(jù)，上述數(shù)據(jù)可通過控制對象的計算機仿真獲取。為了驗證本文設計系統(tǒng)的有效性，將 PID 控制系統(tǒng)和模糊控制系統(tǒng)作為對比，對船舶舵機控制進行仿真研究。將控制周期設置為 2 s，仿真時間為 1 200 s。在進行實驗的過程中，作用于船舶舵機的風和海浪擾動由帶寬是 1 Hz 的白噪聲產(chǎn)生，其部分時間序列用圖 5進行描述。

通過理想舵機控制獲取船舶航向角變化的理想曲線，結(jié)果用圖 6 進行描述。通過本文系統(tǒng)、PID 控制系統(tǒng)和模糊控制系統(tǒng)對船舶舵機進行控制，控制航向角變化情況和理想航向變化角比較結(jié)果如圖 7 所示。

分析圖 7 可看出，通過本文系統(tǒng)對船舶舵機進行控制，船舶航向角變化曲線和理想曲線基本吻合，超調(diào)量最小，明顯優(yōu)于 PID 控制系統(tǒng)和模糊控制系統(tǒng)，且本文控制系統(tǒng)響應速度最快。

圖8 和圖 9 分別為在無干擾和有干擾狀態(tài)下，本文系統(tǒng)控制下舵角輸出曲線。

分析圖 8 和圖 9 可看出，在有干擾情況下，本文系統(tǒng)對舵角的控制結(jié)果和無干擾情況下船舶舵角控制結(jié)果之間的差異不大，說明本文系統(tǒng)對外界干擾的適應能力很強，能夠有效達到系統(tǒng)要求。

3 結(jié) 語

本文設計了一種新的基于神經(jīng)網(wǎng)絡的船舶舵機控制系統(tǒng)，依據(jù)功能要求設計船舶舵機控制系統(tǒng)結(jié)構(gòu)，介紹了參考模型、船舶舵機模型、船舶模型和擾動模型，利用神經(jīng)網(wǎng)絡對船舶舵機進行控制，輸出結(jié)果即為船舶舵機控制結(jié)果。實驗結(jié)果表明，所設計系統(tǒng)控制效果好，不易受外界環(huán)境的干擾。

[1]和江, 文建剛, 侯文. 基于模糊神經(jīng)網(wǎng)絡PID算法的舵機控制與仿真[J]. 中北大學學報自然科學版, 2016, 37(2): 150–156.

[2]陳黎, 魯濤. 液壓式船舶舵機控制系統(tǒng)設計與仿真[J]. 艦船科學技術, 2014, 36(12): 78–81.

[3]譚成午, 張桂香, 劉福建. 基于復合控制的飛機舵機伺服系統(tǒng)動態(tài)仿真[J]. 計算機仿真, 2016, 33(1): 77–80.

[4]劉曉琳, 王春婷, 袁昆. 飛機舵機電液加載系統(tǒng)的多余力抑制方法研究[J]. 計算機測量與控制, 2014, 22(12): 4166–4169.

[5]王修巖, 谷新銘, 李宗帥. 基于單神經(jīng)元和前饋補償?shù)碾妱蛹虞d復合控制[J]. 電氣傳動, 2015, 45(7): 48–51.

[6]張艷, 郭凱, 丁茂森. 船舶柴油發(fā)電機組轉(zhuǎn)速的模糊RBF神經(jīng)網(wǎng)絡PID控制[J]. 船電技術, 2014, 34(5): 1–5.

[7]夏永泉, 李耀斌, 李晨. 基于多神經(jīng)網(wǎng)絡的小麥病害在線診斷系統(tǒng)[J]. 科技通報, 2016, 32(10): 59–62.

[8]康見見, 柴嘉鴻, 孫士杰, 等. 基于BP神經(jīng)網(wǎng)絡的柴油機燃燒特征參數(shù)前饋預測模型[J]. 科學技術與工程, 2014, 14(24): 221–225.

[9]郝帆. 基于神經(jīng)網(wǎng)絡的工程結(jié)構(gòu)智能監(jiān)測系統(tǒng)設計[J]. 電子設計工程, 2016, 24(23): 112–114.

[10]宋文龍, 呂迎春, 秦建敏, 等. 基于MSP430和BP神經(jīng)網(wǎng)絡PID的跑步機控制系統(tǒng)[J]. 現(xiàn)代電子技術, 2016, 39(22): 150–153.

Design of ship steering gear control system based on neural network

CAI Dong-lin
(Nantong Shipping College, Marine Engineering Department, Nantong 226010, China)

Servo control system of traditional ship control object is only suitable for linear systems and delay and order and known, but in practical application, the ship steering control process is influenced by the ship operation and navigation environment, which belongs to the random process. For this reason, a new control system of ship steering gear based on neural network is designed, and the different control models are designed according to the functional requirements. Through the design of 4 different levels of the structure of the controller, to achieve the overall design of neural network controller, learning and adjustment of the parameters in the controller using neural network algorithm, neural network controller output is the result of ship steering control. The experimental results show that the designed system has good control effect and is not easy to be interfered by external environment.

neural network；ship steering gear；control system

TP391

A

1672–7619(2017)05–0099–04

10.3404/j.issn.1672–7619.2017.05.019

2017–02–23

蔡冬林(1973–)，男，碩士，副教授，研究方向為輪機工程。