艦船控制系統中復合誤差控制算法

杜德銀，楊代強

(重慶科創職業學院，重慶402160)

0 引 言

當今的艦船設計具有體積結構復雜、各種控制系統交互影響的特征［1］。船行駛與任務出動時，動力控制系統、電力推進系統、燃油控制系統及定位掃描系統相互工作會不可避免的造成系統誤差，對艦船綜合性能的控制產生不利影響;而且，艦船技術較為前沿，集機械、電力、電器、軟件和彈道技術于一體，參數控制復雜，各控制系統帶有誤差性、非線性、不確定和混沌性特征，系統的偏差給艦船的綜合性能控制造成困難，因此，復合控制系統的概念和解決方案應運而出。為了增強艦船的經濟性、安全穩定性，協調好各系統，降低復合控制系統的綜合誤差便成為了一種有效的方法。因此，進行艦船復合誤差研究也是現階段艦船控制的一項重要課題。艦船控制系統復雜，多變量和隨機性、非線性等復雜特征需要依靠現代控制理論和各種有效算法建立合適的研究模型，在研究模型的基礎上，以多變量為參數，對控制過程的參數干擾誤差多重反饋，保證最終獲得理想的系統狀態輸出，提高艦船性能的穩定性和安全性。本文選取艦船電機控制系統中的滑動控制和神經網絡控制為復合控制對象模型，并對控制模型控制過程進行復合誤差算法研究，保證復合控制系統的輸出穩定，提高艦船電機控制系統的綜合性能。

1 誤差特性

通常來說，誤差就是輸入量與輸出量之間的偏差［2－3］。在不同的研究中又有著不同的分類，如時間序列誤差、決策誤差、學習控制誤差等，誤差的產生是由于控制過程中變量差參數受到干擾或系統內部性能下降造成的系統輸出偏差。復合誤差則是多變量系統綜合作用誤差的量化，由多個誤差變量組成，常用于多輸入多輸出系統的分析中，通過建立輸入輸出模型，選取合適的符合誤差算法，構建反饋過程，進行定性和定量分析，實現綜合控制的平穩。

一般的控制系統是根據控制過程中誤差變化與輸出誤差之間的間接特征關系，構造誤差的特征向量進行誤差整定的。假設在控制系統中初始時刻t0是某變量值為x(t0)，則根據數學導數公式知變量x(t)滿足如下:

那么在控制過程中某個時刻t0，變量參數因擾動產生的誤差可表達如下:

上述即是變量誤差誤差的推導公式，由公式知，變量誤差隨時間變化處于數值0 附近來回變化。因此誤差可表示為描述變量變化的趨勢特征，在控制系統中，往往希望變量值能符合期望要求，是變量誤差保持在0 附近以控制誤差對系統穩定造成的影響，若隨變量x(t0)變化的控制函數定義為yd(t)，則控制誤差有如下公式:

式中et為期望控制量值與實際期望值之間的誤差，為了避免控制誤差對控制系統的影響，通常引入虛擬誤差ξ (t)和可控門限閾值進行補償，如:

那么誤差的特性可通過引入一組向量進行定量描述:

由x1，x2，x3，x4可組成誤差特征的描述向量:

式中E 為誤差的變化程度。控制系統能夠進行有效的記憶和反饋補償，根據系統的需要實時進行系統改善，保持系統的穩定特性。

2 復合誤差控制算法及其模型

2.1 算法原理

艦船的所有控制系統都需要動力能量支持，大多艦船設備均使用電力機組來提供所需的能量，這樣，勢必增添電力裝置的復雜性和在功率變換時的輸入變量干擾，整個過程中多變量參數運行受到的干擾較為嚴重，過程遍布非線性和不確定特征。在復合控制中容易產生復合誤差影響艦船的動力性能［4－5］。模糊神經網絡算法能夠根據變量參數，自學習、自調節、自整定的優點，專注于對變量參數偏差的提取和推理分析，獲取過程經驗，自動整定變量參數，合理控制。

因此，為了達到最大化的減小復合誤差對電力控制系統的影響，本文選用模糊神經網絡算法，利用其學習、自調節的算法特征，避免復合控制誤差對系統性能穩定性造成影響。模糊神經網絡算法模型通過對輸入信號的加權和可微的正切函數之間的復合組成神經網絡元函數進行以網絡分層為模式自學習，不斷深入理解系統控制目的。

在神經網絡分層中，輸入層為基礎層;

式中xi為誤差的積累、過程誤差值大小及誤差的變化狀態特性和變化趨勢。

第2 層:

其中:m和σ 分別為神經網絡隸屬的中心中心矢量和基寬向量;u 為記憶單元;θ 為記憶反饋。

第3 層:

其中γ 為神經網絡的自適應補償量。

第4 層:

第5 層:

其中a，b，φ 均為系統的可調參數。

這樣，通過各層對不同時刻系統輸入參數的學習，可以捕捉系統的偏差動態變化行為，在自學習中，不斷調整過程參數結構，以自適應的學習算法，優化系統過程，達到綜合誤差E 變化最小:

為了彌補上式的不足之處，需要進一步對第5層中的參數進行調整，令ρ=［a，b，φ］，則目標模型可表述為:

其中em(k)為模型的誤差向量。在對誤差進行采樣學習時，常常引入卡爾曼濾波器，用去估計ρ，則模型公式轉變為:

其中:

利用數學中的最速下降法，合理地整定出a，b，φ 參數的數值;

其中ξ 為最速下降法進行負梯度方向迭代計算時的迭代步長最小值。由a，b，φ的參數，實現對誤差預期控制的誤差向量最小變化的公式:

2.2 建立電機工作模型

電機工作由燃油裝置提供能量來源，特別是艦船這種大型耗能設備，需要配置多組柴油發電機組進行多級控制實現多組電機工作。這樣保證電機的轉速，維護電機的電壓和功率的穩定輸出［6－7］。電機工作模型對分析電機控制系統工作性能很重要，電機在勵磁恒定與電機組繞組對稱下，定子電壓方程、矩陣有如下表述:

式中:ea，eb，ec為反動電勢;ia，ib，ic為相電流公式。

轉子動態方程為:

式中:θ，ωr，λf分別為電機的轉角、轉速和飽和系數;Te，TL，T0分別為電磁轉矩、負載轉矩和摩擦轉矩。

這樣，由上述公式可推導出電機的電磁轉矩Te:

其中W和Im分別為電機的功率和控制電流。

這樣經過一定的公式轉換，對電機系統這樣的多變量控制模型的研究就簡化為了對電機轉矩、轉速和輸出電流的分析上，為復合誤差控制研究帶來方便。

3 電機系統復合控制誤差模型應用

在建立電機工作模型后，通過模糊神經網絡算法進行電機復合誤差控制研究就有了分析的變量參數和控制對象［8－9］。當變量參數的狀態變化程度不大時，產生的狀態變量誤差會因為電機控制系統的設計被迫返回到正常的運行軌道，這種自覺的誤差控制就通過滑動模塊控制實現，利用滑動模塊對變量擾動的快速響應，及時糾正誤差偏離正常狀態的趨勢，達到預期的控制效果;同時，電機工作環境和系統復雜，需要自我糾正環境影響和參數變化對性能的不利影響，多重反饋，自學習、自調節，改正偏差，所以在電機控制中也需要模糊神經網絡控制。本文將誤差參數變量處于快速響應階段的滑模控制和對偏差及時自學習、自調節的模糊神經網絡控制有效結合，組成電機復合控制系統，按照電機工作模型，對復合的變量誤差進行分析，在復合誤差產生過程中進行科學控制，保證整個電機系統的穩定運行，提高艦船的綜合性能。

3.1 電機的滑模控制研究

滑模控制具有非線性和不連續的控制特征，在系統動態下通過模塊控制迫使狀態按照預定的軌跡運行，操作簡單，狀態辨識容易。在電機中:

由上式可知，電機工作的最終輸出為電流;而輸入的則是轉子速度誤差和誤差的狀態變化量，速度狀態的誤差控制方程可描述為:

上述可分別表示出電機轉子的速度誤差eω和誤差的狀態變化量。那么在進行電機的滑動模塊控制誤差時，假設滑動模塊狀態S 滿足:

則電機系統工作中，控制電流I*可轉化為:

其中a，b 為控制增益。

則電機進行滑模控制。

3.2 電機的模糊神經網絡控制

電機的模糊神經網絡控制即是通過模糊神經網絡算法分層結構特性和自學習、自調節機制，對電機工作中的輸入轉速誤差eω和轉速誤差的變化狀態進行調節，實現輸出電流變化參數ΔI*在合理的范圍，維護電機控制系統的穩定。現令x1=eω，x2=;則模糊神經網絡各層表示如下:

第1 層:

第2 層:

第3 層:

第4 層:

這樣對電機輸入中的轉速參數進行控制時，根據神經網絡分層學習，定義自學習的誤差規則符合下式:

若E 滿足工作要求，在電機轉子速度誤差超出φ的限制范圍，即:

則可以利用自學習的模糊神經網絡控制。

綜上，從電機的滑動模態的控制和模糊神經網絡控制可以看出，二者的控制目的在于電機系統的輸出參數電流I*，但在任何時刻都只有一種控制發生作用。其復合控制的轉子速度誤差eω要求如下:

因此，電機復合誤差控制即是對滑動模塊和模糊神經網絡的復合控制，根據系統狀態變化，滑動模塊和模糊神經網絡模塊進行暫態和穩態的交互響應，共同作用，保證電機的穩定運行。

4 仿真分析

對某艦船電力控制系統中電機復合控制的仿真分析，模擬仿真結果如圖1所示，從結果可以看出，速度響應分為加速、減速和穩定3個階段，在速度突然間改變時，速度加速或減速過程平穩有序，控制系統短時間內將轉速調節恢復正常;在轉速定常控制下時，即使增加負載，負載轉矩突然改變，轉速也按照設定進行運行;當電機的轉速處于ω1的狀態范圍時，可以看到電流的輸出I 同轉矩T的變化相一致，在轉速處于ω2和ω3的不斷增大的范圍狀態下，電流I3和轉矩T3的變化微小，說明轉速的誤差變化在電機的復合控制下對電流和轉矩的影響較小，說明該復合誤差控制算法對轉速擾動的影響不敏感，并且電流I4隨著轉矩T4的增大而增大;在轉矩處于T4并有一段的穩定狀態時，轉速ω4的減小反饋出了系統的輸出電流的減少;在該復合控制系統中，電流的輸出總是伴隨著轉速或轉矩的變化趨勢做出調整，最終實現電機系統功率的穩定調節，同時當轉速在電機轉速穩定時，電流隨著轉矩一起變化時并沒有產生干擾抖動現象，增大電機速度也沒有對電流和轉矩發生嚴重影響。

圖1 電機控制系統復合控制過程分析Fig.1 The analysis of composite control inmotor control system

該仿真結果證明了電機復合控制系統對復合誤差擾動不敏感，復合控制具有抗干擾、自調節能力，保證了電機控制系統能在穩定、安全的模式下工作，具有環境自適應能力。

［1］陳子順.船舶發電機勵磁系統人工神經網絡控制研究［D］.上海:上海海事大學，2004.

［2］李驥，張洪鎖.用神經網絡估計模型誤差的預測濾波算法［J］.控制與決策，2005，20(2):183－186.

［3］李林歡，劉斌，蘇宏業，等.基于輸出誤差預測的模糊預測PID控制及應用［J］.浙江大學學報(工學版)，2004，38(7):826－83.

［4］許榮彧，友文，華榮.基于PI－RP 復合控制策略的船用單相APF 設計與仿真［J］.艦船科學技術，2011，33(8):90－94.

［5］王稼祥，何信.誤差補償和時滯辨識預測控制算法［J］.電子科技大學學報，2005，34(6):817－20.

［6］徐杰，喬鳴忠，夏益輝.三相并聯有源濾波器的新型復合控制方法［J］.艦船科學技術，2013，35(11):86－88.

［7］李高云.高海情下船舶減搖鰭智能控制系統研究［D］.哈爾濱:哈爾濱工程大學，2008.

［8］王雪丹，任繼偉，張曉曦.復合控制算法在逆變器中的應用［J］.哈爾濱理工大學學報，2009，14(4):99－102.

［9］董麗榮，董文智.基于模糊－PID 復合控制算法的電機轉速控制［J］.包頭職業技術學院學報，2010，11(3):12－14.