基于改進(jìn)遺傳算法的ROV推進(jìn)器伺服系統(tǒng)辨識

丁漢卿，王旭陽，葛彤

(上海交通大學(xué) 船舶海洋與建筑工程學(xué)院，上海200240)

基于改進(jìn)遺傳算法的ROV推進(jìn)器伺服系統(tǒng)辨識

丁漢卿，王旭陽，葛彤

(上海交通大學(xué) 船舶海洋與建筑工程學(xué)院，上海200240)

針對ROV變量液壓推進(jìn)器伺服控制系統(tǒng)的控制模型，提出了采用改進(jìn)遺傳算法進(jìn)行控制模型參數(shù)辨識。為解決遺傳算法易早熟，難以找到精確解等問題，采用一種基于均勻設(shè)計的種群初始化方法和一種改進(jìn)變異方式的深度捕食策略，有效提高了ROV變量液壓推進(jìn)器伺服控制模型辨識算法的全局收斂性和搜索效率。同時，利用液壓試驗(yàn)平臺搭建液壓回路模擬液壓推進(jìn)器伺服控制系統(tǒng)，采集試驗(yàn)數(shù)據(jù)辨識得到了ROV變量液壓推進(jìn)器的精確控制模型，仿真和實(shí)驗(yàn)結(jié)果證明了辨識算法的可行性和模型的正確性。

ROV推進(jìn)器模型；變量馬達(dá)；遺傳算法；捕食策略；種群初始化

ROV(remote operated vehicle)是人類在海洋探索和開發(fā)中的重要工具，運(yùn)動控制技術(shù)是ROV的關(guān)鍵技術(shù)之一，是各國研究機(jī)構(gòu)的研究熱點(diǎn)，而ROV推進(jìn)系統(tǒng)模型是設(shè)計運(yùn)動控制策略的基礎(chǔ)。液壓伺服系統(tǒng)具有系統(tǒng)體積小、重量輕、控制精度高、響應(yīng)速度快的優(yōu)點(diǎn)，廣泛用于ROV的推進(jìn)系統(tǒng)。按照所使用的調(diào)速方法不同，ROV液壓推進(jìn)系統(tǒng)又可以分為節(jié)流調(diào)速系統(tǒng)和容積調(diào)速系統(tǒng)兩大類[1]。節(jié)流調(diào)速系統(tǒng)通過改變控制閥的節(jié)流口大小，調(diào)節(jié)液壓馬達(dá)的轉(zhuǎn)速，如加拿大ASE公司的HYSUB作業(yè)型ROV。容積調(diào)速系統(tǒng)則是通過改變液壓馬達(dá)的排量進(jìn)行調(diào)速，容積調(diào)速系統(tǒng)雖然相對復(fù)雜且成本較高，但效率較高，發(fā)熱量小，控制精確，且變量馬達(dá)的排量普遍較大，易獲得大流量高轉(zhuǎn)速，廣泛應(yīng)用于大功率ROV，如英國Perry Slingsby公司生產(chǎn)的TRITON系列作業(yè)型ROV等。基于其以上優(yōu)良性質(zhì)，上海交通大學(xué)水下工程研究所研制的“海龍二號”ROV液壓推進(jìn)系統(tǒng)采用了基于變量馬達(dá)的容積調(diào)速系統(tǒng)。以往對于ROV推進(jìn)系統(tǒng)的研究多側(cè)重于推力控制分配算法，而對液壓推進(jìn)器伺服控制系統(tǒng)控制模型研究較少[1-3]。文獻(xiàn)[4]根據(jù)推進(jìn)器的推力-油壓-流量曲線圖來計算定量液壓推進(jìn)器的控制輸入，文獻(xiàn)[5]對ROV定量液壓推進(jìn)器控制系統(tǒng)輸入輸出關(guān)系進(jìn)行了線性化，并且利用階躍響應(yīng)系統(tǒng)辨識法得到了系統(tǒng)的二階模型，但階躍響應(yīng)法辨識誤差較大。以上均未涉及變量液壓推進(jìn)器伺服控制系統(tǒng)建模，而液壓推進(jìn)器伺服控制系統(tǒng)中諸如液壓缸等構(gòu)件的內(nèi)部參數(shù)難以測量，因此有必要參數(shù)化其數(shù)學(xué)模型，對其進(jìn)行辨識，以便得到一個可以更客觀的反映推進(jìn)器性能的控制模型，為控制策略的研究提供一個可靠的基礎(chǔ)。為此，作者設(shè)計了辨識試驗(yàn)，采用改進(jìn)的遺傳算法對ROV變量液壓推進(jìn)器伺服控制系統(tǒng)進(jìn)行了辨識。

遺傳算法源于自然進(jìn)化與遺傳機(jī)制，將‘優(yōu)勝劣汰，適者生存’的生物進(jìn)化原理引入待辨識參數(shù)形成的編碼串聯(lián)群體中，在解空間中進(jìn)行大規(guī)模、全局、并行搜索，使種群朝全局最優(yōu)的方向收斂。遺傳算法有著極強(qiáng)的魯棒性，與梯度類優(yōu)化算法相比，遺傳算法可以明顯地改善辨識結(jié)果，但本身存在著易早熟，局部搜索能力較低的不足[6-7]。捕食搜索算法是一種用于解決組合優(yōu)化問題的空間搜索策略，它是在模擬動物捕食行為的基礎(chǔ)上提出的，是一種平衡全局搜索能力和局部開發(fā)能力的方法[8]。應(yīng)用捕食搜索算法尋優(yōu)時，先在整個搜索空間進(jìn)行全局搜索，直到找到一個較優(yōu)解，然后在較優(yōu)解附近區(qū)域進(jìn)行集中搜索，直到搜索很多次也沒有找到更優(yōu)解，從而放棄局部搜索轉(zhuǎn)為全局搜索。

受此啟發(fā)，本文提出了一種深度捕食策略，較好地解決了搜索效率問題，特別是變異方式的改進(jìn)，有效提高了算法的局部搜索能力。同時，遺傳算法初始種群的個體分布狀況直接影響算法的全局收斂能力，在標(biāo)準(zhǔn)遺傳算法中交叉機(jī)制能夠搜索包含當(dāng)前種群極小模式中的所有個體,但卻不能搜索到不在當(dāng)前種群極小模式中的個體[9]。

當(dāng)然,初始種群中若最優(yōu)解的信息較少也可以通過群體的進(jìn)化來得到,從而達(dá)到最優(yōu)解,但由于算子本身的隨機(jī)性,僅靠算子是不能確保算法搜索到最優(yōu)解區(qū)域的，本文基于均勻?qū)嶒?yàn)設(shè)計，提出了一種新的種群初始化方法，較好的解決了遺傳算法的全局收斂性性問題。

1 ROV液壓推進(jìn)器伺服控制系統(tǒng)建模

“海龍二號”ROV變量液壓推進(jìn)器伺服控制系統(tǒng)的主要部件包括：Star200液壓伺服閥、液壓缸、變量馬達(dá)、連接管路、螺旋槳。馬達(dá)的排量由伺服閥控液壓缸裝置控制，伺服閥的閥開口大小與給定信號成比例，控制液壓缸活塞運(yùn)動，活塞位移對應(yīng)變量馬達(dá)斜盤傾角，進(jìn)而控制馬達(dá)的排量，從而控制馬達(dá)轉(zhuǎn)矩與槳的推力。液壓原理如圖1所示。

考慮到伺服閥的帶寬在100 Hz左右，遠(yuǎn)高于液壓缸與變量馬達(dá)帶寬，因此伺服閥的動態(tài)特性可以忽略，近似為比例環(huán)節(jié)。

1)伺服閥數(shù)學(xué)模型的建立。

(1)

式中:Kbv為伺服閥增益系數(shù)，m/A；Xv為伺服閥芯位移量，m；I為輸入電流，A。

圖1 ROV推進(jìn)器液壓原理圖Fig.1 Hydraulic schematic diagram of ROV thruster

2)液壓缸數(shù)學(xué)模型[10]。

(2)

式中：Z為液壓缸活塞位移量，m；Kq為伺服閥在穩(wěn)定工作點(diǎn)附近的流量增益，m3/s；Kce為總流量壓力系數(shù)，m5/N·s；A為液壓缸活塞有效面積，m2；Vt為兩腔的總?cè)莘e，m3；βe為有效體積彈性模量，N/m3；FL為作用在活塞上的任意負(fù)載力，N；w0為綜合固有頻率，Hz；wr為慣性環(huán)節(jié)的轉(zhuǎn)折頻率，Hz；ζ0為綜合阻尼比。

3)斜盤環(huán)節(jié)數(shù)學(xué)模型的建立。

(3)

式中：L為變量活塞油缸施力點(diǎn)與斜盤鉸接點(diǎn)的距離，m；γ為變量馬達(dá)斜盤傾角，rad；K(φ)為變量馬達(dá)斜盤傾角系數(shù)。

4)變量馬達(dá)環(huán)節(jié)數(shù)學(xué)模型的建立[10]。

(4)

式中：M為馬達(dá)輸出，N·s；Dm0為變量馬達(dá)的最大排量，m3；wm0為調(diào)節(jié)變量馬達(dá)時的初始轉(zhuǎn)速，rad/s；Ct為變量馬達(dá)的總泄露系數(shù)，m5/N·s；p10為調(diào)節(jié)變量馬達(dá)時高壓側(cè)的初始壓力，Pa；V0為馬達(dá)工作腔及連接管道的總?cè)莘e，m3。

5)扭矩-槳推力環(huán)節(jié)數(shù)學(xué)模型。

(5)

6)系統(tǒng)的傳遞函數(shù)。

(6)

式中：Kz=KbvKqKφDm0KTM(wm0Dm0+Ctp10)/A。

由理論推導(dǎo)知，ROV變量液壓推進(jìn)器伺服控制系統(tǒng)的控制模型為四階時變線性模型，如式(6)，系統(tǒng)傳遞函數(shù)方框圖如圖2。

圖2 系統(tǒng)傳遞函數(shù)方框圖Fig.2 Block diagram of transfer function

但考慮到工程實(shí)際，辨識到三階模型已經(jīng)足夠，因?yàn)閺椥阅Ａ喀耬量級在108左右，零點(diǎn)與第四個極點(diǎn)負(fù)實(shí)部的絕對值很大，且彼此接近，對應(yīng)的響應(yīng)分量衰減迅速，對系統(tǒng)性能影響甚微，可以忽略[11]。故系統(tǒng)的傳遞函數(shù)可簡化為

(7)

2 改進(jìn)遺傳算法設(shè)計

系統(tǒng)辨識的方法很多，遺傳算法是一種基于進(jìn)化論的非梯度并行優(yōu)化算法，能在復(fù)雜空間進(jìn)行魯棒搜索，所以本文采用遺傳算法完成ROV變量液壓推進(jìn)器伺服控制系統(tǒng)的辨識工作，并針對遺傳算法易早熟，難以找到精確最小值等問題，進(jìn)行了改進(jìn)。由式(7)可知：

(8)

(9)

(10)

2.1 基于拉丁方法的種群初始化

無論是從遺傳算法的基礎(chǔ)理論還是從算子的運(yùn)算方式上講,交叉操作對初始種群的依賴性較強(qiáng),而遺傳算法的搜索速度主要依賴于交叉計算,所以,初始種群的優(yōu)劣也會對算法的快速性產(chǎn)生較大的影響。確定初始種群的核心就是希望初始種群擁有合理的多樣性并在盡可能少的代數(shù)內(nèi)將尋優(yōu)搜索引導(dǎo)到最優(yōu)解區(qū)域[12]。均勻設(shè)計是解決這一問題科學(xué)而有效的方法。均勻設(shè)計可以用最少的信息來獲取空間最多信息。均勻設(shè)計表產(chǎn)生的方法很多，從算法簡便性出發(fā)，現(xiàn)采用拉丁方法產(chǎn)生均勻設(shè)計表Un(ns)[13]。具體構(gòu)造方法如下：

1)給定水平數(shù)n,用1,2,…,n作為拉丁方元素。給定[1,2,…,n]的一個置換，例如[2,1,3,…,n]，將該向量每個元素左移一格，第一個元素移到向量的最后位置，得到[1,3,…,n,2] ，重復(fù)此操作n-1次，得到的n個向量組成一個拉丁方。

2)任一拉丁方就是一個Un(nn)。該拉丁方共n!個。

3)引入均勻性度量函數(shù)中心化L2-偏差：

(11)

5)X0(i,j)=Xmin(j)+(Xmax(j)-Xmin(j))·

2.2 深度捕食搜索策略

為提高局部搜索能力，將變異方式進(jìn)行改進(jìn)，從當(dāng)前種群中隨機(jī)選擇三個個體Xp1、Xp2、Xp3，并且i≠p1≠p2≠p3。

Xi,j(t+1)=XB,j+F·(Xp2,j(t)-Xp3,j(t))

式中：F為變異因子，p1、p2、p3為隨機(jī)整數(shù)，表示個體在種群中序號，XB(t) 為當(dāng)前種群中最好的個體。變異時利用差異化向量進(jìn)行變異操作，并且借鑒了當(dāng)前種群最好個體的信息，可加快收斂速度。

(12)

式中：kg為當(dāng)前進(jìn)化代數(shù)，G為總進(jìn)化代數(shù)，Pc1max、Pc1min分別為最大、最小交叉概率，Pm1max、Pm1min分別為最大、最小變異概率。

2.3 改進(jìn)遺傳算法的實(shí)現(xiàn)步驟

1 )設(shè)置算法運(yùn)行參數(shù)，種群大小n，編碼長度L，最大進(jìn)化代數(shù)G，局部搜索代數(shù)nn，遺傳算子操作概率pc1max、pc1min、pm1max、pm1min、Pc2、Pm2，參數(shù)搜索范圍向量Xmin、Xmax，初始化種群。

2 )計算種群中個體的適應(yīng)度。

3) 選擇：根據(jù)個體適應(yīng)度大小按適度比例法選擇個體，采用精英保留策略保留最優(yōu)個體。

4) 計算當(dāng)代最佳適應(yīng)度與歷代最佳適應(yīng)度之比g，決定交叉和變異概率以及變異方式。若g>k,進(jìn)行局部搜索，否則轉(zhuǎn)6)。

5)進(jìn)行局部搜索。

6)判斷局部搜索代數(shù)m是否大于nn，若是則進(jìn)行全局搜索，否則轉(zhuǎn)4)。

7)進(jìn)行全局搜索。

8)進(jìn)化終止條件判斷，如滿足條件，則停止計算輸出最佳結(jié)果，否則轉(zhuǎn)2)。

改進(jìn)遺傳算法流程如圖3所示。

3 辨識結(jié)果及討論

本文試驗(yàn)是在上海交通大學(xué)水下工程研究所液壓伺服試驗(yàn)平臺上進(jìn)行的，該平臺是集機(jī)械、電控、液壓與儀表為一體的綜合性能試驗(yàn)臺, 主要由液壓泵站、伺服閥箱、電控箱、推進(jìn)測力單元、手操面板、桌面支架和監(jiān)控操作臺組成，如圖 4所示。

圖3 改進(jìn)遺傳算法流程圖Fig.3 Flow chart of improved genetic algorithm

圖4 液壓伺服平臺組成圖Fig.4 Composition diagram of hydraulic platform

利用該平臺能夠?qū)崿F(xiàn)對單推進(jìn)器的液壓伺服控制和油壓、推力等關(guān)鍵參數(shù)的測量與記錄。試驗(yàn)采樣頻率為100Hz，其輸入電壓范圍為-10～10V，S型拉力傳感器EVT-10A的量程為-4 900～4 900N，精度2.0±10%mV/V。首先對拉壓力傳感器進(jìn)行標(biāo)定，驗(yàn)證其準(zhǔn)確性，然后安裝推進(jìn)器、油壓傳感器和流量傳感器等，將臺架放入水底后，再進(jìn)行水池測試。選擇正弦信號作為輸入信號，記錄推力數(shù)據(jù)。試驗(yàn)布置如圖 5所示。

設(shè)定種群規(guī)模為n=30，Pc1max=0.8，Pm1max=0.18，Pm1min=0.1，Pc2=0.2，Pm2=0.4，k=1。總迭代次數(shù)為100時，可以達(dá)到較好的辨識效果。

以試驗(yàn)輸入和去除高頻擾動后的試驗(yàn)輸出作為樣本數(shù)據(jù)，分別采用未改進(jìn)遺傳算法和改進(jìn)遺傳算法對參數(shù)進(jìn)行10次重復(fù)辨識，結(jié)果如表1所示。圖6、圖7為典型算例目標(biāo)函數(shù)變化圖，采用未改進(jìn)遺傳算法辨識參數(shù)時，大約在25代左右目標(biāo)函數(shù)值基本收斂到0.73，繼續(xù)運(yùn)算時目標(biāo)函數(shù)值停滯不前，程序陷入“局部最小值”，很難再進(jìn)一步得到更準(zhǔn)確的結(jié)果。而采用改進(jìn)遺傳算法能夠跳出“局部最優(yōu)”且收斂速度明顯增快，目標(biāo)函數(shù)值達(dá)到0.13，經(jīng)過相同次數(shù)的迭代運(yùn)算目標(biāo)函數(shù)值更小，因此，改進(jìn)遺傳算法的計算結(jié)果與實(shí)際結(jié)果的符合程度更高，辯識出的參數(shù)更準(zhǔn)確。根據(jù)改進(jìn)遺傳算法辨識得到的最優(yōu)個體建立ROV變量液壓推進(jìn)器的控制模型：

圖5 試驗(yàn)布置圖Fig.5 Picture of test

遺傳算法平均進(jìn)化代數(shù)平均目標(biāo)函數(shù)值最小目標(biāo)函數(shù)值未改進(jìn)38．70．800．73改進(jìn)35．80．170．13

給予所得模型與試驗(yàn)相同的輸入信號，模型輸出與試驗(yàn)輸出比較如圖 8，擬合率達(dá)到92.3%，仿真結(jié)果與實(shí)驗(yàn)結(jié)果的吻合程度很好。模型殘差分析如圖 9，由圖可知，模型輸出殘差與輸入的互相關(guān)函數(shù)曲線位于99%置信區(qū)間內(nèi)，可以認(rèn)為輸入與殘差是獨(dú)立的，即沒有未被模型識別的輸入輸出關(guān)聯(lián)。

為進(jìn)一步檢驗(yàn)?zāi)Ｐ偷恼_性，使用未用于辨識的8組試驗(yàn)數(shù)據(jù)進(jìn)行驗(yàn)證，如圖10～12。

圖6 未改進(jìn)遺傳算法目標(biāo)函數(shù)Fig.6 Convergence process of unimproved GA

圖7 改進(jìn)遺傳算法目標(biāo)函數(shù)Fig.7 Convergence process of improved GA

圖8 試驗(yàn)與模型輸出推力比較圖Fig.8 Trust curve of experiment data and model simulation results

圖9 輸入與模型輸出殘差的互相關(guān)函數(shù)圖Fig.9 Cross correlation function between input and residuals

圖10 線性輸入下的推力時間曲線(正)Fig.10 Trust curve of linear input(positive)

圖11 線性輸入下的推力時間曲線(反)Fig.11 Trust curve of linear input(negative)

圖10、圖11為線性輸入時，模型與試驗(yàn)輸出對比圖，擬合率分別為91.4%、90.8%。圖12為正弦信號輸入時，模型與試驗(yàn)輸出對比圖，其中，圖12(a)正弦信號周期為4 s，擬合率為91.4%,圖12(b)為9 s，擬合率為90.4%,圖12(c)為15 s,擬合率為90.2%，圖12(d)為20 s，擬合率為89.1%。由此可知模型具有優(yōu)良的預(yù)報性能。

綜上所述，可以認(rèn)為采用改進(jìn)遺傳算法辨識出的模型較高程度地符合實(shí)際系統(tǒng)，可以用于后續(xù)計算與研究，同時也說明了本文辨識方法的有效性和可行性。

圖12 不同周期下的推力時間曲線Fig.12 Trust curve of different period

4 結(jié)論

1)本文對“海龍二號”ROV變量液壓推進(jìn)器伺服控制系統(tǒng)進(jìn)行了建模和分析，在難以得到液壓缸及變量馬達(dá)內(nèi)部尺寸等參數(shù)的情況下，通過系統(tǒng)辨識試驗(yàn)得到了較為精確的系統(tǒng)模型，并使用多組試驗(yàn)數(shù)據(jù)對模型進(jìn)行了驗(yàn)證。

2)ROV變量液壓推進(jìn)器伺服控制系統(tǒng)的控制模型與實(shí)際系統(tǒng)吻合良好，為后續(xù)推進(jìn)系統(tǒng)改進(jìn)、設(shè)計及控制策略分析提供了可靠的基礎(chǔ)。

3)本文所提出的改進(jìn)變異方式的遺傳算法有效抑制了遺傳算法的早熟現(xiàn)象，具有較快的收斂速度，同時克服了其局部尋優(yōu)能力差的缺點(diǎn)，并且通過多次運(yùn)算驗(yàn)證，改進(jìn)的算法穩(wěn)定性較好，此改進(jìn)遺傳算法可用于其他工程模型的辨識與研究。

[1]朱康武. 作業(yè)型ROV多變量位姿魯棒控制方法研究[D]. 杭州: 浙江大學(xué), 2012. ZHU Kangwu. Research on multivariable robust position and attitude control of work-class ROV[D]. Hangzhou: Zhejiang University, 2012.

[2]JIANG Shuqiang, JIN Hongzhang, WEI Fengmei. Bi-criteria optimal fault-tolerable control for SY-II remote operated vehicle[J]. Journal of Shanghai jiaotong university (science), 2013, 18(5): 542-548.

[3]魏延輝, 陳巍, 杜振振, 等. 深海 ROV 伺服控制方法研究及其仿真[J]. 控制與決策, 2015, 30(10): 1785-1790. WEI Yanhui, CHEN Wei, DU Zhenzhen, et al. Servo control method of ROV and simulation[J]. Control and decision, 2015, 30(10): 1785-1790.

[4]劉西佳. 基于AMESim作業(yè)型ROV液壓推進(jìn)系統(tǒng)的設(shè)計與仿真[D]. 青島: 中國海洋大學(xué), 2014. LIU Xijia. Design and simulation of work-class ROV hydraulic propulsion system based on AMESim[D]. Qingdao: Ocean University of China, 2014.

[5]馬新軍. 作業(yè)型ROV液壓系統(tǒng)研制與艏向控制技術(shù)研究[D]. 杭州: 浙江大學(xué), 2013. MA Xinjun. Development of the hydraulic system and research on the heading control technique of work-class ROV[D]. Hangzhou: Zhejiang University, 2013.

[6]AKRAMIZADEH A, FARJAMI A A, KHALOOZADEH H. Nonlinear Hammerstein model identification using genetic algorithm[C]//Proceedings of IEEE International Conference on Artificial Intelligence Systems. Divnomorskoe, Russia: IEEE, 2002: 351-356.

[7]于瑩瑩, 陳燕, 李桃迎. 改進(jìn)的遺傳算法求解旅行商問題[J]. 控制與決策, 2014, 29(8): 1483-1488. YU Yingying, CHEN Yan, LI Taoying. Improved genetic algorithm for solving TSP[J]. Control and decision, 2014, 29(8): 1483-1488.

[8]LINHARES A. Preying on optima: a predatory search strategy for combinatorial problems[C]//Proceedings of 1998 IEEE International Conference on Systems, Man, and Cybernetics. San Diego, CA: IEEE, 1998, 3: 2974-2978.

[9]徐宗本, 高勇. 遺傳算法過早收斂現(xiàn)象的特征分析及其預(yù)防[J]. 中國科學(xué)E(輯), 1996, 26(4): 364-375. XU Zongben, GAO Yong. Character analysis and prophylactic of genetic algorithm's premature convergence[J]. Science in China (series E), 1996, 26(4): 364-375.

[10]萬麗榮, 趙勝剛, 沈?yàn)t, 等. 基于MATLAB/SIMU-LINK的變量泵變量馬達(dá)調(diào)速系統(tǒng)動態(tài)仿真[J]. 煤礦機(jī)械, 2007, 28(2): 26-28. WAN Lirong, ZHAO Shenggang, SHEN Xiao, et al. Dynamic simulation of variable displacement pump and variable displacement motor volume speed-modulating system based on MATLAB/SIMULINK[J]. Coal mine machinery, 2007, 28(2): 26-28.

[11]李良, 謝建, 黃建招. 動態(tài)面滑模控制在大型液壓起豎系統(tǒng)中的應(yīng)用研究[J]. 兵工學(xué)報, 2014, 35(2): 235-240. LI Liang, XIE Jian, HUANG Jianzhao. Dynamic surface sliding mode control for large hydraulic erecting system[J]. Acta armamentarii, 2014, 35(2): 235-240.

[12]何大闊, 王福利, 賈明興. 遺傳算法初始種群與操作參數(shù)的均勻設(shè)計[J]. 東北大學(xué)學(xué)報: 自然科學(xué)版, 2005, 26(9): 828-831. HE Dakuo, WANG Fuli, JIA Mingxing. Uniform design of initial population and operational parameters of genetic algorithm[J]. Journal of northeastern university: natural science, 2005, 26(9): 828-831.

[13]孫先仿, 范躍祖, 寧文如. U＊均勻設(shè)計的均勻性研究[J]. 應(yīng)用概率統(tǒng)計, 2001, 17(4): 341-345. SUN Xianfang, FAN Yuezu, NING Wenru. On the uniformity of U-uniform designs[J]. Chinese journal of applied probability and statistics, 2001, 17(4): 341-345.

[14]袁偉杰, 劉貴杰, 朱紹鋒. 基于遺傳算法的自治水下機(jī)器人水動力參數(shù)辨識方法[J]. 機(jī)械工程學(xué)報, 2010, 46(11): 96-100. YUAN Weijie, LIU Guijie, ZHU Shaofeng. Identification method of hydrodynamic parameters of autonomous underwater vehicle based on genetic algorithm[J]. Journal of mechanical engineering, 2010, 46(11): 96-100.

Parameter identification of variable displacement of an remote operated vehicle hydraulic thruster based on an improved genetic algorithm

DING Hanqing,WANG Xuyang,GE Tong

(School of Naval Architecture, Ocean and Civil Engineering, Shanghai Jiao Tong University, Shanghai 200240, China)

An improved genetic algorithm was designed to identify the parameters of variable displacement of an ROV(remote operated vehicle) hydraulic thruster. To avoid premature convergence and determine an accurate solution, a new method to create an initial population based on a uniform design and new mutation method combined with a predatory search strategy were proposed. This approach improved the ability of the algorithm to perform local searches and solved the problem of global convergence and low search efficiency effectively. An identification experiment was performed on a hydraulic test platform to simulate the hydraulic thruster servo control system. Based on the results of the experiment, an accurate control model of the variable displacement of an ROV hydraulic thruster was identified by the improved genetic algorithm. Comparison of the experimental and simulation results confirmed the validity of the improved algorithm and accuracy of the final control model.

ROV(remote operated vehicle) thruster model; variable displacement motor; genetic algorithm; predatory search strategy; initialization of population

2015-12-28.

日期：2016-11-16.

國家高技術(shù)研究發(fā)展計劃(2012AA092101).

丁漢卿(1992-), 男, 碩士研究生； 王旭陽(1977-), 男, 助理研究員.

王旭陽, E-mail：wangxuyang@sjtu.edu.cn.

10.11990/jheu.201512091

http://www.cnki.net/kcms/detail/23.1390.u.20161116.1613.014.html

TP391.9

A

1006-7043(2017)02-0168-07

丁漢卿 ，王旭陽，葛彤. 基于改進(jìn)遺傳算法的ROV推進(jìn)器伺服系統(tǒng)辨識[J]. 哈爾濱工程大學(xué)學(xué)報， 2017, 38(2): 168-174. DING Hanqing,WANG Xuyang,GE Tong. Parameter identification of variable displacement of an ROV hydraulic thruster based on an improved genetic algorithm[J]. Journal of Harbin Engineering University, 2017, 38(2): 168-174.