基于BP神經網絡的船舶自動舵自適應控制研究

蔡建邦

摘要：最常規的自動舵是PID自動舵，其設計參數是根據船舶自身的航速、船長、船寬、滿載吃水、方形系數、重心距離、舵葉面積以及航行海況來確定的，這種調節方式對船舶所處環境發生變化的適應能力較差。因此嘗試用先進的智能控制理論結合常規PID算法進行船舶自動舵的設計，提高船舶自動舵對環境變化的適應能力，以實現非線性控制、動態響應快、魯棒性強、超調小等特點，提高控制性能。

關鍵詞：自動舵 模糊PID控制 BP神經網絡

一、常規自動舵

PID控制方法是最廣為應用的控制方法，針對不同控制對象在基于反饋環節的閉環控制下均有較好的控制效果，是各種控制器的核心，被成熟地運用到船舶自動舵的控制中，使自動舵控制得以長足的發展，盡管產生的年代已久仍以其成熟可靠的性能以及相對低廉的造價被大多數海船采納使用。其中，r（t）為期望值，y（t）為實際輸出值，e（t）=r（t）-y（t），e（t）為偏差值，u（t）則為e（t）經過PID控制運算后的控制輸出，u（t）用數學語言可表示為：

其中，Kp，Ki和Kd是比例系數，積分系數和微分系數。

關于比例系數Kp，系統的超調量隨著Kp的增加而增加，糸統響應速度隨Kp的增加而增加，但系統的穩定性由于Kp的增加而惡化。對于積分因子Ki，系統的過沖隨著Ki的增加而減小，并且系統的響應速度隨著Ki的增加而減速。關于微分系數Kd，系統的超調量隨著Kd的增加而增加，并且響應速度隨著Kd的增加而減小。

二、模糊自適應自動舵

模糊控制是通過PID自動控制規律作為船舶模型的輸入，將獲取的船舶航向偏差和偏差變化率作為模糊控制的輸入。比例系數Kp，積分系數Ki和微分系數Kd根據預設的模糊規則進行調整，PID系統由模糊控制來完成參數在線修正，以此實現對船舶模型的自適應控制。其控制原理如圖l所示。

在模糊控制器的作用下，每個模糊控制器在模糊化環節之前具有量化因子，最后經過解模糊并乘以比例因子以得到最終輸出。因為偏差航向作為模糊控制輸入的物理論域是在不斷變化的，而量化因子和比例因子又是由物理論域和模糊論域共同決定的，所以固化的量化因子和比例因子設置不當過程過于粗糙會導致控制器震蕩甚至失去平衡，影響系統精度和穩態性能，產生超調和震蕩，因此并不能良好地滿足控制精度的要求，需要根據環境情況對量化因子和比例因子進行在線調整。

三、基于BP神經網絡的自適應自動舵

這里，添加BP神經網絡以調整量化因子和比例因子。期望的方向是BP神經網絡的輸入，輸出是模糊控制器的量化因子和比例因子，以實現對船模型的進一步自適應控制。其控制原理圖如圖2所示。量化因子和比例因子的變化總趨勢不會有太大的改變，將大量人工整定好的量化因子和比例因子作為訓練數據，訓練所設計的BP神經網絡如圖2所示。

利用Simulink模型窗口進行了控制模型的搭建，利用nomoto模型進行舵角控制仿真。為在一定程度上模擬風浪流帶來的影響，使得仿真過程的更加真實有效符合實際需求，設仿真中所加的干擾為y=2+sin（0.1×t）+randn（-0.5，0.5），包括一個定常干擾、一個正弦波和一個高斯隨機信號，干擾信號如圖3所示。

對第二章所述船舶模型，以常規PID控制器、模糊PID控制器和基于神經網絡的模糊PID控制器分別進行仿真。設船舶的初始航向為000。，期望航向010。，仿真時間為400s。量化因子設為Ke=0.01，Kec=0.1，比例因子Kul=4，Ku2=0.003，Ku3=80，PID控制的初始值為Kp=15，Ki=0.001，Kd=120。

常規PID控制、基于模糊自適應整定的PID控制和基于神經網絡的模糊PID控制單獨進行過程仿真，其航向和舵角的變化圖分別如圖5和圖6所示。

根據圖5和圖6及實驗情況，我們得到了以下數據如表l所示。對比表中的數據可以看出，本文所設計的模糊神經網絡PID自動舵的航向超調量更小達到穩定的時間相對更短相對更有利于船舶操作，也能夠減小舵機因轉舵產生的磨損，仿真過程中，仿真耗時有所增加。具體可參見表1中的數據。

五、結論與展望

本文基于上述模糊控制理論和神經網絡算法設計了船模控制方法。首先，為了調整傳統PID自動駕駛儀的比例積分微分環節參數，采用模糊控制理論，使自動舵具有適應環境變化的能力。模糊控制器的模糊化環節的量化因子和比例因子是BP神經網絡來調整的，使量化因子和比例因子可變可以提高整個船舶自動舵的環境適應能力，能增強自適應控制的魯棒性。最后通過仿真，將仿真結果進行對比，觀察船舶舵角和航向的變化，可發現本文所設計的基于神經網絡的模糊PID自動舵相比常規的PID自動舵和本文所述的模糊PID自動舵進行控制時的超調量和穩定時間方面都具有一定的進步，在時效性還有所欠缺需要進一步研究來獲取性能更優的控制策略。

參考文獻：

[1]嚴張凌，代茂.船舶自動舵自適應神經網絡控制算法研究，艦船科學技術，2017（12）：55-57

[2]智能優化算法及其應用[M].清華大學出版社，王凌著，2001

[3]肖成，譚立新，神經網絡在智能控制領域中的應用研究.江蘇科技信息，2017（20）：57-59

[4]杜加寶，李敬東，王仁強，基于遺傳優化徑向基神經網絡的船舶航向控制.廣州航海學院學報，2017，25（4）：20-23.