一种基于神经网络船舶拖曳作业PID航向控制方法与流程

一种基于神经网络船舶拖曳作业pid航向控制方法
技术领域
1.本发明属于船舶控制技术领域，尤其是一种基于神经网络船舶拖曳作业pid航向控制方法。


背景技术：

2.由于海洋工程的发展，海上拖曳作业十分频繁。诸如拖曳声纳进行水声监测、拖曳无人艇进行航行、拖曳无动力海上平台至指定位置等。在拖曳过程中，拖体会通过绳索对拖船产生力的作用，从而对拖船的运动状态产生影响。
3.拖曳过程中拖体对船舶运动的影响非常复杂，绳索长度、航速、旋转速度都会影响绳索受力，且不同因素间的影响具有较强的耦合性。船体在航行过程中，受到拖体的影响，不可避免地会偏离预定航线(轨迹)，为了使船舶保持在预定的航向上航行，必须随时对船舶航行方向进行修正。目前，现有的对于单船的控制方法，很难较全面的考虑拖体的影响，无法实现拖曳过程中的船舶高精度航向控制。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提出一种基于神经网络船舶拖曳作业pid航向控制方法，能够实现拖曳作业过程船舶航向精确控制。
5.本发明解决其技术问题是采取以下技术方案实现的：
6.一种基于神经网络船舶拖曳作业pid航向控制方法，包括以下步骤：
7.步骤1、确定包括输入层、输出层和隐含层节点数的bp神经网络；
8.步骤2、将航向偏差、旋转角速度、航速和拖绳长度四个参数作为神经网络的输入参数；
9.步骤3、进行神经网络运算，计算得到pid算法的三个参数；
10.步骤4、将船体航向偏差和船体航向偏差增量作为pid算法的输入，根据步骤3得到的三个参数计算船体控制转矩的增量，进而控制船体的航向；
11.步骤5、根据bp网络的误差逆向传递算法，调整各层连接权值；
12.步骤6、返回步骤2，在线调整pid参数。
13.而且，所述步骤1中bp神经网络的输入层为：
[0014][0015]
其中，i＝1、2、3、4，e为船体航向偏差；ω为船体旋转角速度；ω为船体旋转角速度；v为船体速度；l为船体与拖体之间的拖绳长度；
[0016]
隐含层的输入为：
[0017]
[0018]
其中，j＝1、2、3、4、5，为隐含层的权值系数，u为输入层，v为隐含层
[0019]
隐含层激发函数为s型函数：
[0020]
f(x)＝(e
x-e-x
)/(e
x
e-x
)
[0021]
隐含层输出为：
[0022][0023]
输出层的输入：
[0024][0025]
其中，m＝1、2、3，r为输出层；
[0026]
输出层的激发函数为s型函数：
[0027]
g(x)＝1/(1 e-x
)
[0028]
神经网络的输出为：
[0029][0030]
其中，
[0031]
而且，所述步骤3中pid算法为：
[0032]
δu(k)＝k
p
(e(k)-e(k-1)) ki(e(k) kd(e(k)-2e(k-1) e(k-2))
[0033]
其中，δu为控制转矩的增量，e(k)为k时刻船体航向偏差，e(k-1)为k-1时刻船体航向偏差，e(k-2)为k-2时刻船体航向偏差，通过k时刻船体航向偏差e(k)和船体航向偏差增量δe计算，k
p
，ki和kd为pid算法的三个参数。
[0034]
而且，所述步骤5的具体实现方法为：根据输出值与期望值之间的偏差，采用梯度下降法对神经网络连接权值进行修正：
[0035]
设定性能指标函数：
[0036]
j(k)＝(θd(k)-θ(k))2[0037]
其中，θd为目标航向，θ为输出航向；
[0038]
更新后的输出层权值系数为：
[0039][0040]
其中，η为学习效率，e(k)为k时刻船体航向偏差，θ(k)为船体的输出航向，u(k)为船体的输入转矩，m＝1、2、3，r为输出层，e(k-1)为k-1时刻船体航向偏差，e(k-2)为k-2时刻船体航向偏差，g(x)为输入层的激发函数，为神经网络的输出层的输入，为神经网络的隐含层输出，
[0041]
更新后的隐含层权值系数为：
[0042][0043]
其中，其中，f'(x)为s型函数的倒数，为神经网络的隐含层输入，为神经网络的输入层。
[0044]
本发明的优点和积极效果是：
[0045]
本发明通过构建bp神经网络，考虑拖体对船舶运动的影响，将船舶航向偏差、旋转角速度、航速和拖绳长度作为神经网络的输入参数，能够反应不同旋转角速度、航速和拖绳长度条件下拖体对船舶运动的影响，通过神经网络的训练，得到合适的pid控制参数，对船体进行更高精度的航向控制，同时对神经网络连接权值进行修正，不断调整pid控制参数，实现拖曳作业过程船体的高精度航向控制。
附图说明
[0046]
图1为本发明结构框图；
[0047]
图2为本发明bp神经网络结构图。
具体实施方式
[0048]
以下结合附图对本发明做进一步详述。
[0049]
一种基于神经网络船舶拖曳作业pid航向控制方法，如图1所示，包括以下步骤：
[0050]
步骤1、确定包括输入层、输出层和隐含层节点数的bp神经网络。
[0051]
如图2所示，bp神经网络包括一层输入层、一层隐含层和一层输出层，其中输入层包含四个节点，隐含层包含五个节点，输出层包含三个节点，输出层节点对应pid控制的k
p
，ki，kd三个参数，给出各层加权系数的初值，选定学习速率。
[0052]
步骤2、将航向偏差、旋转角速度、航速和拖绳长度四个参数作为神经网络的输入参数。
[0053]
网络的输入层为：
[0054][0055]
其中，i＝1、2、3、4，e为船体航向偏差；ω为船体旋转角速度；ω为船体旋转角速度；v为船体速度；l为船体与拖体之间的拖绳长度；
[0056]
隐含层的输入为：
[0057][0058]
其中，j＝1、2、3、4、5，为隐含层的权值系数，u为输入层，v为隐含层
[0059]
隐含层激发函数为s型函数：
[0060]
f(x)＝(e
x-e-x
)/(e
x
e-x
)
[0061]
隐含层输出为：
[0062][0063]
输出层的输入：
[0064][0065]
其中，m＝1、2、3，r为输出层；
[0066]
输出层的激发函数为s型函数：
[0067]
g(x)＝1/(1 e-x
)
[0068]
神经网络的输出为：
[0069][0070]
其中，
[0071]
步骤3、进行神经网络运算，计算得到pid算法的三个参数。
[0072]
步骤4、将船体航向偏差和船体航向偏差增量作为pid算法的输入，根据步骤3得到的三个参数计算船体控制转矩的增量，进而控制船体的航向。
[0073]
其中pid算法为：
[0074]
δu(k)＝k
p
(e(k)-e(k-1)) ki(e(k) kd(e(k)-2e(k-1) e(k-2))
[0075]
其中，δu为控制转矩的增量，e(k)为k时刻船体航向偏差，e(k-1)为k-1时刻船体航向偏差，e(k-2)为k-2时刻船体航向偏差，通过k时刻船体航向偏差e(k)和船体航向偏差增量δe计算，k
p
，ki和kd为pid算法的三个参数。
[0076]
步骤5、根据bp网络的误差逆向传递算法，调整各层连接权值。
[0077]
本步骤逇具体实现方法为：根据输出值与期望值之间的偏差，采用梯度下降法对神经网络连接权值进行修正。
[0078]
设定性能指标函数：
[0079]
j(k)＝(θd(k)-θ(k))2[0080]
其中，θd为目标航向，θ为输出航向；
[0081]
神经网络输出层权值系数的优化学习算法为：
[0082][0083][0084]
其中，式等号右端的各项分别简化为：
[0085]
第一项：
[0086]
第二项：无法直接得到，由于船体的输出航向θ(k)对输入转矩u(k)的响应是单调的，可近似用符号函数sgn(k)表示。
[0087]
第三项：
[0088][0089]
第四项：
[0090]
第五项：
[0091]
得到：
[0092][0093]
更新后的输出层权值系数为：
[0094][0095]
其中，η为学习效率。
[0096]
同理可得隐含层权值的修正量为：
[0097][0098]
则更新后的隐含层权值系数为：
[0099][0100]
步骤6、返回步骤2，在线调整pid参数。
[0101]
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。