一种基于云模型的船舶航向控制方法与流程

1.本发明涉及船舶智能控制技术领域，尤其涉及一种基于云模型的船舶航向控制方法。


背景技术：

2.船舶航向控制是船舶运动控制最为直接有效的手段，在船舶运动控制的直接方法和间接方法中扮演着重要角度，对于保障船舶安全航行至关重要。但船舶相较于其他航空、陆地等领域的运载系统，因其航行于水空介质交界处而存在复杂的操纵运动特性，外界环境等不确定性干扰也繁杂，对其操纵运动建模也难尽完整。
3.现有技术中，一般通过构建船舶运动模型来进行航向控制，但是船舶航行环境的复杂多变，会导致运动建模不完整、非线性特性显著、稳健控制器设计难等与船舶航向控制相关的问题，鉴于此，在船舶智能化发展的主流趋势下，充分发挥智能船舶的智能感知系统丰富数据采集的优势，研究设计一种无船舶运动模型下的数据驱动的航向控制方法显得极有必要。


技术实现要素：

4.本发明提出一种基于云模型的船舶航向控制方法，用以解决或者至少部分解决现有方法中因运动建模不完整而导致的控制效果不佳的技术问题。
5.为了解决上述技术问题，本发明提供了一种基于云模型的船舶航向控制方法，包括：
6.s1：构建云推理机框架，并确定其输入量和输出量，其中，云推理机的输入量为期望船舶航向角与实际船舶航向角之间的偏差、该偏差对时间的导数，输出量为应操舵角的值；
7.s2：根据确定的输入量和输出量，创建与输入量数量对应的一维云推理机和多维云推理机，并为每个云推理机设计规则矩阵；
8.s3：基于船舶操舵响应特性，基于云模型的相关概念和定义，构建与输入量和输出量对应的云模型，用于实现定性概念与定量描述之间的映射；
9.s4：对各个云推理机进行处理，基于处理结果进行船舶航向控制。
10.在一种实施方式中，步骤s1包括：
11.利用x-条件云生成器和y-条件云生成器构建云推理机框架；
12.计算船舶期望航向与实际测量航向之间的偏差以及该偏差对时间的导数，作为云推理机的输入量，将应操舵角的值作为输出量。
13.在一种实施方式中，步骤s2中，构建的一个二维云推理机和两个一维云推理机，对于一维多规则云推理机，船舶期望航向与实际测量航向之间的偏差e、偏差对时间的导数ec分别为输入，对于二维多规则云推理机，e和ec同时作为输入，以if-then语句构建输入输出映射的规则矩阵。
14.在一种实施方式中，步骤s3包括：
15.基于船舶操舵响应特性，为建立的各个推理机的输入输出设置语义集；
16.以预先设置好的数值为依据确定云模型的期望ex，并根据操舵控制先验知识判断并设置合适的熵en和超熵he，构建各个推理机的输入输出对应的语义集中各定向量相适配的云模型，用于实现定性概念与定量描述之间的映射。
17.在一种实施方式中，步骤s4包括：
18.采用加权平均法对各个云推理机的输出云滴进行综合处理，得到各个输出的定量值，作为处理结果；
19.为每个定量值设置调节增益参数，加权获得最终船舶舵角控制量δ，其中，舵角控制量作为控制指令输入到转舵系统用于船舶航向控制，包括调节船舶航向误差，以达到预期航向角。
20.本技术实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
21.1、本发明提供的船舶航向控制方法不需要基于船舶运动模型，且能适用于复杂多变航行环境下的船舶航向控制，降低了对构建精准船舶运动模型的依赖，具有较好的抗干扰鲁棒性。
22.2、本发明采用的云模型进行船舶航向控制器构建时，发挥了定性与定量之间的非线性映射优势性能，且云特征数字和云推理机的构造灵活，增强了该类控制方法的适用性，和设计简捷性。
23.3、基于云模型的船舶航向控制方法的提出丰富了无运动模型下的船舶控制方法体系，进一步可扩展延申到船舶运动控制的其他问题中进行应用。
附图说明
24.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
25.图1为本发明实施例的方法流程图；
26.图2为本发明实施例的云生成器(包括x-条件云生成器和y-条件云生成器)示意图；
27.图3为本发明实施例的云推理机(一维多规则云推理机和二维多规则云推理机)示意图；
28.图4为本发明实施例的船舶航向云模型控制器系统示意图；
29.图5为本发明实施例的静水环境下的船舶航向云模型控制效果示意图；
30.图6为本发明实施例的波浪干扰下的船舶航向云模型控制效果示意图。
具体实施方式
31.由于船舶相较于其他航空、陆地等领域的运载系统，因其航行于水空介质交界处而存在复杂的操纵运动特性，外界环境等不确定性干扰也繁杂，对其操纵运动建模也难尽
完整。鉴于此，在船舶智能化发展的主流趋势下，充分发挥智能船舶的智能感知系统丰富数据采集的优势，研究设计一种无船舶运动模型下的数据驱动的航向控制方法显得极有必要。
32.本技术通过大量的研究与实践，发现：在复杂环境下航行的船舶，要实现稳健的航向控制，首先需要考虑如何有效克服不确定性干扰以及针对系统非线性特性设计合理适用的控制器。模糊pid(比例积分微分)控制方法作为一类典型的无模型控制方法针对前述控制难题具有较好的控制效果。该方法的核心是充分结合了pid设计的简便性以及模糊逻辑的优良定性定量非线性映射性能可实现较满意的增益优化功能。类似于模糊逻辑，云模型技术通过特定的结构算法所形成的定性概念与其定量表示之间的转换模型，把空间实体的模糊性和随机性集成到一起，减少了人工的干预，能够较好地实现定性概念与定量之间的不确定转换。此外，云模型的数字特征的秒速简单直观，云推理机的输入输出映射关系能灵活设计，具体较好适应性。因此，在引入云模型技术的情况下，研究针对复杂环境下的船舶航向控制方法具有明显意义。
33.本发明的提供的方法的步骤如下：
34.一种基于云模型的船舶航行控制方法，包括以下步骤：步骤1：根据船舶期望航向与实际航向之间的偏差，确定云推理机的输入量和输出量；步骤2：充分结合云推理机结构构建灵活性，根据设定的输入量个数创建多个不同维度的云推理机结构，并为每一个云推理机结构建立适用的规则矩阵；步骤3：根据船舶操舵响应特性，基于云模型的相关概念和定义，为各个不同维度的云推理机的输入和输出定义对应的语言集、实数集和云模型；步骤4：采用便于计算求解的加权平均法对各个不同维度的云推理机的输出(即云滴)进行处理，计算得到最终的船舶舵角操控值。本发明所设计的基于云模型的船舶航行控制方法能在不同干扰环境下实现船舶航向控制，控制效果在超调、响应时间、稳定响应等方面均较为满意，此外，能灵活设置控制输入并机动构建多个不同维度的云推理机，具有较强的构造灵活性和适应性，为不确定性干扰下的船舶航向控制研究提供了一种新方法。
35.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
36.本发明实施例提供了一种基于云模型的船舶航向控制方法，包括：
37.s1：构建云推理机框架，并确定其输入量和输出量，其中，云推理机的输入量为期望船舶航向角与实际船舶航向角之间的偏差、该偏差对时间的导数，输出量为应操舵角的值；
38.s2：根据确定的输入量和输出量，创建与输入量数量对应的一维云推理机和多维云推理机，并为每个云推理机设计规则矩阵；
39.s3：基于船舶操舵响应特性，基于云模型的相关概念和定义，构建与输入量和输出量对应的云模型，用于实现定性概念与定量描述之间的映射；
40.s4：对各个云推理机进行处理，基于处理结果进行船舶航向控制。
41.在一种实施方式中，步骤s1包括：
42.利用x-条件云生成器和y-条件云生成器构建云推理机框架；
43.计算船舶期望航向与实际测量航向之间的偏差以及该偏差对时间的导数，作为云推理机的输入量，将应操舵角的值作为输出量。
44.具体来说，云推理机的主要作用是将定性描述的规则转换为对应的云模型。单一规则的描述形式为“if a，then b”，多规则下构造的函数由多个单规则语句组成，诸如“if c and d，then u”。对于云推理机结构的构建，x-条件和y-条件云生成器(cg)会分别用来生成隶属度值和云滴，定性规则的设定是将前后端定性语义集对应的云模型映射起来。
45.x-条件和y-条件云生成器(cg)属于云生成器中的前向生成器，会根据云模型的数字特征(包括期望值(ex)、熵(en)和偏差(he))计算生成云滴(表示为drop(x,μ
l
(x)))。其中，ex是在数域空间中最能够代表定性概念的点值，用以反映这个概念的云滴群的云重心，en被用来综合度量定性概念的模糊度和概率，揭示了模糊性和随机性的关联性，它一方面直接地反映了在数域空间中可被概念接受的元素范围，即模糊度；另一方面还反映了在数域空间中的点能够代表这个概念的概率，即随机性。he是en的不确定度量，反映了在数域空间代表该语言值的所有点的不确定度的凝聚性，即云滴的凝聚度。超熵的大小间接地表示了云的离散程度和厚度。该云滴表示式中x隶属于精确数值表示的定量论域u，x对u上的定性概念l的隶属度μ
l
(x)∈[0,1]是有稳定倾向的随机数μ：u
→
[0,1]，x∈u，x
→
μ
l
(x)。那么，在已知云模型的特征数字情况下，可通过下式计算得到所需的云滴数n：
[0046]
xi＝r(e
x
,en)
[0047]
σi＝r(en,he)
ꢀꢀ
(1)
[0048][0049]
式中r(,)(例如(e
x
,en)、r(en,he))表示正态分布随机函数，xi为论域u中的第i个元素的数值，σi为计算产生的第i个正态随机数，μi为xi属于对应定性概念的程度的量度。上式计算得到n云滴组成的云模型则称为一维云模型。由多个一维云模型可构成多维云模型，例如两个一维云模型(分别表示为(ex1，en1，he1)、(ex2，en2，he2))组建得到二维云模型，生成该模型n个云滴的计算公式如下：
[0050]
(x
1i
,x
2i
)＝r(e
x1
,e
n1
,e
x2
,e
n2
),
[0051]
(σ
1i
,σ
2i
)＝r(e
n1
,h
e1
,e
n2
,h
e2
),
ꢀꢀ
(2)
[0052][0053]
式中r(,,,)(例如r(e
x1
,e
n1
,e
x2
,e
n2
)、r(e
n1
,h
e1
,e
n2
,h
e2
))表示正态分布随机函数，x
1i
,x
2i
分别表示论域u中的第i个元素的数值1和数值2，σ
1i
,σ
2i
分别表示计算产生的第i个正态随机数值1和数值2，μi表示x
1i
属于对应定性概念且x
2i
同时属于其对应定性概念的程度的量度。
[0054]
x-条件云生成器为x已知下的云滴生成器，即在采用上述公式计算生成云滴时x作为已知输入不需要首先求解。y-条件云生成器则是在隶属度μ已知下，通过下式(3)求解云滴对应的定量值y。
[0055][0056]
式中σi为计算产生的第i个正态随机数，yi表示第i个云滴对应的定量值。
[0057]
对于船舶航行控制而言，用作云推理机的输入为期望船舶航向角(以表示)与实际船舶航向角(以表示)之间的误差以及该误差的对时间导数输出是应操舵角的值(δ)。对于由x-条件和y-条件云生成器以及相应规则构成的云推理机而言，e和ec为输入量，经非线性映射后得到的输出为δ。
[0058]
在一种实施方式中，步骤s2中，构建的一个二维云推理机和两个一维云推理机，对于一维多规则云推理机，船舶期望航向与实际测量航向之间的偏差e、偏差对时间的导数ec分别为输入，对于二维多规则云推理机，e和ec同时作为输入，以if-then语句构建输入输出映射的规则矩阵。
[0059]
具体来说，由于前述步骤确定的输入量数量为二，因此建立一个二维和两个一维的多规则云推理机，即三个多规则云推理机，基于此构建一个云推理机综合结构。对于一维多规则云推理机，e、ec分别为输入，但对于二维多规则云推理机，e和ec同时作为输入。
[0060]
基于规则要便于在计算机中进行处理的原则，以if-then语句构建输入输出映射的规则矩阵。一维多规则云推理机的推理规则矩阵分别表示为“if ei(i为正整数),then δk(k为正整数)”，“if ecj(j为正整数),thenδn(n为正整数)”。对于一个二维多规则云推理机，构建的规则矩阵表示为r＝{r
pq
}，其中r
pq
表示推理规则为“if e
p
(p为正整数),ecq(q为正整数),thenδm(m为正整数)”。
[0061]
需要说明的是，云模型表示由期望、熵、超熵三个特征数字构建的模型；一维云推理机由输入量、输出量、规则矩阵、云推理机构成，其中输入量、输出量会根据先验知识设计相匹配的语义集，同时语义集里的每个语义均会设置对应的云模型，以此来实现定量输入到定性规则推理，再到定量操控舵角输出的链路。
[0062]
在一种实施方式中，步骤s3包括：
[0063]
基于船舶操舵响应特性，为建立的各个推理机的输入输出设置语义集；
[0064]
以预先设置好的数值为依据确定云模型的期望ex，并根据操舵控制先验知识判断并设置合适的熵en和超熵he，构建各个推理机的输入输出对应的语义集中各定向量相适配的云模型，用于实现定性概念与定量描述之间的映射。
[0065]
具体实施时，设置好的数据为先验知识，包括综合考虑船舶操控特性、航行水域环境情况、船舶操舵响应快慢等方面。
[0066]
为建立的各个推理机的输入输出设置语义集时，例如，负大、负中、负小、零、正小、正中、正大，等，并且针对语义集中的各定性量设置相匹配的数值，例如，-1、-0.7、-0.4、0、0.4、0.7、1，等。
[0067]
在一种实施方式中，步骤s4包括：
[0068]
采用加权平均法对各个云推理机的输出云滴进行综合处理，得到各个输出的定量值，作为处理结果；
[0069]
为每个定量值设置调节增益参数，加权获得最终船舶舵角控制量δ，其中，舵角控制量作为控制指令输入到转舵系统用于船舶航向控制，包括调节船舶航向误差，以达到预期航向角。
[0070]
一般而言，常用的云滴综合处理方法有最大隶属度法、逆云模型法、加权平均法。本实施例考虑到控制器的设计响应的实时性要求，采用加权平均法对各个云推理机的输出
云滴进行综合处理，得到各个输出的定量值，再为每个定量值设置合适的调节增益参数，加权获得最终船舶舵角控制量。
[0071]
在应用方案上，检索到的专利是解决船舶碰撞危险度的问题，属于船舶操控决策层，而本专利解决的是船舶运动控制中关键部分即航向控制问题。
[0072]
现有方法中，有基于云模型的船舶碰撞危险度建模方法，其解决的是如何有效获得船舶碰撞危险度的问题，与之相比，本技术主要考虑的是船舶航行中受到不可抗力的复杂多变环境因素的影响给航向控制带来的不确定性干扰问题，以及针对该类问题基于模型驱动控制方法存在的模型不完整和不准确等问题，结合在不确定性、随机性处理方面具有良好性能的云模型理论构建航向控制方法。并且采用的技术方案也不相同(包括输入和输出、云推理机的构建以及云滴的处理)，本技术具体构建上以航向偏差为输入、舵角操控量为输出，中间映射推理过程由多维度、多规则推理机构建实现。
[0073]
为了更清楚地说明本技术的方案，下面通过具体的示例予以介绍。
[0074]
如图1所示，为本发明提出的一种基于云模型的船舶航向控制方法，包括以下步骤：
[0075]
1、确定云推理机的输入量与输出量：以广泛应用于仿真测验的160.93米船长的基准船mariner货船为实例对象，设定船舶期望航向角度为10
°
，计算船舶期望航向与实际测量航向之间的误差，用作云推理机的输入，表示为量航向之间的误差，用作云推理机的输入，表示为并将该误差对时间的导数，即设为另一个输入量，输出是应操舵角的值，表示为δ。
[0076]
为了便于理解x-条件和y-条件云生成器(cg)的工作原理，图2展示了对应的原理示意图(其中(a)为x-条件云生成器，(b)为y-条件云生成器)。那么，由x-条件和y-条件云生成器以及相应规则构成的云推理机而言，e和ec为输入量，经非线性映射后得到的输出为δ。其中的规则以及云推理机构建见下一处理步骤。
[0077]
2、创建云推理机结构和规则矩阵以及适配的云模型：在上一步确定云推理机的输入输出后，建立两个一维多规则云推理机，以及一个二维多规则云推理机。为了便于理解云推理机的工作原理，图3展示了对应的原理示意图(其中(a)为(a)一维多规则云推理机，(b)为二维多规则云推理机)。由此可知，一个一维多规则云推理机的输入输出分别为e和δ1；另一个一维多规则云推理机的输入输出分别为ec和δ2；二维多规则云推理机的输入为e和ec，输出为δ3。
[0078]
根据实际船舶航向控制的良好经验，为每一个云推理机设置合理的推理规则。以e为输入的一维多规则云推理机的语义集为(负中、负小、零、正小、正中)，对应的数值由实际航向误差决定，并划分为(e1、e2、e3、e4、e5)，相应的构建的云模型分别对应为(-0.2，0.5，0.001)、(-0.1，0.5，0.001)、(0，0.5，0.001)、(0.1，0.5，0.001)、(0.2，0.5，0.001)(其中，三个数值分别对应云模型的数字特征：期望值(ex)、熵(en)和超熵(he))。在输入航向角误差后激活x-条件云发生器进行计算，得到各云模型对应的隶属度输出，随后隶属度值输入到云推理机的y-条件云生成器进行计算。在此，输出舵角对应的云模型也构建为五个不同的，分别为(-0.2，0.5，0.001)、(-0.1，0.5，0.001)、(0，0.5，0.001)、(0.1，0.5，0.001)、(0.2，0.5，0.001)，并作为云推理机的y-条件云生成器中的云模型。由此，为该一维多规则云推理机确定的推理规则矩阵为“if ei(i＝1，2，3，4，5),then δ
1k
(k＝1，2，3，4，5)”。
[0079]
同理，为以ec为输入的另一个一维多规则云推理机设置的语义集为(负中、负小、
零、正小、正中)，对应数值为(ec1、ec2、ec3、ec4、ec5),对应的云模型分别为(-1，0.3，0.001)、(-0.5，0.3，0.001)、(0，0.5，0.001)、(0.5，0.3，0.001)、(1，0.3，0.001)，输出舵角对应的云模型分别为(-1，0.3，0.001)、(-0.5，0.3，0.001)、(0，0.3，0.001)、(0.5，0.3，0.001)、(1，0.3，0.001)。该一维多规则云推理机的推理规则矩阵为“if ecj(j＝1，2，3，4，5),then δ
2n
(n＝1，2，3，4，5)”。
[0080]
考虑到二维多规则云推理机的输入更为丰富，映射更为灵敏，为其输入设置的语义集均为(负大、负中、负小、零、正小、正中、正大)，对应数值分别为(e1、e2、e3、e4、e5、e6、e7)、(ec1、ec2、ec3、ec4、ec5、ec6、ec7)，对应于前一数值集(e1、e2、e3、e4、e5、e6、e7)的云模型分别为(-10，0.5，0.001)、(-8，0.5，0.001)、(-5，0.5，0.001)、(0，0.5，0.001)、(5，0.5，0.001)、(8，0.5，0.001)、(10，0.5，0.001)，对应于后一数值集(ec1、ec2、ec3、ec4、ec5、ec6、ec7)的云模型分别为(-0.1，0.5，0.001)、(-0.05，0.5，0.001)、(-0.02，0.5，0.001)、(0，0.5，0.001)、(0.02，0.5，0.001)、(0.05，0.5，0.001)、(0.1，0.5，0.001)，输出舵角对应的云模型分别为(-10，0.5，0.001)、(-8，0.5，0.001)、(-5，0.5，0.001)、(0，0.5，0.001)、(5，0.5，0.001)、(8，0.5，0.001)、(10，0.5，0.001)。对此二维多规则云推理机构建的规则矩阵为r＝{r
pq
}(具体形式如下所示)，其中r
pq
表示推理规则为“if e
p
(p＝1，2，3，4，5，6，7),and ecq(q＝1，2，3，4，5，6，7),thenδ
3m
(m＝1，2，3，4，5，6，7)”。
[0081][0082]
3、采用加权平均法对各个云推理机的输出云滴进行综合处理，得到各个输出的初步定量值。对于以e为输入的一维多规则云推理机得到的五个输出舵角量分别为δ
11
、δ
12
、δ
13
、δ
14
、δ
15
，计算得到综合舵角量为δ
1o
＝(δ
11
δ
12
δ
13
δ
14
δ
15
)/5。对于以ec为输入的一维多规则云推理机得到的五个输出舵角量分别为δ
21
、δ
22
、δ
23
、δ
24
、δ
25
，计算得到综合舵角量为δ
2o
＝(δ
21
δ
22
δ
23
δ
24
δ
25
)/5。对于以e和ec同时作为输入的二维多规则云推理机得到的七个输出舵角量分别为δ
31
、δ
32
、δ
33
、δ
34
、δ
35
、δ
36
、δ
37
，计算得到综合舵角量为δ
3o
＝(δ
31
δ
32
δ
33
δ
34
δ
35
δ
36
δ
37
)/7。然后，为获得的各个初步定量值设置增益参数分别如下：0.98、0.598、0.1。最后综合计算得到操舵角度为δ＝0.98*δ
1o
0.598*δ
2o
0.1*δ
3o
。
[0083]
为了便于理解，图4展示了基于两个一维多规则云推理机和一个二维多规则云推理机构建的云模型控制器原理框图。
[0084]
最后，将经过云模型控制器计算得到的舵角量δ作为控制指令输入到转舵系统，调节船舶航向误差，以减少船舶实际航向与期望航向之间的误差，实现船舶航向控制。图5展示了静水环境下云模型控制器的船舶航向10
°
控制效果，其中(a)为期望船舶航向和控制器作用下船舶响应的航向，(b)为操控舵角量，(c)为控制器作用下航向控制误差。对应计算得到的评价控制效果的定量指标包括控制响应时长、控制航向误差的2范数、控制输入舵角的2范数，分别为78秒、48.7821
°
、42.9557
°
。从控制结果来看，云模型控制器控制160.93米长
的mariner船舶的航向的效果较为满意，满足实际工程的需要。
[0085]
为对比分析云模型控制器应对环境干扰下的船舶航向控制效果，引入波浪干扰，以正弦式子(0.01sin(0.08t))仿真模拟，得到的船舶航向控制结果如图6所示。在此情况下的控制指标分别为100秒响应时间、48.2150
°
的航向控制误差2范数、43.2563
°
的输入控制舵角2范数。从控制结果来看，在波浪环境因影响下云模型控制器控制160.93米长的mariner船舶的航向的效果可满足实际工程的需要，具有控制鲁棒性。
[0086]
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。