船舶横向减摇的智能控制.doc

南望山职业技术学院 研究生课程论文封面 课程名称 智能检测与控制技术 教师姓名 大师~ 研究生姓名 哈哈 研究生学号 8888888 研究生专业 自动化 所在院系 机电学院 类别: 硕士 日期: 1998年11月11日 船舶横向减摇的智能控制 引 言 船舶在风浪中航行时,在波浪扰动的作用下,会产生横摇、纵摇、垂荡等各种运动,其中横摇是一般风浪条件下行驶中最剧烈的，在大风浪中也是除垂荡外最为剧烈的,为改善乘客和船员的生活、工作条件,提高船舶适航性,同时减少加在装载货物及设备上的附加惯性力,提高机械设备使用效率、可靠性及装载货物的安全性,人们发明了多种减摇设备,如减摇鳍、舭龙骨、减摇水舱、减摇陀螺、移动重物等等,它们均可在不同层度上减轻船舶在航行时的横摇运动,其中减摇鳍是一种减摇效率最高,应用也最为广泛的减摇装置[1]。 目前减摇鳍控制系统中多采用基于PID控制的控制器,而且绝大多数控制器的PID参数为预先设定值。而波浪作为船舶的主要外界扰动信号,其生成及变化情况非常复杂,波浪具有很强的随机性、非线性,同时影响PID控制器参数的原因如船舶本身的装载量、不同的航行海域等也常常发生变化,为使得减摇鳍的PID控制器更加高效,其参数必须随外界情况变化而变化,同时它最后具有在线学习及预测能力,基于这样的背景,本文提出将BP神经网络引入减摇鳍控制系统并开展相关研究。 图1：船底的减摇鳍 1 BP神经网络介绍 人工神经网络(ANN)是模仿生物神经系统的工作原理,通过大量的分布式连接,形成了分布式存储、并行处理、自适应学习等功能。近30年来神经网络的研究发展非常迅速,在模式识别、图像处理、预测管理、控制及优化等方面都取得了很好的应用。神经网络一般由神经元模型、网络结构和学习算法三个要素共同决定,其中学习算法有很多种,从神经网络的拓扑结构上可分为前馈型网络和反馈型网络,本文选定BP(back propagation反向传播算法)神经网络作为工具进行研究,BP神经网络采用并行网络结构,包括输入层、中间层(隐含层)和输出层, BP算法学习过程包括前向信息传播和反向误差传播,输入信号经中间层传到输出层形成输出信号,信号传递时网络的权值不变,如果在输出层无法得到期望输出,则转入反向误差传播,误差信号从输出端反向传递,在次过程中误差反馈对网络权值进行调节,通过对权值的不断调整使误差值变为最小。BP神经网络有很强的非线性映射及泛化能力,其三层网络可实现对任意函数或映射, BP神经网络作为一种成熟网络类型被广泛应用。其基本结构如图2所示: 神经网络是由神经元构成,神经元模型一般包括连接权ωij、求和单元和非线形激励函数φ(·)组成,非线形激励函数的作用是进行非线形映射并限制神经元输出幅度在一定范围以内,同时还包括域值θk,图2所示的三层网络的输出可用数学公式表达如下: 输入层: Oi=xi (1) 中间层: Oj=φj(netj,θj) (2) 输出层: yk=φk(netkj,θk) (3) 图2 BP神经网络结构示意图 2 基于BP神经网络的减摇鳍系统分析及仿真模型建立 减摇鳍的工作原理是当船在海浪中航行时,海浪运动使得船舶形成横摇运动,减摇鳍装置中的角速度陀螺检测到船舶横摇角速度信号,经过PID控制器等环节处理后传给电液伺服系统,由电液伺服系统驱动执行机构带动鳍转动一个角度,这时鳍在水流作用下会产生“升力”,由于左右两舷都装有鳍,而且工作时鳍的转角大小相等,方向相反。从而形成在船体上产生一个与波浪力矩方向相反的力矩(稳定力矩),进而达到减小船舶横摇运动的目的。结合BP神经网络的相关知识,可设计出如图3所示的基于BP神经网络的减摇鳍原理框图。 为便于对系统进行仿真研究,需要分析并建立各环节数学模型: 图3 基于BP神经网络的减摇鳍原理框图 2.1 船舶横摇模型 减摇鳍作为一种主动式减摇装置,因其相对高效的减摇效果 而得到了广泛应用。要建立其数学模型,必须先了解船舶横摇运 动模型,由于船舶的横摇运动主要由海浪的扰动产生,在横摇角 度比较小的情况下用Conolly横摇方程来进行分析,可以得到如 下方程: (ΔIx +Ix)φ’’+2Nφ’+Dhφ=-Dhαe (4)[4] 其中Ix—横摇转动惯量 N—横摇阻尼系数 ΔIx—附加转动惯量D—船舶排水量 h—船舶初稳心高 φ—横摇角 αe—有效波倾角 在零初始条件下船舶对