陳進(jìn)濤, 王仁強(qiáng), 杜加寶

(江蘇海事職業(yè)技術(shù)學(xué)院， 南京 211170)

基于遺傳和小腦模型算法的新型航向控制器

陳進(jìn)濤, 王仁強(qiáng), 杜加寶

(江蘇海事職業(yè)技術(shù)學(xué)院， 南京 211170)

運(yùn)用智能算法研發(fā)一種既能縮短航程又能降低能耗的新型船舶航向控制器。在分析船舶運(yùn)動(dòng)的非線性數(shù)學(xué)模型和普通PID控制算法的基礎(chǔ)上，運(yùn)用遺傳算法優(yōu)化整定常規(guī)的PID控制參數(shù)，以實(shí)現(xiàn)反饋控制并保證系統(tǒng)的穩(wěn)定性；同時(shí)，運(yùn)用小腦模型神經(jīng)網(wǎng)絡(luò)進(jìn)行前饋非線性控制，以抑制源自船舶內(nèi)外部的非線性擾動(dòng)，最終確保系統(tǒng)的控制精度和響應(yīng)速度。運(yùn)用船舶操縱模擬器對(duì)新型航向控制器進(jìn)行檢驗(yàn)，結(jié)果表明其性能穩(wěn)定,功能優(yōu)越。

船舶工程； CMAC神經(jīng)網(wǎng)絡(luò)； 遺傳算法； PID智能控制； 航向控制器

由于船舶在航行時(shí)會(huì)受到風(fēng)、浪、流等外力的隨機(jī)干擾，其運(yùn)動(dòng)具有非線性的特點(diǎn)，而普通的比例-微分-積分(PID-Proportional, Integral and Differential)航向控制屬于人工線性控制[1]，故動(dòng)態(tài)性能、控制精度都很差，響應(yīng)速度也很慢，航向控制不夠理想。出現(xiàn)這種情況的原因是:人工設(shè)置的控制參數(shù)不能及時(shí)和準(zhǔn)確地反映當(dāng)時(shí)的實(shí)際情況，結(jié)果造成操舵設(shè)備不能很好地根據(jù)船舶的偏向幅度、速度和海況在恰當(dāng)?shù)臅r(shí)機(jī)給出恰當(dāng)?shù)亩娼?，進(jìn)而導(dǎo)致船舶航跡彎曲，航程與航時(shí)增加，操舵糾正的次數(shù)較多，航行阻力與能耗、舵機(jī)的機(jī)械負(fù)荷增加。

那么，能否對(duì)普通自動(dòng)舵加以改進(jìn)，設(shè)計(jì)出一種既能保持船舶近乎直線航行又能減少操舵糾偏頻次的改進(jìn)型航向控制器呢？計(jì)算機(jī)技術(shù)和智能控制技術(shù)的發(fā)展為解決此類問題提供了可能。

把經(jīng)過遺傳算法(Genetic Algorithm,GA)優(yōu)化了的PID控制[2]和小腦模型(Cerebellar Model Articulation Controller,CMAC)神經(jīng)網(wǎng)絡(luò)控制[3]有機(jī)地結(jié)合在一起，可以設(shè)計(jì)出一種具有縮短航程與航時(shí)、降低阻力與能耗、保護(hù)舵機(jī)等三大功能的新型船舶航向控制器。其總體設(shè)計(jì)過程為：把普通的PID人工控制升級(jí)為智能化PID控制，即運(yùn)用遺傳算法在線自動(dòng)優(yōu)化整定PID參數(shù)(拋棄人工離線式繁瑣的控制參數(shù)調(diào)節(jié)),準(zhǔn)確抑制動(dòng)態(tài)線性干擾，從而實(shí)現(xiàn)反饋控制和系統(tǒng)的穩(wěn)定；運(yùn)用CMAC神經(jīng)網(wǎng)絡(luò)進(jìn)行前饋非線性控制、抑制源自船舶內(nèi)外部的非線性干擾、控制復(fù)雜的動(dòng)態(tài)不確定系統(tǒng)，以確保系統(tǒng)的控制精度和響應(yīng)速度。

1 船舶運(yùn)動(dòng)非線性數(shù)學(xué)模型分析

(1)

(2)

式(2)中：ψ為船舶航向；α，β為非線性系數(shù)。在此基礎(chǔ)上，考慮外界干擾的船舶二階非線性運(yùn)動(dòng)響應(yīng)模型為

(3)

式(3)中：T為追隨性指數(shù)；K為旋回性指數(shù)；δ為舵角；δD為外界干擾折合舵角。

2 普通PID控制算法的缺陷分析

普通PID控制是將偏航信號(hào)送至電子線路處理后反饋到舵機(jī)控制裝置，從而實(shí)現(xiàn)自動(dòng)操舵。該控制算法的數(shù)學(xué)表達(dá)式為

(4)

式(4)中：偏差e=rin-yout(e為航向偏差，rin為定向航行所設(shè)置的標(biāo)準(zhǔn)航向,yout為系統(tǒng)實(shí)際輸出的航向)；u為控制操舵信號(hào)；Kp為比例增益；Ki為積分增益；Kd為微分增益。

比例增益Kp使控制器的輸入、輸出成比例關(guān)系，一旦系統(tǒng)出現(xiàn)偏差會(huì)立即產(chǎn)生控制作用，屬于有差調(diào)節(jié)。為盡量減小偏差、加快響應(yīng)速度、縮短調(diào)節(jié)時(shí)間，必須增大Kp，但其又受系統(tǒng)穩(wěn)定性的限制，不能增大過多。

積分增益Ki是為消除船舶左右不對(duì)稱造成的靜態(tài)誤差而引入的，不過其會(huì)使系統(tǒng)響應(yīng)速度下降、響應(yīng)出現(xiàn)過大的超調(diào)、調(diào)節(jié)時(shí)間變長。

引入微分增益Kd使系統(tǒng)能夠根據(jù)偏差變化的快慢趨勢(shì)做出反應(yīng)，從而加快對(duì)偏差變化的反應(yīng)速度，有效地減小超調(diào)，縮小最大動(dòng)態(tài)偏差，但容易使系統(tǒng)受到高頻干擾的影響。

因此，只有合理地整定上述三參數(shù)，才能獲得比較符合實(shí)際情況的參數(shù)值，從而獲得較為理想的控制效果。然而，目前普遍的做法是：船員憑經(jīng)驗(yàn)估測(cè)參數(shù)的大小，進(jìn)行手動(dòng)調(diào)節(jié)(輸入)。由于人工設(shè)置的參數(shù)值不一定符合實(shí)際情況，因此自動(dòng)操舵過程中往往會(huì)出現(xiàn)船舶航跡彎曲、航程與往時(shí)增加、操舵頻次多、舵機(jī)負(fù)荷大、航行阻力與能耗增加等問題。

3 基于GA優(yōu)化的航向PID控制算法研究

針對(duì)上述問題，可以運(yùn)用GA對(duì)控制參數(shù)進(jìn)行在線自動(dòng)優(yōu)化整定、獲取最佳數(shù)值配比，創(chuàng)建新型的船舶航向PID控制算法(簡稱“PID優(yōu)化算法”)[5]，這既能提高效率又能增強(qiáng)系統(tǒng)的控制精度。

3.1遺傳算法獨(dú)特功能分析

GA是由生物界的“適者生存，優(yōu)勝劣汰”的進(jìn)化機(jī)制演化而來的一種隨機(jī)搜索算法。其優(yōu)勢(shì)為：

1) 可直接對(duì)被控對(duì)象(船舶)進(jìn)行操作。

2) 具有內(nèi)在的隱并行性，便于分布式計(jì)算而不會(huì)陷入局部最優(yōu)解的快速下降陷阱，因此能迅速搜索出空間中的全體解，加快求解速度。

3) 采用了概率化尋優(yōu)方法，能自動(dòng)獲取和優(yōu)化搜索空間、自適應(yīng)地調(diào)整搜索方向，不再需要確定的規(guī)則，具有更強(qiáng)的全局搜索尋優(yōu)能力。

3.2遺傳算法的運(yùn)行過程分析(見圖1)

圖1 遺傳算法的運(yùn)行過程圖

3.2.1編碼

由于依靠遺傳算法不能直接處理解空間的解數(shù)據(jù)，故必須通過編碼將其表示成遺傳空間的基因型結(jié)構(gòu)數(shù)據(jù)，也即對(duì)實(shí)際問題中需要優(yōu)化的規(guī)則和參數(shù)進(jìn)行編碼。這些規(guī)則和參數(shù)大都編成固定長度的二進(jìn)制形式，這種二進(jìn)制串叫做染色體。

3.2.2生成初始種群

由于遺傳算法需要進(jìn)行群體性操作，因此必須為其準(zhǔn)備若干個(gè)初始解,使其組成一個(gè)初始群體，即后續(xù)進(jìn)化的第一代。由于初始群體中的個(gè)體都是隨機(jī)生成的，因而具有普遍的適應(yīng)度。[6]

3.2.3構(gòu)建適應(yīng)度函數(shù)

適應(yīng)度函數(shù)是遺傳算法與優(yōu)化問題的接口、系統(tǒng)性能的評(píng)價(jià)環(huán)節(jié)。各個(gè)個(gè)體經(jīng)過翻譯處理后分解為所代表的參數(shù)，代入所要優(yōu)化的適應(yīng)度函數(shù)，從而求出系統(tǒng)性能指標(biāo)的高低。

系統(tǒng)性能指標(biāo)是對(duì)系統(tǒng)性能的定量描述，其高低應(yīng)由當(dāng)時(shí)的船舶狀況、海域風(fēng)浪條件等來確定。

在船舶航向控制中，航向偏差越大則航跡越彎曲，航程與航時(shí)越長；而頻繁地操舵糾偏雖然可以減小航向偏差，但會(huì)增加操舵引起的航行阻力，進(jìn)而增加能耗，加重舵機(jī)負(fù)擔(dān)，造成舵機(jī)磨損。因此，為達(dá)到既節(jié)能省時(shí)又保護(hù)舵機(jī)的目標(biāo)，要求系統(tǒng)在控制航向偏差和操舵糾偏上找到最佳的結(jié)合點(diǎn)，即既要做到航向偏差不是太大，又要做到輸出舵角大小合適、操舵次數(shù)不會(huì)太多。為此，需創(chuàng)建一個(gè)操舵經(jīng)濟(jì)性最佳的系統(tǒng)性能指標(biāo)函數(shù)(適應(yīng)度函數(shù))。

(5)

式(5)中：e為航向偏差,emin≤e≤emax；λ1為航向偏差加權(quán)系數(shù)，隨海況變差而變大；δ為舵角,-35°≤δ≤35°；λ2為舵角加權(quán)系數(shù)，海況惡劣、排水量大、舵葉露出水面時(shí)取大值，反之取小值；f為操舵頻次；λ3為操舵頻次加權(quán)系數(shù)，海況惡劣、排水量大時(shí)取小值，反之取大值；T為迭代次數(shù)；J為代價(jià)函數(shù)(性能指標(biāo))，值越小意味著操舵的綜合經(jīng)濟(jì)性越好。

3.2.4復(fù)制(選優(yōu))

復(fù)制操作的目的是從當(dāng)前的群體中選出優(yōu)良的個(gè)體，使其有機(jī)會(huì)作為父代。判斷個(gè)體優(yōu)良與否的準(zhǔn)則是各自的適應(yīng)值。顯然這一操作遵循“適者生存，不適者淘汰”的原則，即個(gè)體的適應(yīng)度越高，其被選中的概率就越大。具體做法是：把每個(gè)適應(yīng)值乘以一個(gè)隨機(jī)數(shù)，然后從中選出兩個(gè)乘積值最大的染色體作為父本，用于繁衍后代個(gè)體。

3.2.5交叉

交叉在含有等待配對(duì)的基因群的匹配池中分兩步實(shí)現(xiàn)：

(1) 將新復(fù)制產(chǎn)生的基因隨機(jī)兩兩配對(duì)；

(2) 隨機(jī)選擇交叉點(diǎn)，對(duì)匹配的基因進(jìn)行交叉繁殖，產(chǎn)生一對(duì)新的基因。

具體過程為：設(shè)基因的字符長度為l，在[1,l-1]內(nèi)隨機(jī)選擇一個(gè)整數(shù)值k作為交叉點(diǎn)，將2個(gè)配對(duì)基因與位置k后的所有字符交換，從而生成2個(gè)新的位串(多點(diǎn)交叉同理)。交叉操作能得到新一代個(gè)體，故是遺傳算法中最主要的遺傳操作。

3.2.6變異

為避免在復(fù)制和交叉過程中遺漏重要的信息，在人工遺傳系統(tǒng)中加入變異操作。為挖掘群體中個(gè)體的多樣性、克服可能陷入局部最優(yōu)解的弊病，需變異操作與交叉、復(fù)制操作默契配合。標(biāo)準(zhǔn)GA中的變異操作是在群體中隨機(jī)選擇一個(gè)個(gè)體，對(duì)于選中的個(gè)體以一定的概率隨機(jī)地改變字符串中某個(gè)字符的值。變異操作是按位進(jìn)行的，即對(duì)某一位的內(nèi)容進(jìn)行變異。對(duì)于二進(jìn)制編碼的個(gè)體，若某位原為0，則通過變異操作后就變成了1，反之亦然。

通過復(fù)制、交叉、變異生成新一代群體，計(jì)算新個(gè)體的適應(yīng)值，評(píng)價(jià)個(gè)體的優(yōu)劣……如此迭代下去，各群體的優(yōu)良基因逐漸被積累，群體的平均適應(yīng)度值和最優(yōu)個(gè)體不斷上升，直到收斂于最優(yōu)解。

總之，基于GA優(yōu)化的航向PID控制算法能隨時(shí)感知船舶的運(yùn)動(dòng)特性和海況的變化，自動(dòng)、及時(shí)調(diào)整各系數(shù)，實(shí)現(xiàn)航向的最佳控制，達(dá)到減少操舵次數(shù)、減小舵角的目的，彌補(bǔ)常規(guī)PID算法的不足。

4 CMAC神經(jīng)網(wǎng)絡(luò)算法剖析

CMAC神經(jīng)網(wǎng)絡(luò)[6]是一種表達(dá)復(fù)雜非線性函數(shù)的表格查詢型自適應(yīng)神經(jīng)網(wǎng)絡(luò)，具有收斂速度快、泛化能力強(qiáng)等特點(diǎn)，現(xiàn)已成功應(yīng)用于機(jī)器人控制、非線性控制等領(lǐng)域。

4.1CMAC神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)剖析

CMAC神經(jīng)網(wǎng)絡(luò)(見圖2)本質(zhì)上是一種用來映射復(fù)雜非線性函數(shù)的查表技術(shù)，可通過學(xué)習(xí)算法改變表格的內(nèi)容，具有對(duì)信息進(jìn)行分類存儲(chǔ)的能力。其把系統(tǒng)的輸入狀態(tài)作為一個(gè)指針，把相關(guān)信息分布式地存到一組存儲(chǔ)單元。具體作法是：將輸入空間分成許多分塊，每個(gè)分塊指定一個(gè)實(shí)際存儲(chǔ)器位置；將每個(gè)分塊學(xué)習(xí)到的信息分布式地存儲(chǔ)到相鄰分塊的位置的映射上，即多個(gè)分塊映射到同一個(gè)存儲(chǔ)器地址上。

圖2 CMAC神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

4.2CMAC神經(jīng)網(wǎng)絡(luò)算法獨(dú)特功能剖析

與一般性神經(jīng)網(wǎng)絡(luò)相比，CMAC算法的獨(dú)特功能有：

1) 基于局部學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，把信息存儲(chǔ)到局部結(jié)構(gòu)上，使得每次修正的權(quán)值很少，在保證函數(shù)非線性逼近的前提下，學(xué)習(xí)速度快，適于實(shí)時(shí)控制。

2) 具有一定的泛化能力，即相近輸入產(chǎn)生行進(jìn)輸出，不同輸入給出不同輸出。

3) 具有連續(xù)的(模擬)輸入與輸出能力。

4) 采用尋址編程方式，利用串行計(jì)算機(jī)仿真，因而響應(yīng)速度更快。

因此，CMAC算法比普通神經(jīng)網(wǎng)絡(luò)更適合于復(fù)雜環(huán)境下的非線性實(shí)時(shí)控制、任意多維非線性映射、動(dòng)態(tài)建模、控制系統(tǒng)設(shè)計(jì)等。CMAC有多種控制形式(如直接逆運(yùn)動(dòng)控制、反饋控制、前饋控制等)，為更好地與PID優(yōu)化算法進(jìn)行融合，采用CMAC前饋控制。

5 基于PID優(yōu)化算法和CMAC算法的航向控制器的設(shè)計(jì)

5.1PID優(yōu)化與CMAC混合控制系統(tǒng)的創(chuàng)建

混合控制系統(tǒng)通過將PID優(yōu)化控制器與CMAC器進(jìn)行有機(jī)融合[7-9]，實(shí)現(xiàn)前反饋控制：CMAC器進(jìn)行前饋控制，從而創(chuàng)建被控對(duì)象的逆動(dòng)態(tài)模型；PID優(yōu)化器進(jìn)行反饋控制，以評(píng)判下一級(jí)CMAC器的性能，從而保證系統(tǒng)的穩(wěn)定性并抑制擾動(dòng)。

PID優(yōu)化器單獨(dú)控制時(shí)，Kp增益的值在很大程度上決定著控制效果，而采用PID優(yōu)化器和CMAC器混合控制時(shí)，控制效果不再依賴Kp值，其只需在一個(gè)合理的范圍內(nèi)即可。

CMAC采用導(dǎo)師型學(xué)習(xí)算法，當(dāng)每個(gè)控制周期結(jié)束時(shí)，CMAC函數(shù)計(jì)算器算出相應(yīng)的輸出值un(k)，然后將其與總控制輸入值u(k)相比較，修正權(quán)重、進(jìn)入學(xué)習(xí)過程，學(xué)習(xí)的目的是使u(k)與un(k)之差達(dá)到最小。混合系統(tǒng)的控制算法[9]為

(6)

u(k)=un(k)+up(k)

(7)

式(6)和式(7)中：ai為二進(jìn)制選擇向量；c為CMAC網(wǎng)絡(luò)的泛化參數(shù)；up(k)為PID優(yōu)化器的輸出值。

CMAC的調(diào)整指標(biāo)為

(8)

式(8)中：η為網(wǎng)絡(luò)學(xué)習(xí)速率，η∈(0,1)；α為慣性量，α∈(0,1)。

當(dāng)系統(tǒng)開始運(yùn)行時(shí)，w=0，un=0，up=0，系統(tǒng)由PID優(yōu)化器進(jìn)行控制。通過對(duì)CMAC進(jìn)行學(xué)習(xí)，可使PID產(chǎn)生的輸出量up(k)逐漸為0，CMAC產(chǎn)生的輸出量un(k)逐漸逼近控制器的總輸出量。

5.2基于PID優(yōu)化算法和CMAC算法的航向控制器結(jié)構(gòu)與原理設(shè)計(jì)

遺傳算法器根據(jù)輸入信號(hào)rin與輸出信號(hào)yout對(duì)比檢測(cè)器(圖3左“○”)送來的偏航信息，實(shí)時(shí)運(yùn)算船舶的偏航量、偏轉(zhuǎn)角(加)速度、左右對(duì)稱性，實(shí)時(shí)發(fā)出符合船舶瞬間偏航運(yùn)動(dòng)特性的用于糾偏的PID線性參數(shù)；PID優(yōu)化器根據(jù)這些參數(shù)，求出操舵時(shí)機(jī)、次數(shù)和舵角大小，向伺服舵機(jī)(圖3右“○”)發(fā)出操舵指令信號(hào)，即運(yùn)用遺傳算法在線自動(dòng)優(yōu)化PID的線性參數(shù)，從而實(shí)現(xiàn)反饋控制和保證系統(tǒng)的穩(wěn)定性。以上述PID優(yōu)化算法為基礎(chǔ)，CMAC器(包含CMAC量化器、地址器、學(xué)習(xí)算法器、記憶器與函數(shù)計(jì)算器) 在對(duì)rin實(shí)施量化并送入地址器映射后，感知船舶內(nèi)外部的隨機(jī)雜亂的非線性干擾(船速與載重變化、風(fēng)、流、浪)，產(chǎn)生附加的操舵指令信號(hào)送給伺服舵機(jī)，進(jìn)行前饋非線性控制、抑制非線性干擾，從而確保系統(tǒng)的控制精度和響應(yīng)速度。

圖3 基于PID優(yōu)化和CMAC的航向控制器結(jié)構(gòu)原理

6 新型航向控制器仿真試驗(yàn)效果分析

以某教學(xué)實(shí)習(xí)船為試驗(yàn)對(duì)象，將其船舶數(shù)據(jù)輸入具有高度仿真性能的船舶操縱模擬器中進(jìn)行研究：該船二階非線性Nomoto模型相關(guān)參數(shù)[10]為K=0.24，T=206.79，α=1，β=30。

6.1常規(guī)與新型航向控制器對(duì)比試驗(yàn)

利用遺傳算法在線自動(dòng)尋優(yōu),求取該船的PID優(yōu)化控制參數(shù)，所得參數(shù)為Kp=7.5,Kd=0.001,Ki=83.5；應(yīng)用MATLAB/Simulink技術(shù)搭建仿真比較平臺(tái)，比較 “基于遺傳算法和CMAC算法的新控制器” 與 “僅基于PID常規(guī)算法的控制器”的性能，預(yù)設(shè)期望航向值030°，設(shè)定外界干擾等效舵角δD=0.01+0.01sin(πt)，試驗(yàn)結(jié)果見圖4和圖5。

圖4 存在干擾航向設(shè)定為030°時(shí)航向輸出

由圖4可知：“新控制器”具有較快的響應(yīng)速度和較好的跟蹤能力,航向穩(wěn)定,無左右搖擺?！俺Ｒ?guī)控制器”雖然也可跟蹤航向，但具有一定的超調(diào)量,航向左右搖擺，對(duì)干擾敏感，控制性能較差。

圖5 存在干擾航向設(shè)定為030°時(shí)舵角輸出

由圖5可知：“新型航向控制器”的舵角輸出光滑平穩(wěn),擺動(dòng)微弱；“常規(guī)航向控制器”的舵角抖振比較嚴(yán)重,舵機(jī)頻繁工作,機(jī)械負(fù)荷加重。

6.2新型航向控制器專項(xiàng)試驗(yàn)

6.2.1航向改變?cè)囼?yàn)

進(jìn)行方波跟蹤實(shí)驗(yàn)，方波周期為100 s，航向幅度為30°，試驗(yàn)結(jié)果見圖6。

(a)航向(b)舵角

圖6 航向連續(xù)變化時(shí)航向角和舵角輸出曲線

從圖6中可以看出，在期望航向變化的情況下，新控制器能較好地根據(jù)船舶特性和海況在合適的時(shí)機(jī)操舵、回舵、反舵，并輸出合適的舵角；能以較快的速度進(jìn)行無超調(diào)的跟蹤。

6.2.2船舶操縱性指數(shù)攝動(dòng)和白噪聲干擾共同試驗(yàn)

擬定初始航向000°，期望航向030°，擬定船舶

操縱性指數(shù)K與T各攝動(dòng)40%，對(duì)航向施加幅值為0.1°的白噪聲干擾，試驗(yàn)結(jié)果見圖7。

(a)航向(b)舵角

圖7 白噪聲干擾和模型參數(shù)攝動(dòng)時(shí)航向角和舵角輸出

從圖7中可以看出，當(dāng)船舶模型參數(shù)發(fā)生攝動(dòng)，且受到外界干擾時(shí)，新控制器所輸出的航向圍繞期望航向的波動(dòng)較小，控制舵角的振蕩幅度更小，說明新控制器的抗干擾能力較強(qiáng)。

6.3新型航向控制器的系統(tǒng)性能綜合分析

基于上述典型試驗(yàn)的結(jié)論，以常規(guī)控制器為參照，綜合分析新控制器的系統(tǒng)性能。

當(dāng)船型、載況、排水量變化引起船舶操縱性發(fā)生變化時(shí)，在外界隨機(jī)干擾的作用下，新控制器能夠敏銳感測(cè)這些變化不定、無章可循的非線性動(dòng)態(tài)干擾，進(jìn)而快速響應(yīng)、及時(shí)給出應(yīng)對(duì)干擾的控制參數(shù)和指令，以采取較為符合實(shí)際情況的控制動(dòng)作。輸出的航向能較快地趨于預(yù)期值；達(dá)到預(yù)期值后，雖然也有波動(dòng)，但左右擺動(dòng)的幅度小(航向穩(wěn)態(tài)誤差較小)，超調(diào)量處于可接受的范圍，從而保證航向的快速、準(zhǔn)確跟蹤，降低航跡的彎度，節(jié)省航行時(shí)間。

新控制器輸出的舵角抖振微弱、擺動(dòng)幅度較小，且自動(dòng)調(diào)節(jié)平緩，符合舵機(jī)特性要求。所需操舵的頻次較少，無需舵機(jī)頻繁工作，從而避免舵阻力的頻繁增加，降低能耗，減少舵機(jī)磨損。

總之，新型航向控制器具有較強(qiáng)的抗干擾能力，控制效果良好，性能穩(wěn)定可靠，具有較強(qiáng)的魯棒性。

7 結(jié) 語

從Nomoto船舶運(yùn)動(dòng)數(shù)學(xué)模型的角度出發(fā)，針對(duì)船舶參數(shù)和外界干擾動(dòng)態(tài)變化的特點(diǎn)，采用優(yōu)于普通自動(dòng)舵的設(shè)計(jì)技術(shù)研發(fā)出一種新型航向控制器。該航向控制器運(yùn)用遺傳算法對(duì)來自船舶內(nèi)外部環(huán)境的動(dòng)態(tài)性干擾進(jìn)行高效抑制，確保了系統(tǒng)的穩(wěn)定性；運(yùn)用小腦模型神經(jīng)網(wǎng)絡(luò)進(jìn)行前饋控制，確保了系統(tǒng)的控制精度和響應(yīng)速度。仿真檢驗(yàn)結(jié)果表明：運(yùn)用新型控制器能縮短航程、節(jié)省航時(shí)、降低能耗、保護(hù)舵機(jī)，對(duì)促進(jìn)航運(yùn)的安全、經(jīng)濟(jì)、綠色具有重要的現(xiàn)實(shí)意義。

[1] 劉金琨. 智能控制[M]. 2版.北京:電子工業(yè)出版社, 2009： 30-32.

[2] 劉金琨. 先進(jìn)PID控制及其MATLAB仿真[M]. 2版.北京:電子工業(yè)出版社, 2004： 44-46.

[3] 朱家群, 鄒凌, 孫玉強(qiáng). CMAC神經(jīng)網(wǎng)絡(luò)與PID復(fù)合控制的應(yīng)用研究[J]. 控制系統(tǒng), 2006(13):59-61.

[4] 賈欣樂, 楊鹽生. 船舶運(yùn)動(dòng)數(shù)學(xué)模型[M]. 大連: 大連海事大學(xué)出版社, 1999:52-55.

[5] 戴雅麗. 基于遺傳算法優(yōu)化模糊控制器的船舶航向控制[J]. 船海工程, 2009, 38(3):113-115.

[6] 宋軼群, 杜華生, 王傳新. 基于CMAC神經(jīng)網(wǎng)絡(luò)與PID的并行控制器設(shè)計(jì)與應(yīng)用[J]. 自動(dòng)化與儀表, 2005(3):37-39.

[7] 張偉, 朱大奇，孔敏，等. 基于改進(jìn)的CMAC神經(jīng)網(wǎng)絡(luò)與PID并行控制的研究[J]. 計(jì)算機(jī)測(cè)量與控制, 2005, 13(12):1 359-1 360.

[8] 張林根, 趙橋生, 何春榮，等. CMAC神經(jīng)網(wǎng)絡(luò)在潛艇操縱控制中的仿真應(yīng)用[J]. 船舶力學(xué), 2009， 13(2):226-233.

[9] 金鴻章, 于波. CMAC與PID的復(fù)合控制在減搖鰭中的應(yīng)用[J]. 艦船科學(xué)技術(shù), 2009, 31(1):53-55.

[10] 張顯庫, 賈欣樂. 船舶運(yùn)動(dòng)控制[M]. 北京:國防工業(yè)出版社, 2006:60-64.

DesignofNewShipCourseControllerBasedonGeneticandCerebellarModelAlgorithm

CHENJintao,WANGRenqiang,DUJiabao

(Jiangsu Maritime Institute, Nanjing 211170, China)

In order to design a ship course controller good for reducing both sailing milage and power consumption, the nonnonlinear mathematical model of ship motion and the current ship course PID control algorithms are analyzed thoroughly; The PID parameters are optimized online with genetic algorithms(GA) to achieve superior feedback control and ensure system stability. Besides, CMAC neural network feed-forward nonlinear control is used to suppress internal and external disturbances for achieving control accuracy and response speed. The new ship course controller is verified on ship-maneuvering simulator. Simulation result proves that new ship course controller has superior performance and robustness.

ship engineering; CMAC neural network； genetic algorithm； PID intelligent control； course controller

2014-04-03

江蘇省教育科學(xué)“十二五”規(guī)劃重點(diǎn)課題(B-a/2011/03/008);江蘇省高校大學(xué)生實(shí)踐探究訓(xùn)練計(jì)劃課題(2012JSSPITP3772)

陳進(jìn)濤(1964—),男,江蘇南通人,副教授, 碩士,主要從事船舶操縱與航?？萍佳芯?。E-mail:njcjt@163.com

1000-4653(2014)03-0010-05

U664.82

A