基于宽度学习自适应动态规划的船舶动力定位优化控制方法技术

本发明专利技术提供一种基于宽度学习自适应动态规划的船舶动力定位优化控制方法，包括：将船舶的历史位置、姿态以及控制信息作为训练样本利用宽度学习系统构造船舶动力定位系统的模型网；获取船舶位置、航向以及速度信息并建立船舶动力定位系统的代价函数；利用宽度学习系统构造的评价网逼近所述代价函数；利用宽度学习系统构造执行网逼近船舶动力定位系统的实际控制器，对船舶动力定位系统进行控制。本发明专利技术针对船舶动力定位非线性离散系统，运用自适应动态规划算法，解决存在未知动态的船舶动力定位离散非线性系统的优化控制问题，能有效降低控制器能量消耗、减少舵机磨损。

【技术实现步骤摘要】
基于宽度学习自适应动态规划的船舶动力定位优化控制方法
本专利技术涉及船舶动力定位控制
，具体而言，尤其涉及一种基于宽度学习自适应动态规划的船舶动力定位优化控制方法。
技术介绍
海洋资源的开发离不开船舶或平台的定位作业，然而海洋环境复杂多变，依靠传统锚泊定位技术的船舶由于定位精度差、抛锚起锚费时费力、机动性差，最重要的是其会受到水深的限制等因素从而难以完成深远海域定位作业的要求。为了应对这一难题，动力定位技术被提出并应用于钻探工程中。相比传统的定位技术，动力定位技术具有定位准确、机动性高、不受水深限制等优点。如今，动力定位已经成为深海资源开发不可或缺的关键技术并广泛应用于钻井船、铺缆船、铺管船、供给船、科研考察船、消防船以及海洋平台等的定位作业中。海洋船舶由于海洋水深，船舶装载，航速变化，复杂的水动力的不确定性等因素使控制模型存在未知动态的情况。此外，动力定位船舶需要长时间保持定位状态进行相关作业，其对燃料的消耗和自身设备的损耗巨大。然而，当前多数研究中船舶动力定位控制方法存在并没有考虑以上问题，从而导致控制器能量消耗及舵机磨损严重的问题。可见，在达到模型不确定的船舶动力定位系统控制的基础上优化其性能达到减少燃油消耗、污染物排放以及推进设备损耗具有巨大的经济和社会效益。
技术实现思路
根据上述提出的控制器能量消耗及舵机磨损严重的技术问题，而提供一种基于宽度学习自适应动态规划的船舶动力定位优化控制方法。本专利技术主要针对存在不确定动态的船舶动力定位非线性离散系统，可有效降低控制器能量消耗、减少舵机磨损。本专利技术采用的技术手段如下：一种基于宽度学习自适应动态规划的船舶动力定位优化控制方法，包括：S1、将船舶的历史位置、姿态以及控制信息作为训练样本利用宽度学习系统构造船舶动力定位系统的模型网；S2、获取船舶位置、航向以及速度信息并建立船舶动力定位系统的代价函数；S3、利用宽度学习系统构造的评价网逼近所述代价函数；S4、利用宽度学习系统构造执行网逼近船舶动力定位系统的实际控制器，对船舶动力定位系统进行控制。较现有技术相比，本专利技术具有以下优点：1、本专利技术针对船舶动力定位非线性离散系统，运用自适应动态规划算法，解决存在未知动态的船舶动力定位离散非线性系统的优化控制问题，能有效降低控制器能量消耗、减少舵机磨损。2、本专利技术基于宽度学习系统，依据其优异的逼近能力，在保证良好的精确度的基础上加快了获得动力定位系统模型的速度，从而显著提高了本方法的控制效果。基于上述理由本专利技术可在船舶动力定位控制领域广泛推广。附图说明为了更清楚地说明本专利技术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做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术的设计方法流程图。图2是本专利技术中宽度学习系统的结构图。图3是本专利技术的设计计算法框图。图4是实施例中模型网学习过程的仿真结果。图5是实施例中船舶位置仿真结果。图6是实施例中船舶速度仿真结果。图7是实施例中船舶推进器提供的力与力矩仿真结果。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都应当属于本专利技术保护的范围。如图1-3所示，本专利技术提供了一种基于宽度学习自适应动态规划的船舶动力定位优化控制方法，包括：S1、将船舶的历史位置、姿态以及控制信息作为训练样本利用宽度学习系统构造船舶动力定位系统的模型网。S2、获取船舶位置、航向以及速度信息并建立船舶动力定位系统的代价函数。S3、利用宽度学习系统构造的评价网逼近所述代价函数。S4、利用宽度学习系统构造执行网逼近船舶动力定位系统的实际控制器，对船舶动力定位系统进行控制。具体来说，步骤S1将船舶的历史位置、姿态以及控制信息作为训练样本利用宽度学习系统来构造模型网，首先要建立船舶动力定位非线性系统数学模型为：在式(1)-(2)中，η＝[p,y,ψ]*表示北东坐标系下的位置向量，其中艏向角ψ∈[0,2π]，υ＝[u,v,r]*为附体坐标系下的速度向量，R(ψ)为从北东坐标系转换成附体坐标系的转换矩阵，M为包含附加质量力以及力矩的惯性矩阵，D为线性阻尼矩阵，τi＝[τi1,τi2,τi3]*为表示船舶推力以及力矩的控制向量。其次，定义T为采样时间间隔，根据欧拉法则，在第k个采样点的离散模型可以表示如下：η(k+1)＝η(k)+T(R(ψ(k))υ(k))(3)υ(k+1)＝υ(k)+TM-1(N(α)τi(k)-Dυ(k))(4)上述DP系统模型可写成如下形式：x(k+1)＝f(x(k))+gτi(k)＝F(x(k),τi(k))(5)其中，x(k)＝[η(k),ν(k)]，由于水深，船舶装载，航速变化，复杂的水动力的不确定性等因素使船舶动力定位系统模型往往存在大量的未知动态以及建模误差，故认为矩阵f(x(k))与g未知。因此，可以按如下步骤构造基于宽度学习系统的模型网。首先，利用X(k)＝[x(k)τi(k)]作为输入来构造特征节点Zi以及增强节点Ht如下所示。Zi(k)＝X(k)Wzi+ρzi,i＝1…n(6)Ht(k)＝φt(Zi(k)Wht+ρht),t＝1…m(7)其中，Wzi∈R1×ni，Wht∈R(ni×n)×mt为随机权值矩阵，ni与mt表示每个特征节点以及增强节点的宽度。n和m分别表示特征节点与增强节点的数量。ρzi与ρht为随机的偏倚系数。φ(·)为任意的传递函数。之后，分别构造Zi(k)和Ht(k)的合集Zi(k)＝[Z1(k),…,Zn(k)]和Ht(k)＝[H1(k),…,Hm(k)]。然后将Zi(k)与Ht(k)横向拼接成一个整体矩阵Sm(k)＝[Zi(k)|Ht(k)]＝[Z1(k)…Zn(k)|H1(k)…Hm(k)]作为模型结构的激活函数。由此，公式(5)可以写成如下形式：其中，Wm(k)∈R(ni×n+mt×m)×9为模型结构的权值。εm(k)为模型结构的有界逼近误差，由于理想权值Wm(k)未知，式(8)的估计形式可表示如下：利用已有的输出数据Y(k)，使用脊回归和伪逆算法来训练模型结构的权值如下。c为正则化参数.Im为单位矩阵。步骤S2获取船舶位置、航向以及速度并建立无限域船舶动力定位系统的代价函数如下：其中，根据贝尔曼最优原理，船舶动力定位系统的代价函数本文档来自技高网...

【技术保护点】
1.一种基于宽度学习自适应动态规划的船舶动力定位优化控制方法，其特征在于，包括：/nS1、将船舶的历史位置、姿态以及控制信息作为训练样本利用宽度学习系统构造船舶动力定位系统的模型网；/nS2、获取船舶位置、航向以及速度信息并建立船舶动力定位系统的代价函数；/nS3、利用宽度学习系统构造的评价网逼近所述代价函数；/nS4、利用宽度学习系统构造执行网逼近船舶动力定位系统的实际控制器，对船舶动力定位系统进行控制。/n

【技术特征摘要】
1.一种基于宽度学习自适应动态规划的船舶动力定位优化控制方法，其特征在于，包括：
S1、将船舶的历史位置、姿态以及控制信息作为训练样本利用宽度学习系统构造船舶动力定位系统的模型网；
S2、获取船舶位置、航向以及速度信息并建立船舶动力定位系统的代价函数；
S3、利用宽度学习系统构造的评价网逼近所述代价函数；
S4、利用宽度学习系统构造执行网逼近船舶动力定位系统的实际控制器，对船舶动力定位系统进行控制。


2.根据权利要求1所述的船舶动力定位优化控制方法，其特征在于，所述模型网的构造步骤包括：
S101、利用X(k)＝[x(k)τi(k)]作为输入来构造特征节点Zi以及增强节点Ht，所述特征节点Zi根据以下计算获得：
Zi(k)＝X(k)Wzi+ρzi,i＝1…n，
所述增强节点Ht根据以下计算获得：
Ht(k)＝φt(Zi(k)Wht+ρht),t＝1…m
其中，Wzi∈R1×ni，Wht∈R(ni×n)×mt为随机权值矩阵，ni表示每个特征节点的宽度，mt表示每个增强节点的宽度，n表示特征节点与的数量，m表示增强节点的数量，ρzi为特征节点的随机偏倚系数，ρht为增强节点的随机偏倚系数，φ(·)为传递函数；
S102、分别构造Zi(k)和Ht(k)的合集Zi(k)＝[Z1(k),…,Zn(k)]和Ht(k)＝[H1(k),…,Hm(k)]；
S103、将Zi(k)与Ht(k)横向拼接成模型结构的激活函...

【专利技术属性】
技术研发人员：李铁山，高潇阳，曹玉墀，单麒赫，武越，朱丽燕，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：辽宁;21