船舶在海上航行的过程中会受到风、浪、流等环境因素的影响,使得船舶发生摇晃等现象,影响船舶的航行安全。需要实时、精准地掌控船舶的运动情况,因此可以通过建立基于船舶航行速度、航行方向的水动力参数智能模型来反映船舶的运动情况。船舶在海上的运动是非线性的,因此建立智能模型的关键是能够快速的逼近非线性曲面。在研究过程中,Abkowitz等[1]利用扩展卡尔曼滤波器建立了水动力参数模型,Trankle等[2]在其基础上将船舶的航速和加速度输入到参数辨识模型中,然后通过非线性运算优化参数,从而使得实际值和估算值之间的均方误差达到最小值。R.Haddara等[3]将BP神经网络进行了改进,提出了径向基神经网络方法来逼近非线性三维水动力参数曲面,这种方法学习速度快、逼近能力强。
1 船舶横向运动方程船舶在定航速、航向和外界环境平稳的情况下,其横向运动可表示为:
$ \begin{array}{*{20}{l}} \begin{array}{l} (m + {a_{22}})\mathop {{\rm{ }}y}\limits^ \cdot + {b_{22}}\mathop {{\rm{ }}y}\limits^ \cdot + {a_{24}}\varphi + {b_{24}}\varphi + \\ \quad \quad {a_{26}}\varphi + {b_{26}}\mathop {{\rm{ }}y}\limits^ \cdot = n{L_R} + {F_{2W}}, \end{array}\\ \begin{array}{l} {a_{24}}\mathop {{\rm{ }}y}\limits^ \cdot + {b_{42}}\mathop {{\rm{ }}y}\limits^ \cdot + ({I_4} + {a_{44}})\varphi + {b_{44}}\varphi + \\ \quad \quad {c_{44}}\varphi + {a_{46}}\varphi + {b_{46}}\varphi = n{L_R}{Z_R} + {F_{4W}}, \end{array}\\ \begin{array}{l} {a_{62}}\mathop {{\rm{ }}y}\limits^ \cdot + {b_{62}}\mathop {{\rm{ }}y}\limits^ \cdot + {a_{64}}\varphi + {b_{64}}\varphi + \\ \quad \quad ({I_6} + {a_{66}})\varphi + {b_{66}}\varphi = n{L_R}{X_R} + {F_{6W}}。 \end{array} \end{array} $ | (1) |
其中,y,φ,ϕ为船舶横向摇荡的位移、角度和首摇角度。
本文仿真船舶的参数为m=4.42×105kg,船舶宽度B=7.2m,船舶吃水2.26m,水线长Lpp=60m,船舶满载时的排水量D=4.42×105T,船舶舵力中心与船舶重心之间的横向长度和纵向长度分别为XR=25.8m和ZR=1.32m,LR为船舶的水平舵力,船舶的舵数为n=2,静水下船舶的恢复力系数为c44=3.37×106,船舶附加质量系数和阻尼系数分别为aij和bij(i,j=2,4,6),船舶横摇扰动力为F2W,横摇和艏摇的扰动力矩分别为F4W和F6W,船舶质量在x,y,z轴上的惯性矩为I,且I4=(0.37B)2D,I6=(0.25Lpp)2D。
2 基于径向基神经网络的水动力参数智能模型 2.1 径向基神经网络因为高斯函数具有径向对称性好、解析速度快、操作方便等特性,本文将高斯函数作为船舶横摇运动神经网络的径向基函数:
$ {g_i}(x) = \exp \left[ { - \frac{{{{\left\| {x - {c_i}} \right\|}^2}}}{{2\sigma _i^2}}} \right],i = 1,2,...,m。 $ | (2) |
式中:x为n维输入向量;ci为第i个基函数的中心;σi为第i个感知变量;m为总个数。在x与ci之间的距离较远时,gi(x)的值会变小。仅仅在gi(x)大于设定的阈值时才会对其对应的wik进行优化。
本文采用的径向基函数神经网络如图 1所示。结构中的
$ {f_k}(x) = \sum\limits_{i = 1}^m {{w_{ik}}{g_i}(x)} 。 $ | (3) |
本文经过多次仿真,选取了具有3个节点的隐层,径向基函数gi(ci,σi)分别是g1(0,0.1),g2(1.5,0.1),g3(-2,0.1)。wi(i=1,2,3)分别取值1,1,0.5。
2.2 水动力参数智能建模本文设计的径向基神经网络的输入是航速、航向角和海上环境,输出是船舶水动力参数,在仿真过程中对水动力参数a22,b22,b46,a44,b44,a66进行仿真,船舶的航行速度分别是6 kn,12 kn,18 kn和24 kn,得到的非线性逼近函数如图 2所示。
利用RBF神经网络进行逼近,模型的系数空间与实际测量值之间的误差小于0.9%,由此可看出,本文所建立的模型精度高。
3 仿真结果分析船舶在仿真过程中的横向运动结构如图 3所示。在仿真过程中船舶的航行方向角度从0 °转到75 °,通过船舶测角仪得到航行方向角,根据本文的水动力参数模型,实时得到横向运动的18个参数,通过不断的优化模型,得到实时的船舶减横摇LQG控制[4]以及不同情况下的控制如表 1所示。
本文首先建立船舶横向运动方程,然后在此基础上,利用径向基神经网络建立了船舶水动力参数智能模型,并将其应用于不同航速下的仿真,仿真结果表明,利用径向基神经网络逼近三维空间非线性曲线的方法精度高、学习速度快、实时性强,能够提高船舶横向运动控制效果。
[1] | ABKOWITZ M A. Measurement of hydrodynamic characteristics from ship maneuvering trials by system identification[J]. Maneuverability, 1980 : 283–318. |
[2] | TRANKLE T L. IDENTIFICATION of T.V.Kings Pointer hydrodynamic model using sea trials inertial data[C]//Prediction of 22nd American Towing Tank Conference, St.John's, Newfoundland, Canada, 1989: 508-514. |
[3] | HADDARA M R, WANG Y. Parametric identification of manoeuvring models for ships[J]. International Shipbuilding Progress, 1999, 46 (445): 5–27. |
[4] | 蔡自兴. 人工智能控制[M]. 北京: 化学工业出版社, 2005: 135-146. |