0 引　言

海上避碰规则要求船舶规避碰撞风险，以此来提高航行安全性。为实现这一目标，在构建自动避碰系统的过程中，可以运用模糊控制技术，通过模糊控制器，提高避碰系统的整体性能，降低碰撞风险，使船舶能够安全航行。本文对船舶避碰路径模糊控制系统展开分析。

1 船舶避碰原理 1.1 碰撞原因

相关调查统计结果显示，在船舶碰撞事故的原因中，不遵守避碰规则的占比最高，接近50%，未做出及时有效瞭望次之，约为35%，其余15%为其他因素。导致碰撞的原因有的是单独出现，有的则是多因素并存。为避免船舶航行时发生碰撞事故，要采取有效的方法和措施加以预防。比较常用的避碰预防措施有改善航行环境、提高操纵性能、优化航行技术等。

1.2 船舶避碰过程

处于航行状态的船舶如果相遇，需要采取避让行动，此时的决策过程分为信息采集与分析和最终决策等阶段。驾驶员经过观察发现来船后，要对来船的运动信息进行收集，并对这些信息分析处理，根据信息分析结果，结合驾驶经验，判断两船是否能够安全驶过，有无碰撞风险。如果可以安全驶过，则不需要采取任何行动，只要按照既定航线和航速前进即可，若是无法安全驶过，驾驶员则应当按照避碰规则，确定两船处于何种会遇格局，以此作为主要依据，对避让责任加以明确。本船为让路船时，要采取避让措施，避免与来船发生碰撞，避让操作后，待来船安全驶过，本船恢复正常航行，这样一次避让便顺利完成。

1.3 碰撞危险

碰撞危险（risk of collision，ROC），船舶航行时，按照当前环境，使用各种技术手段，判断是否存在碰撞危险，如有怀疑，则认为存在ROC，这是避碰规则明确规定。而在实际中，避碰规则却并未给出确切的定义，这个术语具有非常大的弹性，可以指某个海域内发生碰撞事故的可能性大小，具体可以用会遇率和碰撞率表示。船舶的会遇态势指会遇局面或能见度不良时的态势，对该态势的判断，是确定避让责任和应采取行动的重要依据。碰撞态势可分为对遇局面、右舷交叉相遇、左舷交叉相遇、追越局面和被追越局面等。判断会遇双方是否存在碰撞危险及确定碰撞危险度时，可以运用DCPA（最近会遇距离）和TCPA（会遇时间）。因部分船舶装载的雷达系统仅能提供目标船的方位与距离信息。所以要建立相应的数学模型，以此来实现智能避碰决策与控制。对本船与目标船的航向和航速作出假设，分别用 $ {C_0}，{V_0}，{C_t}，{V_t} $ 表示。相对于本船的方位与距离用Q和d表示。两船相对运动参数如图1所示。

1.4 避让决策

当本船与目标船之间的碰撞危险度超过规定要求时，本船便需要采取行动，避免与目标船发生碰撞，这个过程即避让决策。首先要在避让决策中，合理确定避让时机，通过对会遇格局进行分析后发现，海上的避让规则是指将碰撞危险、紧迫局面和紧迫危险这3个局面的出现，作为避让行动的起始时机。也就是说，可以将上述3个局面作为确定避让时机的主要因素。同时避让规则还给出一些基本原则，可以归纳为早、大、宽、清四点。具体如下：要及早做出避让行动，避免形成碰撞危险，防止产生紧迫的局面；为避免碰撞，应在环境许可的情况下，做出大幅度行动，大到足以使目标船用雷达可以察觉到；两船避让过程中，要保持宽裕的距离，以此来确保避让安全；采取避让行动，要驶过让清，不存在任何碰撞风险。

2 船舶避碰路径模糊控制系统 2.1 模糊控制系统构建

对于模糊系统而言，模糊控制器是核心部分，由4个模块组成，分别为Fuzzifcation（模糊化模块）、Knowledge Base（知识库模块）、Inference（模糊推理模块）以及Defuzzification（解模糊模块）。经过简化的模糊控制系统结构如图2所示。

模糊控制系统的简化步骤如下：对包含输入量和输出量在内的模糊子集及其论域加以确定，随后确定输入与输出隶属度函数，最后确定模糊控制规则表。不同误差变化N下的输入量误差与输出量的关系曲线如图3所示。

当模糊控制系统只对误差和误差变化进行分析判断，但却不能对误差累积估算时，这个系统的原理与PD控制相类似，它只有微分控制功能，无法将余差彻底消除。向系统中加入积分，能够使缺陷得到弥补。由于偏差的变化量对系统的控制稳定性影响不大，不对其做具体讨论。

2.2 仿真分析

构建模糊控制系统时，要将所有误差及变化率从精确输入转变为模糊输入，这个过程即模糊化过程。通过模糊计算后，最终要转变为精确输出，为具体执行提供条件。可知，精确输出与模糊化呈现为相反的情况，可以将这种情况称为模糊判决。按照实际情况，借助模糊集和模糊控制方法，可以在实现模糊化的基础上，完成解模糊化，进而获得精确的输出。船舶运动PID控制模型采用了阶跃函数及微分方程，控制过程可以借助闭环模糊控制系统来完成。基于二阶传递函数的船舶运动PID模糊控制仿真结果如图4所示。

可以看出，船舶运动二阶受控模型经过简化处理后，运用PID模糊控制方式，能够使得船舶的的动态性能在原本的基础上进一步完善。

2.3 训练结果

为使神经网络的收敛速度在原本的基础上进一步加快，通过快速收敛找到全局最优解，进而获得最小点，对现有的BP算法优化改进，在原算法中增加惯性项，使惯性校正量随着学习进程向有利于收敛的方向变化。仿真实验的误差曲线如图5所示。通过多次反复计算后，得到神经网络的权值（ $ {W_{1j}} $ ）及阈值（ $ {W_{2j}} $ ），当j为1～5时， $ {W_{1j}} $ 依次为：29.22，–8.577，–3.446，–0.314，9.45； $ {W_{2j}} $ 依次为0.183，–1.075，–3.40，–0.37，–1.54。

以随机的方式选取1组与训练值不同的样本对结果进行检验，采用模糊系统和神经网络分别计算。由计算结果可知，二者最终所得的结果极为接近。由此可见，用神经网络代替模糊推理系统，不但能够提高系统的运算速度，而且还能使计算结果的精确度满足使用要求。

通过增加惯性项的方法对BP算法优化改进后，使神经网络的收敛速度得到显著提升，网络能够尽快收敛达到全局最小点，算法优化达到一定的效果。由非线性的相关理论可知，最速梯度下降法仅适用于局部优化，如果是全局优化，则不一定是最速下降的方向。由该方法的计算过程可知，它在逼近极小点时的运行路径为锯齿形，收敛速度会在靠近极小点的过程中不断减慢，距离极小点越近，收敛速度减慢的程度越大，简单来说，就是与极小点的距离越近，收敛速度就越慢。BP算法的学习速度为确定值，若是将该值定的比较大，虽然能够使学习速度显著加快，但却会引起学习过程震荡，这样一来，全局误差很难达到期望值。为使权值误差极小化，学习时，确定值不宜过大，这样能够使全局误差达到期望值，但学习过程比较慢。将附加动量项算法和自适应学习速率算法有机结合到一起，使两者共同作用于权值的调整。利用前者可以使训练时间显著缩短，具体做法是设定初始步长，然后检查权值修正结果，看误差函数是否降低，如果降低，表明学习速度低，此时要增加学习速度，若是未降低，表明调节过度，要减小学习速度。经过优化改进后的BP算法迭代次数减少，收敛速度进一步加快，精度得到提升。不仅如此，还弥补了原算法容易陷入局部极小值的缺陷。基于此，可将结合后的2种算法，运用到船舶避碰路径模糊控制系统中。

采用动量自适应学习速率算法计算得出的网络训练误差结果如图6所示。经优化改进后的算法，不但收敛速度加快，而且精度大幅度提高，性能较之未优化前得到进一步改善。

2.4 模糊系统

神经网络与模糊逻辑控制各具特点，为使二者的优势得到最大限度的发挥，将其融合到一起，这样便可适用于各种学习方式。在模糊隶属函数中，船舶领域可以用Do表示，而船舶动态则可用Dm表示，由驾驶员依据诸多因素结合经验决定。这里的因素包括：能见度、操纵性、目标船方位舷角等。通常情况下，在某个特定的水域内，当能见度降低后，船舶的有效领域范围会变大，而当能见度降至一定程度时，便不会对船舶领域产生影响。

船舶动态避碰控制系统的传输函数为：

$ {V}_{out1}={2}^{K-1}\cdot {V}_{i{n}_{1}}-{V}_{DA{C}_{1}} \text{，} $

式中， $ {2^{K - 1}} $ 采用了1位冗余位的特征变量，因此可以获得避碰控制路径的规划函数为：

$ {V}_{DA{C}_{1}}={V}_{ref}\cdot {D}_{1} \text{，} $

式中：

$ {D_1} \in \left\{ {0, \pm \frac{{{C_2}}}{{{C_1}}}, \pm \frac{{{C_2} + {C_3}}}{{{C_1}}}, \cdots , \pm \sum\limits_{i = 2}^{{2^{K - 1}}} {\frac{{{C_i}}}{{{C_1}}}} } \right\} 。$

在存在较大的环境误差情况下，为了进一步提高精度，减小误差，可以采用如下函数进行补偿：

$ \frac{{{C_2}}}{{{C_1}}} = 1 + {\Delta _{{C_2}}},\frac{{{C_2} + {C_3}}}{{{C_1}}} = 2 + {\Delta _{{C_2}}} + {\Delta _{{C_3}}}，\cdots 。$

其中，每个 $ \Delta {c_i} $ 为每个方向补偿参数的步进大小。

船舶航行中不同距离下的能见度关系曲线如图7所示。在导航系统好、操纵灵活性强的船舶控制系统中d₁和d₂的值差异比较小，而导航系统性能差、操纵不灵活的船舶中d₁和d₂的值差异比较大。船舶的操纵性会对安全域产生一定程度的影响，虽然船长、船宽等几何参数与安全域之间存在未知的关系，但却可以利用神经网络学习到它们之间的非线性映射关系。当目标船接近本船时，受驾驶员心理因素的影响，使船舶前方的安全区域要大于船后。

2.5 实际应用

借助神经网络学习104个专家样本，以此来记忆船舶领域和船舶动态，得到的信息源权值矩阵如下：

在航区内的能见距离为4 n mile，假定在未来的10 min内，本船与目标船的航行状态全都保持不变，通过计算得出DCPA和TCPA，并确定不同时刻的碰撞危险度，根据计算结果，模糊控制系统会自动避碰。由此可见，本文开发的模糊控制系统在船舶避碰路径中具有良好的适用性。

3 结　语

船舶避碰是保证航行安全性的关键，必须予以高度重视。在构建自动避碰系统时，应用模糊控制技术提高控制效果，达到有效避碰的目标。