0 引　言

随着现代航海技术的快速发展，舰船航速控制作为船舶自动化系统的核心环节，对航行安全、燃油效率和任务执行能力具有重要影响^[1]。传统航速控制方法主要依赖人工操作和经验判断，存在响应速度慢、控制精度低、适应性差等问题，尤其在复杂海况下难以实现稳定和高效的航速调节^[2]。因此，研究舰船航速自动控制方法，通过引入先进的控制算法和智能化技术，实现航速的精准、快速和自适应调节，不仅能够提升舰船的航行性能和任务执行效率，还能显著降低燃油消耗，对推动船舶自动化技术的发展和实现绿色航运具有重要意义。

目前，舰船航速自动控制方法的研究已取得显著进展，黄立文等^[3]研究狭窄弯曲航段的自动航迹控制方法，该方法通过实时调整PID参数，以适应船速和外界环境变化，控制船舶在计划航线上稳定航行。该方法能够减少人为操作失误，降低船舶在狭窄弯曲航段发生碰撞或搁浅等事故的风险。但是该方法依赖于精确的地图数据和实时船位信息，若信息不准确或缺失，将影响航迹控制性能。王傲威等^[4]研究弯曲河段船舶下行控制航速计算方法，该方法能够根据不同弯曲河段的水流特性、船舶类型、载重情况等因素灵活调整，具有较强的通用性。通过精确控制航速，避免船舶在弯曲河段中，因过度加速或减速产生的额外能耗和排放。但是船舶在弯曲河段中的航行状态是实时变化的，该方法需要快速响应并调整航速，以适应不断变化的航行环境。闫昭琨等^[5]将超螺旋滑模观测方法应用于无人艇航速控制中，该方法能够对变质量无人艇的未知吃水与质量进行观测，并设计航速自适应控制算法。由于滑模控制固有的抖振现象，在极端或快速变化的外部扰动下，航迹角可能发生偏移，限制了该方法在复杂环境下的应用效果。冯倩菲等^[6]考虑排放限制与航次成本，对航速进行优化。但是该方法需要船舶按照特定的速度和航线航行，在遇到复杂海况或突发事件时，船舶可能无法快速调整航速和航线，导致实际运动轨迹与期望运动轨迹产生较大偏差。

通过上述分析可知，当前研究在舰船航速控制方面取得了一定进展，但仍存在一定的局限性，为此，研究自适应神经网络下舰船航速自动控制方法。针对船桨子系统的变系数、非线性特性，分析推力、阻力与航速的关系，并设计自适应循环神经网络控制器，实现航速的精准跟踪与动态调整。该方法能够根据航行环境和船舶状态的实时变化，自动优化控制策略，显著提升航速控制的精度和稳定性。

1 舰船航速自动控制方法 1.1 舰船船桨子系统参数作用关系分析

船桨系统是船舶推进的核心组成部分，其动态特性直接影响航速控制的精度和稳定性。因此，通过准确描述船桨系统的推力、阻力、转速等关键参数与航速之间的关系，为后续控制算法设计提供理论依据。

船桨系统的推力、阻力、转速等关键参数与航速之间存在着密切的相互作用关系。推力由螺旋桨的转速和桨叶设计决定，转速越高，推力通常越大，从而推动船舶加速；然而，随着航速的增加，船体受到的阻力也会显著增大，这种阻力主要来自水流的摩擦和波浪的冲击，会抵消部分推力。当推力与阻力达到平衡时，船舶将保持稳定的航速。此外，螺旋桨的转速不仅影响推力的大小，还会影响推进效率，过高或过低的转速都可能导致能量浪费或推进力不足。

通过准确描述螺旋桨推力、阻力、转速等关键参数与航速之间的关系^{[7 − 8]}，为后续航速控制算法的设计提供了坚实的理论依据。

1.2 自适应神经网络的航速自动控制

舰船的船桨子系统属于一个变系数的非线性系统，该系统中的众多参数之间互相影响。自适应神经网络控制方法作为一种先进的控制策略，能够很好地应对这种非线性、变系数的系统特性，且可以根据舰船航行环境和船舶状态的实时变化，自动调整参数和控制策略，应对船桨子系统中的非线性、变系数特性，实现对舰船航速的精确控制。

舰船的航速控制器通过接收来自传感器和操舵系统的信号，自动调整主机转速或螺旋桨的螺距角，以实现预定的航速^[9]。航速控制器依据传感器获取舰船的实际航速信息，通过反馈机制与预定航速比较，根据差值调整舰船航速的控制参数。选取循环自适应神经网络进行舰船航速的自动控制。应用于舰船航速自动控制的自适应循环神经网络的结构如图1所示。

自适应循环神经网络通过构建环形结构，实现神经元与其他神经元之间的信息传递。设置自适应循环神经网络最终节点的输入存储作为存储器，存储器内存储的舰船航速控制内容作为下一个环节的参考。自适应循环神经网络将所存储的航速控制信息，映射至各个输出神经元。

针对舰船航速控制，构建自适应循环神经网络的一阶严格反馈控制系统如下：

$ {y_i} = f\left( {{x_i}} \right) + g\left( {{x_i}} \right)u。$

(1)

式中：$ u $与$ {x_i} $分别为舰船航速的状态变量以及航速控制输入；$ y $为航速控制输出量；$ f $与$ g $均为非线性函数。

用$ {x_i} $表示舰船期望航速，$ {y_s} $表示舰船实际航速，那么舰船期望航速的跟踪误差$ {e_i} $的表达式为：

$ {e_i} = {x_i} - {y_s} 。$

(2)

设置舰船航速控制的控制率表达式为：

$ {c^ * } = \frac{1}{{g\left( {{x_i}} \right)}}\left[ { - k\left( t \right){e_i} - f\left( {{e_i}} \right)} \right]。$

(3)

式中：$ k $为控制系数。

由于式(3)中的$ f\left( {{e_i}} \right) $为未知状态，无法获取理想的期望控制率$ {c^ * } $。利用自适应循环神经网络，逼近$ f\left( {{e_i}} \right) $，将舰船航速控制的控制率转化如下：

$ c = \frac{1}{{g\left( {{x_i}} \right)}}\left[ { - k\left( t \right){e_i} - f\left( {{e_i}} \right) - {\boldsymbol W_a}S\left( {{\boldsymbol W_b}{e_i}} \right)} \right]。$

(4)

式中：$ {\boldsymbol W_a} $与$ {\boldsymbol W_b} $分别为循环神经网络输出层至隐藏层以及输入层至隐藏层之间的权值矩阵；$ S $为隐藏层基函数。

利用自适应神经网络构建的舰船航速自动控制器，能够自动学习舰船在不同海洋环境下的航行数据，根据海洋环境的实时数据，自动调整舰船航速控制策略，提升舰船航速控制的自适应性。

2 实例分析

为了验证所研究方法的舰船航速控制效果，展开实验研究。实验对象为095型攻击型核潜艇，该舰船具有较高的技术水平和复杂的航行特性，该舰船的参数设置如表1所示。

在实验开始前，记录舰船的初始状态，包括初始航速、螺旋桨转速、航迹角等。在实验过程中，通过实时调整风速、海流和波浪参数，模拟了平静海面、中等风浪和极端恶劣环境等多种场景，确保控制算法在不同环境下的鲁棒性和稳定性。具体场景如下：

1）平静海面：风速低于5 m/s，海流速度低于0.5 m/s，波浪高度低于0.5 m；

2）中等风浪：风速为10～15 m/s，海流速度为1～1.5 m/s，波浪高度为2～3 m；

3）极端恶劣环境：风速超过20 m/s，海流速度超过2 m/s，波浪高度超过5 m。

实验过程中，安装高精度传感器，实时采集舰船的航速、螺旋桨转速、航迹角等数据。将采集的数据传输至控制系统中，实时处理并调整控制参数，并确保传感器与控制系统之间的数据传输稳定可靠。

在上述实验环境与条件下，展开实验测试。

设置该舰船的航速控制指令为3 m/s，采用本文方法对该舰船进行航速控制，该舰船的螺旋桨转速以及纵向速度控制结果如图2所示。

可知，舰船的航速自动控制器接收舰船航速控制指令后，运行自适应神经网络控制方法，对舰船螺旋桨转速开始调整，以适应新的航速要求。初始阶段，螺旋桨转速迅速增加，从静止状态快速提升，以产生足够的推力使舰船加速。随着舰船速度逐渐提升，螺旋桨转速进入较平稳的调整期，转速增减幅度逐渐减小，以维持稳定的推力输出，确保舰船航速接近并稳定在3 m/s。当舰船航速达到并稳定在3 m/s时，螺旋桨转速趋于一个相对恒定的值，此时螺旋桨提供的推力与舰船所受阻力达到平衡，舰船保持匀速航行。随着螺旋桨转速的增加，舰船开始加速，舰船的纵向速度迅速提升。舰船速度接近3 m/s时，增速进一步放缓，以避免超调，并保持速度的稳定。最终舰船的纵向速度稳定在3 m/s左右，呈现出平稳的航行状态。尽管航速控制过程中，存在微小的速度波动，但总体上保持在设定的航速范围内，说明所提方法具有极高的舰船航速控制精度和响应速度。

当航速控制效果良好时，船舶能够紧密跟随期望轨迹，实际轨迹与期望轨迹的偏差较小；反之，若航速调节不及时或不精确，可能导致船舶偏离预定航线，尤其在应对风浪、海流等外部扰动时，偏差会进一步放大，这种差距会影响航行效率和安全性。采用本文方法控制舰船航速，该舰船的运动轨迹控制结果如图3所示。

可知，采用本文方法控制舰船航速，舰船的实际运动轨迹与期望运动轨迹极为接近。实验结果验证，本文方法能够控制舰船航速与理想航速最大化接近，将舰船的运动轨迹，控制在理想范围内。实验结果再次验证，本文方法具有精准的舰船航速控制结果。

在航速控制过程中，若航速调节不够平稳或响应滞后，可能导致船舶在转向或应对环境扰动时产生较大的航迹角偏移。统计采用本文方法控制舰船航速的航迹角偏移，并将本文方法控制结果与文献[3−5]方法对比，对比结果如图4所示。

可知，采用本文方法控制舰船航速，其航迹角偏移与0极为接近。本文方法控制舰船航速的航迹角偏移，明显低于其他方法。实验结果验证，本文方法能够精准控制舰船航速，舰船航迹角控制结果能够精准跟踪舰船航迹角，有效提升了舰船航行时的控制性能。

3 结　语

本文针对舰船航速自动控制问题，提出了一种基于自适应神经网络的航速控制方法。首先，分析舰船船桨子系统螺旋桨推力、阻力与航速之间的关系，为控制算法设计提供了理论依据。其次，采用自适应循环神经网络作为核心控制策略，有效应对船桨子系统的非线性和变系数特性，并根据实时航行环境自动调整控制参数，显著提升了航速控制的精度和稳定性。实验结果表明，本文方法在舰船航速控制中表现出优异的响应速度和抗干扰能力，能够使舰船快速、平稳地达到目标航速，并保持航迹角偏移最小化。与现有方法相比，本文方法在航速控制精度、轨迹跟踪能力和环境适应性方面均具有明显优势。该方法不仅为舰船航速控制提供了一种高效、可靠的解决方案，也为复杂非线性系统的控制问题提供了新的思路。