[发明专利]基于极限学习机的船舶动力定位自抗扰控制方法

说明书

本发明的目的是提供一种基于极限学习机的船舶动力定位自抗扰控制方法，其包括以下步骤：步骤S1：建立含有环境干扰的船舶定位控制系统的数学模型；步骤S2：设计船舶动力定位ADRC控制系统；船舶动力定位ADRC控制系统包括若干个动力定位控制器；步骤S3：选取动力定位控制系统的参数；步骤S4：设计一ELM模块；步骤S5：将ELM模块嵌入到ADRC控制系统中，形成具有ELM的动力定位控制器。本发明改善了人工试凑参数下的ADRC控制器的效果不佳的情况。

技术领域

本发明涉及船舶自动化工程领域，更具体的说，是基于人工智能方法的一种更为有效的动力定位智能自抗扰控制方法。

背景技术

动力定位系统(Dynamic Positioning System，DPS)是一种闭环的自动控制系统，其主要工作方式就是通过各传感器将船舶实际的运动信息，即船舶的实际位置，和外界的风浪流扰动的的大小传回控制系统，然后系统将船舶目标位置与实际位置的相对比，再结合风浪流的扰动影响，自行计算出使船舶到达目标位置的各个推力器的推力，最后使得船舶的实际位置与目标位置相对应。该种系统使得船舶克服了传统抛锚定位无法在深海定位的缺点，满足了许多深海作业船舶的定位需求。

目前动力定位控制器采用的控制方法有PID控制，自适应控制，反步法控制，模糊控制，神经网络控制，自抗扰控制(Active Disturbance Rejection Control，ADRC)等。而对于传统的PID控制而言，其在控制动力定位系统时，无法满足船舶控制精度和稳定性的要求。由于实际船舶运动的复杂性，和外部环境的影响的随机性和难以预测性，使得自适应控制方法并不能有效解决动力定位系统的控制问题。模糊控制，反步法和神经网络控制等新的控制方法的出现，使得船舶动力定位系统的控制上取得了一定的进展，但也存在很多问题。比如这些控制方法对控制对象模型要求较高，且这些控制方法不易被直接运用到实际工程设计中。

ADRC控制器在船舶动力定位上的控制效果上有改进，而且它对船舶数学模型的精度要求不高，但ADRC的算法复杂、参数多，使得调节参数的过程变得非常繁琐，而且短期内人工直接试凑出的参数运用到ADRC控制器上时，效果不佳。

将神经网络嵌入ADRC中的扩张状态观测器(Extend State Observer，ESO)模块处，会有效分担ESO预测的扰动大小，从而提升ADRC控制器的控制效果。致使人工试凑参数的ADRC控制器在加入神经网络时，也可以达到较好的控制效果。但传统的BP神经网络的收敛速度慢，而且很容易产生局部最优解,从而使网络训练过程的效率得不到保证。这就导致难以找到与ADRC控制器相匹配的BP网络模块。

南洋理工大学黄广斌教授等人提出了极限学习机(Extreme Learning Machine，ELM)算法。ELM是一种快速的的单隐层神经网络(Single-hidden Layer FeedforwardNeural Network，SLFN)训练算法。该算法的特点是在网络参数的确定过程中,隐层节点参数随机选取,在训练过程中无需调节，只需要设置隐含层神经元的个数，即可获得唯一最优解；而网络的输出权值是通过最小化平方损失函数得到的最小二乘解。这样网络参数的确定过程中无需任何迭代步骤,从而大大降低网络参数的调节时间。与传统的神经网络训练方法相比，该方法具有学习速度快、泛化性能好等优点。

将ELM嵌入到ADRC中的ESO模块处，凭借其分担ESO预测扰动大小的能力，来提高控制器的控制效果。这一控制方法运用到船舶动力定位控制，即基于ELM的船舶动力定位ADRC控制技术可以改善DPS的鲁棒性，并且提高船舶动力定位的控制精度。

发明内容

本发明的目的是为了克服设计船舶动力定位ADRC控制器的时，控制参数难试凑的缺点，设计一种基于ELM的船舶动力定位ADRC控制方法。