[发明专利]基于神经网络优化的综合船舶路径跟踪与舵减摇控制方法

权利要求书

1.一种基于神经网络优化的综合船舶路径跟踪与舵减摇控制方法，其特征在于，包括：模型预测控制模块，终端代价函数模块，神经动态优化模块；

在所述舵减摇模型预测控制模块中，通过视线制导方法将船舶路径跟踪的输出转化为跟踪误差以及艏向角误差，降低控制输出的维度；简化后的控制器设计模型可以概述为：

式中，e表示跟踪误差，ψ_s表示LOS角度，ψ表示艏向角，表示艏向角误差，φ表示横摇角，v表示横向速度，p表示横摇角速度，r表示转艏角速度，δ表示舵角，a_ij和b_i分别表示控制器模型的参数，i＝1,2,3,j＝1,2,3,4；

将式(1)改写为矩阵形式：

式中，状态变量控制输出控制输入为舵角δ，

通过给定适当的采样时间h_t，将上式(2)转化为下式(3)的离散形式：

式中，k为采样时间点，为离散后的系统参数矩阵；

对上式(3)等式两边同时差分，可得到：

重新定义系统的状态变量和控制输入：

因此式(4)可以改写为下述形式：

同理，对等式两边同时差分可以得到：

通过将式(5)与式(6)结合在一起改写为矩阵形式，得到增广后的基于变化率的舵减摇控制器模型为：

式中，0_6×4是零矩阵，则重新定义：

将上式(7)化简，得到舵减摇控制器模型为：

通过定义模型预测算法的预测时域为N_p，控制时域为N_c，基于上述控制器模型与控制对象当前的状态信息，依次对系统未来的状态信息和输出信息进行预测，对未来的状态变量的预测为：

式中，表示基于当前时刻k处的状态信息对未来的第k+i个采样时刻的状态信息的预测；

同理，系统未来的控制输出可由未来的状态信息得到：

式中，表示基于当前时刻k处的状态信息对未来第k+i个采样时刻的输出信息的预测；

在式(10)中未来的输出信息改写为如下矩阵形式：

式中，

根据上述推论，船舶路径跟踪与舵减摇的综合控制问题可转化为下式带约束条件的优化控制问题，目标函数如下式(12)所示：

约束条件为：

式(12)中，Q和表示输出权重矩阵和输入权重矩阵，式(13)表示目标函数对船舶舵角最大值和舵角变化速率的限制。

2.根据权利要求1所述的基于神经网络优化的综合船舶路径跟踪与舵减摇控制方法，其特征在于：

为确保舵减摇控制系统的闭环稳定性，在终端代价函数模块中将下式(14)终端代价引入目标函数(12)：

通过下述方法确定式(14)中的终端矩阵P；

首先，针对舵减摇控制系统设计一个线性的状态反馈器：

δ＝Kξ； (15)

式(15)中，K通过将Q_l与R_l分别作为输出输入的权重矩阵然后用线性二次方法计算得到；所述终端矩阵P可通过求解下述李亚普洛夫Lyapunov方程获得：

(A_k+κI)^TP+P(A_k+κI)＝-Q^*； (16)

式中，Q^*＝Q_l+K^TR_lK，A_k＝A+BK,κ通过下式(17)进行选择：

κ＜-γ_max(A_k)； (17)

式中，γ_max(A_k)表示A_k实部的最大特征值。

3.根据权利要求1所述的基于神经网络优化的综合船舶路径跟踪与舵减摇控制方法，其特征在于：

在所述神经动态优化系统模块中，通过递归神经网络具有的并行计算架构计算，在所述神经动态优化模块中，将终端代价函数即所述式(14)带入目标函数即所述式(12)中，得到：

将式(11)带入式(18)中，得到：

随后，对式(19)进行化简：

则式(19)化简为：

所述式(20)的目标函数通过建立下式(21)的神经动态优化系统进行求解：

控制序列通过迭代计算得到，控制序列的第一项被用于计算控制输入即：