摘 要

船舶航向控制算法由于船舶运行时具有的不确定性，非线性以及外界环境干扰等诸多因素影响，使得船舶航向自动控制成为了一个复杂的非线性控制问题，运用传统的船舶航向控制器不能实现准确理想的控制效果。本文通过分析比较经典PID控制方法以及模糊模型现代控制算法等方法，比较不同算法的优缺点，然后介绍一种将神经网络算法的系统引入PID智能控制的控制方法，采用BP神经网络整定PID的三个基础参数，介绍了现代船舶的基于BP神经网络的PID控制方法；并且提出一种基于遗传算法整定PID控制系统的设计，应用于船舶航向控制，并且对比与常规PID控制器，体现其优越性。

关键词：船舶运动建模；智能PID算法；现代船舶航向控制；多模态PID控制器；BP神经网络；遗传算法

Abstract

Due to the uncertainty, nonlinear and external environmental interference of ship heading control algorithm, ship heading automatic control has become a complex nonlinear control problem. The traditional ship course controller can not achieve accurate and ideal control effect. In this paper, by analyzing and comparing the classical PID control method and the fuzzy model modern control algorithm, the advantages and disadvantages of different algorithms are compared, and the neural network algorithm is introduced into PID control, and BP neural network is used to adjust the three basic parameters of PID. The PID control of modern ships based on BP neural network is also introduced. Method; and a design of tuning PID control system based on genetic algorithm is proposed, which is applied to ship course control, and its advantages are compared with those of conventional PID controller.

Key words: ship motion modeling; intelligent PID algorithm; modern ship course control; multimodal PID controller; BP neural network; genetic algorithm

目录

第一章 绪论 1

1.1目的及意义 1

1.2国内外研究现状 2

1.2.1基于模糊控制的智能PID控制器 2

1.2.2基于遗传算法的智能PID控制器 3

1.2.3基于BP神经网络算法的智能PID控制器 3

第二章 船舶运动建模 4

2.1船舶运动状态分析 4

2.2船舶运动的坐标系统建立 4

2.3无干扰下船舶运动方程 6

2.4惯性类流体动力及力矩模型 8

2.5作用于船体上的惯性类流体动力及力矩 8

2.5.1直线航行的阻力系数 9

2.5.2其他纵向流体动力导数的算法 9

2.5.3线性流体以及非线性流体动力导数的近似估算公式 10

2.6螺旋桨以及推进装置计算模型 11

2.6.1螺旋桨转矩计算 11

2.6.2推进装置的计算模型 14

2.7作用在舵上的流体动力以及动力矩 14

2.8主机特性建模 15

2.9风力力矩的建模 16

2.9.1平均风力大小方向的计算 16

2.9.2脉动风力的计算 17

2.10流体干扰的计算 18

2.11船舶运动控制系统的状态方程 19

2.12小结 19

第三章 现代多模态船舶航向控制 20

3.1多模态智能控制方法 20

3.2现代多模态智能PID控制器 20

3.2.1PID控制的基本原理以及各个环节的作用 21

3.2.2基于BP神经网络的PID控制 22

3.3本章小结 25

第四章 基于遗传算法的PID优化控制 28

4.1遗传算法的基本原理 28

4.2遗传算法的基本要素以及操作 28

4.2.1参数编码以及解码 28

4.2.2适应度函数 28

4.2.3遗传算子 29

4.3用遗传算法整定PID的特点 29

4.4遗传算法的PID控制器设计以及具体步骤 29

4.5本章小结 30

第五章 总结与展望 31

5.1总结 31

5.2展望与不足 31

参考文献 32

致 谢 34

第一章 绪论

1.1目的及意义

船舶在海上航行的时候，必须对船舶的航向加以控制。但是船舶海上运行具有不确定性和非线性，并且航行工况与装载量，航速等参数密切相关。在实际工作时，我们会尽量使船舶做直线航行。也就是我们所说的船舶航向保持，同样涉及到船舶的稳定性的问题。当船舶在预设的航线上航行，遇到障碍物或者遭遇其他船只，只能改变航向以及航速，这时候需要船舶有良好的机动性。机动性和稳定性是船舶运动的关键。但是在设计船舶的过程中，这两项往往是相悖的。一般来说稳定性能越好，机动性就越差。为了获得良好的稳定性以及机动性的平衡，许多船舶从业者付出了不懈的努力。本文研究船舶航向控制智能PID控制算法。

金融危机爆发和国际进出口贸易下滑对航运业产生了巨大的冲击。在船舶安全和海洋环境保护领域，国际海事组织对船舶的要求日益严格，各种法律法规制度越来越完善，加之大量的新船舶加入市场，严重加剧了供需的不平衡。船舶航运面临的竞争更加激烈。同时世界气候问题日趋严重，CO2的排放量日益加大，温室效应不断增强，已经严重危机到人类的生存环境。然而，在全球经济一体化的大背景下，贸易经济行业仍在继续进行发展，对海运贸易的需求将会一直存在。所以在目前的大环境下，我们提倡船舶向高速化，智能化以及节能化发展，合理的利用有限的资源，提高航行速度效率，减轻环境污染并不断降低成本，确保航行安全。

PID控制是一种简单可靠的控制方法，广泛的运用于所有生活领域的是技术管理，并且在船舶行业上也有广泛的应用。但是传统的船舶航向PID控制器由于具有非线性以及滞后性，已经不能满足船舶控制的实时性以及准确性要求，在恶劣工况航行时，船舶受到很大干扰，传统的PID控制效果更加不理想。但是PID控制器的构建与操作方法相对简单，成本低，通过对其优化发展，对其进行升级改造即经济又实用，又能满足控制要求。通过这些年来不断地优化和渐进的发展，在经典的PID控制上，逐渐开发了自适应PID，自整定PID，基于神经网络的PID控制等改良型算法。这些算法在一定程度上消除了传统PID控制参数在适应性可靠性和准确性方面的缺点。

1.2国内外研究现状

自1985年8月第一节智能控制学术讨论会在美国召开，经过几十年来的发展，新的智能控制概念引起了世界上许多学者的关注，并逐渐发展为独立的科学研究项目。许多新兴的控制理论已经运用到实际生活当中，为人们的日常工作生活提供了极大的便利。以下介绍三种已经日渐成熟的智能PID控制器。

1.2.1基于模糊控制的智能PID控制器

模糊控制器使用构建自己的知识库来作为规则表，数据库收集了模糊控制器输入的模糊量以及清晰量，并用模糊逻辑的要素进行推理论证。将该方法引入PID控制器，就构成了模糊PID控制器。模糊PID控制器适用于高阶非线性的被控对象。在传统PID控制的基础上，定义了模糊控制规则，输入后得到了模糊PID控制方法，然后构成了模糊PID控制器。模糊控制器有着常规PID控制器的线性形式和非常数的控制参数。在控制时，与传统的PID控制效果类似，但是对于高阶系统的控制效果优于传统PID控制器，特别是对于非线性的控制对象。模糊PID控制器对控制器的输入参数进行划分，并对不同区域的输入参数应用不同的控制规则。作为传统PID控制器的进一步发展，模糊PID控制器将人们的经验输入数据库进行数字化，用模糊的规则表示出来，用模糊的规则表示出来，对PID参数进行在线调整，使得控制效果更加明显准确，打破了PID适用的局限性，为分析复杂系统提供了一条有效的途径^[1]。模糊PID控制还因为具有系统的鲁棒性强，对过程参数的变化不敏感，对系统参数变化的适应性强，不需要受控对象精确的数学模型等优点，所以在所有工况下几乎都能做到比较稳定良好的控制。

1.2.2基于遗传算法的智能PID控制器

遗传算法基于生物学的自然遗传机制以及自然选择论的随机检索选择方法，通过智能模拟将生命进化机构转换为人工系统以来优化特定目标^[2]。这种算法简单，稳定，最主要的是有自主学习能力，并且能自然地提高学习能力。特别适用于传统PID不能解决的非线性复杂问题。遗传PID算法的具体工作原理是将控制器参数构建成为基因型，相应的参数在相应的基因型具有相应的适应度，然后用遗传算法全局-局部的搜索特点来求取最优解，实现PID控制器的最佳参数性能。但是运用遗传算法时，应考虑以下几个问题：一是基于遗传算法的自适应学习的概念突破了离散搜索的局限性，拓展到了具有独特规则生成的自实行学习方法。第二是遗传算法日益和神经网络，模糊算法模糊推理以及混沌理论等其他智能算法互相渗透互相结合，吸取其他算法的优点，补充遗传算法的不足之处。第三是并行处理的遗传算法研究正方兴未艾，引起了许多学者的研究注意。第四是遗传算法和人工智能领域正在不断渗透，两个领域在生物的自适应和遗传进化方面可以进行互补。