第３５卷第１１期 舰船科学 术 Ｖｏ１．３５，Ｎｏ．１１ ２０１３年１１月 ＳＨＩＰ ＳＣＩＥＮＣＥ ＡＮＤ ＴＥＣＨＮ０ＬＯＧＹ Ｎｏｖ．，２０１３ 基于节能省时航行的新型航向控制系统设计 陈进涛 ，张亚冲 ，王仁强 （１．江苏海事职业技术学院，江苏南京２１１１７０；２．江苏海事局，江苏南京２１０００８） 摘 要： 为设计出既能缩短航程又能降低能耗的新型船舶航向控制系统，本文系统分析了船舶运动的非线性 数学模型和常规的航向比例一微分一积分（ＰＩＤ）控制算法；在此基础上运用遗传算法（ＧＡ）在线自动优化整定常规的 ＰＩＤ控制参数，从而实现反馈控制和保证系统的稳定性 运用小脑模型（ＣＭＡＣ）神经网络进行前馈非线性控制、进而 抑制源自船舶内外部的非线性干扰，最终确保系统的控制精度和响应速度；在船舶操纵模拟器上对所设计的新型航向 控制系统作了仿真试验，试验结果表明：该系统性能优越可靠且具有较强的鲁棒性。 关键词： ＣＭＡＣ神经网络；遗传算法；ＰＩＤ控制；航向控制系统 中图分类号： Ｕ６６６．１５３ 文献标识码： Ａ 文章编号： １６７２—７６４９（２０１３）ｌ１—００９９—０５ ｄｏｉ：１０．３４０４／ｊ．ｉｓｓｎ．１６７２—７６４９．２０１３．１１．０２２ Ｄｅｓｉｇｎｉｎｇ ｎｅｗ ｃｏｕｒｓｅ ｃｏｎｔｒｏｌｌｅｒ ｂａｓｅｄ ｏｎ ｒｅｄｕｃｉｎｇ ｎａｖｉｇａｔｉｏｎａｌ ｔｉｍｅ ａｎｄ ｐｏｗｅｒ ｃｏｎｓｕｍｐｔｉｏｎ ＣＨＥＮ Ｊｉｎ．ｔａｏ ，ＺＨＡＮＧ Ｙａ．ｃｈｏｎｇ ，ＷＡＮＧ Ｒｅｎ．ｑｉａｎｇ （１．Ｊｉａｎｇｓｕ Ｍａｒｉｔｉｍｅ Ｉｎｓｔｉｔｕｔｅ，Ｎａｎｊｉｎｇ ２１ １ １７０，Ｃｈｉｎａ； ２．Ｊｉａｎｇｓｕ Ｍａｒｉｔｉｍｅ Ｂｕｒｅａｕ，Ｎａｎｊｉｎｇ ２１０００８，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ： Ｆｏｒ ｄｅｓｉｇｎｉｎｇ ａ ｓｈｉｐ ｃｏｕｒｓｅ ｃｏｎｔｒｏｌｌｅｒ ｔｏ ｒｅｄｕｃｅ ｎａｖｉｇａｔｉｏｎａｌ ｔｉｍｅ ａｎｄ ｐｏｗｅｒ ｃｏｎｓｕｍｐｔｉｏｎ， ａ ｎｏｎｌｉｎｅａｒ ｍａｔｈｅｍａｔｉｃａｌ ｍｏｄｅｌ ｏｆ ｓｈｉｐ ｍｏｔｉｏｎ ａｎｄ ｔｈｅ ｃｕｒｒｅｎｔ ｓｈｉｐ ｃｏｕｒｓｅ ＰＩＤ（ｐｒｏｐｏ￣ｉｏｎａｌ，ｉｎｔｅｇｒａｌ ａｎｄ ｄｉｆｆｅｒｅｎｔｉａ１）ｃｏｎｔｒｏｌ ａｌｇｏｒｉｔｈｍ ａｒｅ ａｎａｌｙｚｅｄ ｔｈｏｒｏｕｇｈｌｙ；Ｏｎ ｂａｓｉｓ ｏｆ ｔｈａｔ，ＧＡ（ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍｓ）ｉｓ ｕｓｅｄ ｔｏ ｏｐｔｉｍｉｚｅ ＰＩＤ ｐａｒａｍｅｔｅｒｓ ｏｎｌｉｎｅ ｔｏ ａｃｈｉｅｖｅ￣ｅｄｂａｃｋ ｃｏｎｔｒｏｌ ａｎｄ ｅｎｓｕｒｅ ｓｙｓｔｅｍ ｓｔａｂｉｌｉｔｙ，ＣＭＡＣ（ｃｅｒｅｂｅｌｌａｒ ｍｏｄｅｌ ａｒｔｉｃｕｌａｔｉｏｎ ｃｏｎｔｒｏｌｌｅｒ）ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｓ ｕｓｅｄ ｔｏ ａｃｈｉｅｖｅ ｆｅｅｄ－ｆｏｒｗａｒｄ ｎｏｎｌｉｎｅａｒ ｃｏｎｔｒｏｌ ａｎｄ ｒｅｓｔｒａｉｎ ｄｉｓｔｕｒｂａｎｃｅ ｆｒｏｍ ｉｎｔｅｒｎａｌ ａｎｄ ｅｘｔｅｒｎａｌ ｅｎｖｉｒｏｎｍｅｎｔ ＳＯ ａｓ ｔｏ ｅｎｓｕｒｅ ｃｏｎｔｒｏｌ ａｃｃｕｒａｃｙ ａｎｄ ｒｅｓｐｏｎｓｅ ｓｐｅｅｄ ｉｆｎａｌｌｙ；Ａｔ ｌａｓｔ，ｎｅｗ ｓｈｉｐ ｃｏｕｒｓｅ ｃｏｎｔｒｏｌｌｅｒ ｓｉｍｕｌａｔｉｏｎ ｉｓ ｃａｒｒｉｅｄ ｏｕｔ ｂｙ ｓｈｉｐ—ｍａｎｅｕｖｅｒｉｎｇ ｓｉｍｕｌａｔｏｒ，ａｎｄ ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔ ｓｈｏｗｓ ｔｈａｔ ｎｅｗ ｓｈｉｐ ｃｏｕｒｓｅ ｃｏｎｔｒｏｌｌｅｒ ｈａｓ ｓｕｐｅｒｉｏｒ ｐｅｒｆｏｒｍａｎｃｅ ａｎｄ ｒｏｂｕｓｔｎｅｓｓ． Ｋｅｙ ｗｏｒｄｓ： ＣＭＡＣ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍｓ；ＰＩＤ ｃｏｎｔｒｏｌ；ｃｏｕｒｓｅ ｃｏｎｔｒｏｌｌｅｒ ０ 引 言 的偏向幅度、速度和惯性在恰当的时机给出恰当的 舵角，造成不能很好地及时抑制偏向或者抑制过度 普通自动舵的比例、微分、积分（ｐｒｏｐｏｒｔｉｏｎａｌ， 使船首偏向反侧，进而导致船舶航迹呈ｓ形弯曲， ｉｎｔｅｇｒａｌ ａｎｄ ｄｉｆｆｅｒｅｎｔｉａｌ，ＰＩＤ）控制属于人工线性控 航程与航时增加，操舵纠正的次数较多，航行阻力 制，虽然输出控制量较为平稳，稳态精度尚好，但 与能耗增加，舵机的机械负荷增加。 动态性能差、控制精度差、响应速度慢，因而普通 现行的自适应自动舵通常采用模糊数学模型与 自动舵在保向航行的过程中，不能很好地根据船舶 神经网络混合控制，能依据航行条件的变化及时地 收稿日期：２０１３—０７—１９；修回日期：２０１３—０８—１２ 基金项目：江苏省教育科学“十二五”规划重点课题（Ｂ－ａ／２０１１／０３／００８）；江苏省高校大学生实践创新指导课题 （２０１２ＪＳＳＰＩＴＰ３７７２） 作者简介：陈进涛（１９６４一），男，硕士，副教授，主要从事航海科技与教育的研究。 ・１００・ 舰船科学技术 第３５卷 连续调整船舶运动参数，即时的参数向实际情况接 近了一步，航迹弯度降低，从而控制效果优于普通 自动舵，但缺陷是无调节盲区，只要航向稍稍偏离 预期值，都会动舵纠正，造成舵阻力持续存在且舵 ＋争（ ）＝Ｋ（８ ）。 （３） 式中：Ｔ为追随性指数；Ｋ为旋回性指数；艿为舵 角； 为外界干扰折合舵角。 机损耗较大。若将遗传算法与神经网络整合在一起， 可以克服上述缺陷。 ２ 常规航向ＰＩＤ控制算法 常规航向ＰＩＤ控制算法是：将比例一微分一积 把经过遗传算法（ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ，ＧＡ）优化 的ＰＩＤ控制 和小脑模型（ｃｅｒｅｂｅｌｌａｒ ｍｏｄｅｌ 分控制算法应用于船舶自动操舵仪中，偏航信号由 ａｒｔｉｃｕｌａｔｉｏｎ ｃｏｎｔｒｏｌｌｅｒ，ＣＭＡＣ）神经网络控制有机地 结合起来，可以设计出具有缩短航程、降低油耗功 效的新型自适应舵，其总体设计过程是：在常规 ＰＩＤ控制的基础上设计智能ＰＩＤ控制，运用遗传算 法（ＧＡ）在线自动优化整定ＰＩＤ参数，以避免人工 离线式繁琐的参数调节，从而实现反馈控制和系统 稳定；运用小脑模型神经网络进行前馈非线性控制、 抑制源自船舶内外部的非线性干扰、控制复杂的动 态不确定系统，以确保系统的控制精度和响应速度。 调节存在盲区，灵敏度适中，既能减少操舵纠正的 次数，又能保持船舶航迹接近直线，因而其性能优 于现行的自适应自动舵。 ｌ 船舶运动非线性数学模型 船舶运动可用状态空间模型描述，也可用输入输 出模型描述，前者能够处理控制作用下船舶的多变量 运动问题，对风浪流干扰的引入也较为直接和准确， 但计算相当复杂；后者（也叫“响应模型法”）在略 去横漂速度后抓住了船舶动态从６一 一 （舵角一 偏转角加速度一偏转角速度）的主要脉络，所获得的 微分方程仍可保留非线性的影响因素，甚至可以把风 浪干扰折合成为大小合适的干扰舵角构成一种输入信 号６。与实际舵角６加和之后进入数学模型。野本谦 作从控制理论的角度出发，建立了基于舵角输入、航 向输出的响应型船舶操纵运动数学模型 ： ．． １ ． ＋ １ ＝告６，』 （１） 为了改善精度，特别是对于某些静态不稳定船 舶，式（１）左端第二项 ／ 必须代之以一个非线性 项（Ｋ／Ｔ）Ｈ（ ），且： Ｈ（ ）＝ ＋卢 ， （２） 式中：砂为船舶航向；Ｏ／， 为非线性系数。 在此基础上考虑外界干扰的船舶二阶非线性运 动响应模型为 电子线路处理后反馈到舵机控制装置，从而实现自 动操舵。该控制算法的数学表达式为 ， ｒ｜。 Ｍ＝Ｋ。・ｅ＋Ｋｆ‘ ・ｌｅｄｔ＋ Ｊ ・半。Ｑ （４） 其中：偏差ｅ＝ｒｉｎ—ｙｏｕｔ（ｅ为航向偏差；ｒｉｎ为定向 航行所设置的标准航向；ｙｏｕｔ为系统实际输出的航 向）；Ｍ为控制操舵信号；Ｋｓ为比例增益；Ｋ 为积 分增益；Ｋ 为微分增益。 比例增益Ｋ 使得控制系统的输入输出成比例关 系，一旦系统产生偏差立即会产生控制作用，属于 有差调节。为了尽量减小偏差，加快响应速度，缩 短调节时间，就必须增大 。，但是Ｋ。又受到系统 稳定性的，不能增大过多。 积分增益 为了消除船舶左右不对称所造成的 静态误差而引入，然而引入Ｋ 使得系统响应速度下 降、响应出现过大的超调，调节时间变长。 微分增益 的引入使系统能够根据偏差变化的 快慢趋势做出反应，从而加快了对偏差变化的反应 速度、有效地减小了超调，缩小了最大动态偏差， 但同时又使系统容易受到高频干扰的影响。 因此，只有合理地整定上述３个参数，才能获 得比较符合实际情况的参数值，从而获得较为理想 的控制效果，而通过人工计算求取参数Ｋ。，Ｋ 和 的过程十分繁琐，因而无实用性。目前的普遍做 法是：船员凭经验和估测确定参数的大小进而进行 手动调节（输入），由于人工设置的参数值不一定符 合实际情况，因而自动操舵过程中难免出现船舶航 迹弯曲、操舵纠偏的频次较多、航行阻力与能耗增 加及舵机机械磨损加大等问题。 ３ 基于ＧＡ优化的航向ＰＩＤ控制算法 针对上述问题，可以运用遗传算法（ＧＡ）对控制 参数进行在线自动优化整定、获取最佳数值配比，创 建新型的船舶航向ＰＩＤ控制算法（简称“ＰＩＤ优化算 法”），这既能提高效率又能增强系统的控制精度。 第１１期 陈进涛，等：基于节能省时航行的新型航向控制系统设计 ．１０１． ３．１ 遗传算法独特功能分析 ＧＡ是一种借鉴生物界进化规律（适者生存优 胜劣汰的遗传机制）演化而来的随机搜索算法。其 优势如下： １）它直接对被控对象（船舶）进行操作； ２）具有内在的隐并行性，因而便于分布式计 算而不会陷入局部最优解的快速下降陷阱，从而能 迅速搜索出空间中的全体解，加快求解速度； ３）采用概率化寻优方法，能自动获取和优化 搜索空间，自适应调整搜索方向，不再需要确定规 则，具有更强的全局搜索寻优能力 。 ３．２遗传算法的运行过程分析 ３．２．１ 编码 由于遗传算法不能直接处理解空间的解数据， 故必须通过编码将它们表示成遗传空间的基因型结 构数据，也即对实际问题中需要优化的规则和参数 进行编码。编码大都编成固定长度的二进制形式， 这种二进制串叫做染色体。 ３．２．２ 生成初始种群 由于遗传算法需要进行群体型操作，因此必须 为遗传算法准备若干个初始解，组成一个初始群体， 也即后续进化的第一代。由于初始群体中的个体都 随机生成，因而具有普遍的适应度。 ３．２．３ 构建适应度函数 适应度函数是遗传算法与优化问题的接口，是 系统性能的评价环节。各个体经过翻译处理，分解 成所代表的参数，代入所要优化的适应度函数，从 而求出系统性能指标的高低。 系统性能指标是对系统性能的定量描述，它的 高低应当依据当时的船舶状况、海域风浪条件等具 体情况来确定一个合适的值。 在船舶航向控制中，航向偏差越大则航迹越弯 曲，航程与航时增加；而频繁地操舵纠偏虽可以减 小航向偏差，但增加了操舵引起的航行阻力进而增 加了能耗，还加重了舵机负担造成舵机磨损。因此， 为达成节能、省时、保护舵机的经济航行的目标， 要求系统在控制航向偏差和控制操舵纠偏上，找到 最佳的结合点，既要做到航向偏差不宜太大，又要 做到输出舵角大小合适，还要做到操舵次数不宜太 多。为此需要创建一个操舵经济性最佳的系统性能 指标函数（适应度函数）： １ ｒｒ ． ．，＝专Ｉ （Ａ ｅ ＋Ａ ６ ＋Ａ。 ）ｄｘ。 （５） 式中：ｅ为航向偏差；Ａ 为航向偏差加权系数，随 海况变差而变大；８为舵角；Ａ：为舵角加权系数， 海况恶劣、排水量大、舵叶露出水面时取大值，反 之取小值；ｆ为操舵频次；Ａ，为操舵频次加权系数， 海况恶劣、排水量大时取小值，反之取大值；Ｔ为 迭代次数；Ｊ为代价函数（性能指标），Ｊ越小意味 着操舵的综合经济性越好。 ３．２．４复制（选优） 复制（选优）操作的目的是从当前的群体中选 出优良的个体，使它们有机会作为父代。判断优良 与否的准则就是各自的适应值。显然这一操作遵循 适者生存不适者淘汰的原则，即个体的适应度越高， 其被选中的概率就越大。具体做法是把每个适应值 乘以一个随机数，然后从中选出２个乘积值最大的 染色体作为父本用于繁衍后代个体。 ３．２．５交叉 交叉在含有等待配对的基因群的匹配池中分２ 步实现：一是将新复制产生的基因随机两两配对； 二是随机选择交叉点，对匹配的基因进行交叉繁殖， 产生一对新的基因。具体过程如下： 设基因的字符长度为Ｚ，在［１，Ｚ一１］内随机选 择１个整数值ｋ作为交叉点，将２个配对基因与位 置ｋ后的所有字符进行交换，从而生成２个新的位 串。多点交叉同理。交叉操作能得到新一代个体， 故是遗传算法中最主要的遗传操作。 ３．２．６ 变异 为避免在复制和交叉过程中遗漏重要的信息，在 人工遗传系统中加人变异操作，以防范这一遗漏。变 异操作是十分微妙的遗传操作，它需要与交叉、复制 操作妥善地配合使用，目的是挖掘群体中个体的多样 性、克服有可能陷入局部最优解的弊病。标准ＧＡ中的 变异操作是在群体中随机地选择一个个体，对于选中 的个体以一定的概率随机地改变字符串中某个字符的 值。变异操作按位进行，即把某一位的内容进行变异。 对于二进制编码的个体来说，若某位原为０，则通过变 异操作后就变成１，反之亦然。变异操作也随机进行。 通过复制、交叉、变异生成新一代群体，计算 新个体的适应值，评价个体优劣……如此迭代下去， 各群体的优良基因逐渐积累，群体的平均适应度值 和最优个体不断上升，直到收敛于最优解。 总之，基于ＧＡ优化的航向ＰＩＤ控制算法能随 时感知船舶运动特性和海况的变化，自动调整各项 ・１０２・ 舰船科学技术 第３５卷 参数以实施航向的最佳控制，达到减少操舵次数、 减小舵角的目的，弥补了常规ＰＩＤ算法的不足。 ５ 基于ＰＩＤ优化算法和ＣＭＡＣ算法的航向控 制系统设计 ５．１ ＰＩＤ优化与ＣＭＡＣ混合控制系统创建 ４ ＣＭＡＣ神经网络算法 ＣＭＡＣ神经网络是一种表达复杂非线性函数的 表格查询型自适应神经网络，具有收敛速度快、泛 化能力强等特点，现已成功应用于机器人控制、非 线性控制等领域。 混合控制系统通过对ＰＩＤ优化控制系统与ＣＭＡＣ 控制系统的有机融合 ，实现前反馈控制：ＣＭＡＣ器 进行前馈控制，从而创建被控对象的逆动态模型； ＰＩＤ优化器进行反馈控制，以评判下一级ＣＭＡＣ器的 ４．１ ＣＭＡＣ神经网络结构 ＣＭＡＣ神经网络是一种用于映射复杂非线性函 数的查表技术（见图１），可通过学习算法改变表格 的内容，具有信息分类存储的能力。它把系统的输 入状态作为一个指针，把相关信息分布式地存人１ 组存储单元。具体作法是：将输入空间分成许多分 块，每个分块指定一个实际存储器位置；将每个分 块学习到的信息，分布式地存储到相邻分块位置的 映射，即多个分块映射到同一个存储器地址上。 ＡＣ杂散编码 鏊 图１ ＣＭＡＣ神经网络结构图 Ｆｉｇ．１ Ｔｈｅ ｓｔｒｕｃｔｕｒｅ ｏｆ ＣＭＡＣ ｎｅｔｗｏｒｋ ４．２ ＣＭＡＣ神经网络算法独特功能 与一般性神经网络相比，ＣＭＡＣ算法的独特功 能有： １）它基于局部学习的神经网络，把信息存储在 局部结构上，使每次修正的权值很少，在保证函数非 线性逼近的前提下，学习速度快，适于实时控制； ２）具有一定的泛化能力，即相近输入产生相 近输出，不同输人给出不同输出； ３）具有连续的（模拟）输入与输出能力； ４）采用寻址编程方式，利用串行计算机仿真， 因而响应速度更快。 ＣＭＡＣ算法的独特功能使它比一般性神经网络 更适合于复杂环境下的非线性实时控制，进行任意 非线性映射，动态建模、控制系统设计等，因 而现已被公认为是一类联想记忆神经网络的重要组 成部分。ＣＭＡＣ有多种控制形式，如直接逆运动控 制、反馈控制、前馈控制等，为更好地与ＰＩＤ优化 算法相融合，采用ＣＭＡＣ前馈控制。 性能，从而保证系统的稳定性和抑制扰动。 ＰＩＤ优化器单独控制时，Ｋ 增益的值在很大程 度上决定着控制效果，而采用ＰＩＤ优化器和ＣＭＡＣ 器混合控制时控制效果不再依赖Ｋ 值，Ｋ 值只需 在一个合理的范围即可。 ＣＭＡＣ采用导师型学习算法，当每个控制周期 结束时，ＣＭＡＣ函数计算器算出相应的输出值“ （ｋ），与总控制输入值“（ｋ）相比较，修正权重，进 入学习过程，学习的目的是使ｕ（ｋ）与ｕ （ｋ）之差达 到最小。混合系统的控制算法为： Ｃ ｕ （ｋ）＝ Ｗ ， （６） Ｍ（ｋ）＝Ｍ （ｋ）＋ｔｔ。（ｋ）。 （７） 式中：ａ 为二进制选择向量；ｃ为ＣＭＡＣ网络的泛化 参数； （ｋ）为ＰＩＤ优化器的输出值。 ＣＭＡＣ的调整指标为： ＩＩ Ｅ（ ）＝÷（ｕ（ ）一ｔｔｎ（ ）） ・一ａｃ ｉ， １ Ａｗ㈩：叼 ＩＬ （ｋ）＝Ｗ（ｋ一１）＋Ａｗ（ｋ）＋Ｏｌｃ （Ｗ（ｋ）一Ｗ（ｋ一１））。ｃ 式中：叼为网络学习速率， ∈（０，１）； 为惯性量； Ｏｌ∈（０，１）。 当系统开始运行时，Ｗ＝０，Ｍ ＝０，Ｍ。＝０，系 统由ＰＩＤ优化器进行控制。通过ＣＭＡＣ的学习，使 ＰＩＤ产生的输出量ｕ （ｋ）逐渐为０，ＣＭＡＣ产生的输 出量 （ｋ）逐渐逼近控制系统的总输出量。 ５．２基于ＰＩＤ优化算法和ＣＭＡＣ 算法的航向控制 系统结构与原理设计 根据输入信号ｒ 与输出信号ｙｏｕｔ对比检测器 （图２左“０”）送来的偏航信息，遗传算法器实时运 算船舶的偏航量、偏转角（加）速度、左右对称 性，实时发出符合船舶瞬间偏航运动特性的用于纠 偏的ＰＩＤ线性参数。ＰＩＤ器根据上述参数通过运算 求出操舵时机、次数与舵角大小，向伺服舵机（图２ 第１１期 陈进涛，等：基于节能省时航行的新型航向控制系统设计 ・１０３・ 右“０”）发出操舵指令信号，也即运用遗传算法在线 自动优化ＰＩＤ的线性参数，从而实现反馈控制和保 证系统的稳定性。以上述ＰＩＤ优化算法为基础，小 脑模型神经网络控制系统（包含ＣＭＡＣ量化器、地 址器、学习算法器、记忆器与函数计算器）在对ｒ 实施量化并送入地址器映射后，感知船舶内外部的 随机杂乱的非线性干扰（船速与载重变化、风流 浪），产生附加的操舵指令信号送给伺服舵机，进 行前馈非线性控制、抑制非线性干扰，从而确保系 统的控制精度和响应速度。 图２基于ＰＩＤ优化和ＣＭＡＣ的航向控制系统结构原理图 Ｆｉｇ．２ Ｍｉｘｅｄ ｃｏｕｒｓｅ ｃｏｎｔｒｏｌｌｅｒ ｂａｓｅｄ ｏｎ ＧＡ ｏｐｔｉｍｉｚｅ ｔｈｅ ＰＩＤ ｐａｒａｍｅｔｅｒｓ ａｎｄ ＣＭＡＣ ６ 新型航向控制系统仿真试验效果 以某航海院校“育龙”号教练船为试验对象， 将其船舶数据输入具有高度仿真性能的船舶操纵模 拟器进行研究：该轮二阶非线性Ｎｏｍｏｔｏ模型相关参 数 为Ｋ＝０．２４，Ｔ＝２０６．７９，０ｃ＝１， ＝３０。 利用遗传算法在线自动寻优求取育龙轮ＰＩＤ优 化控制参数，所得参数为 ＝７．５，Ｋｄ＝０．００１，Ｋｉ ＝８３．５；应用Ｍａｔｌａｂ／Ｓｉｍｕｌｉｎｋ技术搭建仿真比较平 台，比较“基于遗传算法和ＣＭＡＣ算法的新控制系 统”与“仅基于ＰＩＤ常规算法的控制系统”的性能， 预设期望航向值３０。，设定外界干扰等效舵角８Ｄ＝ ０．０１＋０．０１ ｓｉｎ￣ｒｔ，试验结果如图３和图４所示。 由图３可知，“新控制系统”具有较快的响应 速度和较好的跟踪能力，航向稳定，无左右摇摆； “常规控制系统”虽然也可跟踪航向，但具有一定 的超调量、航向左右摇摆，对干扰敏感，控制性能 较差。 由图４可知，“新型航向控制系统”的舵角输 出光滑平稳，摆动微弱；“常规航向控制系统”的 舵角抖振比较严重，舵机频繁工作容易损坏。 仿真试验结果表明；当船型、载况、排水量变 图３存在干扰航向设定３０。时航向输出 Ｆｉｇ．３ Ｔｈｅ ｏｕｔｐｕｔ ｏｆ ｓｈｉｐ ｃｏｕｒｓｅ ｗｉｔｈ ｄｉｓｔｕｒｂａｎｃｅｓ ｗｈｅｎ ｅｘｐｅｃｔｅｄ ｃｏｕｒｓｅ ｉｓ ３０。 ２５ ２０ 一 ｏ １５ 翘 掌 １０ ５ Ｏ 一５ ０ ２０ ４０ ６０ ８Ｏ １００ １２０ １４０ １６Ｏ １８０ ２００ 仿真时１＇￣７／ｓ 图４存在干扰航向设定３Ｏ。时舵角输出 Ｆｉｇ．４ Ｔｈｅ ｏｕｔｐｕｔ ｏｆ ｒｕｄｄｅｒ ａｎｇｌｅ ｗｉｔｈ ｄｉｓｔｕｒｂａｎｃｅｓ ｗｈｅｎ ｅｘｐｅｃｔｅｄ ｃｏｕｒｓｅ ｉｓ ３０。 化而引起船舶操纵性变化时，当在外界随机干扰的 作用下，新控制系统能够敏锐感测这些无章可循的 非线性动态干扰，快速响应，及时给出应对干扰的 控制参数和指令。采取较为符合实际情况的控制动 作，所输出的航向能较快地趋向预期值，达到预期 值后，虽也有波动，但左右摆动的幅度小（航向稳 态误差较小），超调量处于可接受的范围，从而保 证了航向快速准确的跟踪，降低了船舶航迹ｓ形弯 度，节省了航时。 新控制系统输出的舵角抖振微弱，摆动幅度较 小，且自动调节平缓，符合舵机特性要求，所需操 舵的频次较低，无需舵机频繁工作，从而避免了舵 阻力的频繁增加，降低了能耗，减少了舵机磨损。 新型航向控制系统具有较强的抗干扰能力，控制效 果良好，因而性能稳定可靠，具有较强的鲁棒性。 （下转第１０８页） ・１０８・ 舰船科 学技术 第３５卷 （上接第１０３页） Ｐｒｅｓｓ．２０１２．４４—４６． ［３］ 根，赵桥生，何春荣，等．ＣＭＡＣ神经网络在潜艇操 ７ 结 语 笔者以常规的ＰＩＤ航向控制为起点，首次采用 不同于自适应自动舵的设计手段与技术，设计出新 纵控制中的仿真应用［Ｊ］．船舶力学，２００９（２）：２２６ —２３３． ＺＨＡＮＧ Ｌｉｎ—ｇｅｎ，ＺＨＡＯ Ｑｉａｏ—ｓｈｅｎｇ，ＨＥ Ｃｈｕｎ—ｒｏｎｇ，ｅｔ ａ１． ＣＭＡＣ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｓｉｍｕｌａｔｉｏｎ ｏｆ ｓｕｂｍａｒｉｎｅ ｍａｎｅｕｖｅｒｓ 型的航向控制系统。新型航向控制系统首先运用遗 传算法进行反馈控制，在线优化整定ＰＩＤ参数，实现 了对动态线性干扰的抑制，从而确保了系统的稳定 性。运用小脑模型神经网络进行前馈控制，实现了 对动态非线性干扰的抑制，从而确保了系统的控制 精度和响应速度。这对于自动舵的升级换代，舵设 备的维护保养，船舶经济快捷的航行，具有广泛的实 际应用价值。 参考文献： ［１］ 刘金琨．智能控制（第２版）［Ｍ］．北京：北京大学出版 社。２０１２．３０—３２． ［Ｊ］．Ｓｈｉｐ Ｍｅｃｈａｎｉｃｓ，２００９（２）：２２６—２３３． ［４］贾欣乐，杨盐生．船舶运动数学模型［Ｍ］．辽宁：大连海 事大学出版社，１９９９：５２—５５． ＪＩＡ Ｘｉｎ－ｌｅ，ＹＡＮＧ Ｙａｎ—ｓｈｅｎｇ．Ｓｈｉｐ ｍｏｔｉｏｎ ｍａｔｈｅｍａｔｉｃａｌ ｍｏｄｅｌ［Ｍ］．Ｌｉａｏｎｉｎｇ：Ｄａｌｉａｎ Ｍａｒｉｔｉｍｅ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ， １９９９：５２—５５． ［５］ 戴雅丽．基于遗传算法优化模糊控制系统的船舶航向控 制［Ｊ］．船海工程，２００９（６）：２２—２３． ＤＡＩ Ｙａ—ｌｉ．Ｓｈｉｐ ｃｏｕｒｓｅ ｃｏｎｔｒｏｌ ｔｏ ｏｐｔｉｍｉｚｅ ｔｈｅ ｆｕｚｚｙ ｃｏｎｔｒｏｌｌｅｒ ｂａｓｅｄ ｏｎ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ［Ｊ］．Ｓｈｉｐ＆Ｏｃｅａｎ Ｅｎｇｉｎｅｅｉｒｎｇ，２００９（６）：２２—２３． ［６］宋轶群，杜华生，王德新，等．基于ＣＭＡＣ神经网络与 ＰＩＤ的并行控制器设计与应用［Ｊ］．自动化与仪表，２００５ （３）：３７—３９． ＳＯＮＧ Ｙｉ－ｑｕｎ，ＤＵ Ｈｕａ—ｓｈｅｎｇ，ＷＡＮＧ Ｄｅ－ｘｉｎ，ｅｔ ａ１．Ｃｏｎｔｒｏｌ ｄｅｓｉｇｎｅｄ ｂａｓｅｄ ｏｎ ＣＭＡＣ ａｎｄ ｐａｒａｌｌｅｌ ＰＩＤ ｃｏｎｔｒｏｌｌｅｒ ｄｅｓｉｇｎ ＬＩＵ Ｊｉｎ—ｋｕｎ．Ｉｎｔｅｌｌｉｇｅｎｔ ｃｏｎｔｒｏｌ（２ｎｄ ｅｄｉｔｉｏｎ）［Ｍ］． Ｂｅｉｊｉｎｇ：Ｐｅｋｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ，２０１２．３０—３２． ［２］ 刘金琨．先进ＰＩＤ控制及其ＭＡＴＬＡＢ仿真（第２版） ［Ｍ］．北京：电子工业出版社，２０１２．４４—４６． ＬＩＵ Ｊｉｎ—ｋｕｎ．Ａｄｖａｎｃｅｄ ＰＩＤ ｃｏｎｔｒｏｌ ａｎｄ ＭＡＴＬＡＢ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ［Ｊ］．Ａｕｔｏｍａｔｉｏｎ ａｎｄ Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ，２００５ （３）：３７—３９． ｓｉｍｕｌａｔｉｏｎ（２ｎｄ ｅｄｉｔｉｏｎ）［Ｍ］．Ｂｅｉｊｉｎｇ：Ｅｌｅｃｔｒｏｎｉｃ Ｉｎｄｕｓｔｒｙ
