一种舰船用融合神经网络PD的紧格式无模型自适应航向控制算法的制作方法

本发明属于舰船运动自动控制领域，具体涉及一种舰船用融合神经网络pd的紧格式无模型自适应航向控制算法。

背景技术：

目前在工程应用中，舰船航向的控制，基本上采用的是pid控制算法，但舰船容易受到模型摄动，环境干扰力等影响，导致拥有一组固定参数的pid控制器难以维持一致的控制效果，需要重新调整参数才能使系统稳定。而基于“模型导向”设计策略开发的控制器，严重地依赖于系统数学模型，由于获得精确的数学模型十分困难，存在未建模动态、模型摄动等影响导致系统的自适应较差，难以保证系统鲁棒性能，从而很难在工程中获得应用。

公开日2013年04月24日，公布号为cn103064292a，发明名称“基于神经网络逆的生物发酵自适应控制系统及控制方法”利用神经网络和时分多路延时环节构造神经网络逆，通过调整神经网络的权系数使神经网络实现对生物发酵系统逆系统功能，结合cfdl_mfac算法实现对生物发酵系统的无模型自适应控制,提高生物发酵过程的控制性能。公开日2017年02月01日，公布号为cn106369589a,发明名称为“一种过热蒸汽温度的控制方法”，该控制方法基于cfdl_mfac算法采用由外环控制器和内环控制器构成的串级控制系统对锅炉过热蒸汽温度进行控制。

cfdl_mfac算法属于增量式的积分结构，此外舰船航向系统具有大时滞性，非线性，不确定性，将上述改进的无模型控制算法直接应用到舰船的航向控制中会产生积分饱合的现象，舰船航向系统产生严重超调，以及震荡现象甚至使系统失稳。

技术实现要素：

本发明的目的在于提供一种使舰船航向能够稳定收敛到期望航向的舰船用融合神经网络pd的紧格式无模型自适应航向控制算法。

一种舰船用融合神经网络pd的紧格式无模型自适应航向控制算法，具体包括如下步骤：

步骤1、在紧格式无模型自适应控制算法的基础上引入比例项和微分项构成融合pd型cfdl_mfac算法；

步骤2、将神经网络控制与pd_cfdl_mfac算法相结合提出融合神经网络pd的紧格式无模型自适应航向控制算法；

步骤3、根据舰船期望航向y*(k)，与舰船当前航向y(k)，计算航向偏差e(k)，其中e(k)＝y^*(k)-y(k)；

步骤4、当e(k)的绝对值|e(k)|小于设定的航向状态偏差的阈值e0时，e0为较小的正常量，本发明中取e0＝2，认为舰船的实际航向收敛到期望航向并跳出循环，否则执行步骤5；

步骤5、nn_pd_cfdl_mfac控制器根据e(k)、δe(k)、δ²e(k)，利用相关学习规则，本发明以有监督的hebb学习规则为例进行阐述，调节权值ωi(k)，解算出航向系统的期望输入u(k)，其中e(k)＝y*(k)-y(k)、δe(k)＝e(k)-e(k-1)、δ²e(k)＝(e(k)-2e(k-1)+e(k-2))，k为控制周期的序号；

步骤6、操纵机构接收并执行航向系统输入指令u(k)，并令k＝k+1，更新y(k)，e(k)、δe(k)、δ²e(k)，并转到步骤3。

所述一种舰船用融合神经网络pd的紧格式无模型自适应航向控制算法，步骤1中比例项的离散形式为kp·δe(k)，微分项的离散形式为kd·(e(k)-2e(k-1)+e(k-2))，kp为比例控制系数，kd为微分控制系数，k为控制周期的序号，δe(k)＝e(k)-e(k-1)，e(k)、e(k-1)、e(k-2)分别为第k，第k-1、第k-2个控制周期的航向偏差。

所述一种舰船用融合神经网络pd的紧格式无模型自适应航向控制算法，步骤5中nn_pid_cfdl_mfac航向控制算法如下：

ω1(k)＝ω1(k-1)+ηpz(k)u(k)(δe(k))

ω2(k)＝ω2(k-1)+ηdz(k)u(k)(e(k)-2e(k-2)+e(k-1))

其中，η∈(0,1]，λ∈(0,1]为步长因子，μ＞0，ρ＞0为权重系数，ηp、ηd分别为神经元的比例、微分学习速率，k为神经元比例系数，k＞0，ωi(k)表示权值，ωi'(k)表示权值系数δe(k)＝e(k)-e(k-1)，e(k)、e(k-1)、e(k-2)分别为第k、第k-1、第k-2个控制周期的航向偏差，u(k)为第k个控制周nn_pid_cfdl_mfac控制器输出,φ(k)为伪偏导数，为伪偏导数估计值，当|δu(k-1)|≤ε或或令

本发明的有益效果在于：

本发明中比例项的引入，提高了系统的响应速度，微分项的引入使得控制算法具有对系统的动态特性具有预测的作用，从而减小系统超调，降低调节耗时，提高系统的动、静态性能并将神经网络控制与cfdl_mfac算法相结合通过对比例项、微分项采用不同的学习速率实现对不同权系数分别进行调整，从而提高算法的自适应性以及抵抗外界不确定干扰的能力。

附图说明

图1为本发明的航向系统整体框图；

图2为本发明的流程图；

具体实施方式

下面结合附图对本发明做进一步描述：

如附图1所示，为本发明的航向系统整体框图，首先给出期望航向y(k)*的命令，根据第k、第k-1、第k-2个控制周期的舰船航向计算e(k)、δe(k)、δ²e(k)并作为nn_pid_cfdl_mfac控制器输入，nn_pd_cfdl_mfac控制器解算出舰船航向系统当前期望输入量u(k)。操纵机构执行期望输入指令，更新舰船系统的实际航向，令k＝k+1更新e(k)、δe(k)、δ²e(k)并输入nn_pd_cfdl_mfac控制器，重复上述过程，从而使得舰船的实际航向收敛到期望航向。

如附图2所示，为本发明的系统流程图，具体包括如下步骤：

步骤1、在紧格式无模型自适应控制算法的基础上引入比例项和微分项构成融合pd型cfdl_mfac算法；

步骤2、将神经网络控制与pd_cfdl_mfac算法相结合提出融合神经网络pd的紧格式无模型自适应航向控制算法；

步骤3、根据舰船期望航向y*(k)，与舰船当前航向y(k)，计算航向偏差e(k)，其中e(k)＝y*(k)-y(k)；

步骤4、当e(k)的绝对值|e(k)|小于设定的航向状态偏差的阈值e0时，e0为较小的正常量，本发明中取e0＝2，认为舰船的实际航向收敛到期望航向并跳出循环，否则执行步骤5；

步骤5、nn_pd_cfdl_mfac控制器根据e(k)、δe(k)、δ²e(k)，利用相关学习规则，本发明以有监督的hebb学习规则为例进行阐述，调节权值ωi(k)，解算出航向系统的期望输入u(k)，其中e(k)＝y^*(k)-y(k)、δe(k)＝e(k)-e(k-1)、δ²e(k)＝(e(k)-2e(k-1)+e(k-2))，k为控制周期的序号；

步骤6、操纵机构接收并执行航向系统输入指令u(k)，并令k＝k+1，更新y(k)，e(k)、δe(k)、δ²e(k)，并转到步骤3。

所述一种舰船用融合神经网络pd的紧格式无模型自适应航向控制算法，步骤1中比例项的离散形式为kp·δe(k)，微分项的离散形式为kd·(e(k)-2e(k-1)+e(k-2))，kp为比例控制系数，kd为微分控制系数，k为控制周期的序号，δe(k)＝e(k)-e(k-1)，e(k)、e(k-1)、e(k-2)分别为第k，第k-1、第k-2个控制周期的航向偏差。

所述一种舰船用融合神经网络pd的紧格式无模型自适应航向控制算法，步骤5中nn_pid_cfdl_mfac航向控制算法如下：

ω1(k)＝ω1(k-1)+ηpz(k)u(k)(δe(k))

ω2(k)＝ω2(k-1)+ηdz(k)u(k)(e(k)-2e(k-2)+e(k-1))

其中，η∈(0,1]，λ∈(0,1]为步长因子，μ＞0，ρ＞0为权重系数，ηp、ηd分别为神经元的比例、微分学习速率，k为神经元比例系数，k＞0，ωi(k)表示权值，ωi'(k)表示权值系数δe(k)＝e(k)-e(k-1)，e(k)、e(k-1)、e(k-2)分别为第k、第k-1、第k-2个控制周期的航向偏差。u(k)为第k个控制周nn_pid_cfdl_mfac控制器输出,φ(k)为伪偏导数，为伪偏导数估计值。当|δu(k-1)|≤ε或或令