面向不确定干扰的船舶航向智能控制方法

本发明属于船舶的智能运动控制(包括路径跟踪、轨迹跟踪等)等技术领域，具体涉及一种面向不确定干扰的船舶航向智能控制方法。

背景技术：

当前，世界范围内以人工智能为引领的新一轮科技革命和产业变革加速，其中，基于自然范式的优化方法的提出和开发引起了人们极大的关注。为了保障船舶在海上航行的安全性、操纵性和经济性，航向控制是船舶控制领域中一个重要研究课题。常见用于控制的方法主要有pid控制、鲁棒控制、自适应控制、变结构控制和反步控制等。

然而，经分析发现现有控制技术的方法至少存在如下技术问题：由现有相关研究分析可知，面向强非线性、高耦合的船舶运动控制问题，常采用的解决手段是非线性控制方法。许多非线性控制方法基于状态反馈方法，但实际上船舶航向控制系统通常仅能测量航向角，为应用状态反馈控制方法时须引入状态观测器以获得控制器需要的航向角速率信息，同时，用于观测器进行状态或干扰估算的测量信息中因不可避免的会存在测量噪声以及时变多环境因素干扰等引起的不确定干扰，而增大了控制系统设计与实现难度。显而易见，有必要设计一种针对不确定干扰控制鲁棒性强的船舶航向控制方法。

技术实现要素：

本发明的目的在于针对现有技术的不足之处，提供一种面向不确定性干扰的智能运动控制方法，该控制方法基于type-2fls(fuzzy-logic-system)进行智能运动控制，综合考虑船舶操纵特性和规划区域环境干扰的特点，引入不确定性区间(fou)的理念来冗余考虑环境对于控制的影响，可以使船舶更好的适应当前的航行环境，做出准确控制。

为解决上述技术问题，本发明采用如下技术方案：

一种面向不确定干扰的船舶航向智能控制方法，包括以下步骤：

步骤s1、根据船舶航行的目标航行环境的影响因素设计航向偏差的输入模糊集；

步骤s2、根据实际航行机理设计推理机中的规则库；

步骤s3、基于所述输入模糊集和所述规则库得到匹配的输出模糊集；

步骤s4、执行类型缩减器操作，以根据所述输入模糊集和对应的所述输出模糊集并利用kmtype-reduction得到匹配的上下界的输出；

步骤s5、对所述步骤s4得到的上下界的输出执行输出去模糊化操作，从而得到匹配的用于控制船舶的航向的控制信息。

进一步地，在所述步骤s1中，采用二型模糊集设计航向偏差的输入模糊集，并采用高斯函数作为隶属度函数，该输入模糊集区域由上成员函数和下成员函数界定，从而将目标航行环境的影响因素限制在上下高斯函数之间。

进一步地，在所述步骤s2中，采用e作为航向误差，并表示为：e＝ψ-ψ0，其中，ψ0为预期航向，ψ为实际航向，则设计的规则库为：

若e为正，表明大于预期航向，船舶向左偏，需控制向右打舵；

若e为负，表明小于预期航向，船舶向右偏，需控制向左打舵，

其中，航向向左为正，向右为负。

进一步地，在所述步骤s3中，从所述步骤s2的推理机得到第i个规则对应的输出表示为：

进一步，输出模糊集由下述表达式确定：

进一步地，在所述步骤s4中，为每个规则的输出设定一个上限和下限，第i个规则对应的输出上限和下限分别表示为：

上限

下限

进一步地，在所述步骤s5中，通过对每个规则对应输出的上限和下限求取平均值来实现输出去模糊化操作。

与现有技术相比，本发明的有益效果为：

本发明基于对船舶操纵特性(旋回性)的考虑来确定输入模糊集，利用语言机制来构建合适于目标航行环境的推理机，从而实现建立合适的二型模糊控制过程，通过观测得到的船舶当前的状态(即实际航向与预期航向之间的航向偏差)作为输入，通过该控制过程后得到的航向作为输出，该航向控制指令并作用于控制系统，从而达到控制船舶航向或者航速的目的，提供了一种面向不确定干扰的智能运动控制方法，实现对船舶航行的准确控制，本发明的控制方法对大多数航行于复杂时变环境下的船舶的安全航行控制具有较明显的应用价值。

附图说明

图1为本发明的实施例中面向不确定干扰的船舶航向智能控制方法的流程图。

图2为本发明的实施例中间隔二型模糊集的模糊区域fou示意图。

图3为本发明的实施例中输入模糊集的隶属度函数集fis(fuzzy-interval-system)示意图。

图4为本发明的实施例中推理机中t-norm(t型范数)运算的结果示意图。

图5为本发明的实施例中执行类型缩减过程中计算切换点的结果示意图。

图6为本发明的实施例中利用km类型缩减器(type-reduction)得到上下界的输出结果示意图。

图7为本发明的实施例中船舶航向控制系统的结构框图。

具体实施方式

下面结合附图所示的实施例对本发明作进一步说明。

如附图1所示，本实施例公开了一种面向不确定干扰的船舶航向智能控制方法，用于对船舶航行过程的航向进行保持控制，使船舶的航向与预期航向保持一致。该控制方法包括以下步骤：

步骤s1、根据船舶航行的目标航行环境的影响因素设计航向偏差的输入模糊集。

在步骤s1中，采用二型模糊集设计航向偏差的输入模糊集，并采用高斯函数作为隶属度函数，该输入模糊集区域由上成员函数和下成员函数界定，从而将目标航行环境的影响因素限制在上下高斯函数之间。

这里，通过采用二型模糊系统来提高该控制方法对不确定干扰的处理能力。具体的原理与过程如下：

二型模糊系统type-2fs(fuzzy-system)作为一型模糊系统type-1fs的扩展，与一型模糊集不同的是，二型模糊集本身的隶属度同样用模糊集合来刻画，这样就能够提高对系统中不确定性的处理能力。因为原始的一型模糊集中，隶属度的区间范围是根据经验进行设计的，不同的人对不同的语言变量理解不同，最终设计出来的模糊系统可能完全不同，而二型模糊集将一型模糊集的隶属度同样设置为模糊集合，这样在很大程度上就“包含”了不同的人在模糊系统上设计的不确定性，大大加强了模糊系统对于不确定性和非线性的处理能力，而二型模糊系统相对于一型模糊系统的优势，也体现在具有高不确定性的非线性系统上。

type-1fs引入了重要程度的模糊性，以创建清晰域的语言分区。尽管如此，用于此操作的mf(成员函数)本身就是清晰的，因为它们是完全定义的，而不考虑其参数的任何不确定性。type-2fs通过定义二次模糊度来克服此限制。在这种情况下，在[0，1]域中，将fs的每个输入的隶属值本身定义为fs。为了更好地理解这种新的维度，假设通过轮询一组专家将概念定义为type-1fs的过程。在收集了所有答复之后，当然会注意到，隶属函数的端点会因人而异。所有嵌入式type-1fs的并集最终将在模糊区域(称为fou)中结束，该区域由两个mf上成员函数uppermembershipfunction(umf)和lowermembershipfunction(lmf))界定。此外，一个人给出的每个隶属度函数可以根据与其意见相关联的置信度分配可变的权重，从而定义了第二模糊度。因此，type-2fs表示法嵌入了额外的自由度，可以更好地处理由嘈杂的数据和环境变化所引起的不确定性。

如图2(a)所示为二型模糊集的fou，其中包含多个嵌入式模糊集，图2(b)所示为fou上的垂直切片，显示每个嵌入的模糊集的可变次要隶属度值。

基于此，二型模糊集可以概括地表示为：

其中，g(x)是主要隶属度函数之一，x是fs输入值，u是主要隶属度。

在实际应用中，如图3所示，根据无人艇的旋回性实验和其运动特性，设定模糊集的区域于[-5,5]，采用高斯函数作为隶属度函数，将环境的影响考虑在上下高斯函数之间。

步骤s2、根据实际航行机理设计推理机中的规则库。

在步骤s2中，作为type-1fls的自然扩展，type-2fls还在一组if-then规则中合成了rulebase，从而建立了系统输入和输出之间的关系。无论模糊集的性质如何，规则创建的过程都相同。因此，类型2fls规则表示如下：

其中rⁱ代表第i个规则，而f和g代表具有间隔类型2fs的语言术语，x为规则输入，在本发明中输入为船舶的航向角，y为输出，在本发明中输出为舵机的转向和速度。

另外，一型模糊和二型模糊的一个主要区别在于推理机，在一型中通过规则库得到的会是一个清晰的值，而在二型中，得到的是一个区间，如下所示：

一般运用的是t-norm运算，结果如图4所示。

在船舶的航向保持控制中，干扰性一般是来自于环境中风浪流的干扰，具体以东湖为例，因其干扰性较小，因此仅建立较为简单的规则即可。具体为：采用e作为航向误差，并表示为：e＝ψ-ψ0，其中，ψ0为预期航向，ψ为实际航向。实际可将偏差e分为三个模糊集：mf1u(负大)mf2u(零)mf3u(正大)，根据e的变化范围分为-5、-2.5、0、2.5、5五个等级。

该情形下，对应的设计的规则库可以为：

若e为正，表明大于预期航向，船舶向左偏，需控制向右打舵；

若e为负，表明小于预期航向，船舶向右偏，需控制向左打舵，

其中，航向向左为正，向右为负。

步骤s3、基于输入模糊集和规则库得到匹配的输出模糊集。

在步骤s3中，从步骤s2的推理机中可以得到第i个规则对应的输出表示为：

进一步，输出模糊集由下述表达式确定：

步骤s4、执行类型缩减器操作，以根据输入模糊集和对应的输出模糊集并利用kmtype-reduction得到匹配的上下界的输出，以解决type-2fs提供的附加自由度。

为了开发基于二型模糊系统type-2fs的实际应用，有必要从所有转换点的成员函数fs的组合中获得清晰的值。为了实现此目标，必须获得type-2fs的质心，该质心表示为通常称为类型缩减集的间隔。karnik-mendel(km)算法可以看作是type-1反模糊化过程的扩展，是目前最准确的tr方法。尽管具有迭代性质，但它是模糊推理过程中最复杂的阶段，即使使用较简单的it2fs(interval-type2-fuzzy-system)，也需要进行大量计算。

与质心反模糊化过程类似，质心tr通过从type-2fs获取k个样本开始。由于类型2fs的fou嵌入了多个类型1fs，因此要执行tr，首先必须获得两个类型1fs，其质心最接近类型2fs质心的上下边界。例如，考虑g输出的fs，该过程首先使用其采样上限和下限开始，以找到切换点[l，r]的最佳值，如图5(a)和5(b)所示。

在步骤s4中，为每个规则的输出设定一个上限和下限，第i个规则对应的输出上限和下限分别表示为：

上限

下限

如图6(a)和6(b)所示，分别为每个系统规则的下界输出和上界输出按升序排列。

步骤s5、对步骤s4得到的上下界的输出执行输出去模糊化操作，从而得到匹配的用于控制船舶的航向的控制信息。

在步骤s5中，在应用了一种类型缩减方法之后，必须将获得的区间模糊集合转换为清晰的数字，以使其适合大多数fls应用场景。实际应用中，可以通过对每个规则对应输出的上限和下限求取平均值以实现输出去模糊化操作，即计算间隔左右端点的平均值即可得出去模糊值：

本实施例基于对船舶操纵特性(旋回性)的考虑来确定输入模糊集，利用语言机制来构建合适于目标航行环境的推理机，从而实现建立合适的二型模糊控制过程，通过观测得到的船舶当前的状态(即实际航向与预期航向之间的航向偏差)作为输入，通过该控制过程后得到的航向作为输出，该航向控制指令并作用于控制系统，从而达到控制船舶航向或者航速的目的，提供了一种面向不确定干扰的智能运动控制方法，实现对船舶航行的准确控制，本实施例的控制方法对大多数航行于复杂时变环境下的船舶的安全航行控制具有较明显的应用价值。

该方法首先利用已知的信息(包括船舶航行的目标环境信息等)进行控制过程设计，将环境变量或传感器采集的噪声具体化呈现在区间中，再利用控制过程对其进行精确的控制。

以下将该智能控制方法应用在船舶的控制系统中进行验证说明。这里，以船舶航向的仿真系统进行验证，因此需要建立船舶航向的运动模型，并且根据假定的目标航行环境仿真外接干扰因素信息。

如图7所示，在该船舶控制系统中，上述智能控制方法集成在type-2控制器中，参考模型得到的参考航向以及风流浪干扰后得到的船舶的实际航向之间的航向误差将作为type-2控制器的输入，利用二型模糊控制器得到预计需要的航向角或航速，再通过船舶运动方程转换为舵机的角度和转速。由于其对于环境变量定性的考虑，以其更为优良的鲁棒性，可以使无人艇更好的适应当前环境，自动做出准确的航向控制。

作为一种具体的实施方式，船舶航向运动的非线性数学模型为：

其中，ψ为舵作用产生的船舶航向角，t为追随性时间指数，k为舵增益系数，为螺线或逆螺线试验确定的非线性特征，对航向稳定的船舶有n1>0，不稳定船舶有n1<0，δ为控制舵角，

令r为航向角速率，有表示为状态空间形式：

本发明的保护范围不限于上述的实施例，显然，本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的范围和精神。倘若这些改动和变形属于本发明权利要求及其等同技术的范围，则本发明的意图也包含这些改动和变形在内。