船舶操纵的控制技术发展综述

船舶操纵的控制技术发展综述摘要介绍与比较了船舶操纵的各种自动舵控制方法,船舶自动舵可分为4个发展阶段,即机械舵、PID舵、自适应舵和智能舵,其中智能舵为目前最先进的自动舵,它分为专家系统、模糊舵和神经网络舵.关键词船舶操纵;自动舵;PID控制;自适应控制;智能控制分类号TP273.2;U666.153OverviewontheDevelopmentandComparisonoftheControlTechniquesonShipManeuveringChengQimingWanDejun(DepartmentofInstrumentScienceandEngineering,SoutheastUniversity,Nanjing210096)Abstract:Thecontrolmethodsofshipmaneuveringautopilotaredescribedandcompared.Theshipautopilotscontainfourdevelopmentalstages,thatis,mechanical,PID,adaptiveandintelligentcontrolautopilot.Theintelligentautopilotisnowthemostadvancedautopilot,itscontrolmethodscanbedividedintoexpertsystem,fuzzycontrolandneuralnetwork.Keywords:shipmaneuvering;autopilot;PIDcontrol;adaptivecontrol;intelligentcontrol船舶操纵的自动舵［1,2］是船舶系统中不可缺少的重要设备,随着对航行安全及营运需求的增长,人们对自动舵的要求也日益提高.本世纪20年代,美国的Sperry和德国的Ansuchz在陀螺罗径研制工作取得实质进展后分别独立地研制出机械式的自动舵［3］,它的出现是一个里程碑,使人们看到了在船舶操纵方面摆脱体力劳动实现自动控制的希望,这是第1代自动舵.机械式自动舵只能进行简单的比例控制,为了避免振荡,需选择低的增益,它只能用于低精度的航向保持控制.本世纪50年代,随着电子学和伺服机构理论的发展及应用,集控制技术和电子器件的发展成果于一体的、更加复杂的第2代自动舵问世了,这就是著名的PID舵［4］.自然PID舵比第1代自动舵有长足进步,但缺乏对船舶所处的变化着的工作条件及环境的应变能力,因而操舵频繁,操舵幅度大,能耗显著.到了60年代末,由于自适应理论和计算机技术得到了发展,人们注意到将自适应理论引入船舶操纵成为可能,瑞典等北欧国家的一大批科技人员纷纷将自适应舵从实验室装到实船上,正式形成了第3代自动舵［5～18］.自适应舵在提高控制精度、减少能源消耗方面取得了一定的成绩,但物理实现成本高,参数调整难度大,特别是因船舶的非线性、不确定性,控制效果难以保证,有时甚至影响系统的稳定性,尽管存在这些困难,熟练的舵手运用他们的操舵经验和智慧,能有效地控制船舶,为此,从80年代开始,人们就开始寻找类似于人工操舵的方法,这种自动舵就是第4代的智能舵［19～29］.此外,80年代前船舶上安装的自动舵一般只能进行航向控制,它可把船舶控制在事先给定的航向上航行.随着全球定位系统(GPS)等先进导航设备在船舶上装备,人们开始设计精确的航迹控制自动舵,这种自动舵能把船舶控制在给定的计划航线上.1PID控制直到70年代早期,自动舵还是一个简单的控制设备,航向偏差给操舵设备提供修正信号,此时控制方程为式中,δ,e分别为舵角信号和航向偏差信号;K为比例常数,它应被整定以适应载重和环境要求,为避免振荡,K应取较低值.对于稳定低速航行的船舶,式(1)控制效果基本上是令人满意的,但对不稳定的船舶,式(1)是不合适的.一个更为先进的控制系统应包含航向误差导数项,它的形式为当存在由横向风引起的下风或上风力矩干扰时,为使航向保持不变,应加入航向偏差的积分项,此时方程式变为这就是经典的PID控制器结构.根据Mort的论文［4］,积分项的加入可能会降低舵的响应速度,这会使船舶反应迟钝,为抵消这种影响,可再加入一个加速项,这样控制方程又成为整定好控制参数K1～K4的式(3)或式(4)能得到较好的操纵性能.对海浪高频干扰,PID控制过于敏感,为避免高频干扰引起的频繁操舵,常采用“死区”非线性天气调节,但死区会导致控制系统的低频特性恶化,产生持续的周期性偏航,这将引起航行精度降低,能量消耗加大.此外,当船舶的动态特性(速度、载重、水深、外型等)或外界条件(风、浪、流等)发生变化时,控制参数需连续地进行人工整定,控制参数不合适的控制器将导致差的控制效果,如操舵幅度大、操舵频繁等,而人工整定参数很麻烦,为此,人们提出了自适应控制方法.2自适应控制任何自适应系统都应能连续地自动辨识(整定)PID算法的控制参数,以适应船舶和环境条件的动态特性.目前提出的方法主要有自适应PID设计法、随机自适应法、模型参考法、基于条件代价函数的自校正法、最小方差自校正法、线性二次高斯法、H∞控制法、变结构法等,这些自适应方法都有各自的优缺点,并且自适应法还处于不断的发展过程中.Sugimoto等［5］提出的自适应PID设计法把自适应思想引入到PID控制设计中,此法着重解决使用自适应函数的波浪条件的识别问题,这个函数根据波浪条件信号、船速和载重情况选择最佳控制参数,此最佳参数值被送给控制器和卡尔曼滤波器.此法采用海洋分析器测量波浪,测量的结果用于计算波浪条件指标.Merlo等［6］的随机自适应法包含一个参数,此参数由海浪自回归滑动平均模型中的海浪功率谱决定,此法包括一个代价函数,它的形式为也就是假定代价函数J是航向偏差y(n)和舵操作u(n)的均方加权函数,此法的目标是使J值为最小.此法与Motora［7］提出的方法不同,Motora的代价函数形式为式中,θ为航向偏差;δ为舵角;λ取为8(Norrbin［8］建议取为4),最优控制的代价函数究竟采用何种形式还没有完好的评判标准.Akaike［9,10］提出了多变量随机系统的辨识方法,此法是在Ohtsu等［11］提出的方法基础上发展起来的,它的模型取决于最小Akaike信息标准,它的代价函数依赖于被控变量的偏差、控制信号大小(舵角)和控制信号变化率的补偿值.Amerogen［12］的模型参考自适应法的应用前提为过程是线性、阶次和结构已知,且无随机扰动.Dennis［13］通过假定船舶是线性、常系数、无限工作系统,提出了船舶线性叠加原理,此原理把船舶对不规则海况的响应用对构成这种海况的规则分量响应的线性累加来表示.由于船舶实际上是一个含有噪声的非线性系统,因此,在平静的天气和“完美”的条件下,此法设计的系统工作很好,但在较差海况及载重变化的条件下,这种系统的控制效果变差.Lim等［14］使用Clarke等［15］提出的基于条件代价函数的自校正方法,此法的控制器输出被明确地加到性能标准公式中.自校正自动舵能用每个取样时刻的Ricatti方程稳态解的计算值来设计,航向保持和航向改变采用不同的性能标准.对一个未知参数的系统来说,由于波浪会使船舶动态特性发生变化,因而需用在线辨识技术识别动态参数.此法主要问题是波浪系统建模引起的偏差,以及Ricatti方程的求解计算时间较长.Katebi等［16］的线性二次高斯法使用公式表示动态代价函数,并在用多项式表示的随机结构中优化代价函数,此法与风和浪的测量和计算有关,波浪的模型被用作控制函数,以便使输出信号的变化为最小.风力由平均风速和扰动组成,平均风速只用作建模,系统的误差将随风、浪的测量和建模出现.Messer等［17］的H∞控制法采用横摇与舵角之间关系式作为船舶运动模型,前向速度的影响包含在频率项中,航迹偏差表示成航向和实际船位的函数,用假定的横摇/偏航动态特性来确定航迹偏差与需要的航向之间要求的关系.Papoulias等［18］提出的船舶操纵变结构(滑模)控制采用伪线性变换将船舶操纵非线性系统近似地化为线性可控正则型系统,以简化控制设计并保证较大工作范围内的控制性能与精度,然后,对线性化系统设计了一种连续的变结构控制,以适应较大范围的干扰变化,完全抑制抖振,并得到理想的精度.总之,自适应控制技术不仅与代价函数的估计值有关,而且也与精确地建立扰动模型有关,在船舶所遇到的复杂的工作台条件下,自适应自动舵并不能提供完全自动的最优操作.3智能控制对有限维、线性和时不变的控制过程,传统控制法是非常有效的,如果这样的系统是充分已知的,那么,它们能用线性分析法表示、建模和处理,但实际船舶系统常具有不确定性、非线性、非稳定性和复杂性,很难建立精确的模型方程,甚至不能直接进行分析和表示,而人工操作者通过他们对所遇情况的处理经验和智能理解与解释,就能有效地控制船舶航行.因此,人们很自然地开始寻找类似于人工操作的智能控制方法［19］.目前已提出3种智能控制方法,即专家系统、模糊控制和神经网络控制.专家系统的关键技术是知识经验的获取与表示.Brown等［20］采用了模仿人工操作的专家系统方法,而并没有直接使用船舶的数学模型,通过研究人工操作与普通自动舵控制之间的差异,建立了规则库以便修正自动舵的特性,也就是自动舵与基于规则的专家系统之间进行交互作用.例如,舵手把两次连续的转弯当作一次长的转弯来处理,这种措施及其它类似措施都可在修正后的自动舵上实现.此文还论述了这种模拟人工操作的自动舵构造方法,当然,这里的舵手是选择对不同船舶、工作条件、环境及可能发生的情况很有处理经验的人.这种的自动舵专家系统与船舶操纵模型无关.模糊控制不需建立被控对象的精确数学模型,它的算法简单,便于实时控制.Amerongen等［21］提出的船舶航向模糊控制系统由模糊化、模糊推理决策、反模糊化三部分组成,此系统取得了较好的控制效果,但由于受船舶控制过程的非线性、高阶次、时变性以及随机干扰等因素影响,造成原有的模糊控制规则粗糙或不够完善,影响了控制效果.为克服这些缺点,模糊控制器向着自适应、自组织、自学习方向发展,使得模糊控制参数或/和规则在控制过程中自动地调整、修改和完善,从而使系统的控制性能不断改善,达到最佳的控制效果.Sutton等［22］提出了船舶航向的自组织模糊控制器,它是在简单模糊控制器的基础上,增加性能测量、控制量校正和控制规则修正3个功能块而构成的一种模糊控制器.Jeffery等［23］提出了一种船舶航向的模型参考模糊自适应控制系统,此法中利用参考模型表示船舶在转向时的性能要求,然而其控制器及自适应功能是利用模糊控制技术实现的,其控制器为基本模糊控制器借助于对象的模糊逆模型得到用于自适应修正的校正量.神经网络具有非线性映射(逼近)能力以及自学习、自组织、自适应、分布存贮、联想记忆、并行计算等能力.它的缺点是理论不成熟、实时性差、硬件实现成本高等.目前的神经网络控制器还处于软件仿真模拟阶段.Witt等［24］提出了一种神经网络控制船舶航迹保持的方法,它用GPS精确决定船舶位置,在-45°～+45°范围内它能产生随机变化航向的一系列给定航线,它采用PD控制器作为船舶的数学模型,在给定航线的每一部分,通过使PD舵控制信号与神经舵控制信号之间差值最小,来离线训练神经控制器,一旦差值最小,神经控制器就被认为已学习到了PD控制器的工作特性,此后,神经控制器就可取代PD控制器.Witt等使用100种给定航线集合训练神经网络,并假定通过这100种不同航线学习得到的知识可处理任何新选择的航线,仿真结果表明对未学习过的任意航线,PD控制器和神经控制器的控制效果基本相同.Burn［25］采用更复杂的最优控制器进行离线学习,这篇文章主要工作是训练神经网络,使它与最优船舶控制系统具有相同的性能,训练后的神经控制器能识别出不同的前向速度,或操纵情况怎样改变船舶的动态特性.原则上,六自由度船舶运动模型和舵机模型的组合可得到状态矩阵,当辨识出最优控制系统的特性后(对不同的前