详情

原文传递基于智能优化预测算法的货船自主航行运动控制方法研究

论文题名：	基于智能优化预测算法的货船自主航行运动控制方法研究
关键词：	船舶运动控制;自主航行控制;智能优化;预测控制
摘要：	随着人工智能、自动控制、数据科学等高新技术和航运业的融合应用，船舶航行正沿着传统驾驶向增强驾驶、辅助驾驶、远程驾驶以及自动驾驶的方向发展，船舶少人化和智能化成为必然趋势。如何增强控制的稳定性进而保障船舶智能航行系统的安全成为其中涉及的关键科学问题，如何提升船舶控制的精度以增强其对复杂环境的自适应性成为学界的研究重点。影响船舶运动控制精确程度的因素众多，如控制器的参数、研究对象的模型、控制器的鲁棒性及自适应性等。本文基于智能优化算法和预测思想，针对货船自主航行运动中的航向控制、路径跟随、自主靠泊及离泊控制展开研究，主要解决货船运动控制中控制器参数的调节困难、精确船舶模型参数不易获得以及控制器自适应性差的问题。论文的研究工作和创新如下：　　（1）针对传统算法参数调节困难以及控制过程收敛慢的问题，以甲虫须搜索（BeetleAntennaeSearch，BAS）算法为基础，研究如何增强其收敛性、降低陷入局部最优的概率，提出了须突变甲虫群算法（AntennaMutationBeetleSwarm，AMBS）以及须突变甲虫群预测算法（AntennaMutationBeetleSwarm-Predictive，AMBS-P），提高了控制器参数调节的效率并加快了收敛速度。在分析国内外船舶运动控制研究现状的基础上，将智能优化预测算法单独使用或与传统算法结合用于提升船舶运动控制的自适应性。为验证智能优化预测算法与传统算法结合的应用效果，设计了AMBS-PID控制器，在减少人工调节参数的工作量的同时提升了控制器的精度。为验证算法单独使用的效果，引入预测思想，设计基于AMBS-P算法的船舶自主靠泊运动控制器。　　（2）针对预测类算法需要船舶模型，而精确的船舶动力学模型不易获得的情况，提出了模型辨识与AMBS-P、须突变甲虫群预测强化学习算法（AntennaMutationBeetleSwarm-Predictive-ReinforcementLearning，AMBS-P-RL）算法结合的方法，实现了船舶的精确运动控制。反映真实船舶动力学的精确模型具有高度的非线性及复杂性，特别是在试验条件有限的情况下模型参数获取不易，使得精确模型构建困难。针对带有预测思想的控制器对高精度模型的需要，设计了基于模型辨识与AMBS-P算法的控制器。为进一步增强控制器的自适应性，引入强化学习思想，与模型辨识结合得到基于AMBS-P-RL算法的控制器。在控制过程中，船舶动作与环境进行交互学习，使每步控制获得的奖励最大化，得到用于补偿控制误差的舵令修正值，进而实现更加精确的船舶运动控制。　　（3）针对单一类型的控制器对于船舶大幅度转向控制误差大的情况，提出了“运动控制方法优化切换策略”并开展试验验证，有效降低了船舶大幅度转向误差。为得到合适的运动控制方法切换策略，本文通过试验验证每种算法的应用效果，再结合其优势进行策略设计。首先，搭建模型船实验平台。基于实验平台，分别开展了基于PID、AMBS-PID、AMBS-P和AMBS-P-RL等算法的货船航向与路径跟随试验。其次，在分析每种算法特点的基础上，设定当船舶航行中需要实现大幅度转向时，自主切换收敛性更强的控制器。本文以集装箱模型船为试验对象，在1~5级不同环境风速的条件下，得到了三种控制器在四种参考航向、两种参考轨迹场景中单独或组合应用的情况。多种场景下的模型船试验，验证了算法的自适应性。切换策略的实施，使得控制误差相较于切换前有效降低。切换试验能够模拟控制系统根据船舶运动状态与航行场景自主选择合适的算法实现航行控制的过程，有助于增强货船应对各类环境的能力。　　综上，以原型为油轮、拖轮以及集装箱船的3艘模型船为研究对象，从仿真分析到模型船试验逐步验证了：本文提出的控制算法具有参数调节简单、计算速度快及适应性强的优点，与模型辨识结合有助于改善船舶在实际航行中由于控制器参数调节困难、精确船舶模型参数不易获得所造成的运动控制精度低的问题。提出的“运动控制方法优化切换策略”改善了船舶大幅度转向控制误差大的情况，增强了船舶控制系统的自适应性，提升了船舶自主航行面对各种环境的鲁棒性。
作者：	王乐
专业：	机械工程
导师：	吴青
授予学位：	博士
授予学位单位：	武汉理工大学
学位年度：	2022