船舶智能操纵控制综述1

船舶智能摄纵控制综述
张炎华鲍其莲
【上海交通托学导航与控制研究所上海２０００３０）
擅耍随着对船舶航行要求的不断提高，船舶的自动舵系统已由ＰＩＤ舵发展到自适应舵，控制目标也由航向控制逐步发展到航迹控制。

自动舵的控制中不断引入新的控制方法如鲁棒控制、变结构控制等，井进一步向智能操舵系统发展．针对自动舵向智能舵的发展趋势．本文主要综述了包括模糊控制、神经舟络，遗传算法等智能技术及在船舶操纵控制中应用的研究现状．
关ｔ词智能控制自动舵船舶操纵
１引言
船舶操纵的根本目的，一是安全性，二是经济’陛，要达到这两个操纵目的．要求船舶沿着预定的航线航行，因此船舶自动舵是保障航行安全性与经济性的关键。

据有关研究资料显示，在所有的船舶事故中．约６０％～７０％的事故与船舶航行有关．主要原因是船舶航行的实际航线偏离了安全航线。

以往的自动舵．无论是ＰＩＤ舵还是自适应舵，由于定位导航技术发展水平的限制，基本上都是以航向控制为主．但由于风、浪、流等外界干扰的影响，以航向作为控制坐标有时无法保证船舶沿着预定航线航行。

随着现代航运业的不断发展．水上交通的繁忙以及内河船舶的自动航行的提出，控制目标由航向控制进一步扩展到航迹控制。

尽管关于航迹控制的文章很早就有发表。

也开展了有关的研究，但是直到九十年代．ＧＰｓ系统的研究取得成果并投入使用以及其它相关技术的发展完善，解决了诸如垒球范围全天候连续精确定位等关键问题，航迹控制技术得到大量的研究．进一步随着廉价的ＧＰｓ接收机的普及以及差分ＧＰｓ技术的推广，开始实际应用到自动舵产品当中。

对船舶航行的精度要求的不断提高，对自动舵的控制方法也提出了新的要求，从采用传统的控制手段进一步发展为将控制理论与计算机技术的晟新成果引入自动舵的控制中，不断研制与开发新型自动舵。

自适应舵经过了二十多年的研究和发展。

自适应控制理论在船舶操纵中的应用。

已经逐步走向成熟，在各种自适应操舵仪产品中得到广泛的应用。

但无论是自校正自适应控制还是模型参考自适应控制，都是建立在受控对象为线性系统，且其阶数与时延己知的假设上的，而实际的船舶操纵过程却随船舶自身的工作状态（如载荷、吃水深度、航速等）及航行环境（如航线、水深、风、浪、流等）的不同而有很大的变化，是一个模型时变、非线性、大干扰的过程，所以应用传统的自适应控制不可避免地受到诸如鲁棒性等问题的困扰，从而影响了自适应舵的控制效果。

为了解决上述问题，需要进一步开展对于船舶操舵控制新方法的研究，将新型控制技术引入自动舵的设计中，例如智能控制、变结构控制、鲁棒控制和神经网络控制等。

在这些新算法的研究中，最引人注目的是智能控制在船舶操纵中的应用，智能控制方法在仿真研究和初步的海上试验中，显示出了许多独特的优越性。

２智能控制概述
对于自适应舵的研究，从七十年代开始，Ｋ．Ｊ．Ａｓｔｒｏｍ和ｃ．Ｇ．ｋａｌｌｓｔｒｏｍ首先成功地进行了自适应舵的海试，并获得了令人鼓舞的试验结果，证明白适应舵具有与传统的ＰＩＤ舵无法相比的优越性能，尤其是其具有的节能性能．对于时时可能面临的石油与能源危机．具有非常重要的意义。

在二十多年的发展历史中，对自适应舵的研究主要集中在应用传统的自适应控制技术．在这些自适应舵的设计中，把船舶操纵过程视为线性慢时变过程。

即使是一些采用非线性模
一１４—
型的控制器，包括模型参考自适应控制器的设计与非线性滑模控制，也是在船舶的操纵方程具有固定不变且确知的非线性项的基础上进行的。

但随着对船舶营运要求的提高，如在航道狭窄、近岸航行咀及恶劣海况等条件下，船舶的操纵过程是一个复杂非线性时变过程，存在着不确定性。

同时，随着新型船舶的出现，船舶的动态特性与动态范围日益变大，不能简单地将其处理为线性模型。

因此，对于自适应舵的研制，已不能局限于采用传统的自适应控制方法，而应探索新的适用于非线性时变以及不确定、不确知的操纵过程的非线性自适应控制方法。

智能控制用计算机的控制算法模仿智能生物系统的某些特’性，智能控制系统的一个重要特征，就是具有学习能力，能够从过去的经历和周围环境中进行学习，能够从特殊事例中总结出一般性结论。

困此，智能控制实现的是一个归纳系统．而不是简单的演绎系统ｔ学习系统通过与所处环境进行交互．能够随时间改进其性能。

学习控制系统的学习控制器通过向对象发出控制输入，并利用对象的反馈信息，具有改进闭环系统性能的能力，在很多领域中取得了令人振奋的成果。

智能控制技术作为一种仿人智能的新型控制技术，在对于难以建模、不确定、非线性时变等系统的控制中取得了良好的控制效果．从而成为近年来控制理论的一个研究热点。

将智能控制技术等方法引入自动舵的控制中，将有可能解决传统自适应控制所难咀解决的控制问题。

目前国内外也有不少将智能控制应用于自动舵控制的研究的报道，主要的智能控制方法包括模糊控制、学习控制、神经网络控制、遗传算法控制以及基于知识的控制器（专家系统或者规划系统）等。

ａ船舶操纵模糊控制
模糊控制是以模糊集合论、模糊语言变量及模糊逻辑推理为基础的一种非线性控制．其基本思想是将专家知识或操作人员的经验形成的语言规则转化为模糊控制规则用于系统控制。

由于模糊控制的设计不需要精确的数学模型，而是利用语言知识模型进行控制算法的设计与修正，所以是解决不能精确建模或难以建模系统控制的一种有效途径。

近年来，国内外已有将模糊控制应用于自动舵控制的尝试。

Ｍ．Ｇ．Ｐａｒｓ。

ｎ等（１９９４）设计了一种模糊航迹舵控制器．并将它与ＬＱＧ最优控制器作了比较，结果表明模糊控制器具有更优的动态性能与更强的抗干扰性，并对环境的变化具有良好的适应性．但要求较大的舵角信号。

在模型参考自适应控制基础上发展起来的模糊模型参考白适应控制（Ｆ１ＩＲｃ）是一种模糊自适应控制方法，Ｊ．Ｒ．Ｌａｙｎｅ等（１９９３）提出了一种模糊模型参考学习控制（ＦＭＲＬｃ）并将其用于船舶操舵控制。

其学习机构采用一个模糊逆模型和一个知识库修改机构，首先建立一个粗略的模糊逆模型，然后根据辨识与过程信息通过改变模糊集合隶属度函数的中心点来进行规则的调整。

蹦ＲＬｃ的学习控制算法，能够收集如何控制船舶的新信息，自动地在线产生模糊控制器的知识库，例如能够对货船自动地综合一个模糊控制器，并根据后来产生的显著的干扰和过程变化，自动校正模糊控制器。

通过对ＦＩＩＲＬｃ和两种普通的模型参考自适应控制ＭＲＡＣ在货船操纵中的控制效果进行比较，表明ＦＭＲＬＣ与躲Ａｃ相比，在以下几个方面具有优越性：１）眦ＬＣ具有较快的收敛性；２）需要的控制能量最小：３）良好的抗干扰性能，４）ＦＭＲＬｃ的设计不依赖于数学模型的详细形式：５）设计简单。

一１５一
一１川Ｉ丁
４船照操纵神经月络控翩
人工神经网络（ＡＮＮ）是模仿生物脑结构和功能的一种信息处理系统，虽然目前的模仿还处于低级水平，但已显示出一些与生物脑相类似的特点。

神经网络是由大量基本元件一神经元相互连结而成，每个神经元的结构与功能可以比较简单，但其组合而成的系统行为则可以非常复杂，能实现对信息进行大规模并行处理、分布存储，具有良好的自适应性，自组织性和容错性以及较强的学习、记忆、联想、识别等功能。

由于多层神经网络具有逼近任意复杂１Ｅ线性系统的能力，因此在系统建模、状态估计、优化等方面有大量的应用。

而将神经网络与自适应控制结台形成神经网络自适应控制，将有可能应用于非线性、强干扰、不确定、难建模系统的控制。

利用多变量系统理论，可以为水面船舶构造响应控制输入（舵机和主发动机）和干扰输入（风、浪、流）的数学模型，这样的数学描述通常是一组非线性微分方程组。

基于多变量蝗学模型，可以推出最优控制策略，使性能指标或者代价函数最小。

这种方法的问题在于，。

ｊ嘴舶进行操纵或者前进速度发生变化时，船舶的动态特性是变化的。

如果船舶的动态特性曼生变化（例如由于前进速度发生变化），就需要重新计算控制器参数，以保持系统性能的最优性。

过去主要是通过白适应算法来适应船舶动态特性的变化，现在人工神经元网络在这方面得到越来越广泛的应用。

Ｒ．ｓＢｕｒｎ（１９９５）采用人工神经网络通过优化计算进行操舵控制，从一系列船舶最优控制仿真中收集的数据，用来作为多层感知器网络的训练数据，采用误差反向传播学习算法。

研究结果表明，经过训练的网络．可以工作于非常接近最优的状态，在～定的前进速度范围内，可以和～个最优控制系统一样地工作．其优越性在于，对于不同的前进速度，不必重新计算控制器参数，一个神经网络具有和一组最优控制律相似的特性。

所采用的神经网络为具有５个输入节点、２个隐台层、１个输出节点的多层感知器神经网络模型，采用ＢＰ算法计算网络权值，经过学习后，将神经网络用于控制，结果表明，在不同的船速下，神经控制比原有的洗化控制所使用的舵角要小得多而航偏也有所下降，尤其在高速情况下优越性更为明显。

ＹＭ．Ｅｎａｂ（１９９６）则设法将操舵手的经验运用于操舵控制，他将人枧作一个非线性动态系统，船舶的航行参数是该系统的输入．而人的操舵命令则为系统的输出，通过一个神经网络来模拟系统的动态特性，待学习完成后代替人进行操作，作为初始控制器，在此基础上再进行自适应优化调整，其中网络采用径向基函数神经网络（ＲＢＦ）。

仿真结果表明，经过训练的神经自适应控制与人的操作相比控制的平滑性更好、具更优的品质特征（超调量小、收敛快等）。

Ｙ．ｚｈａｎｇ（１９９６）等采用一个与ＰＩＤ控制器并联的神经控制器来实现操舵控制，首先用ＰＩＤ控制，利用其控制输入于实际输出来同时训练神经网络（采用多层感知器神经网络与ＢＰ算法），为了解决神经控制器的输出存在振荡或饱和问题，作者通过一个模糊规则表来确定中间目标（即期望值根据系统参数改变），从而达到使控制输出平滑的目的。

仿真结果表明，经训ｆ练后的神经网络控制器不仅达到ＰＩＤ控制器的性能，并且在船舶实际航行中模型改变的’晴况下，经过自学习，保持良好的控制性能。

５遗传算法在船舶操纵中的应用
遗传算法是通过计算机算法体现自然生物系统的进化原理、自然选择和遗传。

遗传算法首先保存～组数码串，每一个数码串代表一个不同的控制器（串中的数码表征控制器的参
一１６一
数），通过三种标准的遗传算子：复制、交叉和免疫，作用到这些数码串上，结合一种适应度测量（通常包括性能目标），以产生后续的群体。

经过许多代以后，通常能够产生某一控制设计问露的合适解。

由于采用了随机而又有控制的搜索，有助于避免局部最优解，而得到可能的最优解。

基于生物进化的遗传算法，已经被用来进行控制系统的计算机辅助设计和货轮自动舵控制算法的在线自动校正。

Ｐａｓｓｉｎｏ（１９９８）提出了一种遗传模型参考自适应控制器Ｇ崃Ａｃ。

在Ｇ脓Ａｃ中，期望的特性是由参考模型表征的，遗传算法保存有一组代表备选控制器的数码串，在每一个时间步上，算法使用过程的模型和数据，判断每一个控制器的适应性。

基于这些适应性判断，遗传算法通过三种标准遗传算子的作用，把控制器扩展到下一代，最后，用被认为是最合适的控制器来控制系统。

这样，ＧＭＲＡＣ根据过程的变化和操作者对参考模型的改变，不断地校正控制器，使控制器一步一步地不断进化。

作者利用删晴ＡＣ对～艘货轮的操纵控制进行了仿真研究。

在仿真研究时，随机地选取伽Ｉ｛ＡＣ中ＰＤ控制器的初始增益值，根据设计指标选择一个参考模型和合适的适应度函数．取交叉和免疫的概率分别为０．６和０．２４。

尽管采用了非线性模型，在操纵过程中，船舶的速度也发生了变化（速度降低使舵机更难以控制船舱）；但是仿真结果表明，货轮的方向极好地跟踪了参考模型的输出。

６晨望
尽管智能控制在船舶操纵应用中的研究，取得了令人鼓舞的结果，但无论在理论上还是实验上．仍有许多更进一步的研究工作有待进行。

以上介绍的基于智能控制的自动舵的设计基本上还处实验仿真阶段．要将其用于工程实现．仍存在着一些困难，例如：
１）知识的获取与表达，例如在基于规则的控制系统中，如何将专家知识与操作能手的经验转化为规则形式：’
２）选择必要的先验知识，如模糊控制中隶属函数的确定，神经控制器中网络结构的确定等：３）如何提高智能控制算法如神经网络算法等的快速性与收敛性．阻满足实时性要求；
４）研究如何利用不同智能控制技术之间的互补，建立混合型智能自适应控制系统。

当今控制领域中一个重要的趋势，就是努力把相互分离的子系统的功能集成起来，组成高度自治的系统，离开人的帮助，完成复杂的控制任务，实现真正意义上的自动化。

操舵系统今后的发展，将不仅仅是单一系统的优化，而是整个航行综合系统的优化；不仅是控制理论的应用问题，还包括微机技术、网络技术、决策管理系统等的应用问题，它的未来，将是自动航行系统乃至智能航行系统的实现。

参考文献
（略）
一１７—
船舶智能操纵控制综述
作者：张炎华， 鲍其莲
作者单位：上海交通大学导航与控制研究所(上海)本文链接：/Conference_3110929.aspx。