[发明专利]自主学习神经网络的船舶舵机抗负载扰动无模型控制方法

权利要求书

1.自主学习神经网络的船舶舵机抗负载扰动无模型控制方法，其特征在于，所述方法主要包含以下步骤：

步骤1、给出转舵舵令后，首先将指令舵令与实际舵角进行比较后，输出一个舵角的偏差信息，对偏差信号进行获取；

步骤2、利用模块化建模方法构建船舶液压舵机系统的油泵模块、舵机系统流量模块、舵角模块、舵机液压缸模块等；

步骤3、对船舶液压舵机系统进行动态线性化分析，给出液压舵机系统改进的紧格式动态线性化数据模型，并通过时间差分估计算法对数据模型中的时变参数项进行估计；

步骤4、针对船舶液压舵机运行时的大惯性特点，为缩短调节时间，改善系统动态性能，构建径向基神经网络(RBFNN)扰动观测器对系统中不确定性扰动的非线性项进行参数估计，同时搭建具有自主学习的径向基神经网络无模型自适应控制器，并设计了船舶液压舵机系统的控制更新律与参数估计律，通过伺服油缸改变斜盘倾角，实现对斜盘式轴向柱塞变量泵液压油流量的控制，最终推动转舵机构撞杆运动，撞杆推动舵柄来完成舵叶转动。

2.根据权利要求1所述的方法，其特征在于，所述船舶液压舵机系统模块化建模，其中包含：

本发明在船舶液压舵机系统的仿真研究中，将模块化建模方法运用到系统建模仿真过程，把液压舵机系统分为不同的子系统，以模型模块化的形式表达不同的子系统，并按照子系统之间的联系将各个模块连接起来，建立出船舶液压舵机系统的数学模型及模型库，通过对系统模块的分类、各模块间的关系处理等建模方法的研究，实现了液压舵机系统模型库的设计，提高了系统模型的可用性，根据液压舵机系统的实际工作特点，可将其划分为众多子系统，在对系统进行合理的模块化分解时，需保证各模块间的独立性，最终建立出舵机的系统油泵模块、系统流量模块、系统液压缸模块，系统舵角模块等。

3.根据权利要求1所述的方法，其特征在于，所述船舶液压舵机系统动态线性化数据模型的建立，其中包含：

本发明基于改进的紧格式动态线性化方法，将非线性的船舶液压舵机系统等价转化为基于输入输出增量形式的动态线性化数据模型，其中液压舵机系统可建立如下的动态模型：

n(t+1)＝f(n(t),...,n(t-l_n),u(t),...,u(t-l_u))+L(t)

式中，u(t)∈R，n(t)∈R分别表示t时刻液压舵机系统的输入和输出，分别表示输入舵令和获得的舵角值，且t∈{0,1,...,T}，T为正整数；f(…)是未知的非线性函数；l_n，l_u为未知正整数，为系统的阶数；L(t)包含t时刻系统的未知扰动、未建模动态等；

船舶液压舵机系统是一个连续运动的系统，当输入舵角指令在舵机转舵角度允许范围之内，由油泵流量变化引起的舵机转舵油缸撞杆运动位移也是有界的，因此舵机系统满足实现无模型自适应控制中紧格式动态线性化的假设条件，即：

假设1f(…)关于系统输入信号u(t)、扰动信号L(t)的偏导数连续且有界；

假设2除去有限时刻点外，系统满足广义Lipschitz，即符合对于任意的t，当t₁≠t₂，t₁t₂＞0且u(t₁)≠u(t₂)，L₁(t)≠L₂(t)时，有

|n(t+1)-n(t)|≤M|u(t)-u(t-1)|+N|L(t)-L(t-1)|

式中的M＞0，N＞0为常数；

对满足假设1和假设2的非线性系统，当|Δu(t)|＝|u(t)-u(t-1)|≠0满足时，一定存在一个时变参数使得液压舵机系统可以进一步表示为：

其中，Δn(t+1)＝n(t+1)-n(t)，Δu(t)＝u(t)-u(t-1)，ΔL(t)＝l(t)-l(t-1)。

4.根据权利要求1所述的方法，其特征在于，船舶舵机大惯性特点下，所述径向基神经网络扰动观测器和自主学习径向基神经网络无模型自适应控制器的构建，其中包含：

船舶舵机运动时具有大惯性的特点，时间通常在几十秒到几百秒之间，使得舵机响应速度缓慢，为了进一步缩短系统调节时间，降低船舶大惯性特性对控制算法的影响，设计了径向基神经网络扰动观测器和自主学习径向基神经网络无模型自适应控制器来改善系统的动态性能，减少船舶大惯性特点对控制算法的影响；

针对于船舶液压舵机系统动态线性化数据模型中的不确定参数ΔL(t)采用RBFNN扰动观测器对不确定性扰动的参数进行估计，液压舵机系统的输入向量为X＝[Δn(t),Δn(t-1),Δu(t-1),Δu(t-2)]^Τ，采用了下述公式：

RBFNN参数采用的迭代方程，见下式：

w_j(t)-w_j(t-1)＝γΔL_e(t)h_j+α[w_j(t-1)-w_j(t-2)]

b_j(t)-b_j(t-1)＝γΔb_j+α[b_j(t-1)-b_j(t-2)]

c_ij(t)-c_ij(t-1)＝γΔc_ij+α[c_ij(t-1)-c_ij(t-2)]

式中，为ΔL(t)的估计；ΔL_e(t)为误差函数；h_j为第j个神经元输出；w_j为输出层权值；b_j为第j个神经元高斯基函数的高度；为第j个神经元高斯基函数中心点的坐标向量，i＝1,2,...,n为迭代次数；α为动量因子；γ为学习速率；

针对船舶液压舵机系统不确定扰动造成的舵角跟踪差及控制精度低等问题，搭建了自主学习RBFNN无模型自适应控制器，充分利用了系统的输入舵角与油缸撞杆移动位移数据，实现了液压舵机系统转舵功能，并结合RBFNN扰动观测器共同作为液压舵机系统反馈环节；

自主学习RBFNN无模型自适应控制器的构建，首选构造系统输入准则函数：

J(u(t))＝|n^*(t+1)-n(t+1)|²+λ|u(t)-u(t-1)|²

式中λ＞0为权重因子，限制输入量的变化，n^*(t+1)为期望的输出信号；

将定理1得到的系统动态模型带入输入准则函数，对进行求解，令其为零，同时为提高搭建的控制器鲁棒性，添加误差反馈项，可得改进的紧格式动态线性化学习控制率：

其中，ρ₁,ρ₂表示步长，使上式更具一般性，k_p为比例学习增益，k_i为积分学习增益，k_d为微分学习增益；

由于系统模型未知，为时变参数，考虑如下估计准则函数最优解：

其中上式中，μ＞0为估计值权重因子，

对上式准则函数关于进行求极值，得到伪偏导数的估计率为：

其中，η∈(0,1]为步长因子，为系统估计值；

为了提高时变参数的跟踪能力，增强系统的稳定性，给出下述参数重置算法：

若或Δu(t-1)≤ε或

式中ε为充分小的正整数，的初值为

结合前面得到的估计算法，重置算法，控制算法，可以给出船舶液压舵机系统的控制方案如下：