基于云模型的船舶动力定位控制系统设计

发布时间：2017-10-19 11:10

  本文关键词：基于云模型的船舶动力定位控制系统设计

  更多相关文章： 船舶动力定位 控制系统 云模型 粒子群优化算法 智能PID

【摘要】：船舶动力定位系统的核心是控制系统,其控制性能的优劣直接关系到动力定位系统运行的实际效果,进而影响船舶的整体性能及应用范围,因此探索更为先进成熟的控制理论和方法一直是动力定位控制研究的重点。船舶在海上的运动过程普遍存在风、浪、流等不确定性扰动,因而动力定位控制过程是一类典型的不确定非线性系统,特别当海洋环境变化范围很大时,系统的不确定性表现得尤为突出。云模型控制理论是智能控制领域的新兴学科,其基本思想是利用计算机来实现人的控制经验,所采用的云模型定性推理方法不要求给出精确的控制对象数学模型,可以实现对复杂非线性系统的控制,不仅能够保留被控对象及其环境中各种未知的不确定性因素,而且对系统状态及参数变化的适应性和鲁棒性强,具有强大的非线性处理能力和工程实用性。鉴于云模型控制算法在实现不确定复杂系统控制方面的优势,本文创新之处在于将其应用于水面船舶动力定位控制系统设计,通过开展动力定位云模型控制技术的研究来解决不同环境干扰条件下具有大惯性、非线性、时变性及模型不确定性等特点的船舶动力定位控制问题。本文主要工作包括:第一,建立了船舶动力定位系统数学模型,介绍了云模型控制算法的基本理论;第二,基于一维云模型推理映射算法设计了船舶动力定位一维云模型控制器和一维复合云模型控制器,分别基于正态隶属云和混合隶属云的二维云模型推理映射算法设计了两种不同结构的船舶动力定位二维云模型控制器;第三,针对早熟收敛和后期收敛速度慢是标准粒子群优化算法面临的两大问题,从种群初始化、多样性保持、控制参数调节及边界策略选择等角度着手,分别结合混沌算法、遗传算法、一维云模型和二维云模型对其进行了改进;第四,鉴于采用传统方法整定云模型控制器控制参数耗时繁琐且难以取得良好的控制效果,针对具体的船舶动力定位云模型控制器,结合标准粒子群优化算法及其改进算法的自寻优特点,提出了云模型控制器控制参数自整定优化设计方法;第五,对于被控对象复杂难以控制且控制精度要求特别高的船舶动力定位系统只采用PID控制效果并不十分理想,结合混沌粒子群算法、二维云模型控制和PID控制各自的优势,设计了一种具有参数动态实时自整定功能的智能PID控制器。本文的研究丰富了船舶动力定位控制算法,对实际工程中船舶动力定位控制器设计具有一定的指导意义和借鉴价值。
【关键词】：船舶动力定位 控制系统 云模型 粒子群优化算法 智能PID
【学位授予单位】：江苏科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：U664.82
【目录】：

• 摘要6-7
• Abstract7-17
• 第1章 绪论17-25
• 1.1 课题背景及研究意义17-18
• 1.2 船舶动力定位系统简介18-19
• 1.3 船舶动力定位控制系统研究进展19-21
• 1.3.1 国外相关研究20-21
• 1.3.2 国内相关研究21
• 1.4 云模型理论概述21-23
• 1.4.1 云模型理论的提出21-22
• 1.4.2 云模型理论的研究现状22-23
• 1.4.3 云模型在船舶控制领域应用研究现状23
• 1.5 本文主要研究内容23-25
• 第2章 船舶动力定位系统建模25-35
• 2.1 船舶运动坐标系和常用符号25-26
• 2.2 船舶运动学模型26-27
• 2.3 船舶动力学模型27-28
• 2.4 海洋环境干扰模型28-32
• 2.4.1 风的干扰力数学模型29-30
• 2.4.2 浪的干扰力数学模型30-32
• 2.4.3 慢变环境扰动模型32
• 2.5 船舶动力定位系统数学模型32-34
• 2.5.1 船舶动力定位系统非线性模型32-33
• 2.5.2 船舶动力定位系统线性化模型33-34
• 2.5.3 本文仿真控制对象的数学模型34
• 2.6 本章小结34-35
• 第3章 云模型理论35-45
• 3.1 云模型概念35-38
• 3.1.1 云模型的基本定义35-36
• 3.1.2 云模型的数字特征36
• 3.1.3 云模型的“3En”规则36-37
• 3.1.4 云模型的拓展37-38
• 3.2 云模型发生器38-41
• 3.2.1 正向云模型发生器39
• 3.2.2 逆向云模型发生器39-40
• 3.2.3 条件云模型发生器40-41
• 3.3 云模型的不确定性推理41-43
• 3.3.1 单条件单规则推理41-42
• 3.3.2 双条件单规则推理42-43
• 3.4 云模型系统的逼近性43-44
• 3.5 本章小结44-45
• 第4章 船舶动力定位云模型控制器设计45-59
• 4.1 云模型控制原理45-46
• 4.2 动力定位一维云模型控制器（CMC1）46-50
• 4.2.1 一维云模型推理映射算法与实现46-47
• 4.2.2 一维云模型控制器设计47-48
• 4.2.3 基于一维云模型控制器的动力定位控制系统仿真48-50
• 4.3 动力定位一维复合云模型控制器（CMC+）50-53
• 4.3.1 一维复合云模型映射器算法与实现50
• 4.3.2 一维复合云模型控制器设计50-52
• 4.3.3 基于一维复合云模型控制器的动力定位控制系统仿真52-53
• 4.4 动力定位二维云模型控制器（CMC2）53-58
• 4.4.1 二维云模型推理映射算法与实现53-55
• 4.4.2 二维云模型控制器设计55-57
• 4.4.3 基于二维云模型控制器的动力定位控制系统仿真57-58
• 4.5 本章小结58-59
• 第5章 动力定位云模型控制器驱动因子优化设计59-71
• 5.1 标准粒子群优化算法（PSO）59-60
• 5.2 基于标准粒子群算法的驱动因子优化60-62
• 5.2.1 适应度函数的选择60
• 5.2.2 PSO优化CMC+的算法流程60-61
• 5.2.3 优化实验与结果分析61-62
• 5.3 基于改进粒子群算法的驱动因子优化62-65
• 5.3.1 基于遗传算法思想改进的粒子群算法（APSO）62-64
• 5.3.2 APSO优化CMC+的算法流程64
• 5.3.3 优化实验与结果分析64-65
• 5.4 基于优化后CMC+的动力定位控制系统仿真65-70
• 5.4.1 理想海况下的控制系统仿真66-67
• 5.4.2 四级海况下的控制系统仿真67-69
• 5.4.3 七级海况下的控制系统仿真69-70
• 5.5 本章小结70-71
• 第6章 动力定位云模型控制器特征参数优化设计71-83
• 6.1 基于标准粒子群算法的特征参数优化71-74
• 6.1.1 PSO优化CMC1的算法流程72
• 6.1.2 优化实验与结果分析72-74
• 6.2 基于改进粒子群算法的特征参数优化74-77
• 6.2.1 基于一维云模型改进的粒子群优化算法（CM1-PSO）74-75
• 6.2.2 CM1-PSO优化CMC1的算法流程75
• 6.2.3 优化实验与结果分析75-77
• 6.3 基于优化后CMC1的动力定位控制系统仿真77-82
• 6.3.1 理想海况下的控制系统仿真78-79
• 6.3.2 四级海况下的控制系统仿真79-81
• 6.3.3 七级海况下的控制系统仿真81-82
• 6.4 本章小结82-83
• 第7章 基于二维云模型的动力定位控制器优化设计83-105
• 7.1 动力定位二维云模型控制器优化设计83-92
• 7.1.1 基于二维云模型改进的粒子群优化算法（CM2-PSO）83-86
• 7.1.2 CM2-PSO优化CMC2T的算法流程86
• 7.1.3 优化实验与结果分析86-87
• 7.1.4 基于优化后CMC2T的动力定位控制系统仿真87-92
• 7.2 基于二维云模型在线优化的智能PID控制器设计92-103
• 7.2.1 混沌粒子群优化算法（CPSO）92-95
• 7.2.2 基于混沌粒子群算法的智能PID控制参数离线优化95-96
• 7.2.3 基于二维云模型的智能PID控制参数在线整定96-99
• 7.2.4 基于智能PID控制器的动力定位控制系统仿真99-103
• 7.3 本章小结103-105
• 总结与展望105-107
• 参考文献107-110
• 攻读硕士学位期间发表的学术论文110-111
• 致谢111

，

本文编号：1060750