基于分数阶PI~αD~β的船用永磁同步电机控制策略研究

船用永磁同步电机是一种非线性、强耦合、多变量的复杂系统,使用常规的PID对其进行速度控制时难以达到理想的效果。为了改善船用永磁同步电机调速系统的性能,设计了一种新的速度控制器-径向基(RBF)神经网络分数阶PI~αD~β控制器。利用径向基神经网络的自学习和自训练的功能,对控制器的参数进行在线优化,以便使控制器在未知的系统中能够具有快速的适应能力和较好的控制性能。将设计的控制器应用于船用永磁同步电机的速度控制回路中,并在高速度、大负载扰动的条件下对其进行仿真实验。结果表明,使用了RBF神经网络分数阶PI~αD~β控制器的电机控制系统,具有良好的动态响应能力和较强的扰动抑制能力。     

基于无位置传感器和模糊神经网络的船舶电力推进永磁电机控制研究

本文设计了无位置传感器和基于模糊神经网络的PI控制器，对船舶电力推进永磁电机进行控制。基于磁通观测原理的无位置传感器能够精确确定磁场的动态行为，并且对于负载变化具有很好的鲁棒性，采用模糊神经网络在线调整PI参数对内置式永磁电机进行控制，以便在不同扰动下，获得最佳的驱动性能。用直流发电机模拟螺旋桨特性，作为推进电机的负载，以便对无位置传感器和PI控制器进行研究，并在数字信号处理器（DSP）上得到实现。该设计有助于对船舶电力推进控制规律的研究和应用及推进控制系统的全数化实现，并具有理论指导意义和实际应用价值。     

基于神经网络的船舶舵机控制系统设计

传统船舶舵机控制系统只适于控制对象是线性系统且时延和阶数等已知的情况,但在实际应用中,船舶舵机控制过程受船舶运行情况和航行环境的影响,属于随机过程。为此,设计一种新的基于神经网络的船舶舵机控制系统,依据功能要求设计船舶舵机的不同控制模型,再设计整体控制系统结构。通过设计4个不同层次的控制器结构,实现神经网络控制器的整体设计,利用神经网络算法对控制器中的参数进行学习和调整,神经网络控制器输出结果即为船舶舵机控制结果。实验结果表明,所设计系统控制效果好,不易受外界环境的干扰。     

基于神经网络的船舶舵机控制系统设计

传统船舶舵机控制系统只适于控制对象是线性系统且时延和阶数等已知的情况,但在实际应用中,船舶舵机控制过程受船舶运行情况和航行环境的影响,属于随机过程.为此,设计一种新的基于神经网络的船舶舵机控制系统,依据功能要求设计船舶舵机的不同控制模型,再设计整体控制系统结构.通过设计4个不同层次的控制器结构,实现神经网络控制器的整体设计,利用神经网络算法对控制器中的参数进行学习和调整,神经网络控制器输出结果即为船舶舵机控制结果.实验结果表明,所设计系统控制效果好,不易受外界环境的干扰.     

船舶航向跟踪系统自适应单神经网络控制

针对船舶航向非线性系统,考虑模型中存在的不确定性和外部干扰等未知项,设计一种基于动态面控制技术和单神经网络技术的自适应控制器。首先引入一阶低通滤波器,避开对虚拟控制律的解析求导,解决了传统后推方法中普遍存在的"计算膨胀"问题;然后将设计控制器过程中出现的未知部分积存到下一步,依此类推,一直到控制器设计的最后一步,仅用一个神经网络逼近器逼近系统中的未知部分;最后把神经网络权值的范数作为唯一的在线估计参数,使在线学习参数的数目显著减少。所设计的控制算法具有计算量小、结构简单及易于工程实现等特点。采用Lyapunov理论证明了系统中的信号都是半全局一致最终有界,示例仿真结果验证了所提算法的有效性。     

基于GA-FCMAC算法的船舶运动智能控制器

在研究模糊小脑模型神经网络控制器（FCMAC）的基础上，本文提出了基于遗传算法学习的模糊小脑模神经网络控制（GA－FCMAC）算法并应用于船舶运动。仿真结果表明该算法具有良好的控制性能。     

基于SWLSTM的换热器在线性能预测

换热器是一种把热量从一种介质传递到另一种介质的装置。由于换热表面污垢的存在,换热器的性能随着时间的推移而恶化。为了保持换热器的高效率,有必要定期对换热器的性能进行评估,在线监测的工艺参数能够帮助对换热器换热性能进行预测。本文利用温度和流量等参数计算表征换热器性能相关的指标,并基于共享权重长短时记忆网络（SWLSTM）建立预测模型,利用历史运行数据对其进行训练。通过与验证数据比较,验证了所建立模型预测的高精度和快速性;同时与传统神经网络模型进行比较,可见本模型在预测精度的优越性。通过换热性能参数的预测,能够合理规划停机清洗时间,降低成本。     

基于滑模控制的作动器研究

为有效地消除船甲板由于发动机或螺旋桨不平衡矩所引起的振动,研制了一种新型作动器,其激振频率及激励力幅值均可实现在线调节,由于这种激励幅值的在线调节,使得整个系统的控制方程为非线性,为了消除控制系统参数变化和外部扰动对其跟踪性能的影响,将滑模控制引入其伺服跟踪控制,同时为了减小滑模控制器的颤抖采用了基于趋近律的位置及速度跟踪.仿真及实验结果表明滑模控制器具有较强的鲁棒性和跟踪性能,能有效地控制船甲板的振动.     

未知扰动下的欠驱动水面无人艇区域保持控制方法

尽管水面无人艇（USV）已经应用于许多场景，但无人艇水面区域保持仍是一个极具研究意义的问题。主要原因是USV具有复杂的非线性水动力学和欠驱动特性。在实际应用中，由于不确定的环境扰动及传感器测量噪声，很难对USV产生较好的控制效果。文章建立了一个适用于USV区域保持的简化数学模型，并提出一个闭环控制方法，既简化控制器设计又能达到满意的控制性能。针对欠驱动USV的区域保持问题，提出基于环境最优位置控制（WOPC）改进后的策略，采用策略估计扰动的方向，生成考虑欠驱动特性的控制目标。试验结果表明，所提出的方法相较传统WOPC在不同环境扰动下取得了较好的效果，并能减少能耗。     

用神经网络控制器对小型帆船的航向控制

本文描述了一个简单的基于神经网络的小型帆船自适应舵的控制方案.该方案采用了两个简单的双层神经网络:一个使用在线的BP算法来学习未知的帆船动态;另一个则利用前一个所学到的知识来调整它的连接权系数和偏差权系数以产生控制信号.仿真结果表明,与仔细调整过的PID控制器相比较,神经网络控制器在航向保持上与PID近乎相同,但却具有好得多的鲁棒特性.     

基于神经元网络的钻杆热处理温度信号校正

神经网络是非线性系统建模的重要方法。反向传播（BP）算法常常用于神经网络的权值训练中，但是BP算法收敛慢。为此，将非线性最小二乘法用于前馈神经网络的权值学习。采用这一建模方法对石油钻杆在热处理中的温度测量偏差进行校正。研究结果表明，该方法具有很快的收敛速度和很好的拟合精度，适用于工业过程中测量信号的在线校正。     

船舶航向的自适应神经模糊控制系统

针对模糊控制器中的量化因子、模糊规则等难以人工整定的困难,文中提出了一种基于自适应神经模糊推理系统(ANFIS)的船舶航向控制算法,利用船舶航向模糊控制器两端获取的数据来训练ANFIS控制器,并将其控制效果和船舶航向模糊控制器的控制效果进行了比较,仿真结果表明,在不同风速和流速干扰作用下,基于ANFIS的航向控制器无论在超调量、响应时间和稳态误差方面都具有更好的控制品质,在干扰下仍然能够满足船舶航向实时控制的要求.     

船舶自动靠泊简捷非线性神经网络控制器

为解决多参数船舶自动靠泊神经网络控制器的计算负荷问题,根据靠泊操纵的实践,通过合理取消虚拟导航线和位置辅助线参数,优化网络输入参数,减少计算维数。利用4种不同初始状态下的靠泊样本数据训练网络权重和偏差,并在处理大样本数据时选择性地调整有效信息数据提取频率,优化控制效果,缩短训练时间。通过基于MMG(Maneuvering Modeling Group)船舶数学模型的仿真试验,验证控制器能在不同于样本训练数据的初始状态下,减少计算维数,降低计算负荷。     

基于GA-BP神经网络的螺旋桨水动力性能预报方法

为了快速预报螺旋桨水动力性能，提出一种遗传算法优化BP神经网络（GA-BP）的螺旋桨水动力性能快速预测方法。采用计算流体力学（CFD）方法，使用FLUENT软件对P4119螺旋桨水动力性能进行仿真计算，结果表明CFD方法可替代敞水试验获取螺旋桨水动力性能。采用CFD方法计算100组不同系列螺旋桨的水动力性能，建立GA-BP神经网络螺旋桨水动力性能预测模型，以计算所得的100组数据为模型的学习样本，选择其中的80%为训练集，10%为验证集，10%为测试集，对比分析传统BP神经网络和GA-BP神经网络模型的预测效果。结果表明，GA-BP神经网络预测结果预测精度更高，能够满足快速预测螺旋桨水动力性能的要求。     

GWO-Elman模型在港口货物吞吐量预测中的应用

港口作为国内国际贸易的重要枢纽,在新时代区域经济发展中具有重要的战略地位。为提高港口货物吞吐量的预测精度,使用差分法、灰狼优化（GWO）算法和Elman神经网络模型对2010―2019年青岛港货物吞吐量进行了训练与预测。基于所收集到的时间序列数据,将其作为样本数据输入Elman神经网络模型进行训练与测试;在训练过程中,引入灰狼优化（GWO）算法来优化Elman神经网络的权重（w）和神经元阈值（b）;将GWO-Elman组合模型应用于青岛港货物吞吐量预测的实证研究中。结果证明：GWO-Elman算法模型相较于传统Elman神经网络模型,在预测货物吞吐量时有着更高的收敛速度与预测精度,这为港口货物吞吐量的预测提供了一种新的计算方法。     

基于深度强化学习的智能船舶航迹跟踪控制

[目的]智能船舶的航迹跟踪控制问题往往面临着控制环境复杂、控制器稳定性不高以及大量的算法计算等问题。为实现对航迹跟踪的精准控制,提出一种引入深度强化学习技术的航向控制器。[方法]首先,结合视线(LOS)算法制导,以船舶的操纵特性和控制要求为基础,将航迹跟踪问题建模成马尔可夫决策过程,设计其状态空间、动作空间、奖励函数;然后,使用深度确定性策略梯度(DDPG)算法作为控制器的实现,采用离线学习方法对控制器进行训练;最后,将训练完成的控制器与BP-PID控制器进行对比研究,分析控制效果。[结果]仿真结果表明,设计的深度强化学习控制器可以从训练学习过程中快速收敛达到控制要求,训练后的网络与BP-PID控制器相比跟踪迅速,具有偏航误差小、舵角变化频率小等优点。[结论]研究成果可为智能船舶航迹跟踪控制提供参考。     

基于RBF神经网络的水面船舶轨迹跟踪控制

针对速度矢量不可测、动态参数不确定以及具有未知扰动和磁滞特性的水面船舶系统,提出一种基于径向基函数神经网络的自适应反馈轨迹跟踪控制方案。根据船舶的状态矢量,利用高增益观测器估计水面船舶系统的不可测速度矢量,并通过一个函数描述间隙类磁滞对系统的影响。利用径向基函数神经网络的逼近能力和反步法设计控制器,基于李雅普诺夫稳定性理论,验证所设计控制器的稳定性,证明系统所有的闭环信号都是半全局一致有界的。通过仿真验证了控制器的有效性。     

基于Lyapunov函数的船舶航向保持非线性控制器设计

船舶航向保持控制器是船舶动力系统的重要组成部件,其目的是使大型船舶航行轨迹与预设轨迹误差在阀值范围内。传统的船舶航向控制器利用PID控制器计算各种干扰综合作用力,并控制推进器平衡外界干扰力,随着船舶动力系统复杂度增加,PID的控制精度及时效性已不能满足现代船舶航向保持的要求。Lyapunov函数是一种微分跟踪控制过程,对于复杂非线性系统具有很好的鲁棒性。本文研究船舶航向保持控制的数学模型,在此基础上提出基于Lyapunov函数的船舶航向保持非线性控制器。     

基于RBF神经网络的TCSC自适应PID控制

针对可控串联补偿(Thyristor Controlled Series Capacitor,TCSC)的传统PID控制器存在鲁棒性差和自学习能力不强的问题,利用径向基函数(Radial Basis Function,RBF)神经网络可以无限逼近非线性系统的特性,提出了一种基于RBF神经网络设计的TCSC自适应PID控制器.该自适应PID控制器不仅具有传统PID控制器结构简单、易于工程实现等特点,而且通过RBF神经网络辨识的被控系统Jacobian信息来在线实时调整PID控制的参数,对被控系统参数和运行状态改变有较强的适应性,克服了常规PID控制器鲁棒性不强的缺点.两机五节点系统和四机两区域系统的仿真结果表明所设计的控制器控制效果明显优于传统PID控制器,具有较好的适应性和鲁棒性,对系统低频振荡的阻尼特性有很大地改善.     

网络控制系统诱导时延的自适应补偿研究

在网络控制系统中,网络诱导时延是造成系统性能下降甚至不稳定的基本因素.为了有效地抑制网络时延对网络控制系统性能的影响,提出了一种基于BP神经网络补偿的自适应PID控制方法,在不改变已有PID控制器控制参数的情况下,实现了对网络时延的在线自适应补偿.仿真结果表明,与传统的PID控制器比较,该方法能有效补偿网络时延的影响.