摘 要

船舶由于自身的大惯性、非线性的特点，在内河或者海上航行时容易收到风、浪、流等外界因素的干扰，使得船舶航行的安全性和稳定性无法得到有效的保障。所以我们在设计船舶的自动舵时应考虑使其具有较强的鲁棒性和自适应性，船舶航向控制器的参数应该要能根据外界环境的变化而进行自动的调整，以确保船舶能按给定方向航行，并尽量提高经济性。

本文以在内河或海上运行时的六自由度船舶简化模型为主要的研究对象，采用常规PID控制器与基于BP神经网络Q学习算法控制器分别对“育鲲轮”的Nomoto模型进行控制，并对它们的仿真结果进行对比。对于常规PID控制器，根据具体不变的船舶模型，由船舶各参数能得出比较准确且适用的控制器参数，这使得船舶能较好地适应内外环境的变化。对于基于BP神经网络Q学习算法的控制器，利用BP神经网络存储和逼近Q学习算法中的Q值表，使用Q学习算法对BP神经网络的参数进行调整。神经网络控制器通过将船舶模型的实时输入偏差与实时输出等作为样本输入数据进行在线学习，实现了船舶航向自适应性控制，能适应外部环境变化而导致的参数变化，并且在海上运行时的性能明显优于常规PID控制器。

关键词：六自由度船舶简化模型、PID控制器、BP神经网络、Q学习算法、Nomoto模型、船舶航向自适应性控制

Abstract

Due to its large inertia and non-linear characteristics, ships are prone to interference from external factors such as wind, waves, and currents when sailing in rivers or at sea, making it impossible to effectively guarantee the safety and stability of ship navigation. Therefore, when designing the ship's autopilot, we should consider it to be robust and adaptive. The parameters of the ship's heading controller should be able to be automatically adjusted according to changes in the external environment to ensure that the ship can navigate in a given direction and maximize economics.

This paper takes the simplified model of six-degree-of-freedom ship in inland or offshore operation as the main research object, and uses the conventional PID controller and the controller based on BP neural network Q learning algorithm to control the Nomoto model of "YuKun", and Compare their simulation results. For the conventional PID controller, according to the specific unchanged ship model, the parameters of the ship can be used to derive more accurate and applicable controller parameters, which could make the ship better able to adapt to changes in the internal and external environment. For the controller based on the BP neural network Q learning algorithm, the BP neural network is used to store and approximate the Q value table in the Q learning algorithm, and the Q learning algorithm is used to adjust the parameters of the BP neural network. The neural network controller realizes the adaptive control of the ship's course by online learning of the ship model's real-time input deviation and real-time output as sample input data, which can adapt to changes in parameters caused by changes in the external environment. The performance is obviously better than the conventional PID controller.

Key Words: Six-degree-of-freedom ship simplified model; PID controller; BP neural network; Q learning algorithm; Nomoto model; adaptive control of ship course

目 录

摘要

Abstract

第一章 绪论 1

1.1 课题研究背景及意义 1

1.2 国内外研究现状 1

1.2.1船舶航向控制的研究现状 1

1.2.2神经网络研究现状 3

1.2.3增强学习算法的研究现状 4

第二章 六自由度船舶运动模型 5

2.1主要运动参数 5

2.2船舶模型的简化 5

2.3船舶模型的确定 6

第三章 BP神经网络 8

3.1 BP神经网络简介 8

3.2 BP神经网络的结构模型 8

3.3 BP神经网络的学习过程 9

3.4 BP神经网络的算法原理 9

3.5 BP神经网络的简要分析 10

3.5.1 BP神经网络的优缺点 10

3.5.2 BP神经网络的应用 11

第四章 Q学习算法 12

4.1马尔可夫决策过程 12

4.2 Q学习算法的定义 12

4.3 Q学习算法的实现步骤 13

4.4 Q学习算法的优缺点 13

4.5 基于BP神经网络的Q学习算法 14

第五章 船舶电驱运动控制系统的设计 16

5.1 船舶航向控制的基本原理 16

5.2 常规PID控制的船舶电驱运动控制系统的设计 16

5.2.1 PID控制的原理 16

5.2.2 常规PID控制器的设计 17

5.2.3 常规PID控制系统的仿真设计 18

5.3 基于BP神经网络Q学习算法的船舶电驱运动控制系统的设计 21

5.3.1 基于BP神经网络Q学习算法的控制器的设计 21

5.3.2 基于BP神经网络Q学习算法的系统仿真设计 21

总结与展望 24

参考文献 25

致谢 27

第一章 绪论

1.1 课题研究背景及意义

自大航海时代以来，海运的兴起使得世界各地的联系不断加深，推动世界经济向着全球化的方向迅速发展，带来了人类物质与精神文明的极大繁荣。时至今日，工业4.0时代已然来临，毫无疑问世界各国间的经济合作将持续深入发展，其间往来的贸易交流也会更加频繁。作为远洋贸易主体的航运业，由于其环保、便利、经济、可靠性高等特点，现今仍然是国际贸易中的热门选择，备受世界各国青睐。由此，积极推动航海技术的发展和提高航海设备的先进性一直以来都是世界各国的关注热点。而中国作为世界上数一数二的大国，在全球化贸易中占有重要的主导地位，积极地去推动本国航海技术和设备的发展刻不容缓。

船舶一般而言具有相当大的惯性，其在内河或海上运行时，加之又有着风、浪、流等外界因素的干扰，使得船舶的实际航向极易产生误差，并且一般情况下船舶的航向轨迹会呈现近“S”形，这样就需要船舶工作人员频繁操舵来使船舶尽量保持直线航行，进而容易导致主机功率的损耗大大增加。同时，船舶航向系统的数学模型大多存在非线性和复杂性的特点，传统的控制策略很难达到符合要求的控制目标，并且随着船舶控制技术的不断发展，现阶段我们对船舶航向控制器的控制效果要求越来越高，对于各种新型智能舵的研究也十分热门。就目前而言，如今船舶的自动舵仍较多地采用PID舵，这主要是由其设计方法已相当成熟、应用范围广、原理易懂，易被人们学习和掌控、不需要建立复杂的数学模型、控制性能好的长处，加之经济性好的优点所决定的，其缺点是对相应参数无法自行调整。而目前的智能舵，主要应用的模糊控制、专家系统、神经网络控制技术等大多仍处于理论研究阶段，没有实现产品化或产品化代价过于高昂^[1]。