[发明专利]一种基于机器学习的在线实时推力分配方法

权利要求书

1.一种基于机器学习的在线实时推力分配方法，其特征在于，包括：

步骤S1：确定船舶推进装置布局，载入各推进器的参数，其中，推进器的参数包括：推进器推力方向可变范围、推力大小可变范围、推力方向变化率范围，推力大小变化率范围；

步骤S2：接受到控制信号后，根据控制信号得到目标合推力，其中，所述合推力由纵向推力和、横向推力和与艏摇力矩和组成；

步骤S3：将各推进器的推进器推力方向可变范围、推力大小可变范围、推力方向变化率范围，推力大小变化率范围作为约束条件，建立目标函数：

s＝B(α)u-τ^*

其中：J(u,α,s)为目标函数，u为各推进器的推力大小矩阵，α为推力方向矩阵，W为功率项加权系数，Q为误差加权正定矩阵，k为其一程度加权系数，m为推进器个数，i为推进器序号，c为推力功率加权矩阵，u_i为第i个推进器的推力大小，s为误差矩阵，ε为大于0的无限小实数，λ为矩阵奇异值，B(α)为推力方向系数矩阵，(·)^T为矩阵的转置，τ^*为实际合推力；

步骤S4：采用机器学习算法中的粒子群算法对推力分配问题进行优化，得到最佳推力分配。

2.根据权利要求1所述的一种基于机器学习的在线实时推力分配方法，其特征在于，所述步骤S2包括：

步骤S21：接受到控制信号后，根据控制信号得到目标合推力；

步骤S22：查找针对该目标合推力和当前各推进器的状态是否存储有的推力分配方案，若为是，则采用该存储的推力分配方案进行推力分配，若为否，则执行步骤S3。

3.根据权利要求2所述的一种基于机器学习的在线实时推力分配方法，其特征在于，所述步骤S4中：采用机器学习算法中的粒子群算法对推力分配问题进行优化，得到最佳推力分配后，将该最佳推力分配进行存储。

4.根据权利要求1所述的一种基于机器学习的在线实时推力分配方法，其特征在于，所述步骤S4具体包括：

步骤S41：定义由2m个粒子组成的群体，根据粒子对应推进器的当前位置，初始化各粒子的初始位置和个体最好位置；

步骤S42：根据所有粒子的当前最好位置计算群体的平均最好位置；

步骤S43：对群体中的每一个粒子，分别更新其最好位置。

5.根据权利要求4所述的一种基于机器学习的在线实时推力分配方法，其特征在于，所述步骤S43中对每一个粒子更新其最好位置的过程具体包括：

步骤S431：对粒子的最好位置进行更新；

步骤S432：若粒子的最好值优于当前全局最好位置，则用更新后的粒子最好位置替换当前该粒子的最好位置；

步骤S433：判断更新次数是否达到设定阈值，若为是，则该粒子更新结束，若为否，则返回步骤S431。

6.根据权利要求4所述的一种基于机器学习的在线实时推力分配方法，其特征在于，所述群体的平均最好位置为：

其中：C为群体的平均最好位置，M为群体中粒子的个数，P_i为第i个粒子的个体最好位置。

7.根据权利要求4所述的一种基于机器学习的在线实时推力分配方法，其特征在于，所述全局最好位置为当前迭代中，所有粒子中的最好位置最好的一个粒子的最好位置。