[发明专利]一种基于循环神经网络PID波浪补偿平台控制方法

说明书

本发明提供了一种基于循环神经网络PID波浪补偿平台控制方法，包括：步骤1，根据机理建模的方法得到波浪补偿平台的动力学和运动学模型；步骤2，确定循环神经网络的结构；步骤3，对循环神经网络系统的输出值y(k)进行采样；步骤4，根据循环神经网络的激活函数和加权系数计算其各层神经元的输入和输出；步骤5，根据公式计算PID控制器在此时的K_p、K_i、K_d参数下的输出u(k)；步骤6，在线调整加权系数以完成循环神经网络的学习过程；步骤7，学习过程直到输出层的输出与期望值的偏差在可接受的范围内时，才会停止；反之，令k＝k+1，返回步骤3继续学习。

技术领域

本发明涉及一种波浪补偿控制技术，特别是一种基于循环神经网络PID波浪补偿平台控制方法。

背景技术

船舶在海洋中执行工作任务时，海浪的无规律起伏会使船舶呈现复杂的运动，如横摇运动、纵摇运动和升沉运动，进而影响船舶及船载设备的运行安全。如在大风海况下，船与船之间的货物吊运会造成船只碰撞、货物与船舶甲板发生猛烈撞击，极端情况下可能会导致钢丝绳断裂，这将给工作人员、货物以及船舶造成不可挽回的损伤，这种安全事件对海上运输及作业的安全影响极大。针对上述种种安全问题，我们需要对海上工作的船舶采取强有力的补偿措施，最大限度地减小风浪对工作船舶的影响。波浪补偿平台，可以对船舶的横摇运动、纵摇运动和升沉运动进行有效补偿，能够提高船舶及船载设备的安全，提高船舶及船载设备的工作效率。

在众多的控制方法中，对于传统的PID控制方法，如中国公开专利号：CN110083057A，由于受到复杂多变的环境条件的扰动，传统PID控制参数整定适应性会很差，控制精度低，很难达到理想的补偿效果。目前，将具有自学习能力的神经网络广泛应用于PID控制研究中，可以对PID控制参数进行自适应整定以及适应非线性系统的控制要求。BP神经网络(Back Propagation)具有非线性映射的能力并进行学习以适应环境变化，因而可以采用BP神经网络根据系统的状态变化自动的调节优化PID控制器参数，如中国公开专利号：CN106682735A，采用BP神经网络调节优化PID控制器参数，从而实现某一指标要求下的最优控制效果，但是BP神经网络是基于梯度下降的算法，存在收敛速度慢且易陷入局部极小点，网络训练时对初始连接权值和阈值很敏感等缺陷。针对以上控制方法的不足，提出了用循环神经网络对PID参数进行优化。循环神经网络本质上是非线性系统，可以很好的解决控制理论中面临的非线性问题。并且循环神经网络所有时刻的权重矩阵都是共享的，可以很好地解决BP神经网络存在的问题。

循环神经网络(Recurrent Neural Network)用于解决训练样本输入是连续的序列，且序列的长短不一的问题，比如基于时间序列的问题。基础的神经网络只在层与层之间建立了权连接，RNN最大的不同之处就是在层之间的神经元之间也建立的权连接。传统的神经网络DNN或者CNN网络他们的输入和输出都是独立的。对于这些模型输入的数据跟输出的数据大多是关联不太紧密的场景，但是有些场景输入的数据对后面输入的数据是有关系的，或者后面的数据跟前面的数据是有关联的。而循环神经网络的每一时刻的输出都跟当前时刻的输入和上一时刻的输出有关。

发明内容

本发明的目的在于提供一种基于循环神经网络PID波浪补偿平台控制方法，实现对波浪补偿平台的控制。

实现本目的的发明方案为：一种基于循环神经网络PID波浪补偿平台控制方法，包括以下步骤：

步骤1：根据机理建模的方法得到波浪补偿平台的动力学和运动学模型，通过矩阵法以四阶矩阵来变换三维空间坐标为基础，能够将运动、变换、映射转化为简单的矩阵运算，可以用来表示各部件的位移、速度和加速度；电动缸通过胡克铰与动平台及机座相连，电动缸通过同步齿形带与电机的输出轴连接，把电机的旋转运动利用高精度高强度的丝杠变换成电动缸缸杆的直线运动，给平台提供动力；