[发明专利]基于人工神经网络的动力定位推力分配装置及方法

摘要

本发明提供了一种基于人工神经网络的动力定位推力分配方法，该方法为最优化问题中的二次规划问题，通过考虑前推进器转角，利用人工神经网络，可以计算推力分配问题约束条件中的后推进器推力系数。随后基于序列二次规划算法求解使推进器功率最小化的最优化问题，获得全回转推进器上的推力分配方案。同时提供了一种基于人工神经网络的动力定位推力分配装置。本发明通过引入推力系数的概念，一方面可以精确地量化推力损失，另一方面可以扩大推进器回转角的可行区域，从而使二次规划问题能获得更为优化与合理的结果，降低推进器功率，节约能源。

主权项

1.一种基于人工神经网络的动力定位推力分配方法，其特征在于，包括以下步骤：步骤S1，在实时控制计算机中建立并训练人工神经网络拟合推力系数；步骤S2，将训练完成的人工神经网络加入推力分配模型，得到如下模型：T_min≤T_i≤T_max其中，c_i为每个全回转推进器与流体密度ρ和螺旋桨直径D有关的常数，T_max,T_min分别表示每个全回转推进器所能发出推力大小的上限和下限，F_x,F_y,M_z分别为设定的纵荡、横荡和艏摇三个自由度方向上所有推进器合力与合力矩；步骤S3，在实时控制计算机中设定纵荡、横荡和艏摇三个自由度方向上所有推进器合力与合力矩；步骤S4，结合二次规划算法进行推力分配迭代计算；推力分配数学模型简记为：其中，x＝[T₁,T₂,…,T₈,α₁,α₂,…,α₈]，α_i,为第i个推进器的转角，i＝1,2,…,8，给定初值开始迭代计算，对于迭代过程中的某一中间值将每个推进器的转角变量带入训练好的人工神经网络，得到人工神经网络输出的第i个推进器的推力系数并带入推力分配模型；将推力分配模型线性化，得到线性约束的子问题：其中，B_k为使用Wilson‑Han‑Powell方法计算得到的对称正定矩阵；使用有效集方法求解线性约束的二次规划最优化问题，得到目标函数在x_k处得下降方向d_k与步长α_k，更新x_k+1＝x_k+α_kd_k；若新的解小于容许误差，则得到推力分配的最优解，否则继续迭代；将实时控制计算机根据推力分配迭代计算得到的各推进器转速与角度输出至全回转推进器转速控制器和角度控制器，从而产生海洋结构定位所需的推力，实现定位效果。