基于BP网络的全垫升气垫船运动模型的辨识与仿真

2019-01-17陆爱杰胡大斌

船电技术 2018年12期

陆爱杰，胡大斌

陆爱杰，胡大斌

(海军工程大学舰船与海洋学院，武汉 430033)

为了研究全垫升气垫船的操纵性能，建立了一种全垫升气垫船操纵运动的灰箱模型。通过MATLAB神经网络工具箱（nntool）建立BP神经网络，对全垫升气垫船的灰箱模型进行系统辨识，建立了全垫升气垫艇的人工神经网络操纵运动模型（Artificial Neural Networks Maneuvering Model，ANNMM），并对该模型进行Z型舵操纵仿真试验。结果表明：该模型的航向最大相对误差为0.36%，南北向速度最大相对误差为0.31%，东西向速度最大相对误差为0.13%。充分表明基于BP网络的辨识建模方法是有效的、可行的。

全垫升气垫船运动模型 BP网络辨识建模仿真

0 引言

全垫升气垫船是利用高压空气在船底和水面（或地面）间形成气垫，由气垫压力支撑船体重量，从而使船体升高并离开水面（或地面），通过船尾螺旋桨不断向后鼓风，产生反作用力而使船体实现高速航行的现代船舶。由于气垫船不是靠水的浮力，而是靠一定压力的气垫航行，因此具有速度快、两栖性良好等优点，它可在无道路的草地、沼泽地带、多石滩河面、水面和冰面上航行，在军用和民用方面具有广泛的用途[1]。

为了研究气垫船的操纵性能，对其进行建模显得十分重要。文献[2]基于机理建模的方法对气垫船动力系统进行了建模和仿真；文献[3]基于机理建模的方法建立气垫船四自由度操纵运动模型，并进行了运动仿真；文献[4]运用动力学分析的方法建立了气垫船平面运动的模型，并设计了航迹保持控制器。

气垫船是一个具有六自由度而且高度耦合的系统，对其进行分析往往需要在特定条件下进行近似处理，在特殊海洋的环境下可能导致模型的不适用。为了避免这一问题，本文基于Rumelhart[5]等提出的误差反向传播神经网络，即BP网络，对某型气垫船运动模型进行辨识建模。按船舶操纵性能要求[6]，对辨识模型进行三种不同强度的仿真试验。

1 BP辨识建模的基本原理

人工神经网络（简称神经网络）是由大量处理单元（即神经元）互联组成的具有学习功能的非线性信息数据处理系统，是一种模拟人脑的思维方式的数学模型。

1.1 BP网络结构

图1 BP网络结构

理论上只要有足够多的隐层和隐层节点BP网络可以逼近任意非线性映射关系，并且它的学习算法的逼近方式为全局逼近，所以该网络具有较强的泛化能力，同时网络的容错性较强。

1.2 算法原理

本文将气垫船的运动模型作为一个灰箱模型，不考虑其内部变化的规律。根据气垫船操纵运动的数据使用BP算法来对气垫船的运动模型进行辨识。辨识建模的结构图如图2所示。其中，为BP网络和气垫船的输入，为气垫船的输出，Y为BP网络的输出，为气垫船输出和网络输出的误差，用来修正BP网络的层间权值。

图2 BP网络辨识建模流程

BP算法主要包括两个部分，正向传播和反向传播。正向传播用来计算网络的输出，反向传播采用Delta(δ)学习规则来调整各层之间连接的权值。

2 MATLAB 神经网络工具箱

MATLAB神经网络工具箱的图形用户界面为建立和训练神经网络提供方便，避免了繁琐的代码编写过程，有利于提高研发的效率。

在MATLAB命令窗口中输入“nntool”的命令可以启动神经网络编辑器，其界面如图 3所示，本文使用的MATLAB版本为R2016b。

图3 神经网络编辑器

图中Input Data区域显示指定的输入向量，本文中为气垫船空气动力舵的输出值；Target Data区域显示指定的目标向量，本文中为气垫船的航向、航速；Output Data区域显示网络的输出值，本文中为辨识模型的输出值；Error Data区域显示误差；Networks显示设置的网络，本文中为用来辨识气垫船模型的BP网络；Input Delay States区域显示设置的输入延时状态，Layer Delay States区域显示层的延时状态。

3 模型的辨识与仿真

本文使用MATLAB神经网络工具箱，创建了如图4所示的BP网络结构，其中隐层包含20个神经元，输出层包含三个神经元。网络的输入为气垫船空气动力舵、气垫船航向以及气垫船船速在南北方向和东西方向的试验值。输出为BP网络辨识得到气垫船灰箱运动模型的输出值。使用图 4的BP网络进行全垫升气垫船运动模型的辨识，能够得到气垫船的人工神经网络操纵运动模型。

图4 辨识模型BP网络结构

根据文献[6]中对于船舶操纵性能的要求，本文采取10°/10°Z型舵操纵仿真试验。为了更加方便的验证本文模型辨识方法的可行性，采用物理分析方法建立了气垫船三自由度的操纵运动模型，用以模拟实船。并通过该数学模型得到的数据来训练BP神经网络，以达到辨识建模的目的。

3.1 辨识模型航向仿真分析

辨识模型航向仿真结果如图 5所示，该图反映了在10°/10°Z型舵操纵试验下辨识模型航向、真实航向随空气动力舵舵角变化，可以看出辨识模型输出航向与真实航向十分吻合。

图5 航向辨识结果

同时，从图 6可以看出辨识模型航向的相对误差最大为0.36%，辨识模型能够很好地描述气垫船在10°/10°Z型舵操纵试验下航向的变化。

图6 航向辨识相对误差

3.2 辨识模型南北向航速仿真分析

辨识模型南北向航速仿真结果如图7所示，该图反映了在10°/10°Z型舵操纵试验下辨识模型南北向航速和南北向真实航速的变化，可以看出两者比较吻合。

图7 南北向航速辨识结果

图8 南北向航速辨识相对误差

同时，从图 8可以看出辨识模型南北向航速的相对误差最大为0.31%，辨识模型能够很好地描述气垫船在10°/10°Z型舵操纵试验下南北向航速的变化。

3.3 辨识模型东西向航速仿真分析

辨识模型东西向航速仿真结果如图 9所示，该图反映了在10°/10°Z型舵操纵试验下辨识模型东西向航速和东西向真实航速的变化，可以看出两者相当吻合。

同时，从图 10可以看出辨识模型东西向航速的相对误差最大为0.13%，辨识模型能够很好地描述气垫船在10°/10°Z型舵操纵试验下东西向航速的变化。

图9 东西向航速辨识结果

图10 东西向航速辨识相对误差

4 结语

考虑到实船数据获取的复杂性，本文借助气垫船数学模型来模拟实船，由于机理建模在处理六自由度运动时，过程十分复杂，故而采取简化的三自由度气垫船数学模型作为实船的模拟，因而本文的辨识建模只涉及气垫船的三个自由度。

本文基于BP神经网络给出了气垫船一种建模方法。仿真结果表显示，在10°/10°Z型舵操纵试验下，辨识模型输出的航向、航速与模拟实船的数学模型输出的航向、航速十分吻合，其中航向的最大相对误差为0.36%，航速最大的相对误差为0.31%。在此基础之上还对辨识模型进行了中度试验和重度试验，结果的最大相对误差均在1%以内，上述表明该建模方法是有效的、可行的。

[1] 恽良. 气垫船原理与设计[M]. 北京: 国防工业出版社, 1990.

[2] 安卫,陈新传,敖晨阳,陈华清.基于MATLAB/SIMULINK的气垫船动力系统仿真研究[J]. 船舶工程, 2007, (01): 5-8.

[3] 卢军, 黄国樑. 全垫升气垫船4自由度操纵性[J]. 上海交通大学学报, 2007, (02): 216-220.

[4] 丁福光, 朱超, 方胜, 王成龙, 陶顺行. 全垫升气垫船PID-非奇异终端滑模的航迹保持[J]. 新型工业化, 2015, 5(05): 1-8.

[5] 李国勇, 杨丽娟. 神经·模糊·预测控制及其MATLAB实现[M].北京: 电子工业出版社, 2013.

[6] 贾欣乐, 杨盐生. 船舶运动数学模型[M]. 大连: 大连海事大学出版社, 1999.

[7] 代秋芬, 张元华, 胡帅显, 王磊. 基于BP神经网络的钢丝连续退火后抗拉强度的预测[J]. 热加工工艺, 2012, 41(12): 163-165.

Identification and Simulation of ACV Motion Model Based on BP Network

Lu Aijie, Hu Dabin

(Naval University of Engineering, Ship and ocean College, Wuhan 430033, China )

U661.33

1003-4862（2018）12-0057-04