陸愛杰，胡大斌

?

基于BP網(wǎng)絡(luò)的全墊升氣墊船運動模型的辨識與仿真

陸愛杰，胡大斌

(海軍工程大學(xué) 艦船與海洋學(xué)院，武漢 430033)

為了研究全墊升氣墊船的操縱性能，建立了一種全墊升氣墊船操縱運動的灰箱模型。通過MATLAB神經(jīng)網(wǎng)絡(luò)工具箱（nntool）建立BP神經(jīng)網(wǎng)絡(luò)，對全墊升氣墊船的灰箱模型進行系統(tǒng)辨識，建立了全墊升氣墊艇的人工神經(jīng)網(wǎng)絡(luò)操縱運動模型（Artificial Neural Networks Maneuvering Model，ANNMM），并對該模型進行Z型舵操縱仿真試驗。結(jié)果表明：該模型的航向最大相對誤差為0.36%，南北向速度最大相對誤差為0.31%，東西向速度最大相對誤差為0.13%。充分表明基于BP網(wǎng)絡(luò)的辨識建模方法是有效的、可行的。

全墊升氣墊船 運動模型 BP網(wǎng)絡(luò) 辨識建模 仿真

0 引言

全墊升氣墊船是利用高壓空氣在船底和水面（或地面）間形成氣墊，由氣墊壓力支撐船體重量，從而使船體升高并離開水面（或地面），通過船尾螺旋槳不斷向后鼓風(fēng)，產(chǎn)生反作用力而使船體實現(xiàn)高速航行的現(xiàn)代船舶。由于氣墊船不是靠水的浮力，而是靠一定壓力的氣墊航行，因此具有速度快、兩棲性良好等優(yōu)點，它可在無道路的草地、沼澤地帶、多石灘河面、水面和冰面上航行，在軍用和民用方面具有廣泛的用途[1]。

為了研究氣墊船的操縱性能，對其進行建模顯得十分重要。文獻[2]基于機理建模的方法對氣墊船動力系統(tǒng)進行了建模和仿真；文獻[3]基于機理建模的方法建立氣墊船四自由度操縱運動模型，并進行了運動仿真；文獻[4]運用動力學(xué)分析的方法建立了氣墊船平面運動的模型，并設(shè)計了航跡保持控制器。

氣墊船是一個具有六自由度而且高度耦合的系統(tǒng)，對其進行分析往往需要在特定條件下進行近似處理，在特殊海洋的環(huán)境下可能導(dǎo)致模型的不適用。為了避免這一問題，本文基于Rumelhart[5]等提出的誤差反向傳播神經(jīng)網(wǎng)絡(luò)，即BP網(wǎng)絡(luò)，對某型氣墊船運動模型進行辨識建模。按船舶操縱性能要求[6]，對辨識模型進行三種不同強度的仿真試驗。

1 BP辨識建模的基本原理

人工神經(jīng)網(wǎng)絡(luò)（簡稱神經(jīng)網(wǎng)絡(luò)）是由大量處理單元（即神經(jīng)元）互聯(lián)組成的具有學(xué)習(xí)功能的非線性信息數(shù)據(jù)處理系統(tǒng)，是一種模擬人腦的思維方式的數(shù)學(xué)模型。

1.1 BP網(wǎng)絡(luò)結(jié)構(gòu)

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)

理論上只要有足夠多的隱層和隱層節(jié)點BP網(wǎng)絡(luò)可以逼近任意非線性映射關(guān)系，并且它的學(xué)習(xí)算法的逼近方式為全局逼近，所以該網(wǎng)絡(luò)具有較強的泛化能力，同時網(wǎng)絡(luò)的容錯性較強。

1.2 算法原理

本文將氣墊船的運動模型作為一個灰箱模型，不考慮其內(nèi)部變化的規(guī)律。根據(jù)氣墊船操縱運動的數(shù)據(jù)使用BP算法來對氣墊船的運動模型進行辨識。辨識建模的結(jié)構(gòu)圖如圖2所示。其中，為BP網(wǎng)絡(luò)和氣墊船的輸入，為氣墊船的輸出，Y為BP網(wǎng)絡(luò)的輸出，為氣墊船輸出和網(wǎng)絡(luò)輸出的誤差，用來修正BP網(wǎng)絡(luò)的層間權(quán)值。

圖2 BP網(wǎng)絡(luò)辨識建模流程

BP算法主要包括兩個部分，正向傳播和反向傳播。正向傳播用來計算網(wǎng)絡(luò)的輸出，反向傳播采用Delta(δ)學(xué)習(xí)規(guī)則來調(diào)整各層之間連接的權(quán)值。

2 MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱

MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的圖形用戶界面為建立和訓(xùn)練神經(jīng)網(wǎng)絡(luò)提供方便，避免了繁瑣的代碼編寫過程，有利于提高研發(fā)的效率。

在MATLAB命令窗口中輸入“nntool”的命令可以啟動神經(jīng)網(wǎng)絡(luò)編輯器，其界面如圖 3所示，本文使用的MATLAB版本為R2016b。

圖3 神經(jīng)網(wǎng)絡(luò)編輯器

圖中Input Data區(qū)域顯示指定的輸入向量，本文中為氣墊船空氣動力舵的輸出值；Target Data區(qū)域顯示指定的目標(biāo)向量，本文中為氣墊船的航向、航速；Output Data區(qū)域顯示網(wǎng)絡(luò)的輸出值，本文中為辨識模型的輸出值；Error Data區(qū)域顯示誤差；Networks顯示設(shè)置的網(wǎng)絡(luò)，本文中為用來辨識氣墊船模型的BP網(wǎng)絡(luò)；Input Delay States區(qū)域顯示設(shè)置的輸入延時狀態(tài)，Layer Delay States區(qū)域顯示層的延時狀態(tài)。

3 模型的辨識與仿真

本文使用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱，創(chuàng)建了如圖4所示的BP網(wǎng)絡(luò)結(jié)構(gòu)，其中隱層包含20個神經(jīng)元，輸出層包含三個神經(jīng)元。網(wǎng)絡(luò)的輸入為氣墊船空氣動力舵、氣墊船航向以及氣墊船船速在南北方向和東西方向的試驗值。輸出為BP網(wǎng)絡(luò)辨識得到氣墊船灰箱運動模型的輸出值。使用圖 4的BP網(wǎng)絡(luò)進行全墊升氣墊船運動模型的辨識，能夠得到氣墊船的人工神經(jīng)網(wǎng)絡(luò)操縱運動模型。

圖4 辨識模型BP網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)文獻[6]中對于船舶操縱性能的要求，本文采取10°/10°Z型舵操縱仿真試驗。為了更加方便的驗證本文模型辨識方法的可行性，采用物理分析方法建立了氣墊船三自由度的操縱運動模型，用以模擬實船。并通過該數(shù)學(xué)模型得到的數(shù)據(jù)來訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，以達到辨識建模的目的。

3.1 辨識模型航向仿真分析

辨識模型航向仿真結(jié)果如圖 5所示，該圖反映了在10°/10°Z型舵操縱試驗下辨識模型航向、真實航向隨空氣動力舵舵角變化，可以看出辨識模型輸出航向與真實航向十分吻合。

圖5 航向辨識結(jié)果

同時，從圖 6可以看出辨識模型航向的相對誤差最大為0.36%，辨識模型能夠很好地描述氣墊船在10°/10°Z型舵操縱試驗下航向的變化。

圖6 航向辨識相對誤差

3.2 辨識模型南北向航速仿真分析

辨識模型南北向航速仿真結(jié)果如圖7所示，該圖反映了在10°/10°Z型舵操縱試驗下辨識模型南北向航速和南北向真實航速的變化，可以看出兩者比較吻合。

圖7 南北向航速辨識結(jié)果

圖8 南北向航速辨識相對誤差

同時，從圖 8可以看出辨識模型南北向航速的相對誤差最大為0.31%，辨識模型能夠很好地描述氣墊船在10°/10°Z型舵操縱試驗下南北向航速的變化。

3.3 辨識模型東西向航速仿真分析

辨識模型東西向航速仿真結(jié)果如圖 9所示，該圖反映了在10°/10°Z型舵操縱試驗下辨識模型東西向航速和東西向真實航速的變化，可以看出兩者相當(dāng)吻合。

同時，從圖 10可以看出辨識模型東西向航速的相對誤差最大為0.13%，辨識模型能夠很好地描述氣墊船在10°/10°Z型舵操縱試驗下東西向航速的變化。

圖9 東西向航速辨識結(jié)果

圖10 東西向航速辨識相對誤差

4 結(jié)語

考慮到實船數(shù)據(jù)獲取的復(fù)雜性，本文借助氣墊船數(shù)學(xué)模型來模擬實船，由于機理建模在處理六自由度運動時，過程十分復(fù)雜，故而采取簡化的三自由度氣墊船數(shù)學(xué)模型作為實船的模擬，因而本文的辨識建模只涉及氣墊船的三個自由度。

本文基于BP神經(jīng)網(wǎng)絡(luò)給出了氣墊船一種建模方法。仿真結(jié)果表顯示，在10°/10°Z型舵操縱試驗下，辨識模型輸出的航向、航速與模擬實船的數(shù)學(xué)模型輸出的航向、航速十分吻合，其中航向的最大相對誤差為0.36%，航速最大的相對誤差為0.31%。在此基礎(chǔ)之上還對辨識模型進行了中度試驗和重度試驗，結(jié)果的最大相對誤差均在1%以內(nèi)，上述表明該建模方法是有效的、可行的。

[1] 惲良. 氣墊船原理與設(shè)計[M]. 北京: 國防工業(yè)出版社, 1990.

[2] 安衛(wèi),陳新傳,敖晨陽,陳華清.基于MATLAB/SIMULINK的氣墊船動力系統(tǒng)仿真研究[J]. 船舶工程, 2007, (01): 5-8.

[3] 盧軍, 黃國樑. 全墊升氣墊船4自由度操縱性[J]. 上海交通大學(xué)學(xué)報, 2007, (02): 216-220.

[4] 丁福光, 朱超, 方勝, 王成龍, 陶順行. 全墊升氣墊船PID-非奇異終端滑模的航跡保持[J]. 新型工業(yè)化, 2015, 5(05): 1-8.

[5] 李國勇, 楊麗娟. 神經(jīng)·模糊·預(yù)測控制及其MATLAB實現(xiàn)[M].北京: 電子工業(yè)出版社, 2013.

[6] 賈欣樂, 楊鹽生. 船舶運動數(shù)學(xué)模型[M]. 大連: 大連海事大學(xué)出版社, 1999.

[7] 代秋芬, 張元華, 胡帥顯, 王磊. 基于BP神經(jīng)網(wǎng)絡(luò)的鋼絲連續(xù)退火后抗拉強度的預(yù)測[J]. 熱加工工藝, 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

A

1003-4862（2018）12-0057-04

2018-07-13

陸愛杰(1994-)，男，碩士研究生。研究方向：艦船動力裝置自動化與仿真技術(shù)。E-mail: 15623520185@163.com