贾玉鹏, 神和龙, 尹 勇, 张秀凤

(大连海事大学 航海动态仿真和控制交通部重点实验室， 辽宁 大连 116026)

大型船舶靠泊被认为是最困难的船舶操纵之一。当船舶低速靠近泊位时，船舶的操纵性与可控性急剧下降，并且由于岸壁效应与浅水效应，导致大型无人船的靠泊更加困难[1]。人工神经网络(Artificial Neural Network，ANN)具有较强的非线性映射能力，可以学习经验丰富船长的操纵过程，被广泛应用在自主靠泊控制器中。2002年，Mizuno等[2]提出了基于神经网络的船舶最小时间操纵系统。该方法既可以用于插值预计算的最小时间解，又可以补偿模型误差以及干扰引起的误差。这个控制策略在“Shioji Maru”号实习船上进行海试并取得了理想的效果。2012年Ahmed[3]采用虚拟窗口技术，解决了神经网络自动靠泊控制中训练数据的一致性问题，实验验证了该方法也可以增强控制器对风干扰的处理能力。2013与2014年Ahmed、Hasegawa等[4-6]考虑舵角受限的情形，进一步增强了样本的一致性。同时首次考虑了阵风的干扰而不是均匀风，通过对不同船舶的靠泊实验，验证了其设计的ANN控制器的有效性。2018年Im与Nguyen等[7-8]提出了一种“艏向上”的坐标系统，他们将ANN的输入由船舶位置坐标更换为船舶距离泊位间距、航向与虚拟引航线的夹角，这样极大增强了控制器的适用范围。张强、张显库等[9]通过取消虚拟导航线与位置辅助线参数，来解决多参数船舶自动靠泊神经网络控制器的负荷问题。在大样本的数据处理中，采用有效数据提取方法优化控制效果，缩短计算时间，提高了控制的实时性。……