1769-L32E/A

详情描述：

1769-L32E/A

1769-L32E/A

图3为多输入多输出控制器方框图。由于需要测量垂荡和纵摇两个输入量,因此采用多输入多输出(MIMO控制方法,使用多变量PD控制器实现对艉压浪板和T型水翼动作的控制以达到减小船舶垂荡和纵摇的控制目标。以水平面为基准,为艉压浪板规定了一个-7.5°的初始位置,当有控制信号时,经过一个±7.5°范围内的限位信号,艉压浪板在0°至-15°范围内转动,否则艉压浪板调整至以水平面为基准的-7.5°。当有控制信号时T型水翼在±15°范围内运动,否则T型水翼调整至以水平面为基准的0°
船与执行装置模块的内部结构如图1 所示。
为便于控制,采用两个PD控制器,其传递函数和如下:      



式中分别表示:控制器的增益,控制器的时间常数,控制器的增益,控制器的时间常数。

遗传算法对解决复杂系统优化问题,特别是对一些组合优化问题的求解有着良好能力[8]。文中控制器参数的优化就是利用遗传算法求解优化问题解决的。遗传算法基本流程图如下所示:

   

图4    遗传算法基本流程图

由以上流程图可知,在遗传算法中,首先通过随机方式产生若干个所求问题的数字编码来形成初始群体,以此为进化起点的代群体,并计算每个编码的个体适应度值来对每个个体进行数值评价。这里的适应度

值体现并反映了目标函数的寻优信息。接下来,从群体中随机挑选若干个体作为繁殖过程的样本集合,选择机制应保证适应度较高的个体保留较多的样本,而适应度较低的个体则保留较少的样本或被淘汰。在繁殖过程中,利用交叉和变异两种算子,以一定的交叉概率和变异概率对挑选后的样本进行变换,从而给出新的个体。后通过新老个体替换产生下一代群体。算法不断重复上述评价、选择、繁殖和替换过程,直到结束条件得到满足为止。通常进化过程的后一代群体中适应度较高的个体,就是利用遗传算法求解优化问题的终结果。本文就是依据此算法不断重复评价、选择、繁殖和替换的过程,对控制器参数进行优化。

1769-L32E/A

D0134AB - FOXBORO
D0134AB - FOXBORO
D0134AF - FOXBORO
D0134AF - FOXBORO
D0134AN - FOXBORO
D0134AN - FOXBORO
D0134BU - FOXBORO
D0134BU - FOXBORO
D0134MP-T - FOXBORO
D0134MP-T - FOXBORO
D0134MPT - FOXBORO
D0134MQ - FOXBORO
D0134QN - FOXBORO
D0137AC - FOXBORO
D0137AD - FOXBORO
D0137AE - FOXBORO
D0137AP - FOXBORO
D0137AS - FOXBORO
D0137AV - FOXBORO
D0137AW - FOXBORO
D0137AX - FOXBORO
D0137EA - FOXBORO
D0137KU - FOXBORO
D0137KX - FOXBORO
D0137KY - FOXBORO
D0137SG - FOXBORO
D0137SK - FOXBORO
D0137XY - FOXBORO
D0140AA - FOXBORO
D0140AD - FOXBORO
D0140AE - FOXBORO
D0140AY - FOXBORO
D0140FT - FOXBORO
D0140JA - FOXBORO
D0140JB - FOXBORO
D0140JE - FOXBORO
D0140JF - FOXBORO
D0140JJ - FOXBORO
D0140KN - FOXBORO
D0140YF - FOXBORO
D0140YQ - FOXBORO
D0143SK - FOXBORO
D0143WE - FOXBORO
D0146AA - FOXBORO
D0146GA - FOXBORO