陈志梅,卢莹斌,邵雪卷,赵志诚

• 1:太原科技大学电子信息工程学院

摘要(Abstract)：

受海浪、风力等因素的干扰，深海起重机升沉补偿系统的响应速度缓慢，系统对于负载位移的控制精度较差。为了提高升沉补偿系统响应速度与系统对负载位移的控制精度，保证起重机在各种海况下正常作业，提出了基于CNN-LSTM深度学习网络的滑模预测控制方法。首先，将CNN网络与LSTM网络结合，建立CNN-LSTM深度学习网络控制系统预测模型。其次，通过参考位移与实际位移的误差建立滑模面，并根据幂次函数设计滑模面参考轨迹；采用粒子群算法(PSO)对性能指标进行寻优，得出控制律，根据控制律控制负载实际位移跟随参考位移。最后，进行了仿真研究。结果表明与传统模型预测控制相比，在该方法的控制作用下，系统的响应速度更快，系统对负载位移的控制精度更高，系统的鲁棒性能更强。

关键词(KeyWords)： 升沉补偿;CNN-LSTM;滑模预测控制;粒子群算法

Abstract:

Keywords:

基金项目(Foundation): 山西省自然科学基金(201901D111263);; 山西省重点研发计划(201803D121025);; 山西省研究生教育改革研究课题(20191G173)

作者(Author): 陈志梅,卢莹斌,邵雪卷,赵志诚

参考文献(References)：

• [1] 张氢，夏华，杨宁，等.新型电动升沉补偿系统建模及联合仿真[J].系统仿真学报，2018,30(8):2973-2981.
• [2] 谢天财，黄良沛，邹东升，等.海洋绞车主动升沉补偿控制系统建模与仿真分析[J].海洋工程，2021,39(1):153-161.
• [3] SHI M,GUO S,JIANG L,et al.Active-Passive Combined Control System in Crane Type for Heave Compensation[J].IEEE Access,2019,7:159960-159970.
• [4] WOODACRE J K,BAUER R J,IRANI R.Hydraulic valve-based active-heave compensation using a model-predictive controller with non-linear valve compensations[J].Ocean Engineering,2018,152:47-56.
• [5] 李海霞.波浪影响下船舶横摇运动的时间序列预测数学建模研究[J].舰船科学技术，2017,39(22):13-15.
• [6] BUHAI S,LING X,QIPENG W,et al.Active heave compensation prediction research for deep sea homework crane based on KPSO-SVR[C]//TCCT,CAA:Nanjing,2014.
• [7] 苗言明，刘立群，王伟，等.基于灰色极限学习机组合光伏发电预测[J].太原科技大学学报，2020,41(3):195-200.
• [8] 樊兆峰，马小平，邵晓根.非线性系统RBF神经网络多步预测控制[J].控制与决策，2014,29(7):1274-1278.
• [9] ZHAO Q,LIU Q,CAO N,et al.Stepped generalized predictive control of test tank temperature based on backpropagation neural network[J].Alexandria engineering journal,2021,60(1):357-364.
• [10] 楼梦瑶，王旭阳，陈瑞，等.基于NARX神经网络的船舶升沉运动实时预测方法[J].中国舰船研究，2020,15(1):48-55.
• [11] 石慧，王婉娜，张岩，等.基于长短期记忆网络的齿轮剩余寿命预测研究[J].太原科技大学学报，2020,41(5):338-343.
• [12] 易利容，王绍宇，殷丽丽，等.基于多变量LSTM的工业传感器时序数据预测[J].智能计算机与应用，2018,8(5):13-16.
• [13] 杨东超.船舶甲板吊放设备升沉补偿控制方法研究[D].武汉：华中科技大学，2018.
• [14] 孙彪，孙秀霞，陈琳，等.基于幂次函数的离散滑模控制算法[J].控制与决策，2011,26(2):285-288.