CN106647781B - 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法 - Google Patents
基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法 Download PDFInfo
- Publication number
- CN106647781B CN106647781B CN201610947397.4A CN201610947397A CN106647781B CN 106647781 B CN106647781 B CN 106647781B CN 201610947397 A CN201610947397 A CN 201610947397A CN 106647781 B CN106647781 B CN 106647781B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- control
- pid
- quadrotor
- compensation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 210000002569 neuron Anatomy 0.000 title claims abstract description 73
- 230000003252 repetitive effect Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000013461 design Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004672 jump response Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
- G05D1/0816—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability
- G05D1/0825—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability using mathematical models
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
供一种基于重复控制补偿神经模糊PID四旋翼飞行器的控制方法,包括以下步骤:S10:建立四旋翼无人机的动力学模型;S20:基于重复补偿神经模糊PID控制,S21:设计由神经网络生成模糊推理(规则)并能够自调整PID参数的网络结构;S22:重复补偿控制。本发明提供的方法将基于内模原理的重复控制嵌入到基于神经网络生成模糊推理自调整PID闭环控制中,形成基于重复补偿神经模糊PID控制,使得***仍然处于闭环状态,神经模糊PID对输出误差进行实时的控制调节,***在稳定状态下时,重复补偿控制器进行调节,从而使稳态状态下输出信号能够很好地跟踪输入信号,当有较大的干扰时神经模糊PID调节输入信号,使信号误差减小,提升飞行器***的跟踪精度。
Description
技术领域
本发明涉及无人飞行器技术领域,具体涉及到四旋翼无人飞行器的飞行控制方法。
背景技术
四旋翼飞行器有6个自由度,通过四个独立电机驱动螺旋桨产生升力、推力,从而使四旋翼飞行器实现空中悬停和改变飞行姿态,是一类多输入多输出、强耦合、欠驱动非线性***。且飞行***要求无超调(或超调量较小)并且能够快速的跟踪输入指令,稳态时无静态误差,具有较强的抗干扰能力和对***参数变化时,要有较强的鲁棒性。PID控制(Proportional-integral-derivative Control)因其简单,稳定性好,较好的鲁棒性且技术相对其他控制算法比较成熟,仍然是目前大多数飞行器首选的控制算法。但是由于四旋翼飞行器本身***的不确定性以及飞行过程中受到外部的影响等,使PID控制中的参数无法自调整,从而影响飞行器的飞行姿态,且PID控制中飞行器***的跟踪精度较低。
发明内容
本发明旨在解决现有技术中存在的技术问题。
提供一种行之有效的控制方法,使得飞行器在受到外部干扰时能够实时的对飞行器的飞行姿态进行自调整,提高并改善飞行***的跟踪精度。
本发明目的在于解决四旋翼无人机的飞行姿态控制方法中常规PID算法的PID参数的自调整过程误差大,以及跟踪精度不足的问题,提出了基于重复控制补偿神经模糊自整定PID的控制方法,以期提高四旋翼飞行器的飞行性能。
为实现上述目的,本发明提出的一种基于重复控制补偿神经模糊PID四旋翼飞行器的控制方法,包括如下步骤:
S10:建立四旋翼无人机的动力学模型
根据四旋翼飞行器的飞行姿态,通过牛顿-欧拉方程和坐标转换矩阵建立飞行器的动力学的数学模型,其中动力学方程如式(1):
式中,m为四旋翼飞行器的质量,g为重力加速度,μx、μy、μz为X轴、Y轴、Z轴三个方向的空气阻力系数,Jx、Jz、Jz为四旋翼飞行器绕X轴、Y轴、Z轴的转动惯量,Ir为四旋翼飞行器的旋翼相对于旋转轴的转动惯量,l为旋翼中心点到坐四旋翼飞行器质量中心的距离w1、w2、w3为飞行器的角速度,x、y、z为飞行器的位置,Ωi(i=1,2,3,4)为各个旋翼的转速,θ、φ、ψ为飞行器的3个姿态角(俯仰、滚转、偏航)。
由式(1)的四旋翼飞行器的动力学方程转换成四个独立的控制通道Ui(i=1,2,3,4),通过控制这四个独立的控制通道,这四个通道分别由高度重复控制补偿神经模糊PID,翻滚重复控制补偿神经模糊PID,俯仰重复控制补偿神经模糊PID,偏航重复控制补偿神经模糊PID组成;
S20:基于重复补偿神经模糊PID控制
S21:设计由神经网络生成模糊推理(规则)并能够自调整PID参数的网络结构
设计一个双输入、单输出的神经网络模糊***,并设定其使用单向传播的多层前向神经网络,它的输入数据从输入层,先后依次经过各隐含层节点,最后从输出层的输出节点得到输出数据,其中各层之间限定如下:
第一层为神经元节点,表示模糊控制器的输入信号,完成对误差e以及误差变化率ec的接受;
第二层表示输入信号语言变量的语言值,是对输入数据的模糊化,即将输入数据转换成模糊量,表达为一个隶属函数;
第三层和第四层完成模糊***的模糊推理的过程,这两层表示模糊控制规则,其中,第三层完成模糊规则的模糊前件,第四层完成模糊规则的后件,进行模糊推理并输出模糊量;
第五层完成去模糊化,将模糊量清晰化,并输出控制量;
神经模糊自调整PID根据输入信号偏差e和ec的大小、方向以及变化趋势特征,通过神经模糊推理做出相应决策,在线调整PID参数kp,ki,kd以满足不同时刻对参数的不同要求,其中PID控制器为参数增量式控制器,在初始化PID控制器参数的基础上加上神经模糊控制器对PID参数在线调整,由以上算法确定PID控制所需要的最佳的kp,ki,kd参数,从而实现了参数自整定;
S22:重复补偿控制
将基于内模原理的重复控制嵌入到基于神经网络生成模糊推理自调整PID闭环控制中,形成基于重复补偿神经模糊PID控制。
本方法通过四旋翼飞行器的动力学方程转换成四个独立的控制通道,并通过设计由神经网络生成模糊推理(规则)并能够自调整PID参数的网络结构实现对PID控制所需的最佳kp,ki,kd参数自整定;通过重复补偿控制可以消除输出信号的跟踪误差,继而使***在负载的控制输出下不会出现畸变,提升飞行器的姿态控制稳定性和控制精度。
具体的,所述基于内模原理的重复控制中,除了加到被控对象上的当前时刻的误差信号外还叠加了上一时刻的误差信号,形成具有时滞环节的正反馈,在时滞环节串联一低通滤波器,同时以期减小重复控制作用在高频段的增益。
再进一步的,所述重复控制得到的控制信号需经过延迟时间t后才输出,设置重复补偿控制器在所述延迟时间t内对低通滤波器的输出经过重复PID后再输出,且在再输出前进行补偿。
本发明的基于重复控制补偿神经模糊PID四旋翼飞行器的控制方法,基于内模原理的重复控制通过对控制误差的补偿,来减小误差,从而降低控制***的稳态误差,抑制负载的扰动,重复控制***中除了加到被控对象上的当前时刻的误差信号外还叠加了上一时刻的误差信号。由于重复控制是由具有时滞环节的正反馈构成的,***的开环传递函数在虚轴上含有无数个极点,故***对任何输入信号和干扰信号的***误差趋于零,鲁棒性较强,而在时滞环节串联一个低通滤波器,同时以期减小重复控制作用在高频段的增益,进而保证了***稳定性,即便***内部出现干扰,在解除干扰对输出信号的影响所需要经过延迟的那段时间t内,将基于内模原理的重复控制嵌入到基于神经网络生成模糊推理自调整PID闭环控制中,形成基于重复补偿神经模糊PID控制,使得***仍然处于闭环状态,干扰出现后的延迟时间t内,神经模糊PID对输出误差进行实时的控制调节,***在稳定状态下时,重复补偿控制器的主要作用是进行调节,从而使稳态状态下输出信号能够很好地跟踪输入信号,当有较大的干扰时神经模糊PID能够调节输入信号,从而使信号误差减小,提升飞行器***的跟踪精度。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明的四旋翼无人飞行器整体结构示意图;
图2为本发明的四旋翼无人飞行器主要模块构成示意图;
图3为本发明的四旋翼飞行器控制方法中的神经网络模糊***结构图;
图4为本发明的四旋翼飞行器控制方法中的神经模糊PID控制***结构原理图;
图5为本发明的四旋翼飞行器控制方法中的重复控制***原理图;
图6为本发明的四旋翼飞行器控制方法中的基于重复补偿的神经模糊PID控制***框图;
图7为本发明的四旋翼飞行器控制方法中的四旋翼飞行器滚转角***仿真框图;
图8为无干扰常规PID、神经模糊PID、重复补偿神经模糊PID控制下的滚转角的阶跃响应对比图;
图9为有持续干扰下常规PID、神经模糊PID、重复补偿神经模糊PID控制下的滚转角的阶跃响应自整定下飞行器的姿态角对比图;
图10为常规PID、神经模糊PID、重复补偿神经模糊PID跟踪性测试对比图;
图11为本发明的四旋翼飞行器控制方法的重复补偿神经模糊PID鲁棒性测试图;
图12为四旋翼飞行器姿态PID控制方法的PID鲁棒性测试图;
图13为四旋翼飞行器姿态神经模糊PID控制方法的神经模糊PID鲁棒性测试图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1-2对本发明实施例的四旋翼无人飞行器做进一步的描述。
如图1和图2所示,四旋翼无人飞行器100包括机体10和固定在机体10上的飞行器控制模块20,还包括固定在机体10四个悬臂上的电机驱动模块60及由电机驱动的旋翼70,另外,如图2所示,四旋翼无人飞行器还包括安装在所述机体10上并分别与所述飞行器控制模块20连接的导航、惯性测量单元40、电源模块,还包括与飞行器控制模块20通信连接的通信模块30以及为飞行器控制模块供电的电源模块50;导航、惯性测量单元40采用高精度的GPS导航对四旋翼无人飞行器100进行跟踪定位,并向所述主控制器模块20提供位置信息并导航,且在导航过程中修改和固化波特率,另外还可以保存波特率的设置过程,惯性测量部分包括分别与所述主控制模块20连接的三轴加速度计、惯陀螺仪和磁力计,所述惯性测量单元用于检测飞行器的三轴线加速度、翻滚角速率、俯仰角速率、偏航角速率信息和地磁强度信息,这些信息共同构成四旋翼飞行器的飞行姿态数据;所述通信模块30主要是实时与地面站进行控制信号与状态信号数据交换,其包括遥控器、PPM解码器和PPM接收机,所述PPM编码器与所述遥控器连接,遥控器的四个通道控制信号将通过PPM编码器编码后无线传递给所述PPM接收机,所述PPM接收机与所述控制模块连接;所述电机驱动模块60包括用于驱动飞行器上四个旋翼70的四个电机以及分别控制所述四个电机(电机1、电机2、电机3和电机4)工作的电调(电子调速器),所述电调与所述飞行控制模块20连接以接收电机控制信号,所述电机驱动模块60根据飞行器控制模块20给电调的控制量,进而控制4个电机的转速,并实时测量4个电机的转速,通过电机转速的改变使4个旋翼产生的升力和转矩产生相应的变化。
导航、惯性测量单元40可以提供四旋翼无人机当前的位置信息以及三轴线加速度、翻滚角速率、俯仰角速率和偏航角速率等组成的姿态信息,飞行器控制模块20是四旋翼无人机100控制***的核心部分,其作用是负责采集飞行器的姿态信息并实时解算,再根据检测到由遥控器所发出的飞行信息,结合基于重复控制补偿神经模糊PID四旋翼飞行器的控制方法的控制方案,计算实际的输出电机控制信号至电调,然后电调根据获得的控制信号控制4个电机的转速,从而实现对4个旋翼产生的升力和转矩的控制,电机可以通过PWM控制其转速从而达到对每个旋翼所产生的力和力矩的大小进行控制。
所述四旋翼无人飞行器的控制模块基于重复控制补偿神经模糊PID四旋翼飞行器的控制方法综合计算实时姿态信息和控制信号信息后输出电机控制信号以控制无人飞行器的方法包括以下步骤:
S10:建立四旋翼无人机的动力学模型
根据四旋翼飞行器的飞行姿态,通过牛顿-欧拉方程和坐标转换矩阵建立飞行器的动力学的数学模型,其中动力学方程如式(1):
式中,m为四旋翼飞行器的质量,g为重力加速度,μx、μy、μz为X轴、Y轴、Z轴三个方向的空气阻力系数,Jx、Jz、Jz为四旋翼飞行器绕X轴、Y轴、Z轴的转动惯量,Ir为四旋翼飞行器的旋翼相对于旋转轴的转动惯量,l为旋翼中心点到坐四旋翼飞行器质量中心的距离w1、w2、w3为飞行器的角速度,x、y、z为飞行器的位置,Ωi(i=1,2,3,4)为各个旋翼的转速,θ、φ、ψ为飞行器的3个姿态角(俯仰、滚转、偏航)。
由式(1)的四旋翼飞行器的动力学方程转换成四个独立的控制通道Ui(i=1,2,3,4),通过控制这四个独立的控制通道,这四个通道分别由高度重复控制补偿神经模糊PID,翻滚重复控制补偿神经模糊PID,俯仰重复控制补偿神经模糊PID,偏航重复控制补偿神经模糊PID组成;
S20:基于重复补偿神经模糊PID控制
S21:设计由神经网络生成模糊推理(规则)并能够自调整PID参数的网络结构
如图3所示,设计一个双输入、单输出的神经网络模糊***,并设定其使用单向传播的多层前向神经网络,它的输入数据从输入层,先后依次经过各隐含层节点,最后从输出层的输出节点得到输出数据,其中各层之间限定如下:
第一层为神经元节点,表示模糊控制器的输入信号,完成对误差e以及误差变化率ec的接受;
第二层表示输入信号语言变量的语言值,是对输入数据的模糊化,即将输入数据转换成模糊量,表达为一个隶属函数;
第三层和第四层完成模糊***的模糊推理的过程,这两层表示模糊控制规则,其中,第三层完成模糊规则的模糊前件,第四层完成模糊规则的后件,进行模糊推理并输出模糊量;
第五层完成去模糊化,将模糊量清晰化,并输出控制量;
如图4所示,神经模糊自调整PID根据误差e以及误差变化率ec输入信号的大小、方向以及变化趋势特征,通过神经模糊推理做出相应决策,在线调整PID参数kp,ki,kd以满足不同时刻对参数的不同要求,其中PID控制器为参数增量式控制器,在初始化PID控制器参数的基础上加上神经模糊控制器对PID参数在线调整,由以上算法确定PID控制所需要的最佳的kp,ki,kd参数,从而实现了参数自整定;
S22:重复补偿控制
将基于内模原理的重复控制嵌入到基于神经网络生成模糊推理自调整PID闭环控制中,形成基于重复补偿神经模糊PID控制。重复控制是Inoue基于内模原理在1981年提出来的,如图5所示,内模原理简单来说就是假如输入信号包含在一个稳定的闭环***,被控对象的输出可以无误差的跟踪输入信号,重复控制具有较好的跟踪信号能力和鲁棒性,基于内模原理的重复控制对控制误差的补偿,来减小误差,从而降低控制***的稳态误差,抑制负载的扰动。重复控制***中除了加到被控对象上的当前时刻的误差信号外还叠加了上一时刻的误差信号,既图中的过去偏差。由于重复控制是由具有时滞环节的正反馈构成的,***的开环传递函数在虚轴上含有无数个极点,故***对任何输入信号和干扰信号的***误差趋于零,鲁棒性较强,但是稳定性难以保证;另外尽管重复控制能够使输出信号跟踪输入信号,可其本身也存在问题,图6所示,重复控制得到的控制信号不是立刻输出,而是延迟某一时间才输出,假设***内部有干扰,解除干扰对输出信号的影响则至少要经过延迟的那段时间。干扰出现后的延迟时间内,***不会调节,在这段延迟时间内***处于开环状态。把重复控制嵌入到基于神经网络生成模糊推理自调整PID闭环控制中,如图6所示,在神经网络生成模糊推理自调整PID闭环控制中加入一个重复补偿控制器,形成基于重复补偿神经模糊PID控制,在时滞环节串联一个带有延时环节的低通滤波器Q(s)*e-L,同时以期减小重复控制作用在高频段的增益,r为遥控器向飞行器控制模块的输入信号、e误差、de/dt误差变化量,e1为误差经过带有延时环节的低通滤波器的输出、e2为e1经过重复PID的输出、ue为重复控制的输出、up神经模糊PID控制的输出、u为飞行器控制模块20的控制输出,y为惯性测量单元40检测到的四旋翼无人飞行器当前姿态信息,补偿器T(s)*e-L将重复控制的输出ue进行正反馈。图6中重复补偿控制器可以消除输出信号的跟踪误差,继而使***在负载的输出下不会出现畸变,神经模糊PID则对输出误差进行实时的控制调节;***在稳定状态下时,重复补偿控制器的主要作用是进行调节,从而使稳态状态下输出信号能够很好地跟踪输入信号,当有较大的干扰时神经模糊PID能够调节输入信号,从而使信号误差减小。
为了验证本发明提出的控制方案效果可行性,利用搭建的四旋翼飞行器控制***进行仿真验证。下面结合图9至13进一步说明本发明的效果。
控制性能对比实验
设计了相应的常规PID控制器和神经模糊PID控制器,与本发明提出的基于重复补偿神经模糊自整定PID控制下的四旋翼飞行器进行对比实验。在实验中,首先完成了在无干扰的情况下,重复补偿神经模糊自整定PID控制和常规PID控制以及神经模糊PID控制下的四旋翼飞行器滚转角的阶跃响应实验,滚转角***仿真过程框图如图7所示。对应的仿真实验结果如图8所示。然后进行在有持续干扰下,重复补偿神经模糊自整定PID控制和常规PID控制以及神经模糊PID控制下的四旋翼飞行器抗扰性能对比,如图9所示。重复补偿神经模糊自整定PID控制和常规PID控制以及神经模糊PID控制下的四旋翼飞行器鲁棒性能对比,如图11、12、13所示。在正弦信号的输入下检测以上三种控制算法下四旋翼飞行器的跟踪性能测试,测试结果如图10所示。
在无干扰下对比仿真结果,如图8所示,可以看出,重复补偿神经模糊PID控制的超调量明显小于神经模糊PID的超调量以及常规PID控制的超调量,且其调节时间小于神经模糊PID的调节时间以及常规PID控制的调节时间,通过仿真对比结果可知,重复补偿控制神经模糊PID控制具有较好的响应动态性能。
在有干扰下对比仿真结果,如图9所示,可以看出,当加入持续性干扰时重复补偿神经模糊PID控制相对于神经模糊PID控制的扰动要小,而PID控制受扰动的影响的变化明显,因此重复补偿神经模糊PID具有较好的抗干扰性。
在正弦输入,三种控制器的仿真结果,如图10所示,重复补偿神经模糊PID的控制精度优于神经模糊PID的控制精度且明显优于常规PID的控制精度。因而重复补偿神经模糊PID控制器具有较好的跟踪性能在改变***参数下。通过仿真观察重复补偿神经模糊PID控制器的鲁棒性,如图11、12、13所示,通过仿真实验对比可以得知重复补偿神经模糊PID控制器的鲁棒性明显优于常规PID控制器的鲁棒性。
通过仿真实验可知,在重复补偿神经模糊自整定PID控制下飞行***的超调量较小并且能够快速的跟踪输入指令,稳态时无静态误差,具有较强的抗干扰能力和对***参数变化时,有较好的鲁棒性。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的创造性精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于重复控制补偿神经模糊PID四旋翼飞行器的控制方法,包括以下步骤:
S10:建立四旋翼无人机的动力学模型
根据四旋翼飞行器的飞行姿态,通过牛顿-欧拉方程和坐标转换矩阵建立飞行器的动力学的数学模型,其中动力学方程如式(1):
式中,m为四旋翼飞行器的质量,g为重力加速度,μx、μy、μz为X轴、Y轴、Z轴三个方向的空气阻力系数,Jx、Jz、Jz为四旋翼飞行器绕X轴、Y轴、Z轴的转动惯量,Ir为四旋翼飞行器的旋翼相对于旋转轴的转动惯量,l为旋翼中心点到坐四旋翼飞行器质量中心的距离w1、w2、w3为飞行器的角速度,x、y、z为飞行器的位置,Ωi为各个旋翼的转速,其中i=1,2,3,4,θ、φ、ψ分别为飞行器的俯仰姿态角、滚转姿态角、偏航姿态角,
由式(1)的四旋翼飞行器的动力学方程转换成四个独立的控制通道Ui,其中i=1,2,3,4,通过控制这四个独立的控制通道,这四个通道分别由高度重复控制补偿神经模糊PID,翻滚重复控制补偿神经模糊PID,俯仰重复控制补偿神经模糊PID,偏航重复控制补偿神经模糊PID组成;
S20:基于重复补偿神经模糊PID控制
S21:设计由神经网络生成模糊推理规则并能够自调整PID参数的网络结构
设计一个双输入、单输出的神经网络模糊***,并设定其使用单向传播的多层前向神经网络,它的输入数据从输入层,先后依次经过各隐含层节点,最后从输出层的输出节点得到输出数据,其中各层之间限定如下:
第一层为神经元节点,表示模糊控制器的输入信号,完成对误差e以及误差变化率ec的接受;
第二层表示输入信号语言变量的语言值,是对输入数据的模糊化,即将输入数据转换成模糊量,表达为一个隶属函数;
第三层和第四层完成模糊***的模糊推理的过程,这两层表示模糊控制规则,其中,第三层完成模糊规则的模糊前件,第四层完成模糊规则的后件,进行模糊推理并输出模糊量;
第五层完成去模糊化,将模糊量清晰化,并输出控制量;
神经模糊自调整PID根据输入信号偏差e和ec的大小、方向以及变化趋势特征,通过神经模糊推理做出相应决策,在线调整PID参数kp,ki,kd以满足不同时刻对参数的不同要求,其中PID控制器为参数增量式控制器,在初始化PID控制器参数的基础上加上神经模糊控制器对PID参数在线调整,由以上算法确定PID控制所需要的最佳的kp,ki,kd参数,从而实现了参数自整定;
S22:重复补偿控制
将基于内模原理的重复控制嵌入到基于神经网络生成模糊推理自调整PID闭环控制中,形成基于重复补偿神经模糊PID控制。
2.根据权利要求1所述的基于重复控制补偿神经模糊PID四旋翼飞行器的控制方法,其特征在于,所述基于内模原理的重复控制中,除了加到被控对象上的当前时刻的误差信号外还叠加了上一时刻的误差信号,形成具有时滞环节的正反馈,在时滞环节串联一低通滤波器,同时以期减小重复控制作用在高频段的增益。
3.根据权利要求2所述的基于重复控制补偿神经模糊PID四旋翼飞行器的控制方法,其特征在于,所述重复控制得到的控制信号需经过延迟时间t后才输出,设置重复补偿控制器在所述延迟时间t内对低通滤波器的输出经过重复PID后再输出,且在再输出前进行补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610947397.4A CN106647781B (zh) | 2016-10-26 | 2016-10-26 | 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610947397.4A CN106647781B (zh) | 2016-10-26 | 2016-10-26 | 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106647781A CN106647781A (zh) | 2017-05-10 |
CN106647781B true CN106647781B (zh) | 2019-09-06 |
Family
ID=58821304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610947397.4A Active CN106647781B (zh) | 2016-10-26 | 2016-10-26 | 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106647781B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108958281B (zh) * | 2017-05-19 | 2021-04-02 | 上海交通大学 | 基于微分求积法的无人机悬吊运输稳定性分析和控制方法 |
CN107168047B (zh) * | 2017-05-26 | 2020-10-16 | 河北汉光重工有限责任公司 | 提高重复补偿pid控制***的控制性能的方法 |
CN109308074B (zh) * | 2017-07-28 | 2021-10-08 | 深圳禾苗通信科技有限公司 | 一种无人机重心偏移的补偿方法及*** |
CN107272723B (zh) * | 2017-08-02 | 2020-06-19 | 郑州轻工业学院 | 无人蝶形飞行器五档模糊高度控制方法 |
CN107608215A (zh) * | 2017-10-18 | 2018-01-19 | 齐鲁工业大学 | 一种基于rbf神经网络的测绘无人机姿态控制方法 |
CN107957730B (zh) * | 2017-11-01 | 2020-02-18 | 华南理工大学 | 一种无人飞行器稳定飞行控制方法 |
KR102021384B1 (ko) * | 2017-11-14 | 2019-09-20 | 주식회사 셈웨어 | 인공지능 기반의 드론의 동역학 모델링 생성 방법 |
CN108762283B (zh) * | 2018-05-08 | 2021-04-13 | 哈尔滨工业大学 | 带有旋转载荷的卫星平台的姿态控制方法、装置及*** |
CN109062234B (zh) * | 2018-08-20 | 2019-11-05 | 西北工业大学 | 一种非最小相位飞行器复合学习滑模控制方法 |
CN109062049B (zh) * | 2018-08-20 | 2019-09-24 | 西北工业大学 | 基于集总复合估计的严格反馈***神经网络控制方法 |
CN108897227B (zh) * | 2018-08-20 | 2019-09-24 | 西北工业大学 | 非线性严格反馈***全局有限时间神经网络控制方法 |
CN108762098B (zh) * | 2018-08-20 | 2019-11-01 | 西北工业大学 | 基于复合学习的非最小相位飞行器神经网络控制方法 |
CN108663940B (zh) * | 2018-08-20 | 2019-09-24 | 西北工业大学 | 基于集总复合估计的飞行器神经网络学习控制方法 |
CN108828957B (zh) * | 2018-08-20 | 2019-11-05 | 西北工业大学 | 基于切换机制的飞行器全局有限时间神经网络控制方法 |
CN109116738B (zh) * | 2018-09-27 | 2021-04-13 | 杭州电子科技大学 | 一种工业加热炉的二自由度内模控制分析方法 |
CN109901603B (zh) * | 2019-03-22 | 2021-11-02 | 西北工业大学 | 一种输入时延下多空间飞行器姿态协同控制方法 |
CN110308647B (zh) * | 2019-06-14 | 2022-05-17 | 南京理工大学 | 含误差积分输入项的无人机三段式模糊pid控制方法 |
CN110347042A (zh) * | 2019-07-15 | 2019-10-18 | 广西师范大学 | 一种基于离散跟踪-微分器与rbf神经网络补偿的三轴云台滑模控制方法 |
CN111708373A (zh) * | 2019-11-19 | 2020-09-25 | 南京海逸测控技术有限公司 | 一种大气检测无人机的自动飞行控制***及方法 |
CN111026146B (zh) * | 2019-12-24 | 2021-04-06 | 西北工业大学 | 一种复合翼垂直起降无人机的姿态控制方法 |
CN111258329A (zh) * | 2019-12-31 | 2020-06-09 | 中国民航大学 | 一种基于U-model的四旋翼无人机控制方法 |
CN111399376B (zh) * | 2020-03-07 | 2021-03-19 | 中国地质大学(武汉) | 一种t-s模糊***的二维重复控制器设计优化方法 |
CN112782969B (zh) * | 2020-12-25 | 2024-02-09 | 浙江中控技术股份有限公司 | 一种pid参数整定方法、装置、存储介质和设备 |
CN112953271A (zh) * | 2021-03-11 | 2021-06-11 | 上海空间电源研究所 | 一种自抗扰的空间大功率整流*** |
CN113342023A (zh) * | 2021-06-24 | 2021-09-03 | 杭州电子科技大学 | 一种基于改进模糊pid的无人机仿人控制方法 |
CN116027673B (zh) * | 2023-03-29 | 2023-06-06 | 中国电子科技集团公司第二十九研究所 | 一种基于模糊神经网络的装备控制自主决策方法 |
CN116700359A (zh) * | 2023-08-08 | 2023-09-05 | 兰笺(苏州)科技有限公司 | 载荷变化条件下的无人机扰动控制方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6445962B1 (en) * | 1999-03-15 | 2002-09-03 | Fisher Rosemount Systems, Inc. | Auto-tuning in a distributed process control environment |
CN102945046A (zh) * | 2012-11-15 | 2013-02-27 | 中国兵器工业计算机应用技术研究所 | 一种无人机的控制方法 |
CN103853050A (zh) * | 2014-03-19 | 2014-06-11 | 湖北蔚蓝国际航空学校有限公司 | 一种四旋翼飞行器的pid优化控制方法 |
CN105242679A (zh) * | 2015-10-22 | 2016-01-13 | 电子科技大学 | 一种四旋翼飞行器的控制***设计方法 |
CN105700538B (zh) * | 2016-01-28 | 2019-04-12 | 武汉光庭信息技术股份有限公司 | 基于神经网络和pid算法的轨迹跟随方法 |
-
2016
- 2016-10-26 CN CN201610947397.4A patent/CN106647781B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106647781A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106647781B (zh) | 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法 | |
CN106094860B (zh) | 四旋翼飞行器及其控制方法 | |
Liu et al. | Robust attitude stabilization for nonlinear quadrotor systems with uncertainties and delays | |
Wang et al. | Dynamics modelling and linear control of quadcopter | |
He et al. | A Simple Attitude Control of Quadrotor Helicopter Based on Ziegler‐Nichols Rules for Tuning PD Parameters | |
Moussid et al. | Dynamic modeling and control of a hexarotor using linear and nonlinear methods | |
CN108445766B (zh) | 基于rpd-smc和rise的无模型四旋翼无人机轨迹跟踪控制器及方法 | |
CN109884895A (zh) | 基于饱和受限情况下的无人机自适应跟踪控制算法 | |
Bou-Ammar et al. | Controller design for quadrotor uavs using reinforcement learning | |
CN106325291B (zh) | 基于滑模控制律和eso的四旋翼飞行器姿态控制方法及*** | |
CN109062042B (zh) | 一种旋翼飞行器的有限时间航迹跟踪控制方法 | |
Raffo et al. | Robust nonlinear control for path tracking of a quad‐rotor helicopter | |
Derafa et al. | Super twisting control algorithm for the four rotors helicopter attitude tracking problem | |
CN105759832A (zh) | 一种基于反演法的四旋翼飞行器滑模变结构控制方法 | |
CN109597303A (zh) | 一种复合式旋翼飞行器全模式飞行控制方法 | |
CN109283932B (zh) | 一种基于积分反步滑模的四旋翼飞行器姿态控制方法 | |
CN112346470A (zh) | 一种基于改进自抗扰控制的四旋翼姿态控制方法 | |
Bonna et al. | Trajectory tracking control of a quadrotor using feedback linearization | |
Şenkul et al. | Adaptive control of a tilt-roll rotor quadrotor UAV | |
CN111258216A (zh) | 一种适用于四旋翼飞行器的滑模重复控制器 | |
Sun et al. | Nonlinear robust compensation method for trajectory tracking control of quadrotors | |
CN112578805A (zh) | 一种旋翼飞行器的姿态控制方法 | |
Wang et al. | Event driven model free control of quadrotor | |
Ansari et al. | Quadrotor control using generalized dynamic inversion and terminal sliding mode | |
CN109976364B (zh) | 一种六旋翼飞行器姿态解耦控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231214 Address after: No. 107, 1st Floor, Building 2-8, No.1 Yanggongzhuang, Changxindian, Fengtai District, Beijing, 100072 Patentee after: Beijing Chengzhi Jiyuan Technology Co.,Ltd. Address before: 541004 No. 15 Yucai Road, Qixing District, Guilin, the Guangxi Zhuang Autonomous Region Patentee before: Guangxi Normal University |