CN110347036B - 基于模糊滑模控制的无人机自主抗风智能控制方法 - Google Patents

Abstract

本发明提供了基于模糊滑模控制的无人机自主抗风智能控制方法，属于飞行器地面仿真领域。本发明智能控制方法为：建立引入风速因子的无人机动力学公式；滑模变结构控制器的设计：通过设计一个滑动模态面s，以误差e和误差变化率

为滑模面的变量，由李雅普诺夫定理验证滑模面的收敛性，保证无人机状态变量收敛到目标处；采用RBF神经网络对无人机模型中的近似项实现逼近；将角度θ、角速度

作为神经网络的输入，并实时调整神经网络权值函数；通过模糊控制降低滑膜控制器的抖振。本发明利用神经网络的学习能力，实现对无人机模型中的近似项的动态跟踪，提高了准确性；针对控制器中的抖振现象，引入模糊控制提高了符号函数系数的线性化程度，提升了稳定性。

Description

基于模糊滑模控制的无人机自主抗风智能控制方法

技术领域

本发明涉及基于模糊滑模控制的无人机自主抗风智能控制方法，属于飞行器地面仿真领域。

背景技术

论文“四旋翼无人机仿真控制***设计”(电光与控制，江杰、冯旭光、苏建彬，201502)中提出了一种在飞行器模型解耦的四个通道上分别设计PID控制器的方法实现飞行器的稳定控制。该方法在准LPV(Linear Parameter Varying)法的基础上，对无人机强耦合非线性模型进行了改进和简化，对模型进行线性化处理，根据稳定边界法设计PID控制器，经仿真实验验证可以有效的提高无人机悬停时的稳定性和抗大风干扰能力，虽然实现了控制无人机悬停的目的，但无人机的非线性动力学模型被简化为线性模型，且未考虑风速对无人机的影响，模型过于理想化，实际应用中抗干扰能力差，不利于工程实现。

论文“四旋翼无人机设计与滑模控制仿真”(现代电子技术，尤元、李闻先，20150801)中提出的滑模变结构控制器，虽然可直接应用于无人机的非线性模型，但无法实现对外界扰动的估计，控制器设计存在一定误差，且滑模变结构控制器存在抖阵现象，影响了控制器的稳定性。论文针对无人机控制***复杂、鲁棒性差的缺点，提出了滑模变结构的控制方法。该方法利用滑模变结构控制器对于非线性***具有很好的应用的优点，实现了针对无人机非线性模型的控制器设计，提高了控制***的鲁棒性。经仿真实验验证，有效的提高了无人机控制***的响应速度、鲁棒性和抗风能力。

基于此，考虑到风速对无人机的影响，本专利提出了具有风速因子的无人机动力学模型，将风速对无人机的扰动并入模型中，并将神经网络与模糊滑模变结构控制器的优点相结合。利用滑模变结构控制器可直接应用于非线性模型、鲁棒性强的优点，针对无人机非线性模型设计控制器；利用RBF(Radical Basis Function)神经网络的学习能力，设计合适的神经网络模型，实现对无人机模型中的近似项的动态跟踪，提高了控制器的准确性；针对控制器中的抖振现象，引入模糊控制实时调整滑模控制器中的符号函数系数，提高了符号函数系数的线性化程度，降低了抖振，提升了控制器的稳定性。

发明内容

本发明的目的是为了解决上述现有技术存在的问题，进而提供一种基于模糊滑模控制的无人机自主抗风智能控制方法。

本发明的目的是通过以下技术方案实现的：

一种基于模糊滑模控制的无人机自主抗风智能控制方法，所述基于模糊滑模控制的无人机自主抗风智能控制方法包括：

第一步：建立引入风速因子的无人机动力学公式；

第二步：滑模变结构控制器的设计：通过设计一个滑动模态面s，以误差e和误差变化率

为滑模面的变量，由李雅普诺夫定理验证滑模面的收敛性，保证无人机状态变量收敛到目标处；

第三步：采用RBF神经网络对无人机模型中的近似项实现逼近；

第四步：将角度θ、角速度

作为神经网络的输入，并实时调整神经网络权值函数；

第五步：通过模糊控制降低滑膜控制器的抖振。

本发明基于模糊滑模控制的无人机自主抗风智能控制方法，所述建立引入风速因子的无人机动力学公式具体步骤为：

由牛顿第二定律和无人机的力矩方程：

得到引入扰动风速的无人机位移和姿态角的二阶微分方程：

其中，m为无人机的质量，F_i(i＝1,2,3)为无人机三个方向的受力，I为惯性矩，K_i(i＝1,2,3)为空气阻力系数，φ,θ,ψ分别为与x,y,z轴对应的姿态角，v_i(i＝x,y,z)为无人机x,y,z方向的风速。Ω_r为残余转速，J_r为旋翼转动惯量，l为机体重心到旋翼轴心的距离，C为一正常数，ΔM_i(i＝φ,θ,ψ)分别为三个姿态角在强风作用下产生的扰动力矩，u_i(i＝1,2,3,4)为***的控制输入。

本发明基于模糊滑模控制的无人机自主抗风智能控制方法，所述滑模变结构控制器设计的具体步骤为：

以滑模面s₃设计为例说明：

由李雅普诺夫定理可知滑模面s₃收敛，无人机的状态变量可随时间变化收敛到目标处。联立上式(2)(3)(4)求解，得到控制器u₃的表达式：

当

时：

将(2)式中sinθ在θ＝θ_d处进行泰勒展开，代入公式(7)解得

如公式(9)所示，并构造状态方程：

取极点为-2,-3,-4，由|λ_iI-A|＝0，并令c₇＝1求得滑模控制器各系数如下：

本发明基于模糊滑模控制的无人机自主抗风智能控制方法，所述神经网络的具体算法为：

y_out＝w₁h₁+…+w_nh_n＝wh^T (12)

其中，

为神经网络的输入，

为第i个神经元的中心点向量值，h_i为输出，b_i为基函数的宽度向量，w_i(i＝1,2,…,n)为权值函数。

本发明基于模糊滑模控制的无人机自主抗风智能控制方法，所述模糊控制的具体操作为：由滑模面的收敛定理

入手，采用三角形隶属度函数，面积重心法反模糊化，将

作为模糊控制的输入，模糊控制的输出为符号函数的系数，使符号函数的系数变为连续函数。

本发明基于模糊滑模控制的无人机自主抗风智能控制方法，在无人机动力学模型中引入了风速因子和扰动力矩，使无人机的模型更加精确化，并利用RBF神经网络的学习能力和全局逼近性，实现对无人机模型中的近似项自适应跟踪，提高了控制器的准确性，针对滑模控制器中的抖振现象，引入模糊控制，对控制器中的符号函数进行实时校正，线性化程度大大提高，大幅度降低了控制器中的抖振，提高了实际中的应用能力。

附图说明

图1为本发明基于模糊滑模控制的无人机自主抗风智能控制方法的神经网络逼近曲线。

图2为本发明基于模糊滑模控制的无人机自主抗风智能控制方法的模糊输入隶属度函数。

图3为本发明基于模糊滑模控制的无人机自主抗风智能控制方法的模糊输出隶属度函数。

图4为本发明基于模糊滑模控制的无人机自主抗风智能控制方法的无人机轨迹响应曲线。

图5为本发明基于模糊滑模控制的无人机自主抗风智能控制方法的控制器响应曲线。

具体实施方式

下面将结合附图对本发明做进一步的详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式，但本发明的保护范围不限于下述实施例。

实施例一：本实施例所涉及的基于模糊滑模控制的无人机自主抗风智能控制方法，智能控制方法包括：

第一步：建立引入风速因子的无人机动力学公式；

第二步：滑模变结构控制器的设计：通过设计一个滑动模态面s，以误差e和误差变化率

为滑模面的变量，由李雅普诺夫定理验证滑模面的收敛性，保证无人机状态变量收敛到目标处；

第三步：采用RBF神经网络对无人机模型中的近似项实现逼近；

第四步：将角度θ、角速度

作为神经网络的输入，并实时调整神经网络权值函数；

第五步：通过模糊控制降低滑膜控制器的抖振。

近年来，无人机的抗风能力得到广泛研究。无人机的扰动主要由风速及其产生的扰动力矩所导致，为了设计抗强风的无人机控制器，由力学理论基础，本专利首先提出了引入风速因子和扰动力矩的无人机非线性模型。本专利提出的无人机控制器是结合了神经网络、滑模变结构和模糊控制三种控制方法的优点设计的四旋翼无人机控制器。

实施例二：本实施例所涉及的基于模糊滑模控制的无人机自主抗风智能控制方法，所述建立引入风速因子的无人机动力学公式具体步骤为：

由牛顿第二定律和无人机的力矩方程：

得到引入扰动风速的无人机位移和姿态角的二阶微分方程：

其中，m为无人机的质量，F_i(i＝1,2,3)为无人机三个方向的受力，I为惯性矩，K_i(i＝1,2,3)为空气阻力系数，φ,θ,ψ分别为与x,y,z轴对应的姿态角，v_i(i＝x,y,z)为无人机x,y,z方向的风速。Ω_r为残余转速，J_r为旋翼转动惯量，l为机体重心到旋翼轴心的距离，C为一正常数，ΔM_i(i＝φ,θ,ψ)分别为三个姿态角在强风作用下产生的扰动力矩，u_i(i＝1,2,3,4)为***的控制输入。

建立了引入风速因子的无人机动力学公式，有利于实现对无人机飞行姿态更加精确的控制。

实施例三：本实施例所涉及的基于模糊滑模控制的无人机自主抗风智能控制方法，所述滑模变结构控制器设计的具体步骤为：

以滑模面s₃设计为例说明：

由李雅普诺夫定理可知滑模面s₃收敛，无人机的状态变量可随时间变化收敛到目标处。联立上式(2)(3)(4)求解，得到控制器u₃的表达式：

当

时：

将(2)式中sinθ在θ＝θ_d处进行泰勒展开，代入公式(7)解得

如公式(9)所示，并构造状态方程：

取极点为-2,-3,-4，由|λ_iI-A|＝0，并令c₇＝1求得滑模控制器各系数如下：

滑模变结构控制器设计简单、鲁棒性高，具有较强的抗外界干扰能力，特别适用于无人机这种强耦合、欠驱动的抗强风控制***设计。

实施例四：本实施例所涉及的一种基于模糊滑模控制的无人机自主抗风智能控制方法，所述神经网络的具体算法为：

y_out＝w₁h₁+…+w_nh_n＝wh^T (12)

其中，

为神经网络的输入，

为第i个神经元的中心点向量值，h_i为输出，b_i为基函数的宽度向量，w_i(i＝1,2,…,n)为权值函数。

考虑到无人机模型中近似项的不确定性，利用神经网络的学习能力，对无人机模型中近似项实现逼近，保证所设计控制器的准确性。本专利提出采用RBF(Radical BasisFunction)神经网络对无人机模型中近似项实现逼近，RBF神经网络具有全局逼近性、无局部最小值、输出和连接权值为线性关系以及较快的收敛速度等优点。

实施例五：如图2-5所示，本实施例所涉及的基于模糊滑模控制的无人机自主抗风智能控制方法，所述模糊控制的具体操作为：由滑模面的收敛定理

入手，采用三角形隶属度函数，面积重心法反模糊化，将

作为模糊控制的输入，模糊控制的输出为符号函数的系数，使符号函数的系数变为连续函数。

考虑到在设计滑模面时，为了保证李雅普诺夫稳定性，在滑模面的趋近律中，引入了符号函数，由于符号函数非连续性、实际***的响应不完全符合理想情况、控制输入存在延迟、无人机本身的惯性等因素，因此在实际情况下，无人机的状态变量难以保证完全收敛于滑模面，而是在滑模面上下穿梭，导致滑模控制器存在抖振现象，为了保证控制器的稳定性，引入模糊控制降低抖振。由滑模面的收敛定理

入手，采用三角形隶属度函数，面积重心法反模糊化，将

作为模糊控制的输入，模糊控制的输出为符号函数的系数，使符号函数的系数变为连续函数。模糊输入输出隶属度函数分别如图2、3所示，无人机悬停点设为[x y z]＝[1.52.510]，仿真时间为10秒，图4为无人机轨迹响应曲线，图5为控制器u₃响应曲线。

由图4可以看出，本专利所设计的滑模控制器相比于PID控制器，无人机能提前2秒左右到达悬停点，有更快的响应速度。图5上半图中纯滑模控制器u₃的响应曲线，下半部分为模糊控制与滑模相结合的控制器u₃的响应曲线，通过对比可以看出，加入模糊控制使得滑模面s₃中符号函数系数连续化后，大幅度降低了控制器中的抖振，提升了控制器的稳定性。

实施例六：如图1所示，本实施例所涉及的一种基于模糊滑模控制的无人机自主抗风智能控制方法，进一步对实施例一进行说明，滑模面s₃的不定项扰动主要由风速导致角速度

变化所引起，故将

作为神经网络的输入，为保证神经网络逼近无人机模型中近似项的精确性，神经网络权值函数需要实时调整，故对神经网络权值函数设计自适应律，其中γ为自适应律中的权值，设计神经网络的中心向量值、基函数、权值函数以及权函数的自适应律如下所示，图1为仿真结果。

图1中d3曲线为给定扰动曲线，appromimstion d3曲线为神经网络输出曲线，由仿真图可以看出本专利所设计的神经网络模型根据自适应律调整权值函数后，可逐步实现对无人机模型中的近似项的逼近，曲线基本实现拟合，故可用神经网络逼近函数

替代原控制器中的函数d₃，提高控制器的实际应用能力，控制器u₃改进为：

以上所述，仅为本发明较佳的具体实施方式，这些具体实施方式都是基于本发明整体构思下的不同实现方式，而且本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (1)

1.基于模糊滑模控制的无人机自主抗风智能控制方法，其特征在于，所述基于模糊滑模控制的无人机自主抗风智能控制方法包括：

第一步：建立引入风速因子的无人机动力学公式；

第二步：滑模变结构控制器的设计：通过设计一个滑动模态面s₃，以误差e和误差变化率

为滑模面的变量，由李雅普诺夫定理验证滑模面的收敛性，保证无人机状态变量收敛到目标处；

第三步：采用RBF神经网络对无人机模型中的近似项实现逼近；

第四步：将角度θ、角速度

作为神经网络的输入，并实时调整神经网络权值函数；

第五步：通过模糊控制降低滑膜控制器的抖振；

建立引入风速因子的无人机动力学公式具体步骤为：

由牛顿第二定律和无人机的力矩方程：

得到引入扰动风速的无人机位移和姿态角的二阶微分方程：

其中，m为无人机的质量，F₁、F₂、F₃为无人机三个方向的受力，I为惯性矩，k₁、k₂、k₃为空气阻力系数，φ,θ,ψ分别为与x,y,z轴对应的姿态角，v_x、v_y、v_z为无人机x,y,z方向的风速；Ω_r为残余转速，J_r为旋翼转动惯量，l为机体重心到旋翼轴心的距离，C为一正常数，ΔM_φ、ΔM_θ、ΔM_ψ分别为三个姿态角在强风作用下产生的扰动力矩，u₁、u₂、u₃、u₄为***的控制输入；

滑模变结构控制器设计的具体步骤为：

以滑模面s₃设计为例说明：

由李雅普诺夫定理可知滑模面s₃收敛，无人机的状态变量可随时间变化收敛到目标处；联立上式(2)(3)(4)求解，得到控制器u₃的表达式：

其中d₃为扰动；

当

时：

将(2)式中sinθ在θ＝θ_d处进行泰勒展开，代入公式(7)解得

如公式(9)所示，并构造状态方程：

|λ_iI-A|＝0中的λ_i的取值为所设计的三个极点值-2,-3,-4，并令c₇＝1求得滑模控制器各系数如下：

神经网络的具体算法为：

y_out＝w₁h₁+…+w_nh_n＝wh^T (12)

其中，

为神经网络的输入，

为第i个神经元的中心点向量值，h_i为输出，b_i为基函数的宽度向量，w_i为权值函数。

Images