CN113568423B - 一种考虑电机故障的四旋翼无人机智能容错控制方法 - Google Patents
一种考虑电机故障的四旋翼无人机智能容错控制方法 Download PDFInfo
- Publication number
- CN113568423B CN113568423B CN202110877756.4A CN202110877756A CN113568423B CN 113568423 B CN113568423 B CN 113568423B CN 202110877756 A CN202110877756 A CN 202110877756A CN 113568423 B CN113568423 B CN 113568423B
- Authority
- CN
- China
- Prior art keywords
- fault
- unmanned aerial
- motor
- aerial vehicle
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 60
- 230000000306 recurrent effect Effects 0.000 claims abstract description 50
- 238000002955 isolation Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 238000005312 nonlinear dynamic Methods 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 6
- 210000004205 output neuron Anatomy 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 10
- 238000011217 control strategy Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 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
- 230000004308 accommodation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 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
-
- 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出一种考虑电机故障的四旋翼无人机智能容错控制方法,首先构建具有转动惯量和飞行阻力不确定性的四旋翼无人机非线性飞行动力学模型,同时考虑了有界的外部干扰和传感器噪声。其次量化四旋翼无人机各个电机的故障程度,并以电机操纵效率变化的形式考虑到无人机非线性模型中。再次设计自适应滑模控制***,然后将一组并联的递归神经网络设计为故障识别器,实现了快速而准确的故障特征提取、故障评级和故障隔离。最后,通过主动容错控制策略在线自适应地产生适当的控制信号来补偿模型的不确定性从而保持四旋翼无人机的轨迹跟踪性能和稳定性,同时递归神经网络与自适应滑模控制相互配合,完成故障后控制器的重新配置从而实现主动容错控制。
Description
技术领域
本发明涉及一种考虑四旋翼无人机电机故障后的智能容错姿态控制方法,可以解决四旋翼无人机面对外部干扰、模型不确定甚至电机故障后带来的无人机姿态控制的难题,属于无人机飞行控制应用领域。
背景技术
随着微机***和机载计算机的发展,市场上出现了越来越多的小型无人机。机载传感器/有效载荷的重量和位置取决于不同的应用,并且机载传感器和仪器的成本可以很容易地超过无人机本身的成本。此外,无人机普遍应用于复杂危险环境,这将严重威胁无人机的安全性和可靠性。无人机发生的任何故障都很容易损坏无人机本身、机载传感器和仪器以及周围环境。因此,研究无人机的安全性和可靠性变得势在必行,相应的问题需要具体考虑。
在四旋翼无人机***中,电机部分失去控制效能是一种常见的故障。与传统的有人驾驶飞机和大型无人机不同,由于硬件冗余的限制,可靠的控制***在确保四旋翼无人机可接受和高效的性能方面起着重要的作用。此外,四旋翼无人机故障情况下不具备固定翼飞机的滑翔特性。即使是组件级别的故障也可能波及整个***,最终导致整个***故障。因此,如果故障没有被正确识别,四旋翼无人机很可能发生坠毁,除了无人机本身的损失这也将损坏昂贵的机载仪器。实现上述安全性和可靠性要求的一个有希望的方法是采用低成本的先进故障诊断和调整方案。
在四旋翼无人机容错控制领域,论文《Experimental test of a two-stageKalman filter for actuator fault detection and diagnosis of an unmannedquadrotor helicopter》中,作者设计了分级的卡尔曼滤波器,用于对执行器的故障进行检测和识别。在论文《Quadrotor actuator fault diagnosis and accommodation usingnonlinear adaptive estimators》中,作者设计了一组非线性自适应故障隔离估计器,用于四旋翼执行器的故障估计。在论文《Active fault tolerant control of quadrotorUAV using sliding mode control》中,作者采用滑模控制技术开发了一种主动容错控制方案。现有的针对执行器的主动容错控制框架中,关于故障评估和主动容错控制的方法都没有考虑工程实际存在的模型不确定性和故障评估的误差。
发明内容
为解决现有技术存在的问题,本发明提出一种考虑电机故障的四旋翼无人机智能容错控制方法,该方法基于自适应滑模控制和递归神经网络,考虑了有界的外部干扰和传感器噪声,量化了四旋翼无人机各个电机的故障程度,并以电机操纵效率变化的形式考虑到非线性模型中。针对无人机转动惯量和飞行阻力不确定问题设计自适应滑模控制***,然后通过将一组并联的递归神经网络设计为故障识别器,实现了快速而准确的故障特征提取、故障评级和故障隔离。所设计的主动容错控制策略可以在线自适应地产生适当的控制信号来补偿模型的不确定性从而保持四旋翼无人机的跟踪性能和稳定性,同时递归神经网络将与自适应滑模控制相互配合,完成故障后控制器的重新配置从而实现主动容错控制,保障无人机的飞行安全。
本发明的技术方案为:
一种考虑电机故障的四旋翼无人机智能容错控制方法,包括如下步骤:
步骤1,考虑四旋翼无人机本体转动惯量不确定、飞行过程中阻力不确定、传感器测量误差和复杂外界环境干扰,建立包含电机故障参数的非线性动力学模型;
步骤2:构建传感器测量误差、复杂外界环境干扰和电机故障参数的显式表达,;
步骤3:针对四旋翼飞行过程中的不确定和干扰,设计自适应滑模控制器,实现控制器在线自适应补偿模型不确定和干扰保证无人机的稳定性和指令跟踪性能;
步骤4:针对四旋翼无人机的不同电机设计递归神经网络故障估计器,不同故障估计器并联形成故障估计模块;
步骤5:通过自适应滑模控制器与故障估计器相结合,将四旋翼无人机电机故障严重程度进行参数化,同时实现电机故障后的故障特征提取、故障等级评估、故障电机隔离与控制方法重构,实现电机故障情况下的四旋翼无人机的安全飞行。
进一步的,步骤1具体如下:
考虑四旋翼无人机本体转动惯量不确定、飞行过程中阻力不确定、传感器测量误差和复杂外界环境干扰,建立包含电机故障参数的非线性动力学模型,表示如下:
其参数定义如下:[φ θ ψ]T代表无人机在地面固定坐标系下的欧拉角,其中φ代表滚转角,θ代表俯仰角,ψ代表偏航角;[Ixx Iyy Izz]T分别代表飞机沿机体坐标系下三个坐标轴的惯性矩;Ku为一大于零的系数,代表旋翼产生气动力的增益;Ky为一大于零的系数,代表旋翼产生反扭矩的增益;Ld代表旋翼电机旋转轴线与四旋翼无人重心之间的距离;Ki(i=1,2,3)代表飞机飞行过程中的阻力系数;ui(i=1,2,3,4)代表输入给旋翼电机的脉宽信号值。
进一步的,步骤2具体如下:
将无人机的非线性动力学模型写为积分链的形式并将模型不确定性、外界干扰、传感器噪声和电机故障参数显式表达,表示如下:
y(t)=Cx(t)+w(t)
式中是***的状态向量;/>是***的输出向量;/>是***的控制输入变量;/>为对角矩阵;/>为控制效率矩阵;向量/>是***的非线性项,其中包括模型边界未知的模型不确定;代表边界已知的外界干扰;/>代表传感器噪声;Lc(t)=diag([lc1(t),lc2(t),…,lcm(t)])代表电机控制有效等级,lcj(t)(j=1,2,…,m)的变化范围满足0≤lcj(t)≤1,lcj(t)=1代表第j个电机具有正常的工作能力,lcj(t)=0代表第j个电机完全故障。
进一步的,步骤3具体如下:
为了进行状态反馈控制器的设计,将***的状态变量定义为非线性***可以改写为如下形式:
vi=BuiLcui
式中i=1,2,3分别代表三个子***;***的两个状态量分别为飞机的欧拉角和角速度x2i-1=[φ θ ψ]T,
定义为状态变量的期望值,那么跟踪误差向量可以定义为/> 结合跟踪误差,***的积分滑模面可以被设计为如下形式:
其中t0是***的初始状态对应的时刻,kc1i和kc2i为设计参数,该参数为霍尔维茨多项式p2+kc2ip+kc1i的系数,其中p为拉普拉斯算子,并满足p2+kc2ip+kc1i=0的根具有负实部。对于任意常数a>0,(p+a)2=0可以写为多项式p2+2ap+a2=0,因此kc1i和kc2i可以设计为kc1i=a2,kc2i=2a。
当滑模面设计完成后继续进行控制律设计,使得滑动变量能够到达滑模面并保持在滑模面附近。因此,对应的控制律可以设计为如下形式:
vi=vi0+vi1
其中vi0代表控制律中的连续变量部分,用于稳定无不确定和干扰条件下的***;vi1为控制律中非连续的变量,用于补偿***的扰动保证***的滑动模态;
通过令可以获得控制律中的连续变量部分vi0,该过程中忽略了外界干扰di,具体可表示为如下形式:
在此基础上,继续设计针对扰动di的非连续控制变量,具体可表示为如下形式:
vi1=-kc3isat(σi)
其中kc3i为一大于零的高增益系数,其使得***的状态趋向于保持在滑模面附近,其中的sat函数可以表示为如下形式:
其中Φi为一大于零的数值代表边界层的厚度。
因此,在不考虑电机故障和模型不确定的情况下,***的控制律可以写为如下形式:
其中代表控制效能矩阵的伪逆。
进而继续考虑模型不确定,在此之前需要引入对应的估计参数和/>为了充分利用滑模控制非连续的控制策略,使用估计变量/>与kc3i共同自适应调整替代了传统单一调整kc3i的策略;定义自适应变量/>和/>然后可以将控制律写为如下形式:
其中使用在线自适应算法估计的不确定参数可以设计为:
其中σΔi=σi-Φisat(σi)为当前滑动变量与边界层之间的几何距离。
进一步的,步骤4具体如下:
为了有效评估每个电机执行器故障的严重程度,采用了一组并联的递归神经网络作为故障识别器。针对四旋翼无人机则分别为四个电机设计了单独递归神经网络,能够实现快速可靠的在线评估电机的故障严重程度,该方案较单一神经网络性能有显著改善。使用过程中将***的输入指令与***输出之间的误差以及执行器的控制输入作为递归神经网络的输入,每个神经网络输出所估计的电机故障严重程度,并用其控制有效水平进行表达。
所应用的递归神经网络结构如图2所示,其具有两个隐含层,第一隐含层的输出反馈形成联接层,因此所应用的递归神经网络针对输入向量U(k)=[un1(k),un2(k),…,unr(k)]T的一般动力学响应可以表示为:
Y(k+1)=WOXh2(k+1)
其中代表递归神经网络的输入,/>代表第一隐含层在时间点k+1时的输出向量,/>代表第二隐含层的输出向量,Y(k+1)代表递归神经网络的输出向量,/>和/>分别代表输入层与第一隐含层、第一隐含层与第二隐含层和第二隐含层与输入层之间的加权矩阵,/>和/>分别代表第一隐含层和第二隐含层之间的激活函数;
在训练神经网络的过程中,设计了一种基于时间逆传播的扩展卡尔曼滤波器。考虑所设计的具有s个神经元连接点权值和q个输出节点的递归神经网络,将k表示为递归神经网络监督训练过程中的一个时刻,将此时刻递归神经网络中各神经元连接点的加权值用向量Wk表示。通过将第一隐含层中与第一个神经元相关的所有加权值进行叠加,然后叠加第二个神经元。随后进行相同的步骤,直到第一隐含层中的所有神经元全部完成相同步骤为止。随后对网络中的第二隐含层和输出层应用相同的步骤,以相同的顺序将权值叠加至向量Wk中。因此,选择Wk作为递归神经网络的状态,则网络的状态空间模型可以被定义为:
Wk+1=Wk+ωk
Dk=f(Wk,Vk,Uk)+vk
其中Uk是应用于神经网络的输入信号,Vk是用于表示网络活跃度的网络内部状态,动态噪声ωk和测量噪声vk分别为均值为零分布的不相关高斯噪声矩阵和f代表递归神经网络内部的整体非线性函数,/>是期望输出。
针对网络的非线性测量模型,提出了一种基于时间逆传播的扩展卡尔曼滤波器训练算法。为了实现扩展卡尔曼滤波训练算法,需要对测量模型进行线性化,用泰勒级数展开,可以近似为:
Wk+1=Wk+ωk
式中是线性化模型的测量矩阵,可以写作:
q和s分别代表输出神经元的数量和连接点的加权值,yi(i=1,2,…,q)代表第i个输出神经元。矩阵Fk的详细计算方式如下所示:
对于其中/>和/>的计算方法如下:
对于给定的训练样本对于k=1,2,…,N,递归神经网络加权参数按如下方式更新:
Pk|k=Pk|k-1-GkFkPk|k-1
Pk+1|k=Pk|k+Qω,k
取初值为:
P1|0=δ-1I
其中是加权向量Wk的预测估计,/>是加权向量Wk的滤波估计,/>是卡尔曼增益矩阵。/>是预测误差的协方差矩阵,/>是滤波误差的协方差矩阵。ηk是学习速率,δ为一大于零的小值,/>为单位矩阵。
进一步的,步骤5具体如下:
通过应用电机控制有效等级的估计值最终控制律可以设计为:
考虑到电机故障的估计误差实际产生的虚拟控制输入可以写为:/>其中vid是自适应滑模控制器产生的虚拟控制量。
接下来,定义并将其于带入***的表达式中,可以得到如下等式:
因此,利用估计值可以在不影响控制器跟踪性能的情况下补偿电机故障的估计误差。
有益效果
本发明提出一种考虑四旋翼无人机电机故障后的智能容错姿态控制方法,可以解决四旋翼无人机面对外部干扰、模型不确定甚至电机故障后带来的无人机姿态控制的难题。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
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:主动容差控制策略框架图;
图2:递归神经网络结构图。
具体实施方式
下面详细描述本发明的实施例,所述实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本实施例中的一种考虑电机故障的四旋翼无人机智能容错控制方法,包括如下步骤:
步骤1,考虑四旋翼无人机本体转动惯量不确定、飞行过程中阻力不确定、传感器测量误差和复杂外界环境干扰,建立包含电机故障参数的非线性动力学模型;
表示如下:
其参数定义如下:[φ θ ψ]T代表无人机在地面固定坐标系下的欧拉角,其中φ代表滚转角,θ代表俯仰角,ψ代表偏航角;[Ixx Iyy Izz]T分别代表飞机沿机体坐标系下三个坐标轴的惯性矩;Ku为一大于零的系数,代表旋翼产生气动力的增益;Ky为一大于零的系数,代表旋翼产生反扭矩的增益;Ld代表旋翼电机旋转轴线与四旋翼无人重心之间的距离;Ki(i=1,2,3)代表飞机飞行过程中的阻力系数;ui(i=1,2,3,4)代表输入给旋翼电机的脉宽信号值。
步骤2:进行问题陈述,构建传感器测量误差、复杂外界环境干扰和电机故障参数等的显式表达,为自适应滑模控制器和递归神经网络故障估计器的设计完成准备工作;
将无人机的非线性动力学模型写为积分链的形式并将模型不确定性、外界干扰、传感器噪声和电机故障参数显式表达,表示如下:
y(t)=Cx(t)+w(t)
式中是***的状态向量;/>是***的输出向量;/>是***的控制输入变量;/>为对角矩阵;/>为控制效率矩阵;向量/>是***的非线性项,其中包括模型边界未知的模型不确定;/>代表边界已知的外界干扰;/>代表传感器噪声;Lc(t)=diag([lc1(t),lc2(t),…,lcm(t)])代表电机控制有效等级,lcj(t)(j=1,2,…,m)的变化范围满足0≤lcj(t)≤1,lcj(t)=1代表第j个电机具有正常的工作能力,lcj(t)=0代表第j个电机完全故障。
步骤3:针对四旋翼飞行过程中的不确定和干扰,设计自适应滑模控制器,实现控制器在线自适应补偿模型不确定和干扰保证无人机的稳定性和指令跟踪性能;
为了进行状态反馈控制器的设计,将***的状态变量定义为非线性***可以改写为如下形式:
vi=BuiLcui
式中i=1,2,3分别代表三个子***;***的两个状态量分别为飞机的欧拉角和角速度x2i-1=[φ θ ψ]T,
定义为状态变量的期望值,那么跟踪误差向量可以定义为/> 结合跟踪误差,***的积分滑模面可以被设计为如下形式:
其中t0是***的初始状态对应的时刻,kc1i和kc2i为设计参数,该参数为霍尔维茨多项式p2+kc2ip+kc1i的系数,其中p为拉普拉斯算子,并满足p2+kc2ip+kc1i=0的根具有负实部。对于任意常数a>0,(p+a)2=0可以写为多项式p2+2ap+a2=0,因此kc1i和kc2i可以设计为kc1i=a2,kc2i=2a。
当滑模面设计完成后继续进行控制律设计,使得滑动变量能够到达滑模面并保持在滑模面附近。因此,对应的控制律可以设计为如下形式:
vi=vi0+vi1
其中vi0代表控制律中的连续变量部分,用于稳定无不确定和干扰条件下的***;vi1为控制律中非连续的变量,用于补偿***的扰动保证***的滑动模态;
通过令可以获得控制律中的连续变量部分vi0,该过程中忽略了外界干扰di,具体可表示为如下形式:
在此基础上,继续设计针对扰动di的非连续控制变量,具体可表示为如下形式:
vi1=-kc3isat(σi)
其中kc3i为一大于零的高增益系数,其使得***的状态趋向于保持在滑模面附近,其中的sat函数可以表示为如下形式:
其中Φi为一大于零的数值代表边界层的厚度。
因此,在不考虑电机故障和模型不确定的情况下,***的控制律可以写为如下形式:
其中代表控制效能矩阵的伪逆。
进而继续考虑模型不确定,在此之前需要引入对应的估计参数和/>为了充分利用滑模控制非连续的控制策略,使用估计变量/>与kc3i共同自适应调整替代了传统单一调整kc3i的策略;定义自适应变量/>和/>然后可以将控制律写为如下形式:
其中使用在线自适应算法估计的不确定参数可以设计为:
其中σΔi=σi-Φisat(σi)为当前滑动变量与边界层之间的几何距离。
步骤4:针对四旋翼无人机的不同电机设计递归神经网络故障估计器,不同故障估计器并联形成故障估计模块;
为了有效评估每个电机执行器故障的严重程度,采用了一组并联的递归神经网络作为故障识别器。针对四旋翼无人机则分别为四个电机设计了单独递归神经网络,能够实现快速可靠的在线评估电机的故障严重程度,该方案较单一神经网络性能有显著改善。使用过程中将***的输入指令与***输出之间的误差以及执行器的控制输入作为递归神经网络的输入,每个神经网络输出所估计的电机故障严重程度,并用其控制有效水平进行表达。
所应用的递归神经网络结构如图2所示,其具有两个隐含层,第一隐含层的输出反馈形成联接层,因此所应用的递归神经网络针对输入向量U(k)=[un1(k),un2(k),…,unr(k)]T的一般动力学响应可以表示为:
Y(k+1)=WOXh2(k+1)
其中代表递归神经网络的输入,/>代表第一隐含层在时间点k+1时的输出向量,/>代表第二隐含层的输出向量,Y(k+1)代表递归神经网络的输出向量,/>和/>分别代表输入层与第一隐含层、第一隐含层与第二隐含层和第二隐含层与输入层之间的加权矩阵,/>和/>分别代表第一隐含层和第二隐含层之间的激活函数;
在训练神经网络的过程中,设计了一种基于时间逆传播的扩展卡尔曼滤波器。考虑所设计的具有s个神经元连接点权值和q个输出节点的递归神经网络,通过将k表示为递归神经网络监督训练过程中的一个时刻,将此时刻递归神经网络中各神经元连接点的加权值用向量Wk表示。通过将第一隐含层中与第一个神经元相关的所有加权值进行叠加,然后叠加第二个神经元。随后进行相同的步骤,直到第一隐含层中的所有神经元全部完成相同步骤为止。随后对网络中的第二隐含层和输出层应用相同的步骤,以相同的顺序将权值叠加至向量Wk中。因此,选择Wk作为递归神经网络的状态,则网络的状态空间模型可以被定义为:
Wk+1=Wk+ωk
Dk=f(Wk,Vk,Uk)+vk
其中Uk是应用于神经网络的输入信号,Vk是用于表示网络活跃度的网络内部状态,动态噪声ωk和测量噪声vk分别为均值为零分布的不相关高斯噪声矩阵和f代表递归神经网络内部的整体非线性函数,/>是期望输出。
针对网络的非线性测量模型,提出了一种基于时间反向传播的扩展卡尔曼滤波器训练算法。为了实现扩展卡尔曼滤波训练算法,需要对测量模型进行线性化,用泰勒级数展开,可以近似为:
Wk+1=Wk+ωk
式中是线性化模型的测量矩阵,可以写作:
q和s分别代表输出神经元的数量和连接点的加权值,yi(i=1,2,…,q)代表第i个输出神经元。矩阵Fk的详细计算方式如下所示:
对于其中/>和/>的计算方法如下:
/>
对于给定的训练样本对于k=1,2,…,N,递归神经网络加权参数按如下方式更新:
Pk|k=Pk|k-1-GkFkPk|k-1
Pk+1|k=Pk|k+Qω,k
取初值为:
P1|0=δ-1I
其中是加权向量Wk的预测估计,/>是加权向量Wk的滤波估计,/>是卡尔曼增益矩阵。/>是预测误差的协方差矩阵,/>是滤波误差的协方差矩阵。ηk是学习速率,δ为一大于零的小值,/>为单位矩阵。
步骤5:通过自适应滑模控制器与故障估计器相结合,将四旋翼无人机电机故障严重程度进行参数化,同时实现电机故障后的故障特征提取、故障等级评估、故障电机隔离与控制方法重构,实现电机故障情况下的四旋翼无人机的安全飞行。
通过应用电机控制有效等级的估计值最终控制律可以设计为:
考虑到电机故障的估计误差实际产生的虚拟控制输入可以写为:/>其中vid是自适应滑模控制器产生的虚拟控制量。
接下来,定义并将其于带入***的表达式中,可以得到如下等式:
因此,利用估计值可以在不影响控制器跟踪性能的情况下补偿电机故障的估计误差。
基于反向时间传播的扩展卡尔曼滤波训练程序伪代码为:
/>
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (3)
1.一种考虑电机故障的四旋翼无人机智能容错控制方法,其特征在于:包括以下步骤:
步骤1,考虑四旋翼无人机本体转动惯量不确定、飞行过程中阻力不确定、传感器测量误差和复杂外界环境干扰,建立包含电机故障参数的非线性动力学模型:
其中,[φ θ ψ]T代表无人机在地面固定坐标系下的欧拉角,φ代表滚转角,θ代表俯仰角,ψ代表偏航角;[Ixx Iyy Izz]T分别代表飞机沿机体坐标系下三个坐标轴的惯性矩;Ku为一大于零的系数,代表旋翼产生气动力的增益;Ky为一大于零的系数,代表旋翼产生反扭矩的增益;Ld代表旋翼电机旋转轴线与四旋翼无人重心之间的距离;Ki(i=1,2,3)代表飞机飞行过程中的阻力系数;ui(i=1,2,3,4)代表输入给旋翼电机的脉宽信号值;
步骤2:将无人机的非线性动力学模型写为积分链的形式并将模型不确定性、外界干扰、传感器噪声和电机故障参数显式表达,表示如下:
y(t)=Cx(t)+w(t)
式中是***的状态向量;/>是***的输出向量;是***的控制输入变量;/>为对角矩阵;/>为控制效率矩阵;向量/>是***的非线性项,其中包括模型边界未知的模型不确定项;代表边界已知的外界干扰;/>代表传感器噪声;Lc(t)=diag([lc1(t),lc2(t),…,lcm(t)])代表电机控制有效等级,lcj(t)(j=1,2,…,m)的变化范围满足0≤lcj(t)≤1,lcj(t)=1代表第j个电机具有正常的工作能力,lcj(t)=0代表第j个电机完全故障;
步骤3:针对四旋翼飞行过程中的不确定和干扰,设计自适应滑模控制器,实现控制器在线自适应补偿模型不确定和干扰保证无人机的稳定性和指令跟踪性能;
设计自适应滑模控制器的具体过程为:
将***的状态变量定义为非线性***可以改写为如下形式:
vi=BuiLcui
式中i=1,2,3分别代表三个子***;***的两个状态量分别为飞机的欧拉角和角速度x2i-1=[φθψ]T,
定义为状态变量的期望值,定义跟踪误差向量为/> 结合跟踪误差,设计***的积分滑模面为如下形式:
其中t0是***的初始状态对应的时刻,kc1i和kc2i为设计参数,该参数为霍尔维茨多项式p2+kc2ip+kc1i的系数,其中p为拉普拉斯算子,并满足p2+kc2ip+kc1i=0的根具有负实部;
设计控制律为
其中中代表控制效能矩阵的伪逆,
σΔi=σi-Φisat(σi)为当前滑动变量与边界层之间的几何距离,kc3i为一大于零的高增益系数,其使得***的状态趋向于保持在滑模面附近,sat函数可以表示为如下形式:
Φi为一大于零的数值代表边界层的厚;
步骤4:针对四旋翼无人机的不同电机设计递归神经网络故障估计器,不同故障估计器并联形成故障估计模块;
其中针对四旋翼无人机分别为四个电机设计了单独递归神经网络,递归神经网络并联作为故障识别器,使用过程中将***的输入指令与***输出之间的误差以及执行器的控制输入作为递归神经网络的输入,每个神经网络输出所估计的电机故障严重程度,并用其控制有效水平进行表达;
所应用的递归神经网络结构具有两个隐含层,第一隐含层的输出反馈形成联接层,递归神经网络针对输入向量U(k)=[un1(k),un2(k),…,unr(k)]T的一般动力学响应表示为:
Y(k+1)=WOXh2(k+1)
其中代表递归神经网络的输入,/>代表第一隐含层在时间点k+1时的输出向量,/>代表第二隐含层的输出向量,Y(k+1)代表递归神经网络的输出向量,/>和/>分别代表输入层与第一隐含层、第一隐含层与第二隐含层和第二隐含层与输入层之间的加权矩阵,/>和/>分别代表第一隐含层和第二隐含层之间的激活函数;
步骤5:通过自适应滑模控制器与故障估计器相结合,将四旋翼无人机电机故障严重程度进行参数化,同时实现电机故障后的故障特征提取、故障等级评估、故障电机隔离与控制方法重构,实现电机故障情况下的四旋翼无人机的安全飞行;
其中通过应用电机控制有效等级的估计值最终控制律设计为:
考虑到电机故障的估计误差实际产生的虚拟控制输入写为:其中vid是自适应滑模控制器产生的虚拟控制量;
定义并将其于带入***的表达式中,可以得到如下等式:
利用估计值能够在不影响控制器跟踪性能的情况下补偿电机故障的估计误差。
2.根据权利要求1所述一种考虑电机故障的四旋翼无人机智能容错控制方法,其特征在于:kc1i和kc2i设计为kc1i=a2,kc2i=2a。
3.根据权利要求1所述一种考虑电机故障的四旋翼无人机智能容错控制方法,其特征在于:在训练递归神经网络过程中,采用基于时间逆传播的扩展卡尔曼滤波器训练方法:
考虑所设计的具有s个神经元连接点权值和q个输出节点的递归神经网络,将k表示为递归神经网络监督训练过程中的一个时刻,将此时刻递归神经网络中各神经元连接点的加权值用向量Wk表示;通过将第一隐含层中与第一个神经元相关的所有加权值进行叠加,然后叠加第二个神经元;随后进行相同的步骤,直到第一隐含层中的所有神经元全部完成相同步骤为止;随后对网络中的第二隐含层和输出层应用相同的步骤,以相同的顺序将权值叠加至向量Wk中;因此,选择Wk作为递归神经网络的状态,则网络的状态空间模型可以被定义为:
Wk+1=Wk+ωk
Dk=f(Wk,Vk,Uk)+vk
其中Uk是应用于神经网络的输入信号,Vk是用于表示网络活跃度的网络内部状态,动态噪声ωk和测量噪声vk分别为均值为零分布的不相关高斯噪声矩阵和/>f代表递归神经网络内部的整体非线性函数,/>是期望输出;
对测量模型进行线性化,用泰勒级数展开:
Wk+1=Wk+ωk
式中是线性化模型的测量矩阵,写作:
q和s分别代表输出神经元的数量和连接点的加权值,yi(i=1,2,…,q)代表第i个输出神经元;
对于给定的训练样本对于k=1,2,…,N,递归神经网络加权参数按如下方式更新:
Pk|k=Pk|k-1-GkFkPk|k-1
Pk+1|k=Pk|k+Qω,k
取初值为:
P1|0=δ-1I
其中是加权向量Wk的预测估计,/>是加权向量Wk的滤波估计,/>是卡尔曼增益矩阵;/>是预测误差的协方差矩阵,/>是滤波误差的协方差矩阵;ηk是学习速率,δ为一大于零的小值,/>为单位矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110877756.4A CN113568423B (zh) | 2021-08-01 | 2021-08-01 | 一种考虑电机故障的四旋翼无人机智能容错控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110877756.4A CN113568423B (zh) | 2021-08-01 | 2021-08-01 | 一种考虑电机故障的四旋翼无人机智能容错控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113568423A CN113568423A (zh) | 2021-10-29 |
CN113568423B true CN113568423B (zh) | 2024-01-16 |
Family
ID=78169813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110877756.4A Active CN113568423B (zh) | 2021-08-01 | 2021-08-01 | 一种考虑电机故障的四旋翼无人机智能容错控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113568423B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113867403B (zh) * | 2021-10-31 | 2022-06-14 | 哈尔滨工业大学 | 一种基于微型涡喷的全向力无人机及其控制分配方法 |
CN115167508B (zh) * | 2022-07-05 | 2023-05-09 | 南京邮电大学 | 一种多旋翼无人机传感器故障安全飞行控制***及方法 |
CN117930632B (zh) * | 2024-03-19 | 2024-06-14 | 西北工业大学 | 一种增强***稳定储备的高可靠安全飞行控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9146557B1 (en) * | 2014-04-23 | 2015-09-29 | King Fahd University Of Petroleum And Minerals | Adaptive control method for unmanned vehicle with slung load |
WO2018028711A1 (zh) * | 2016-08-12 | 2018-02-15 | 贵州火星探索科技有限公司 | 一种对无人机的噪声协方差进行估算的方法 |
CN108445760A (zh) * | 2018-03-14 | 2018-08-24 | 中南大学 | 基于自适应故障估计观测器的四旋翼无人机容错控制方法 |
CN109343369A (zh) * | 2018-11-19 | 2019-02-15 | 南京邮电大学 | 一种基于非线性观测器的四旋翼容错控制器设计方法 |
CN111781838A (zh) * | 2020-08-06 | 2020-10-16 | 河海大学常州校区 | 一种基于观测器的有源电力滤波器自适应动态滑模方法 |
CN111781942A (zh) * | 2020-06-23 | 2020-10-16 | 南京航空航天大学 | 一种基于自构造模糊神经网络的容错飞行控制方法 |
CN111799795A (zh) * | 2020-06-22 | 2020-10-20 | 河海大学常州校区 | 一种基于干扰观测的有源电力滤波器自适应滑模控制 |
CN112882484A (zh) * | 2021-01-12 | 2021-06-01 | 北京航空航天大学 | 一种无人机抗干扰容错控制方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11637331B2 (en) * | 2017-11-20 | 2023-04-25 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
US11635734B2 (en) * | 2019-01-10 | 2023-04-25 | Dalian University Of Technology | Interval error observer-based aircraft engine active fault tolerant control method |
US11876464B2 (en) * | 2019-02-14 | 2024-01-16 | The Board Of Trustees Of The University Of Alabama | Systems, methods and devices for neural network control for IPM motor drives |
CN110513198B (zh) * | 2019-08-13 | 2021-07-06 | 大连理工大学 | 一种涡扇发动机控制***主动容错控制方法 |
-
2021
- 2021-08-01 CN CN202110877756.4A patent/CN113568423B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9146557B1 (en) * | 2014-04-23 | 2015-09-29 | King Fahd University Of Petroleum And Minerals | Adaptive control method for unmanned vehicle with slung load |
WO2018028711A1 (zh) * | 2016-08-12 | 2018-02-15 | 贵州火星探索科技有限公司 | 一种对无人机的噪声协方差进行估算的方法 |
CN108445760A (zh) * | 2018-03-14 | 2018-08-24 | 中南大学 | 基于自适应故障估计观测器的四旋翼无人机容错控制方法 |
CN109343369A (zh) * | 2018-11-19 | 2019-02-15 | 南京邮电大学 | 一种基于非线性观测器的四旋翼容错控制器设计方法 |
CN111799795A (zh) * | 2020-06-22 | 2020-10-20 | 河海大学常州校区 | 一种基于干扰观测的有源电力滤波器自适应滑模控制 |
CN111781942A (zh) * | 2020-06-23 | 2020-10-16 | 南京航空航天大学 | 一种基于自构造模糊神经网络的容错飞行控制方法 |
CN111781838A (zh) * | 2020-08-06 | 2020-10-16 | 河海大学常州校区 | 一种基于观测器的有源电力滤波器自适应动态滑模方法 |
CN112882484A (zh) * | 2021-01-12 | 2021-06-01 | 北京航空航天大学 | 一种无人机抗干扰容错控制方法 |
Non-Patent Citations (3)
Title |
---|
四旋翼无人机的自适应容错控制;刘凯悦;冷建伟;;电光与控制(第08期);全文 * |
无人机姿态控制***滑模动态面容错控制方法;翟丽相;钱默抒;刘剑慰;;***仿真技术(第03期);全文 * |
舰载机纵向容错着舰***设计;朱齐丹;孟雪;;控制理论与应用(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113568423A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113568423B (zh) | 一种考虑电机故障的四旋翼无人机智能容错控制方法 | |
Abbaspour et al. | Neural adaptive observer-based sensor and actuator fault detection in nonlinear systems: Application in UAV | |
CN109343369B (zh) | 一种基于非线性观测器的四旋翼容错控制器设计方法 | |
CN108803317B (zh) | 自适应多变量四旋翼无人机有限时间容错控制方法 | |
Jiang et al. | Adaptive neural observer‐based backstepping fault tolerant control for near space vehicle under control effector damage | |
Bateman et al. | Fault diagnosis and fault-tolerant control strategy for the aerosonde UAV | |
Aboutalebi et al. | A novel sensor fault detection in an unmanned quadrotor based on adaptive neural observer | |
Wang et al. | Quadrotor fault-tolerant incremental nonsingular terminal sliding mode control | |
Boskovic et al. | Robust integrated flight control design under failures, damage, and state-dependent disturbances | |
Xu et al. | Decentralized asymptotic fault tolerant control of near space vehicle with high order actuator dynamics | |
Jin et al. | Robust adaptive neural network-based compensation control of a class of quadrotor aircrafts | |
CN111880410B (zh) | 一种针对电机故障的四旋翼无人机容错控制方法 | |
CN111781942B (zh) | 一种基于自构造模糊神经网络的容错飞行控制方法 | |
CN114578691A (zh) | 考虑舵面故障的飞翼无人机主动抗扰容错姿态控制方法 | |
Zhang et al. | Control surface faults neural adaptive compensation control for tailless flying wing aircraft with uncertainties | |
Skriver et al. | Adaptive extended Kalman filter for actuator fault diagnosis | |
CN113128035A (zh) | 民用飞机飞控传感器信号重构容错控制方法 | |
Baldi et al. | Adaptive FTC based on control allocation and fault accommodation for satellite reaction wheels | |
Saied et al. | Passive fault-tolerant control of an octorotor using super-twisting algorithm: Theory and experiments | |
Cheng et al. | Active fault tolerant control design for UAV using nonsingular fast terminal sliding mode approach | |
Nguyen et al. | Hybrid intelligent flight control with adaptive learning parameter estimation | |
CN115659502A (zh) | 一种基于神经网络自适应观测器的飞翼无人机操纵面故障诊断方法 | |
Emami et al. | Disturbance observer-based adaptive neural guidance and control of an aircraft using composite learning | |
CN115373275A (zh) | 四旋翼无人机的指定时间预定性能容错控制方法 | |
CN115981265A (zh) | 基于扩张观测器的舰载机故障在线检测方法 |
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 |