文摘
机械手是一个复杂的系统的天线高耦合和不稳定。机械手臂的运动将会影响自稳定精度的无人驾驶飞行器(无人机)。加强空中机械手的稳定性、复合控制器结合传统的比例积分微分(PID)控制、模糊理论和神经网络算法。通过模糊无人机的姿态误差信号作为神经网络的输入,提高无人机的抗干扰能力和稳定性。同时,基于神经网络模型标识符Maxout激活函数是用来实现控制模型的准确识别。仿真结果表明,与传统PID控制器相比,复合控制器与模糊神经网络相结合可以大大提高无人机的抗干扰能力和稳定性。
1。介绍
无人机无人机技术的成熟,广泛应用于工业领域。一些无人机高度复杂和高敏感度任务,需要配备更多的辅助结构(例如,multidegree自由度机械手臂)。因此,传统的控制方法越来越难以满足高鲁棒性和抗干扰的要求。Quadrotor无人机是一种最常见的无人机,这被广泛使用,因为其结构简单。Quadrotor无人机是一个underdriven系统有四个输入和六个输出(1]。由于其强耦合和容易干扰非线性特征,是极其不稳定的时候带有机械臂。
目前,常见的控制算法包括PID控制、H -鲁棒控制等。Ikeda等人使用一个空中机械手bridge-detection [2]。他们使用PID控制无人机和操纵者。然而,他们并没有详细说明如何减少无人机振动,提高检测精度。Ballesteros-Escamilla设计一种基于PD控制的自适应控制器(3]。它优化问题,传统的PD控制需要跟踪误差时间导数,需要配备大量的传感器。它可以帮助节约能源提高无人机的耐力,但滞后的问题仍然存在。南京航空航天大学的一个小组建立了一个逆系统和使用反向传播(BP)神经网络控制无人机的态度(4]。它可以使无人机辊、音高和偏航(RPY)角度误差在允许范围内。然而,它也有控制滞后和实时性能较低的问题。张等人分别控制无人机和算法(5]。他们使用H -的组合鲁棒控制和加速度反馈控制无人机和使用PID控制机械手。加速度反馈可以帮助抵抗风的干扰,但其应对干扰相对缓慢。Scholten等人结合PI控制和阻抗控制来控制机械手的天线(6]。他实现了对机械手的天线。但是,它不适合无触点控制。
在无人机的飞行过程中,非线性来自外界的干扰和机械手的运动将会影响飞行状态。传统的PID控制器有抵抗力差非线性干扰(7]。神经网络的自适应性可以调整内部参数的无人机8]。目前,最常用的神经网络BP神经网络、径向基神经网络,等等。9]。结合神经网络和模糊理论的广泛应用(10]。
本文结合模糊神经网络和PID控制方法,提出了不仅解决了响应速度慢的问题引起的神经网络学习过程也提高了无人机与机械手的稳定性。Maxout标识符是建立识别模型,克服了传统的问题控制过度依赖于模型参数。仿真结果表明,设计的控制方法可以控制无人机与未知模型实时和无人机系统的稳定性和抗干扰改善。
2。模型建立Quadrotor无人机
四驱无人机有一个简单的结构(12],它控制飞行状态通过控制汽车的四个翅膀。四驱无人机系统是一种underdriven系统有四个输入和六个输出。六自由度包括 。F1,F2,F3,F4代表四旋翼升力产生的汽车。four-wing无人机的示意图如图2。
的关系(13)之间的总升力F和电机的速度如下: 在哪里旋翼的升力系数,它与转子的形状和结构。
直线运动模型如下: 在哪里无人驾驶飞机的质量和吗重力加速度。
四轴飞行器的无人机的转矩公式x设在,y设在,z设在如下:
其中,反扭矩系数和吗的质心的距离是无人机转子的中心。无人机动力学方程可以得到如下: 在哪里代表了刚体转动惯量,代表了角加速度,代表了角速度代表着态度通道控制转矩。角加速度公式可以表示为
当无人机装备机械手,它成为一个更复杂的系统。一个简单的模型的空中操纵者如图3。
在机器人手臂的运动,会产生一个大的干扰力的无人机,这将影响无人机的自动稳定。
3所示。模糊神经网络复合控制器的设计
无人机的控制器采用PID控制和模糊神经网络的并行组合控制,如图4。
无人机控制系统输入命令包括无人机辊,音高,偏航和节流阀。输入RPY错误e_rpy在传统PID控制器,输入RPY错误e_rpy,角速度误差e_w_rpy,z设在方向速度误差e_v到模糊神经网络控制器,然后连接传统的PID控制器和模糊神经网络控制器并联形成复合控制器。输出控制信号用于控制四个电机的无人机,以及获得电动机转速吗n为无人机提供升力。在机械手的控制过程中,干扰信号会产生影响的控制无人机的态度。
其中,有必要使用无人机的输出状态之间的数学关系和控制信号反馈模糊神经网络的收敛过程。这个值是雅可比参数 ,这是有关输入参数变量模糊神经网络控制器。这个变量可以通过Maxout神经网络识别器(14]。
3.1。传统PID控制器
PID控制器的结构如下(15]:
传统的控制器输入参数e包括RPY误差和速度误差;控制器的输出; , ,和是PID比例、积分和微分系数。
3.2。模糊神经网络控制器
在无人机的控制过程中,输入值包括RPY、角速度、速度误差e和雅可比参数 。
首先,为了减少的影响,不同的输入量的大小(16),需要规范化的输入错误e:
使用成员函数(17模糊理论的模糊归一化参数 : 在哪里我从1到5,这意味着输入转化为五个阶段。也就是说,这个错误 和e是大; 和e是小;e约等于0; 和是小; 和比较大。和米和p是重量系数。根据模糊学习规则表1误差信号e,相应的控制信号 , , , 的四个汽车采用下表的逻辑方法18]。值1到5表明,从弱到强的控制信号变化如表所示1。逻辑规则如下。
神经网络结构采用BP神经网络,利用梯度最速下降法和梯度搜索技术来最小化误差的均方值之间的实际输出值与期望输出值,减少二次误差函数通过调整重量。二次误差函数的表达式如下: 在哪里的期望值是无人机的输出状态y是实际的价值。无人机的状态包括RPY角和角速度的无人机和速度的垂直方向z设在。
神经网络的输入RPY速度错误和RPY错误。这个错误e由公式(归一化7)获得作为隐层的输入值。
隐层的节点输出值 在哪里米和p是常数。根据模糊规则,米以5种不同的参数为−1−0.5,0,0.5,1。
输出层节点值如下:
其中,相应的权重系数,调整神经网络的反馈。调整方法遵循了BP神经网络的调整规则。
重量调整公式 在哪里网络学习速率和吗是雅可比参数。角度控制收敛时,e在公式包含的和角误差和角速度误差。只有两个角度误差和角速度误差收敛在一定范围(19),神经网络收敛,从而实现控制精度。模糊神经网络学习的流程图如图5。
3.3。Maxout神经网络标识符
雅可比参数体重调整控制器的输出反映了数学关系无人机和四个电机的输入控制信号。这种关系需要通过神经网络识别器。获得准确的控制对象的相关参数,神经网络的识别精度必须特别高。神经网络识别跟踪函数的函数。当网络的跟踪能力很好,神经网络的输出装约等于实际输出:
在设计过程的标识符,输入包括无人机的输入信号之间的区别,标识符的输出,输出信号的无人机。的激活函数神经网络具有更大的影响神经网络的性能。提高识别能力,本文采用最新的功能之一,Maxout功能,激活函数(20.]。Maxout函数是一个更高级的激活函数。其核心是利用线性拟合非线性。更直观的解释是,一个多边形有非常多的边缘可以被看作是一个圆。Maxout激活函数添加一个原来的两层之间复杂的隐层,最大的复杂隐层节点在每个前馈计算输出到下一层。隐层节点越多,理论识别效果越好(21]。网络的结构与Maxout函数如图6。
x1,x2输入量和z1,z2,z3是复杂的隐层节点。输出的计算公式如下:
4所示。仿真结果
在仿真实验中,复合控制器与传统的PID控制器。通过输入RPY角速度和无人机z设在方向速度,无人机根据指定的角度回应的态度。
使无人机起飞5 m / s的速度从0到13秒,13日和50秒之间盘旋在空中;横摇角开始达到10度在2秒模拟5秒,并返回到0度在15秒。螺旋角达到−10度在2秒8日第二次模拟并返回0学位20秒;偏航角的偏航开始达到50度在15秒5度/秒。
首先,无人机没有机械手用于仿真实验。
系统的仿真结果与传统PID控制器和复合控制器如图7。在图7(一)传统PID控制器的控制下,在第八届第二,无人机音调输入命令会导致短期无人机偏航的失真。在这个过程中,当接近目标角度偏转速度减少。此外,偏转时间是不可控的,输入命令将扭曲其他响应曲线。
(一)
(b)
如图7 (b)在复合控制器的控制过程,由于神经网络的自动调整,上述现象有所改善。偏航角的偏航速度随时间有很好的线性关系。的相互耦合干扰也得到了改进。
关于响应的速度z设在方向,无人驾驶飞机的响应曲线与传统的PID控制器超调现象发生在起飞或速度变化时,到达一个新的命令。如果命令更改或模型结构参数的变化,控制器的相关参数需要调整。
与传统的PID控制器作用的速度响应曲线如图8。
(一)
(b)
与复合控制器,由于逐步调整内部参数的神经网络的性能,在超调现象减轻。与此同时,因为复合控制器将PID控制器,它弥补了神经网络控制器的缺点是反应迟缓。即使模型参数的变化,神经网络仍然可以调整自己。
如图8,传统的PID控制器产生过度反应的最大瞬时速度−1.185 m / s时,无人机从5米/秒速度变化到0 m / s在空中盘旋。的神经网络控制器,由于其参数自动调谐,在同等条件下,复合控制器的速度响应产生只−0.2013 m / s过度。与传统的PID控制相比,复合控制器的响应更加完美。
然后,无人机的机械手用于仿真实验。
验证系统的抗干扰能力和稳定性,随机干扰引起的任意机械手应用于无人机的运动。各关节的机械臂是由移动damping-without-drive的维度来模拟干扰引入无人机在机器人手臂的运动。然后对比PID控制和复合控制下的系统响应。众所周知的人物9和10PID控制器,它有一个大的波动误差引起的干扰。
PID控制,它可以从图10在开始的第一个5 s,横摇角严重动摇,最初的震动的振幅度达到3.61°。最后的模拟,波动仍然达到了0.1225°。PID控制抑制无人机晃动的能力有限造成的操纵者。
如数据所示11和12结合模糊神经网络后,无人驾驶飞行器的外部干扰力抑制早期阶段的模拟,和晃动幅度控制在1.25°。内部自调优后的神经网络的参数,角度误差控制的无人机终于在一个非常小的规模。神经网络的适应能力大大提高了自我优化和系统的环境适应性。与此同时,在控制偏航角的过程中,神经网络控制器控制偏航速度。
仿真结果表明,基于uzzy复合控制器神经网络(22)一个更优越的无人机系统的控制效果,提高了系统的抗干扰能力23]。它提供了更好的条件来执行更精确和复杂的任务。
5。结论
摘要空中机械手为研究对象。在传统PID的控制下,系统需要依赖于精确的数学模型和抵抗干扰的能力是弱。这种化合物控制器结合模糊理论、神经网络和PID算法。复合模糊控制器的输入变量神经网络控制的减少外部干扰的影响,和实时退化问题,可能是由于神经网络的学习过程可以通过协助解决PID控制器。同时,无人机系统使用基于Maxout激活函数的神经网络识别器来准确识别控制对象。可以提高控制精度。识别器使控制器能够自动调整不同的控制对象的参数来实现智能控制。在本文的最后,仿真实验的复合控制器和常规PID控制器相比,验证结论复合控制器有更好的控制精度和抗干扰能力比传统的PID控制器。提出了复合控制器为他奠定了基础空中机械手执行复杂的任务更多的字段。
数据可用性
支持这项研究的结果的数据包括在本文中。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作是由中国国家自然科学基金(批准号51675136),国家科技重大项目(批准号2017 zx02101006 - 005)和黑龙江省自然科学基金(批准号E2017032)。