基于模糊滑模控制的无人机自主抗风智能控制方法技术

本发明专利技术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。本发明专利技术智能控制方法为：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

【技术实现步骤摘要】
基于模糊滑模控制的无人机自主抗风智能控制方法
本专利技术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。
技术介绍
论文“四旋翼无人机仿真控制系统设计”(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(LinearParameterVarying)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系统复杂、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系统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，提高了控制系统的鲁棒性。经仿真实验验证，有效的提高了无人机控制系统的响应速度、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(RadicalBasisFunction)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。
技术实现思路
本专利技术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。本专利技术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θ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。本专利技术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，Fi(i＝1,2,3)为无人机三个方向的受力，I为惯性矩，Ki(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，vi(i＝x,y,z)为无人机x,y,z方向的风速。Ωr为残余转速，Jr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，ΔMi(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，ui(i＝1,2,3,4)为系统的控制输入。本专利技术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＝θd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|λiI-A|＝0，并令c7＝1求得滑模控制器各系数如下：本专利技术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：yout＝w1h1+…+wnhn＝whT其中，为神经网络的输入，为第i个神经元的中心点向量值，hi为输出，bi为基函数的宽度向量，wi(i＝1,2,…,n)为权值函数。本专利技术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。本专利技术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为本专利技术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为本专利技术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为本专利技术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为本专利技术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为本专利技术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专利技术做进一步的详细说明：本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式，但本专利技术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θ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，Fi(i＝1,2,3)为无人机三个方向的受力，I为惯性矩，Ki(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，vi(i＝本文档来自技高网...

【技术保护点】
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s，以误差e和误差变化率

【技术特征摘要】
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：将速度θ、角速度θ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。2.根据权利要求1所述的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，Fi(i＝1,2,3)为无人机三个方向的受力，I为惯性矩，Ki(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，vi(i＝x,y,z)为无人机x,y,z方向的风速。Ωr为残余转速，Jr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，ΔMi(i＝φ,θ,ψ)分别为三...

【专利技术属性】
技术研发人员：夏红伟，吕家启，王常虹，马广程，马长波，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23