【技术实现步骤摘要】
本专利技术涉及飞行器，尤其涉及一种适用于亚音速飞行器的pid参数设计方法。
技术介绍
1、现有技术在亚音速飞行器的控制系统设计中，普遍采用传统的比例-积分-微分(pid)控制器。pid控制器因其结构简单、易于实现和理解，在许多工业和航空领域中被广泛使用。
2、传统pid控制器通过设定比例(p)、积分(i)和微分(d)三个参数，对飞行器的动态行为进行调节，以实现稳定和准确的飞行控制。然而，这种传统的pid控制器存在显著的缺陷。首先，pid参数通常是固定的，缺乏自适应性，使得控制器难以应对复杂或变化的飞行环境。例如，在极端气象条件或突发紧急情况下，固定参数的pid控制器可能无法提供满意的控制效果。其次，传统pid控制器在面对非线性系统或系统参数变化时表现不佳，因为它们无法自动调整参数以适应这些变化。此外，这些控制器通常需要专家知识和经验来手动调整参数，这不仅耗时而且效率低下。因此，如何提供一种适用于亚音速飞行器的pid参数设计方法是本领域技术人员亟需解决的问题。
技术实现思路
1、本专利技术的一个目的在于提出一种适用于亚音速飞行器的pid参数设计方法，本专利技术通过引入神经网络和强化学习算法，能够实时调整pid参数，以适应飞行环境的变化。这种自适应性显著提高了飞行器在面对不同飞行条件时的控制效果，保证了飞行的稳定性和安全性。
2、根据本专利技术实施例的一种适用于亚音速飞行器的pid参数设计方法，包括如下步骤：
3、s1、利用神经网络结构学习和模拟亚音
4、s2、通过数据预处理程序实时处理飞行器传感器数据，并生成适合神经网络输入的格式；
5、s3、应用强化学习算法通过与神经网络模型交互，不断调整pid参数并对飞行器的控制性能进行实时优化；
6、s4、设置反馈机制，根据飞行器的实际飞行表现和神经网络的预测结果，动态调整神经网络和强化学习算法的参数，进一步优化pid参数调整策略。
7、可选的，所述s1具体包括：
8、s11、选取适合飞行器动态建模的神经网络架构，所述神经网络架构包括多层感知机或循环神经网络，用于处理时间序列数据；
9、s12、收集飞行器在不同飞行条件下的数据集，所述数据集包括飞行速度、高度、姿态、气温和风速，作为神经网络的训练数据；
10、s13、对收集的数据进行归一化和去噪处理；
11、s14、使用损失函数训练神经网络：
12、
13、其中，l(ω)表示以神经网络参数ω为变量的损失函数，n为训练样本数量，yi为第i个样本的真实输出，f(xi；ω)为神经网络对第i个样本输入xi的预测输出。
14、可选的，所述s2具体包括：
15、s21、通过数据接收模块从飞行器的各种传感器收集原始飞行数据；
16、s22、通过数据清洗子模块从原始数据中移除噪声和异常值；
17、s23、将各种传感器的原始数据转换为神经网络能够有效处理的格式，将多维数据进行归一化处理：
18、
19、其中，x表示原始数据，x′表示归一化后的数据，max(x)和min(x)分别表示数据集中的最大值和最小值。
20、可选的，所述s3具体包括：
21、s31、选择适用于控制系统优化的强化学习算法；
22、s32、定义强化学习的状态空间、动作空间和奖励函数，所述状态空间包括飞行器的各种飞行参数和环境条件，所述动作空间由pid控制器的参数变化构成，所述奖励函数基于飞行器的性能指标，包括稳定性、响应速度或能耗；
23、s33、利用神经网络预测的飞行器动态响应，作为强化学习算法的输入，用于评估不同pid参数配置下的性能；
24、s34、采用以下强化学习目标函数来指导pid参数的优化：
25、
26、其中，j(θ)表示以pid参数θ为变量的总体性能指标，r(st，at)为在状态st下采取行动at所获得的即时奖励，γ为折扣因子，用于平衡即时奖励与长期收益，t为考虑的时间范围；
27、s35、实现学习循环，其中，强化学习算法根据飞行器的实际表现和模拟结果不断调整pid参数。
28、可选的，所述s31中强化学习算法选用双重深度q网络：
29、s311、选用双重深度q网络，所述双重深度q网络使用两个深度神经网络：行动评估网络用于选择最佳动作，目标网络用于评估该动作的预期奖励；
30、s312、定义双重深度q网络的行动评估网络和目标网络的结构，包括输入层、多个隐藏层以及输出层，网络的输入为飞行器的状态，输出为每个可能动作的预期奖励值；
31、s313、实现双重深度q网络的学习过程，其中所述行动评估网络定期更新其参数，所述目标网络的参数更新相对行动评估网络较慢，用于提供学习目标；
32、s314、在双重深度q网络中使用以下更新规则：
33、
34、其中，q更新(s，a)是更新后的q值，q(s，a)是当前状态s下采取动作a的原始q值，α是学习率，r是即时奖励，γ是折扣因子，是目标网络在下一个状态s′下所有可能动作的最大q值。
35、可选的，所述s35具体包括：
36、s351、利用从双重深度q网络获得的最优pid参数设置，配置飞行器的pid控制器，包括设置比例系数、积分系数和微分系数的具体数值；
37、s352、实施自动调整机制，所述自动调整机制根据双重深度q网络的输出动态调整pid参数，实时监测飞行器的性能，并根据性能反馈调整pid参数：
38、
39、其中，u(t)是控制器输出，kp、ki和kd分别是经过优化的比例、积分和微分系数，e(t)是当前时刻的误差信号，t是时间；
40、s353、通过连续监测飞行器稳定性、响应时间和能耗的飞行表现，评估pid参数调整的效果，并据此进一步微调pid参数。
41、可选的，所述s4具体包括：
42、s41、建立反馈系统，用于收集飞行器在实际飞行中控制系统的响应时间、稳定性指标和能耗的性能数据；
43、s42、将收集到的实际飞行性能数据与神经网络预测的飞行器动态响应进行比较，评估pid参数调整的实际效果：
44、
45、其中，e表示平均误差，n为评估样本数量，y实际，i为第i个样本的实际飞行性能数据，y预测，i为相应的神经网络预测数据；
46、s43、根据实际飞行数据和预测数据之间的差异，调整神经网络和强化学习算法的参数，以细化模型和控制策略；
47、s44、通过持续的反馈系统循环，所述反馈系统逐步优化神经网络模型和强化学习算法。
48、本专利技术的有益效果是：
49、(1)本专利技术通过引入神经网络和强化学习算法，能够实时本文档来自技高网...
【技术保护点】
1.一种适用于亚音速飞行器的PID参数设计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种适用于亚音速飞行器的PID参数设计方法，其特征在于，所述S1具体包括：
3.根据权利要求1所述的一种适用于亚音速飞行器的PID参数设计方法，其特征在于，所述S2具体包括：
4.根据权利要求1所述的一种适用于亚音速飞行器的PID参数设计方法，其特征在于，所述S3具体包括：
5.根据权利要求4所述的一种适用于亚音速飞行器的PID参数设计方法，其特征在于，所述S31中强化学习算法选用双重深度Q网络：
6.根据权利要求4所述的一种适用于亚音速飞行器的PID参数设计方法，其特征在于，所述S35具体包括：
7.根据权利要求1所述的一种适用于亚音速飞行器的PID参数设计方法，其特征在于，所述S4具体包括：
【技术特征摘要】
1.一种适用于亚音速飞行器的pid参数设计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种适用于亚音速飞行器的pid参数设计方法，其特征在于，所述s1具体包括：
3.根据权利要求1所述的一种适用于亚音速飞行器的pid参数设计方法，其特征在于，所述s2具体包括：
4.根据权利要求1所述的一种适用于亚音速飞行器的pid参数设计方法，其特征在...
【专利技术属性】
技术研发人员：王睿，
申请(专利权)人：中科华控航天科技合肥有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。