【技术实现步骤摘要】
本专利技术涉及共轴双旋翼直升机控制，尤其是涉及一种共轴双旋翼直升机滑模控制方法。
技术介绍
1、共轴双旋翼兼顾垂直起降和高速飞行的能力，其结构紧凑、上下旋翼反转扭矩相消，具有良好的操控性等优势，目前已被广泛应用在民用和军用领域。
2、但在进行共轴双旋翼直升机非线性控制时，求解相应的非线性方程组是非常困难的。目前求解非线性方程组(nonlinear equationsystems，ness)的算法有很多，主要划分为传统优化算法和智能优化算法这两类，其中传统优化算法求解ness通常是基于梯度信息的迭代方法，例如：共轭梯度法、牛顿法、拟牛顿法、最速下降法等，这些方法依赖于初始点的选取，如果初始点选取不当，则可能找不到根；由于需要梯度信息，只适用于可微函数，而且容易陷入局部最优解，更重要的是，这些方法在一次运行中仅能找到一个根。而智能优化算法是一种基于群体的优化算法，能够从多个点出发同时进行搜索，而不是单个点搜索，具有隐形并行性，而且对初始点要求不高，对不具有可微性ness依然适用，求解范围广，具有高效性、鲁棒性等特点，极大地方便了对ness的求解，解决了传统优化算法的局限性。因此，利用智能优化算法求解ness受到越来越多的关注，近年来已成为国内外学者的一个研究热点。但是在实际应用中，对于过于复杂的含有超越方程的非线性方程组而言，采用智能优化算法一般是得不出符号解或者解析解的，这就导致难以可靠地对共轴双旋翼直升机进行控制，在遇到飞行中的气流干扰时，无法有效提高飞行品质。
技术实现思路>
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种共轴双旋翼直升机滑模控制方法，能够有效求解含有超越方程的非线性方程组，并相应设计共轴双旋翼直升机滑模控制律，能够有效抑制飞行中的气流干扰、提高飞行品质。
2、本专利技术的目的可以通过以下技术方案来实现：一种共轴双旋翼直升机滑模控制方法，包括以下步骤：
3、s1、构建共轴双旋翼直升机的非线性方程组；
4、s2、搭建神经网络架构，结合非线性方程组，训练得到逆模型；
5、s3、设计由位置环、速度环、姿态环、角速率环以及逆模型构成的控制器，输出得到转速以及角度控制信号；
6、s4、将转速以及角度控制信号输出给非线性方程组，相应控制共轴双旋翼直升机的工作状态，并将共轴双旋翼直升机的模型输出结果返回给控制器进行闭环控制。
7、进一步地，所述步骤s1的具体过程为：根据共轴双旋翼直升机的全量非线性数学模型，确定对应的非线性方程组。
8、进一步地，所述共轴双旋翼直升机的全量非线性数学模型具体为：
9、
10、所述非线性方程组具体为：
11、
12、其中，pn＝(x y z)t为本地ned坐标系位置向量符号，vb＝(u v w)t为机体轴系速度向量，为机体轴系角速度向量，φ为滚转角、θ为俯仰角、ψ为航向角，sθ即为sin(θ)、cθ即为cos(θ)、tθ即为tan(θ)，ixx、iyy、izz为转动惯量，g为重力加速度，k、l为常系数，f1为上旋翼拉力、f2为下旋翼拉力、t1为上电机扭矩、t2为下电机扭矩，a1,a2,a3,a4,a5、b1,b2,b3,b4,b5,b6、c1,c2,c3,c4,c5,c6、d1,d2,d3,d4,d5,d6分别为上旋翼拉力、下旋翼拉力、上电机扭矩、下电机扭矩对应的相关系数。
13、进一步地，所述步骤s2具体包括以下步骤：
14、s21、搭建前馈神经网络架构；
15、s22、基于非线性方程组的输入和输出，获取训练数据，对前馈神经网络架构进行训练，得到与非线性方程组相对应的逆模型。
16、进一步地，所述步骤s21中前馈神经网络架构包括输入层、隐藏层和输出层，所述输入层设置有4个神经元，对应为三个转矩和一个总距输入；
17、所述隐藏层包含两层，其中第一层设置有37个神经元、第二层设置有12个神经元；
18、所述输出层设置有4个神经元，对应为上下旋翼转速和两个舵机偏角输出。
19、进一步地，所述步骤s22具体包括以下步骤：
20、s221、根据共轴双旋翼直升机的上下旋翼转速范围以及舵机偏角范围，确定输入数据组合；
21、s222、将输入数据组合依次传输给非线性方程组，得到对应输出数据组合，将输入数据组合与对应输出数据组合共同作为训练数据；
22、s223、设置学习率和迭代次数，初始化神经元的连接权值和阈值，利用训练数据对前馈神经网络架构进行训练，得到与非线性方程组相对应的逆模型。
23、进一步地，所述步骤s221具体是将上下旋翼转速范围进行均分取值、将舵机偏角范围进行均分取值后进行排列组合，以确定出输入数据组合。
24、进一步地，所述步骤s3中位置环、速度环、姿态环和角速率环依次级联，所述位置环、速度环、姿态环和角速率环均采用边界层滑模设计控制律，所述速度环的输出端和角速率环的输出端分别连接至逆模型的输入端。
25、进一步地，所述位置环的输入为x的误差x_err、y的误差y_err、z的误差z_err、x_err的积分sx_err、y_err的积分sy_err和z_err的积分sz_err，输出为u_ref、v_ref以及w_ref；
26、所述速度环的输入为u的误差u_err、v的误差v_err、w的误差w_err、u_err的积分su_err、v_err的积分sv_err和w_err的积分sw_err，输出为phi_ref、theta_ref以及总距col；
27、所述姿态环的输入为φ的误差phi_err、θ的误差theta_err、ψ的误差psi_err、phi_err的积分s_phi_err、theta_err的积分s_theta_err和psi_err的积分s_psi_err，输出为p_ref、q_ref以及r_ref；
28、所述角速率环的输入为p的误差p_err、q的误差q_err、r的误差r_err、p_err的积分sp_err、q_err的积分sq_err和r_err的积分sr_err，输出为三个转矩ltorq、mtorq以及ntorq。
29、进一步地，所述步骤s4中共轴双旋翼直升机的模型输出结果包括十二个状态量(x,y,z,u,v,w,φ,θ,ψ,p,q,r)t。
30、与现有技术相比，本专利技术具有以下优点：
31、本专利技术通过搭建神经网络架构，结合共轴双旋翼直升机的非线性方程组，训练得到逆模型，该逆模型的输入即为非线性方程组的输出、该逆模型的输出即为非线性方程组的输入，由此利用神经网络模型的方式，能够有效求解含有超越方程的非线性方程组，且降低模型处理难度，再结合由位置环、速度环、姿态环、角速率环以及逆模型构成的控制器，以输出得到转速以及角度控制信号，从而实现对共轴双旋翼直升机的实时准确控制，此外本文档来自技高网...
【技术保护点】
1.一种共轴双旋翼直升机滑模控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种共轴双旋翼直升机滑模控制方法，其特征在于，所述步骤S1的具体过程为：根据共轴双旋翼直升机的全量非线性数学模型，确定对应的非线性方程组。
3.根据权利要求2所述的一种共轴双旋翼直升机滑模控制方法，其特征在于，所述共轴双旋翼直升机的全量非线性数学模型具体为：
4.根据权利要求3所述的一种共轴双旋翼直升机滑模控制方法，其特征在于，所述步骤S2具体包括以下步骤：
5.根据权利要求4所述的一种共轴双旋翼直升机滑模控制方法，其特征在于，所述步骤S21中前馈神经网络架构包括输入层、隐藏层和输出层，所述输入层设置有4个神经元，对应为三个转矩和一个总距输入；
6.根据权利要求4所述的一种共轴双旋翼直升机滑模控制方法，其特征在于，所述步骤S22具体包括以下步骤：
7.根据权利要求6所述的一种共轴双旋翼直升机滑模控制方法，其特征在于，所述步骤S221具体是将上下旋翼转速范围进行均分取值、将舵机偏角范围进行均分取值后进行排列组合，以确定出输
8.根据权利要求3所述的一种共轴双旋翼直升机滑模控制方法，其特征在于，所述步骤S3中位置环、速度环、姿态环和角速率环依次级联，所述位置环、速度环、姿态环和角速率环均采用边界层滑模设计控制律，所述速度环的输出端和角速率环的输出端分别连接至逆模型的输入端。
9.根据权利要求8所述的一种共轴双旋翼直升机滑模控制方法，其特征在于，所述位置环的输入为x的误差x_err、y的误差y_err、z的误差z_err、x_err的积分Sx_err、y_err的积分Sy_err和z_err的积分Sz_err，输出为u_ref、v_ref以及w_ref；
10.根据权利要求3所述的一种共轴双旋翼直升机滑模控制方法，其特征在于，所述步骤S4中共轴双旋翼直升机的模型输出结果包括十二个状态量(x,y,z,u,v,w,φ,θ,ψ,p,q,r)T。
...【技术特征摘要】
1.一种共轴双旋翼直升机滑模控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种共轴双旋翼直升机滑模控制方法，其特征在于，所述步骤s1的具体过程为：根据共轴双旋翼直升机的全量非线性数学模型，确定对应的非线性方程组。
3.根据权利要求2所述的一种共轴双旋翼直升机滑模控制方法，其特征在于，所述共轴双旋翼直升机的全量非线性数学模型具体为：
4.根据权利要求3所述的一种共轴双旋翼直升机滑模控制方法，其特征在于，所述步骤s2具体包括以下步骤：
5.根据权利要求4所述的一种共轴双旋翼直升机滑模控制方法，其特征在于，所述步骤s21中前馈神经网络架构包括输入层、隐藏层和输出层，所述输入层设置有4个神经元，对应为三个转矩和一个总距输入；
6.根据权利要求4所述的一种共轴双旋翼直升机滑模控制方法，其特征在于，所述步骤s22具体包括以下步骤：
7.根据权利要求6所述的一种共轴双旋翼直升机滑模控制方法，其特征在...
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。