CN106094860A - 四旋翼飞行器及其控制方法 - Google Patents

Abstract

本发明提供一种四旋翼飞行器及其控制方法，所述四旋翼飞行器包括机体和飞行器控器模块，还包括分别与所述飞行器控模块连接的导航与惯性测量模块、电源模块、通信模块和电机驱动模块，所述主控制器模块综合计算所述导航与惯性测量模块所反馈的实时飞行姿态信息和通信模块的控制信息后输出电机控制信号以控制电机驱动模块。本发明的四旋翼飞行器能够自动适应外界环境的变化以调制飞行参数来达到预定的控制效果，其中的控制方法主要由飞行控制器模块采用基于神经模糊自整定PID控制方案，计算实际的输出控制量，以提高飞行器的飞行鲁棒性。

Description

四旋翼飞行器及其控制方法

技术领域

本发明涉及飞行器技术领域，具体涉及到四旋翼飞行器及其控制方法。

背景技术

四旋翼飞行器有6个自由度，通过四个独立电机驱动螺旋桨产生升力、推力，从而使四旋翼飞行器实现空中悬停和改变飞行姿态，是一类多输入多输出、强耦合、欠驱动非线性系统。PID控制因其简单，稳定性好，较好的鲁棒性且技术相对其他控制算法比较成熟，仍然是目前大多数飞行器首选的控制算法。但是由于四旋翼飞行器本身的不确定性以及飞行过程中外部的干扰等，使PID控制中的参数无法自调整，从而影响飞行器的飞行姿态，难以达到实际的预期。

发明内容

本发明旨在解决现有技术中存在的技术问题。

为此，本发明提供一种四旋翼飞行器及其控制方法，其是基于神经网络生成模糊规则与PID(Proportion Integration Differentiation)控制相结合的控制方法来控制四旋翼飞行器，使得飞行器抗干扰能力得到加强，自身鲁棒性得到提高，在受到外部干扰时能够实时的对飞行器的飞行姿态进行自调整。

一种四旋翼飞行器，包括机体和飞行控制器模块还包括分别与所述飞行控制模块连接的导航与惯性测量模块、电源模块、通信模块和电机驱动模块，其特征在于所述电源模块为飞行器提供电能；所述导航与测量模块包括卫星导航系统、三轴加速度计、陀螺仪和磁力计，所述卫星导航系统对飞行器的实时位置进行测量定位，所述三轴加速度计用于测量飞行器的线加速度，所述陀螺仪用于测量飞行器的角加速度，所述磁力计用于测量飞行器所处位置的地磁强度；所述通信模块还用于与地面控制站进行数据交换；所述飞行器控制模块获取飞行器的所述线加速度、角加速度、实时位置及磁力强度数据信息以及获取由地面控制站通过所述通信模块输入的控制信息后并计算转换成电机控制信号输出以控制所述电机驱动模块，所述电机驱动模块包括电调和电机，所述电调接收所述电机控制信号以控制所述电机工作。

本发明提供的四旋翼飞行器中，主控制器模块是控制系统的核心部分，其作用是是每个控制周期内实时采集处理导航与惯性测量单元的线加速度、角加速度、实时位置及磁力强度数据信息以及获取由地面控制站通过所述通信模块输入的控制信息，并根据预定的信号处理算法，求解出飞行器当前的位置与姿态角，而后结合神经模糊自整定PID控制方案，计算每个电机的实际的驱动量，进而通过电调控制4个电机的转速，通过电机转速的改变使4个旋翼产生的升力和转矩产生相应的变化，从而使飞行器能够结合外部的干扰进行自适应调整以实现稳定飞行，达到预期的飞行效果。

进一步的，所述飞行器控制系统还将飞行器的所述线加速度、角加速度、实时位置及磁力强度数据信息通过所述通信模块发送至地面控制中心。如此，可以方便地面控制中心的控制人员实时掌握当前的飞行参数信息，为进一步控制飞行器提供参照。

所述四旋翼飞行器的飞行控制方法，主要由所述飞行控制器模块来执行，具体包括以下步骤：

S10：建立四旋翼飞行器的动力学模型，设m为四旋翼飞行器的质量，g为重力加速度，μ_x、μ_y、μ_z为X轴、Y轴、Z轴三个方向的空气阻力系数，J_x、J_z、J_z为四旋翼飞行器绕X轴、Y轴、Z轴的转动惯量，I_r为四旋翼飞行器的旋翼相对于旋转轴的转动惯量，l为旋翼中心点到坐四旋翼飞行器质量中心的距离w₁、w₂、w₃为飞行器的角速度，x、y、z为飞行器的位置，Ω_i(i＝1,2,3,4)为各个旋翼的转速，θ、φ、ψ分别为飞行器的俯仰姿态角、滚转姿态角、偏航姿态角，通过牛顿-欧拉方程和坐标转换矩阵建立飞行器的动力学的数学模型如式(1)

$\left\{\begin{array}{c}{\mathrm{mx}}^{\′\′}={\mathrm{\Σc}}_T{\mathrm{\Ω}}_i^2(\cos \mathrm{\θ}\sin \mathrm{\φ}\cos \mathrm{\ψ}+\sin \mathrm{\θ}\sin \mathrm{\ψ})-{\mathrm{\μ}}_x{x}^{\′2}\\ {\mathrm{my}}^{\′\′}={\mathrm{\Σc}}_T{\mathrm{\Ω}}_i^2(\cos \mathrm{\θ}\sin \mathrm{\φ}\cos \mathrm{\ψ}-\sin \mathrm{\θ}\cos \mathrm{\ψ})-{\mathrm{\μ}}_y{y}^{\′2}\\ {\mathrm{mz}}^{\′\′}={\mathrm{\Σc}}_T{\mathrm{\Ω}}_i^2\cos \mathrm{\θ}\cos \mathrm{\φ}-{\mathrm{\μ}}_z{z}^{\′2}-mg\\ J_x{w_1}^{\′}=-J_z{w}_3{w}_2+J_y{w}_3{w}_2+I_r{w}_3{U}_f+{\mathrm{lc}}_T{U}_1\\ J_y{w_2}^{\′}=J_z{w}_3{w}_1-J_x{w}_3{w}_1-I_r{w}_1{U}_f+{\mathrm{lc}}_T{U}_2\\ J_z{w_3}^{\′}=-J_y{w}_2{w}_1+J_x{w}_2{w}_1+{\mathrm{cc}}_T{U}_3\\ U_1=-{\mathrm{\Ω}}_1^2-{\mathrm{\Ω}}_2^2+{\mathrm{\Ω}}_3^2+{\mathrm{\Ω}}_4^2\\ U_2=-{\mathrm{\Ω}}_1^2+{\mathrm{\Ω}}_2^2+{\mathrm{\Ω}}_3^2-{\mathrm{\Ω}}_4^2\\ U_3={\mathrm{\Ω}}_1^2-{\mathrm{\Ω}}_2^2+{\mathrm{\Ω}}_3^2-{\mathrm{\Ω}}_4^2\\ U_4={\mathrm{\Ω}}_1^2+{\mathrm{\Ω}}_2^2+{\mathrm{\Ω}}_3^2+{\mathrm{\Ω}}_4^2\\ U_f={\mathrm{\Ω}}_1-{\mathrm{\Ω}}_2+{\mathrm{\Ω}}_3-{\mathrm{\Ω}}_4\end{array}\right.---\left(1\right)$

S20：设计基于神经模糊自整定PID控制方式，

由四旋翼飞行器的动力学方程(1)转换成四个独立的控制通道，该飞行控制器控制这四个独立的控制通道，这四个通道分别由高度神经模糊PID、翻滚神经模糊PID、俯仰神经模糊PID、偏航神经模糊PID组成，经过控制量的转换控制，调节四个旋翼的转速来达到飞行姿态的控制；具体为

设一个双输入、单输出的神经网络模糊系统，其使用的是单向传播的多层前向神经网络，它的输入数据从输入层，先后依次经过各隐含层节点，最后从输出层的输出节点得到输出数据，因此

设神经网络输入层有2个节点，第二层有6个节点第三层有9个节点，第二层有5个节点；设f表示节点的净输入，a为激活值函数(节点输出)，则

第一层为神经元节点表示模糊控制器的输入信号，完成对误差e以及误差变化率ec的接受；连接权重那么

$f={\mathrm{\μ}}_i^1({\mathrm{\μ}}_i^1=x_i,i=1,2)$

a＝f

第二层表示输入信号语言变量的语言值，是对输入数据的模糊化，即将输入数据转换成模糊量，表达为一个隶属函数,对于第一层的两个输入x₁、x₂每个都定义了三个语言值(模糊子集)，则每个神经元的输出相对应的是隶属函数，该层节点的激活函数为可微的高斯函数

$f=\exp \[-\frac{{(x_i-c_{ij})}^2}{{{\mathrm{\σ}}_{ij}}^2}\]---\left(2\right)$

a＝e^f

式中c_ij、σ_ij表示第i个输入x_i的语言变量的第j个语言值的高斯隶属函数的中心和宽度，把第二层的权重作为c_ij；

第三层、第四层完成模糊系统的模糊推理的过程，以表示模糊控制规则，由于，两个输入的语言变量分别定义了三个语言值，故有3×3＝9条规则，而输出语言变量则定义了五个语言变量，如PB、PS、ZO、NS、NB(正大、正小、零、负小、负大)，其规则如下：

if x₁ is P₁ and x₂ is P₂ then y is NB

if x₁ is P₁ and x₂ is Z₂ then y is NS

……

if x₁ is N₁ and x₂ is N₂ then y is PB

其中，第三层完成模糊规则的模糊前件，当输入分别为x′₁和x′₂，则前两层计算出它们分别对两个输入的各模糊子集的隶属度:P₁(x′₁)、Z₁(x′₁)、N₁(x′₁)和P₂(x′₂),Z₂(x′₂),N₂(x′₂)，形成第一条规则的激活强度为：

min[P₁(x′₁),P₂(x′₂)]或者P₁(x′₁)P₂(x′₂)

设有p个输入信号，则第三层节点也有p输入，即：

$f=min({\mathrm{\μ}}_1^3,{\mathrm{\μ}}_2^3,...{\mathrm{\μ}}_p^3)=\underset{i=1}{\overset{p}{\Π}}{\mathrm{\μ}}_i^3={\mathrm{\μ}}_1^3{\mathrm{\μ}}_2^3...{\mathrm{\μ}}_p^3$

a＝f

定义该层的连接权重为1；

第四层完成模糊规则的后件，把输入到第四层同一个神经元的激活规则进行综合，同时输出模糊量

$F=\underset{i=1}{\overset{p}{\Σ}}{\mathrm{\μ}}_i^4$

a＝min(1,f)

定义该层连接权重为1；

第五层完成去模糊化，将模糊量清晰化，并输出控制量，定义第四层第i个神经元代表的模糊子集隶属函数的中心和宽度分别为c_i和σ_i，采用重心法进行解模糊：

$f=\underset{i=1}{\overset{p}{\Σ}}{w}_i^5{\mathrm{\μ}}_i^5=\underset{i=1}{\overset{p}{\Σ}}\left(c_i{\mathrm{\σ}}_i\right){\mathrm{\μ}}_i^5$

$a=\frac{f}{\underset{i=1}{\overset{p}{\Σ}}{\mathrm{\σ}}_i{\mathrm{\μ}}_i^5}$

神经模糊自调整PID根据输入信号偏差e和ec的大小、方向以及变化趋势等特征，通过模糊推理做出相应决策，在线调整PID参数k_p,k_i,k_d以满足不同时刻对参数的不同要求，其中控制器为参数增量式PID控制器，在初始化PID控制器参数的基础上加上神经模糊控制器对PID参数在线调整，即

$\left\{\begin{array}{c}{k}_p=k_{p0}+\mathrm{\Δ}{k}_p\\ k_i=k_{i0}+{\mathrm{\Δk}}_i\\ k_d=k_{d0}+{\mathrm{\Δk}}_d\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\Δ}{k}_p=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_i^5{\mathrm{\μ}}_i^5=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}\left(c_i{\mathrm{\σ}}_i\right){\mathrm{\μ}}_i^5\\ {\mathrm{\Δk}}_i=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_i^5{\mathrm{\μ}}_i^5=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}\left(c_i{\mathrm{\σ}}_i\right){\mathrm{\μ}}_i^5\\ {\mathrm{\Δk}}_d=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_i^5{\mathrm{\μ}}_i^5=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}\left(c_i{\mathrm{\σ}}_i\right){\mathrm{\μ}}_i^5\end{array}\right.$

这样由以上公式确定了PID控制所需要的最佳的k_p,k_i,k_d参数，从而实现了参数自整定。

将最佳的K_p、K_i、K_d参数输送到电调以控制电机调节四个旋翼的转速。

本发明的四旋翼飞行器采用基于神经模糊自整定PID的控制方法可以随外界干扰变化的影响，实时更新整定K_p、K_i、K_d参数，实现参数自整定，解决了传统PID控制不能实时自适应参数调整的缺陷，更好地实现飞行器飞行中受到外部环境干扰下的姿态控制，提高了系统的抗扰性和鲁棒性。

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为本发明的四旋翼飞行器整体结构示意图。

图2为本发明的四旋翼飞行器主要模块构成示意图。

图3为本发明的四旋翼飞行器控制方法中的神经网络模糊系统结构示意图

图4为本发明的四旋翼飞行器控制方法中的飞行控制关系示意图。

图5为本发明的四旋翼飞行器控制方法的控制过程示意图。

图6为本发明的四旋翼飞行器无干扰FNNPID自整定下的姿态角。

图7为本发明的四旋翼飞行器为有持续干扰下FNNPID自整定下飞行器的姿态角。

图8为本发明的四旋翼飞行器无干扰常规PID自整定下的姿态角。

图9为本发明的四旋翼飞行器有持续干扰下常规PID自整定下飞行器的姿态角。

图10为本发明的四旋翼飞行器控制方法下的鲁棒性测试对比。

图11现有四旋翼飞行器在常规PID控制方法下的鲁棒性测试对比。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照图1-2对本发明实施例的四旋翼飞行器做进一步的描述。

如图1和图2所示，四旋翼飞行器100包括机体10和固定在机体10上的飞行器控制模块20，还包括固定在机体10的四个悬臂上的四个电机驱动模块60及由电机驱动模块的电机驱动的旋翼70，另外，如图2所示，四旋翼飞行器还包括分别与所述飞行器控制模块20连接的导航、惯性测量模块40、电源模块50、通信模块30和电机驱动模块60，其中所述电源模块50与所述飞行控制器模块20连接并为飞行器提供电能；所述导航、测量模块40包括GPS导航、三轴加速度计、陀螺仪和磁力计，所述GPS导航对飞行器的实时位置进行测量定位，所述三轴加速度计用于测量飞行器的线加速度，所述陀螺仪用于测量飞行器的角加速度，所述磁力计用于测量飞行器所处位置的地磁强度；所述通信模块30与所述飞行控制模块20连接，并与地面控制站进行数据交换；所述飞行器控制模块20还分别与所述导航、惯性测量单元40及电机驱动模块60连接，所述飞行器控制模块获取飞行器的所述线加速度、角加速度、实时位置及磁力强度数据信息以及获取由地面控制站通过所述通信模块输入的控制信息并计算转换成电机控制信号输出以控制所述电机驱动模块60，所述电机驱动模块60包括1个四合一电调(电机调速器)和4个无刷电机，所述电调接收所述电机控制信号后控制所述电机工作，即通过根据飞行器主控制器模块20给电子调速器的控制量，进而控制4个电机的转速，通过分别改变电机转速使得4个旋翼产生的升力和转矩产生相应的变化。

四旋翼飞行器的飞行器控制模块的计算中心，其作用是每个控制周期内实时采集处理导航、惯性测量单元的线加速度、角加速度、实时位置及磁力强度数据，根据预定的信号处理算法，求解出飞行器当前的位置与姿态角，而后结合神经模糊自整定PID控制方案，计算每个电机的实际的驱动量，从而使飞行器能够稳定飞行。

一个具体的实施例，其中飞行器控制系统20还将飞行器的所述线加速度、角加速度、实时位置及磁力强度数据信息通过所述通信模块发送至地面控制中心.。

所述四旋翼飞行器的飞行控制模块综合计算实时姿态信息和控制信号信息后输出电机控制信号以控制飞行器飞行的方法包括以下步骤：

S10：建立四旋翼飞行器的动力学模型，设m为四旋翼飞行器的质量，g为重力加速度，μ_x、μ_y、μ_z为X轴、Y轴、Z轴三个方向的空气阻力系数，J_x、J_z、J_z为四旋翼飞行器绕X轴、Y轴、Z轴的转动惯量，I_r为四旋翼飞行器的旋翼相对于旋转轴的转动惯量，l为旋翼中心点到坐四旋翼飞行器质量中心的距离w₁、w₂、w₃为飞行器的角速度，x、y、z为飞行器的位置，Ω_i(i＝1,2,3,4)为各个旋翼的转速，θ、φ、ψ分别为飞行器的俯仰姿态角、滚转姿态角、偏航姿态角，通过牛顿-欧拉方程和坐标转换矩阵建立飞行器的动力学的数学模型如式(1)

$\left\{\begin{array}{c}{\mathrm{mx}}^{\′\′}={\mathrm{\Σc}}_T{\mathrm{\Ω}}_i^2(\cos \mathrm{\θ}\sin \mathrm{\φ}\cos \mathrm{\ψ}+\sin \mathrm{\θ}\sin \mathrm{\ψ})-{\mathrm{\μ}}_x{x}^{\′2}\\ {\mathrm{my}}^{\′\′}={\mathrm{\Σc}}_T{\mathrm{\Ω}}_i^2(\cos \mathrm{\θ}\sin \mathrm{\φ}\cos \mathrm{\ψ}-\sin \mathrm{\θ}\cos \mathrm{\ψ})-{\mathrm{\μ}}_y{y}^{\′2}\\ {\mathrm{mz}}^{\′\′}={\mathrm{\Σc}}_T{\mathrm{\Ω}}_i^2\cos \mathrm{\θ}\cos \mathrm{\φ}-{\mathrm{\μ}}_z{z}^{\′2}-mg\\ J_x{w_1}^{\′}=-J_z{w}_3{w}_2+J_y{w}_3{w}_2+I_r{w}_3{U}_f+{\mathrm{lc}}_T{U}_1\\ J_y{w_2}^{\′}=J_z{w}_3{w}_1-J_x{w}_3{w}_1-I_r{w}_1{U}_f+{\mathrm{lc}}_T{U}_2\\ J_z{w_3}^{\′}=-J_y{w}_2{w}_1+J_x{w}_2{w}_1+{\mathrm{cc}}_T{U}_3\\ U_1=-{\mathrm{\Ω}}_1^2-{\mathrm{\Ω}}_2^2+{\mathrm{\Ω}}_3^2+{\mathrm{\Ω}}_4^2\\ U_2=-{\mathrm{\Ω}}_1^2+{\mathrm{\Ω}}_2^2+{\mathrm{\Ω}}_3^2-{\mathrm{\Ω}}_4^2\\ U_3={\mathrm{\Ω}}_1^2-{\mathrm{\Ω}}_2^2+{\mathrm{\Ω}}_3^2-{\mathrm{\Ω}}_4^2\\ U_4={\mathrm{\Ω}}_1^2+{\mathrm{\Ω}}_2^2+{\mathrm{\Ω}}_3^2+{\mathrm{\Ω}}_4^2\\ U_f={\mathrm{\Ω}}_1-{\mathrm{\Ω}}_2+{\mathrm{\Ω}}_3-{\mathrm{\Ω}}_4\end{array}\right.---\left(1\right)$

S20：设计基于神经模糊自整定PID控制方式，

由四旋翼飞行器的动力学方程(1)转换成四个独立的控制通道，该飞行控制器控制这四个独立的控制通道，这四个通道分别由高度神经模糊PID、翻滚神经模糊PID、俯仰神经模糊PID、偏航神经模糊PID组成，经过控制量的转换控制，调节四个旋翼的转速来达到飞行姿态的控制；具体为

设一个双输入、单输出的神经网络模糊系统，其使用的是单向传播的多层前向神经网络，它的输入数据从输入层，先后依次经过各隐含层节点，最后从输出层的输出节点得到输出数据，因此

如图3所示，设神经网络输入层有2个节点，第二层有6个节点第三层有9个节点，第二层有5个节点；设f表示节点的净输入，a为激活值函数(节点输出)，则

第一层为神经元节点表示模糊控制器的输入信号，完成对误差e以及误差变化率ec的接受；连接权重那么

$f={\mathrm{\μ}}_i^1({\mathrm{\μ}}_i^1=x_i,i=1,2)$

a＝f

第二层表示输入信号语言变量的语言值，是对输入数据的模糊化，即将输入数据转换成模糊量，表达为一个隶属函数。对于第一层两个输入x₁、x₂每个都定义了三个语言值(模糊子集)，则每个神经元的输出相对应的是隶属函数，该层节点的激活函数为可微的高斯函数

$f=\exp \[-\frac{{(x_i-c_{ij})}^2}{{{\mathrm{\σ}}_{ij}}^2}\]---\left(2\right)$

a＝e^f

式中c_ij、σ_ij表示第i个输入x_i的语言变量的第j个语言值的高斯隶属函数的中心和宽度，把第二层的权重作为c_ij；

第三层、第四层完成模糊系统的模糊推理的过程，以表示模糊控制规则，由于，两个输入的语言变量分别定义了三个语言值，故有3×3＝9条规则，而输出语言变量则定义了五个语言变量，如PB、PS、ZO、NS、NB(正大、正小、零、负小、负大)，其规则如下：

if x₁ is P₁ and x₂ is P₂ then y is NB

if x₁ is P₁ and x₂ is Z₂ then y is NS

……

if x₁ is N₁ and x₂ is N₂ then y is PB

其中，第三层完成模糊规则的模糊前件，当输入分别为x′₁和x′₂，则前两层计算出它们分别对两个输入的各模糊子集的隶属度:P₁(x′₁)、Z₁(x′₁)、N₁(x′₁)和P₂(x′₂),Z₂(x′₂),N₂(x′₂)，形成第一条规则的激活强度为：

min[P₁(x′₁),P₂(x′₂)]或者P₁(x′₁)P₂(x′₂)

设有p个输入信号，则第三层节点也有p输入，即：

$f=min({\mathrm{\μ}}_1^3,{\mathrm{\μ}}_2^3,...{\mathrm{\μ}}_p^3)=\underset{i=1}{\overset{p}{\Π}}{\mathrm{\μ}}_i^3={\mathrm{\μ}}_1^3{\mathrm{\μ}}_2^3...{\mathrm{\μ}}_p^3$

a＝f

定义该层的连接权重为1；

第四层完成模糊规则的后件，把输入到第四层同一个神经元的激活规则进行综合，同时输出模糊量

$f=\underset{i=1}{\overset{p}{\Σ}}{\mathrm{\μ}}_i^4$

a＝min(1,f)

定义该层连接权重为1；

第五层完成去模糊化，将模糊量清晰化，并输出控制量，定义第四层第i个神经元代表的模糊子集隶属函数的中心和宽度分别为c_i和σ_i，采用重心法进行解模糊：

$f=\underset{i=1}{\overset{p}{\Σ}}{w}_i^5{\mathrm{\μ}}_i^5=\underset{i=1}{\overset{p}{\Σ}}\left(c_i{\mathrm{\σ}}_i\right){\mathrm{\μ}}_i^5$

$a=\frac{f}{\underset{i=1}{\overset{p}{\Σ}}{\mathrm{\σ}}_i{\mathrm{\μ}}_i^5}$

如图5所示，神经模糊自调整PID根据输入信号偏差e和ec的大小、方向以及变化趋势等特征，通过模糊推理做出相应决策，在线调整PID参数k_p,k_i,k_d以满足不同时刻对参数的不同要求，其中控制器为参数增量式PID控制器，在初始化PID控制器参数的基础上加上神经模糊控制器对PID参数在线调整，即

$\left\{\begin{array}{c}{k}_p=k_{p0}+\mathrm{\Δ}{k}_p\\ k_i=k_{i0}+{\mathrm{\Δk}}_i\\ k_d=k_{d0}+{\mathrm{\Δk}}_d\end{array}\right.$

$\left\{\begin{array}{c}\mathrm{\Δ}{k}_p=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_i^5{\mathrm{\μ}}_i^5=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}\left(c_i{\mathrm{\σ}}_i\right){\mathrm{\μ}}_i^5\\ {\mathrm{\Δk}}_i=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_i^5{\mathrm{\μ}}_i^5=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}\left(c_i{\mathrm{\σ}}_i\right){\mathrm{\μ}}_i^5\\ {\mathrm{\Δk}}_d=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_i^5{\mathrm{\μ}}_i^5=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}\left(c_i{\mathrm{\σ}}_i\right){\mathrm{\μ}}_i^5\end{array}\right.$

这样由以上公式确定了PID控制所需要的最佳的k_p,k_i,k_d参数，从而实现了参数自整定。

将最佳的K_p、K_i、K_d参数输送到电调以控制电机调节四个旋翼的转速。

图4为四旋翼飞行器控制方法中的飞行控制关系示意图,利用MATLAB的simulink仿真模块搭建的四旋翼飞行器的姿态控制关系模型，利用该模型检验验证神经模糊PID控制算法对四旋翼飞行器姿态控制的性能，如四旋翼飞行器系统的阶跃响应并以此观察系统动稳态性能，系统的抗干扰性，系统的鲁棒性，且可通过与常规PID控制对比来说明神经模糊PID控制的优越性。

为了验证本发明提出的四旋翼飞行器及其控制方法的控制效果，利用搭建的四旋翼飞行器样机进行实验。分别进行了多个方案实验，具体如下：

控制性能对比实验：

设计了相应的常规PID控制器，与本发明提出的基于神经模糊自整定PID控制下的四旋翼飞行器控制方法进行对比实验。在实验中，首先完成了在无干扰的情况下，神经模糊自整定PID控制和常规PID控制下的四旋翼飞行器姿态角的跟踪实验。对应的飞行效果如图6，图8所示。然后进行在有持续干扰下，神经模糊自整定PID控制和常规PID控制下的四旋翼飞行器抗扰性能对比，如图7，图9所示。基于神经网络生成模糊规则自整定PID控制和常规PID控制下的四旋翼飞行器鲁棒性能对比，如图10和图11所示。

通过仿真可知，神经模糊能够自调整k_p，k_i，k_d参数，寻找到最优参数，从而使被控对象能够很快达到跟踪值。通过仿真验证与计算，神经模糊自整定PID控制下飞行器姿态角(偏航角、俯仰角、滚转角)的超调分别为14％、5％、6％比常规PID控制下飞行器的姿态角(偏航角、俯仰角、滚转角)分别为30％、13％、10.9％要小，且神经模糊PID控制下系统姿态角的上升时间和调节时间分别为0.8、0.2、0.2和1.63、0.3、0.36，而常规PID控制下的系统姿态角的上升时间和调节时间分别为1.8、0.24、0.32和1.14、1.05、1.06，故神经模糊PID控制系统的系统动态性能更好。从图7，图9可知，当加入持续的干扰信号时，神经模糊PID控制下的姿态角出现轻微变化，相对于常规PID控制下的姿态角的变化要弱得很，故神经模糊PID控制的抗扰性要优于常规PID控制。从图10，图11可知，当改变系统参数时神经模糊PID控制下系统的姿态角的变化不是很明显，而常规PID的变化则相对明显，变化比较大，故神经模糊PID控制系统的鲁棒性要优于常规PID控制。

综上，FNNPID控制下的四旋翼飞行器的姿态稳定性优于传统PID控制。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的创造性精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种四旋翼飞行器，包括机体(10)和飞行控制器模块(20)，还包括分别与所述飞行控制模块(20)连接的导航与惯性测量模块(40)、电源模块(50)、通信模块(30)和电机驱动模块(60)，其特征在于所述电源模块(50)为飞行器提供电能；所述导航与测量模块(40)包括卫星导航系统、三轴加速度计、陀螺仪和磁力计，所述卫星导航系统对飞行器的实时位置进行测量定位，所述三轴加速度计用于测量飞行器的线加速度，所述陀螺仪用于测量飞行器的角加速度，所述磁力计用于测量飞行器所处位置的地磁强度；所述通信模块(30)还用于与地面控制站进行数据交换；所述飞行器控制模块(20)获取飞行器的所述线加速度、角加速度、实时位置及磁力强度数据信息以及获取由地面控制站通过所述通信模块输入的控制信息后并计算转换成电机控制信号输出以控制所述电机驱动模块(60)，所述电机驱动模块(60)包括电调和电机，所述电调接收所述电机控制信号以控制所述电机工作。

2.根据权利要求1所述的四旋翼飞行器，其特征在于所述飞行器控制系统还将飞行器的所述线加速度、角加速度、实时位置及磁力强度数据信息通过所述通信模块发送至地面控制中心。

3.一种四旋翼飞行器的飞行控制方法，包括以下步骤：

S10：建立四旋翼飞行器的动力学模型，设m为四旋翼飞行器的质量，g为重力加速度，μ_x、μ_y、μ_z为X轴、Y轴、Z轴三个方向的空气阻力系数，J_x、J_z、J_z为四旋翼飞行器绕X轴、Y轴、Z轴的转动惯量，I_r为四旋翼飞行器的旋翼相对于旋转轴的转动惯量，l为旋翼中心点到坐四旋翼飞行器质量中心的距离w₁、w₂、w₃为飞行器的角速度，x、y、z为飞行器的位置，Ω_i(i＝1,2,3,4)为各个旋翼的转速，θ、φ、ψ分别为飞行器的俯仰姿态角、滚转姿态角、偏航姿态角，通过牛顿-欧拉方程和坐标转换矩阵建立飞行器的动力学的数学模型如式(1)

$\left\{\begin{array}{c}{\mathrm{mx}}^{\′\′}={\mathrm{\Σc}}_T{\mathrm{\Ω}}_i^2\left(\cos \mathrm{\θ}\sin \mathrm{\φ}\cos \mathrm{\ψ}+\sin \mathrm{\θ}\sin \mathrm{\ψ}\right)-{\mathrm{\μ}}_x{x}^{\′2}\\ {\mathrm{my}}^{\′\′}={\mathrm{\Σc}}_T{\mathrm{\Ω}}_i^2\left(\cos \mathrm{\θ}\sin \mathrm{\φ}\cos \mathrm{\ψ}-\sin \mathrm{\θ}\cos \mathrm{\ψ}\right)-{\mathrm{\μ}}_y{y}^{\′2}\\ {\mathrm{mz}}^{\′\′}={\mathrm{\Σc}}_T{\mathrm{\Ω}}_i^2\cos \mathrm{\θ}\cos \mathrm{\φ}-{\mathrm{\μ}}_z{z}^{\′2}-mg\\ J_x{w_1}^{\′}=-J_z{w}_3{w}_2+J_y{w}_3{w}_2+I_r{w}_2{U}_f+{\mathrm{lc}}_T{U}_1\\ J_y{w_2}^{\′}=J_z{w}_3{w}_1-J_x{w}_3{w}_1-I_r{w}_1{U}_f+{\mathrm{lc}}_T{U}_2\\ J_z{w_3}^{\′}=-J_y{w}_2{w}_1+J_x{w}_2{w}_1+{\mathrm{cc}}_T{U}_3\\ U_1=-{\mathrm{\Ω}}_1^2-{\mathrm{\Ω}}_2^2+{\mathrm{\Ω}}_3^2+{\mathrm{\Ω}}_4^2\\ U_2=-{\mathrm{\Ω}}_1^2+{\mathrm{\Ω}}_2^2+{\mathrm{\Ω}}_3^2-{\mathrm{\Ω}}_4^2\\ U_3={\mathrm{\Ω}}_1^2-{\mathrm{\Ω}}_2^2+{\mathrm{\Ω}}_3^2-{\mathrm{\Ω}}_4^2\\ U_4={\mathrm{\Ω}}_1^2+{\mathrm{\Ω}}_2^2+{\mathrm{\Ω}}_3^2+{\mathrm{\Ω}}_4^2\\ U_f={\mathrm{\Ω}}_1-{\mathrm{\Ω}}_2+{\mathrm{\Ω}}_3-{\mathrm{\Ω}}_4\end{array}\right.---\left(1\right)$

S20：设计基于神经模糊自整定PID控制方式，

由四旋翼飞行器的动力学方程(1)转换成四个独立的控制通道，该飞行控制器控制这四个独立的控制通道，这四个通道分别由高度神经模糊PID、翻滚神经模糊PID、俯仰神经模糊PID、偏航神经模糊PID组成，经过控制量的转换控制，调节四个旋翼的转速来达到飞行姿态的控制；具体为

设一个双输入、单输出的神经网络模糊系统，其使用的是单向传播的多层前向神经网络，它的输入数据从输入层，先后依次经过各隐含层节点，最后从输出层的输出节点得到输出数据，因此

设神经网络输入层有2个节点，第二层有6个节点第三层有9个节点，第二层有5个节点；设f表示节点的净输入，a为激活值函数(节点输出)，则

第一层为神经元节点表示模糊控制器的输入信号，完成对误差e以及误差变化率ec的接受；连接权重那么

$f={\mathrm{\μ}}_i^1({\mathrm{\μ}}_i^1=x_i,i=1,2)$

a＝f

第二层表示输入信号语言变量的语言值，是对输入数据的模糊化，即将输入数据转换成模糊量，表达为一个隶属函数,对于第一层的两个输入x₁、x₂每个都定义了三个语言值(模糊子集)，则每个神经元的输出相对应的是隶属函数，该层节点的激活函数为可微的高斯函数

$f=\exp \[-\frac{{(x_i-c_{ij})}^2}{{{\mathrm{\σ}}_{ij}}^2}\]---\left(2\right)$

a＝e^f

式中c_ij、σ_ij表示第i个输入x_i的语言变量的第j个语言值的高斯隶属函数的中心和宽度，把第二层的权重作为c_ij；

第三层、第四层完成模糊系统的模糊推理的过程，以表示模糊控制规则，由于，两个输入的语言变量分别定义了三个语言值，故有3×3＝9条规则，而输出语言变量则定义了五个语言变量，如PB、PS、ZO、NS、NB(正大、正小、零、负小、负大)，其规则如下：

if x₁ is P₁ and x₂ is P₂ then y is NB

if x₁ is P₁ and x₂ is Z₂ then y is NS

……

if x₁ is N₁ and x₂ is N₂ then y is PB

其中，第三层完成模糊规则的模糊前件，当输入分别为x′₁和x′₂，则前两层计算出它们分别对两个输入的各模糊子集的隶属度:P₁(x′₁)、Z₁(x′₁)、N₁(x′₁)和P₂(x′₂),Z₂(x′₂),N₂(x′₂)，形成第一条规则的激活强度为：

min[P₁(x′₁),P₂(x′₂)]或者P₁(x′₁)P₂(x′₂)

设有p个输入信号，则第三层节点也有p输入，即：

$f=\min ({\mathrm{\μ}}_1^3,{\mathrm{\μ}}_2^3,...{\mathrm{\μ}}_p^3)=\underset{i=1}{\overset{p}{\Π}}{\mathrm{\μ}}_i^3={\mathrm{\μ}}_1^3{\mathrm{\μ}}_2^3...{\mathrm{\μ}}_p^3$

a＝f

定义该层的连接权重为1；

第四层完成模糊规则的后件，把输入到第四层同一个神经元的激活规则进行综合，同时输出模糊量

$f=\underset{i=1}{\overset{p}{\Σ}}{\mathrm{\μ}}_i^4$

a＝min(1,f)

定义该层连接权重为1；

第五层完成去模糊化，将模糊量清晰化，并输出控制量，定义第四层第i个神经元代表的模糊子集隶属函数的中心和宽度分别为c_i和σ_i，采用重心法进行解模糊：

$f=\underset{i=1}{\overset{p}{\Σ}}{w}_i^5{\mathrm{\μ}}_i^5=\underset{i=1}{\overset{p}{\Σ}}\left(c_i{\mathrm{\σ}}_i\right){\mathrm{\μ}}_i^5$

$a=\frac{f}{\underset{i=1}{\overset{p}{\Σ}}{\mathrm{\σ}}_i{\mathrm{\μ}}_i^5}$

神经模糊自调整PID根据输入信号偏差e和ec的大小、方向以及变化趋势等特征，通过模糊推理做出相应决策，在线调整PID参数k_p,k_i,k_d以满足不同时刻对参数的不同要求，其中控制器为参数增量式PID控制器，在初始化PID控制器参数的基础上加上神经模糊控制器对PID参数在线调整，即

$\begin{array}{c}\left\{\begin{array}{c}{k}_p=k_{p0}+{\mathrm{\Δk}}_p\\ k_i=k_{i0}+{\mathrm{\Δk}}_i\\ k_d=k_{d0}+{\mathrm{\Δk}}_d\end{array}\right.\\ \left\{\begin{array}{c}{\mathrm{\Δk}}_p=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_i^5{\mathrm{\μ}}_i^5=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}\left(c_i{\mathrm{\σ}}_i\right){\mathrm{\μ}}_i^5\\ {\mathrm{\Δk}}_i=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_i^5{\mathrm{\μ}}_i^5=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}\left(c_i{\mathrm{\σ}}_i\right){\mathrm{\μ}}_i^5\\ {\mathrm{\Δk}}_d=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_i^5{\mathrm{\μ}}_i^5=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}\left(c_i{\mathrm{\σ}}_i\right){\mathrm{\μ}}_i^5\end{array}\right.\end{array}$

这样由以上公式确定了PID控制所需要的最佳的k_p,k_i,k_d参数，从而实现了参数自整定。