CN108303940B - 一种过驱动飞行器自适应控制分配方法 - Google Patents
一种过驱动飞行器自适应控制分配方法 Download PDFInfo
- Publication number
- CN108303940B CN108303940B CN201711437557.1A CN201711437557A CN108303940B CN 108303940 B CN108303940 B CN 108303940B CN 201711437557 A CN201711437557 A CN 201711437557A CN 108303940 B CN108303940 B CN 108303940B
- Authority
- CN
- China
- Prior art keywords
- matrix
- model
- genetic
- input
- actuator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/048—Monitoring; Safety
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种过驱动飞行器自适应控制分配方法,包括以下步骤:1)建立带有维度约束的冗余飞行器系统描述模型;2)利用参考模型生成顶层控制律;3)采用分配阵和遗传算法自适应混合控制分配算法进行控制分配。与现有技术相比,本发明具有实时性好,分配准确度高,容错性高等优点。
Description
技术领域
本发明涉及飞行器控制技术领域,尤其是涉及一种过驱动飞行器自适应控制分配方法。
背景技术
为保障飞行器飞行作业的可靠性,飞行器的执行器设计一般采用冗余配置设计方案。这样的设计方案直接导致了飞行器系统的动力学呈现出过驱动系统的特点,即期望输出与各个执行器之间的对应关系不再明确且唯一。为了获得满足执行器约束和系统性能要求的执行器控制信号,需要采用合适的控制分配方法确定各执行器的控制指令。
对于飞行器控制系统而言,控制分配的目标可描述为,(1)操控性:能够实现飞行器系统输出对参考轨迹的跟踪;(2)可实现性:分配的控制信号满足执行器输入信号的约束要求;(3)容错性:在某些执行器发生未知的故障时,能够分配给未发生故障的控制器合适的指令,以降低故障对整体控制性能的影响。另一方面,衡量控制分配方法性能的指标主要包括,(1)时效性:能够在较短的时间内实现控制分配,实现实时控制;(2)准确性:能够较为精准地实现参考轨迹的跟踪。
目前主流的控制分配方法可简略分为两大类:非优化分配法和优化分配法。非优化分配法主要包括广义逆分配、链式递增方法;优化分配法则存在多种形式,依照分配准则的不同可分为最小误差分配、最小控制分配和混合分配等。非优化分配法的时效性好,但准确性由于受执行器约束的影响一般较差;优化分配法的准确性高,但时效性往往较差。考虑到目前使用的飞行器控制分配方法多采用单一的分配方法,很难实现控制分配时效性和准确性的兼顾,因此需要一种有效的自适应控制分配方法实现时效性和准确性的权衡设计。
发明内容
本发明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过驱动飞行器自适应控制分配方法。
本发明的目的可以通过以下技术方案来实现:
一种过驱动飞行器自适应控制分配方法,包括以下步骤:
1)建立带有维度约束的冗余飞行器系统描述模型;
2)利用参考模型生成顶层控制律;
3)采用分配阵和遗传算法自适应混合控制分配算法进行控制分配。
优选地,所述的1)建立带有维度约束的冗余飞行器系统描述模型具体为:
将飞行器系统描述模型及参数建立为如下多输入多输出标准形式:
其中是系统状态变量,是系统输入信号,是系统输出变量,u(t)=[u1(t),u2(t),...,um(t)]T,是第i个执行器在t时刻的输入信号,其中 分别表示维数为n、m、l、1的实数向量空间,n为系统状态变量维数,m为执行机构的个数,l是系统输出变量维数,A为描述模型系统矩阵,C为描述模型输出矩阵,Bu为满足Bu=[b1,b2,…,bm],rank(bi)=1对于i=1,...,m,rank(Bu)=nu<m的描述模型输入矩阵,且(A,Bu)能控。
优选地,所述的2)利用参考模型生成顶层控制律具体为:
考虑参考模型,即给定跟踪轨迹的模型:
同时考虑如下的执行器约束:
其中αi(t)为第i个执行器在t时刻输入信号约束的下确界,βi(t)为第i个执行器在t时刻输入信号约束的上确界,其中αi(t)≤βi(t),Ω为所有满足执行器约束的输入信号组成的集合;
根据参考模型生成的顶层控制律为:
v=Kxx+Krr
其中r为参考模型参考输入,x为冗余系统当前状态,Kx为满足Am=A+BvKx的状态反馈矩阵,Kr为满足Bm=BvKr的参考输入反馈矩阵,A为描述模型系统矩阵,Am为参考模型系统矩阵,Bm为参考模型输入矩阵,Bv为满足BvBc=Bu为输入矩阵Bu满秩分解的列满秩矩阵,Bc为相应的行满秩矩阵。
优选地,所述的3)采用分配阵和遗传算法自适应混合控制分配算法进行控制分配具体为:
第一步,获取t时刻的系统状态值x(t)和参考模型输入信号值r(t);
第二步,计算顶层控制律v(t)=Kxx(t)+Krr(t);
第四步,若uc(t)∈Ω,则分配u(t)=uc(t),此次分配任务结束;
优选地,所述的启用遗传算法控制分配方法具体为:
(2)将问题结构转换为位串形式:以执行器输入变量ui为遗传染色体,遗传编码直接使用实数编码,适应度函数选取为f(P1,P2,...,Pm)=||Bcu(t)-v(t)||p,其中Pi为ui经过实数编码的结果;
(3)对于每个执行器输入变量ui,i∈{1,...,m},初始化染色体簇集合其中为按均匀分布在[αi(t),βi(t)]区间内随机抽取的N点的遗传编码,N为人为设置的遗传算法群体个数,初始化遗传代数k=0,初始化变异步长δm为人为设定值,取搜索网格粒度Npoll=1/δm,初始化变异次数标记l=0;
(6)进行交叉操作生成繁殖个体:对每一个i∈{1,...,m},取Qk中随机两个个体的对应染色体和进行交叉操作,其中a,b∈{1,...,N},若记对应的第h位的基因编码为则第h位的交叉操作方法即为:
式中α∈[0,1]为满足均匀分布随机数,并由此生成子代种群Qk+1;
(7)对得到的Qk+1中的个体进行变异操作:对于Qk中每个个体Pi,区分边界约束式对ui是否作用,在可行方向和搜索网格的交集中随机选取一系列的变异方向Δui,并通过下式尝试获得变异子代
(10)令k=k+1,判断是否满足终止条件:若满足则进入(11),否则进入(5);
(11)输出种群中适应度值最优的个体,并反编码为u(t)。
优选地,所述的终止条件为:满足以下任一条件:
种群Qk进化达到限制遗传代数k=NPmax,种群最优个体的适应度函数值连续限制变化代数Nstall没有改善,算法运行时间超过限制时间Tlimit,其中限制遗传代数NPmax,限制变化代数Nstall,限制时间Tlimit为人为设定值。
与现有技术相比,本发明具有实时性好,分配准确度高,容错性高等优点。
附图说明
图1为本发明的整体方法流程图;
图2为本发明的遗传算法控制分配方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
如图1所示,一种过驱动飞行器自适应控制分配方法,包括以下步骤:
第一步,通过实验数据辨识出飞行器的模型参数A,Bu,C;
第二步,根据跟踪性能要求给出参考信号r和参考模型参数Am,Bm;
第三步,确定控制输入约束αi,βi,i=1,2,...,m;
第四步,在t时刻,将参考信号数值r(t)和通过测量获得的飞行器状态x(t)作为输入代入算法,并执行发明内容中的算法程序;
建立带有维度约束的冗余飞行器系统描述模型具体为:
将飞行器系统描述模型及参数建立为如下多输入多输出标准形式:
其中是系统状态变量,是系统输入信号,是系统输出变量,u(t)=[u1(t),u2(t),...,um(t)]T,是第i个执行器在t时刻的输入信号,其中 分别表示维数为n、m、l、1的实数向量空间,n为系统状态变量维数,m为执行机构的个数,l是系统输出变量维数,A为描述模型系统矩阵,C为描述模型输出矩阵,Bu为满足Bu=[b1,b2,…,bm],rank(bi)=1对于i=1,...,m,rank(Bu)=nu<m的描述模型输入矩阵,且(A,Bu)能控。
利用参考模型生成顶层控制律具体为:
考虑参考模型,即给定跟踪轨迹的模型:
同时考虑如下的执行器约束:
其中αi(t)为第i个执行器在t时刻输入信号约束的下确界,βi(t)为第i个执行器在t时刻输入信号约束的上确界,其中αi(t)≤βi(t),Ω为所有满足执行器约束的输入信号组成的集合;
根据参考模型生成的顶层控制律为:
v=Kxx+Krr
其中r为参考模型参考输入,x为冗余系统当前状态,Kx为满足Am=A+BvKx的状态反馈矩阵,Kr为满足Bm=BvKr的参考输入反馈矩阵,A为描述模型系统矩阵,Am为参考模型系统矩阵,Bm为参考模型输入矩阵,Bv为满足BvBc=Bu为输入矩阵Bu满秩分解的列满秩矩阵,Bc为相应的行满秩矩阵。
采用分配阵和遗传算法自适应混合控制分配算法进行控制分配具体为:
第一步,获取t时刻的系统状态值x(t)和参考模型输入信号值r(t);
第二步,计算顶层控制律v(t)=Kxx(t)+Krr(t);
第四步,若uc(t)∈Ω,则分配u(t)=uc(t),此次分配任务结束;
如图2所示,所述的启用遗传算法控制分配方法具体为:
(2)将问题结构转换为位串形式:以执行器输入变量ui为遗传染色体,遗传编码直接使用实数编码,适应度函数选取为f(P1,P2,...,Pm)=||Bcu(t)-v(t)||p,其中Pi为ui经过实数编码的结果;
(3)对于每个执行器输入变量ui,i∈{1,...,m},初始化染色体簇集合其中为按均匀分布在[αi(t),βi(t)]区间内随机抽取的N点的遗传编码,N为人为设置的遗传算法群体个数,初始化遗传代数k=0,初始化变异步长δm为人为设定值,取搜索网格粒度Npoll=1/δm,初始化变异次数标记l=0;
(6)进行交叉操作生成繁殖个体:对每一个i∈{1,...,m},取Qk中随机两个个体的对应染色体和进行交叉操作,其中a,b∈{1,...,N},若记对应的第h位的基因编码为则第h位的交叉操作方法即为:
式中α∈[0,1]为满足均匀分布随机数,并由此生成子代种群Qk+1;
(7)对得到的Qk+1中的个体进行变异操作:对于Qk中每个个体Pi,区分边界约束式对ui是否作用,在可行方向和搜索网格的交集中随机选取一系列的变异方向Δui,并通过下式尝试获得变异子代
(10)令k=k+1,判断以下任一条件是否满足:种群Qk进化达到限制遗传代数k=NPmax,种群最优个体的适应度函数值连续限制变化代数Nstall没有改善,算法运行时间超过限制时间Tlimit,其中限制遗传代数NPmax,限制变化代数Nstall,限制时间Tlimit为人为设定值,若有任一条件满足则进入(11),否则进入(5);
(11)输出种群中适应度值最优的个体,并反编码为u(t)。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种过驱动飞行器自适应控制分配方法,其特征在于,包括以下步骤:
1)建立带有维度约束的冗余飞行器系统描述模型;
2)利用参考模型生成顶层控制律;
3)采用分配阵和遗传算法自适应混合控制分配算法进行控制分配;
所述的2)利用参考模型生成顶层控制律具体为:
考虑参考模型,即给定跟踪轨迹的模型:
其中是参考模型状态变量,是参考模型输入信号,是参考模型输出变量,Am为参考模型系统矩阵,Bm为参考模型输入矩阵,C为描述模型输出矩阵,其中分别表示维数为n、q、l的实数向量空间,n为系统状态变量维数,l是系统输出变量维数,q的含义为参考输入信号的维数;
同时考虑如下的执行器约束:
其中αi(t)为第i个执行器在t时刻输入信号约束的下确界,βi(t)为第i个执行器在t时刻输入信号约束的上确界,其中αi(t)≤βi(t),Ω为所有满足执行器约束的输入信号组成的集合,m为执行机构的个数;
根据参考模型生成的顶层控制律为:
v=Kxx+Krr
其中x为冗余系统当前状态,Kx为满足Am=A+BvKx的状态反馈矩阵,Kr为满足Bm=BvKr的参考输入反馈矩阵,A为描述模型系统矩阵,Bv为输入矩阵Bu满秩分解的列满秩矩阵,Bu为满足BvBc=Bu的输入矩阵,Bc为相应的行满秩矩阵。
4.根据权利要求3所述的方法,其特征在于,启用遗传算法控制分配方法具体为:
(2)将问题结构转换为位串形式:以执行器输入变量ui为遗传染色体,遗传编码直接使用实数编码,适应度函数选取为f(P1,P2,...,Pm)=||Bcu(t)-v(t)||p,其中Pi为ui经过实数编码的结果;
(3)对于每个执行器输入变量ui,i∈{1,...,m},初始化染色体簇集合其中为按均匀分布在[αi(t),βi(t)]区间内随机抽取的N点的遗传编码,N为人为设置的遗传算法群体个数,初始化遗传代数k=0,初始化变异步长δm为人为设定值,取搜索网格粒度Npoll=1/δm,初始化变异次数标记l/=0;
(6)进行交叉操作生成繁殖个体:对每一个i∈{1,...,m},取Qk中随机两个个体的对应染色体和进行交叉操作,其中a,b∈{1,...,N},若记对应的第h位的基因编码为对应的第h位的基因编码为则第h位的交叉操作方法即为:
式中α∈[0,1]为满足均匀分布随机数,并由此生成子代种群Qk+1;
(7)对得到的Qk+1中的个体进行变异操作:对于Qk中每个个体Pi,区分边界约束式对ui是否作用,在可行方向和搜索网格的交集中随机选取一系列的变异方向Δui,并通过下式尝试获得变异子代
(8)若则加倍变异步长δm,其中δm=2δm,并且搜索网格粒度Npoll变大,其中Npoll=1/δm;否则,变异步长δm减小,其中并且搜索网格粒度Npoll变细,其中变细后的Npoll=1/δm,其中∈为人为设定的优化精度数值;
(10)令k=k+1,判断是否满足终止条件:若满足则进入(11),否则进入(5);
(11)输出种群中适应度值最优的个体,并反编码为u(t)。
5.根据权利要求4所述的方法,其特征在于,所述的终止条件为:满足以下任一条件:
种群Qk进化达到限制遗传代数k=NPmax,种群最优个体的适应度函数值连续限制变化代数Nstall没有改善,算法运行时间超过限制时间Tlimit,其中限制遗传代数NPmax,限制变化代数Nstall,限制时间Tlimit为人为设定值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711437557.1A CN108303940B (zh) | 2017-12-26 | 2017-12-26 | 一种过驱动飞行器自适应控制分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711437557.1A CN108303940B (zh) | 2017-12-26 | 2017-12-26 | 一种过驱动飞行器自适应控制分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108303940A CN108303940A (zh) | 2018-07-20 |
CN108303940B true CN108303940B (zh) | 2020-09-08 |
Family
ID=62867489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711437557.1A Active CN108303940B (zh) | 2017-12-26 | 2017-12-26 | 一种过驱动飞行器自适应控制分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108303940B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7634323B2 (en) * | 2007-02-23 | 2009-12-15 | Toyota Motor Engineering & Manufacturing North America, Inc. | Optimization-based modular control system |
CN105700542B (zh) * | 2016-03-30 | 2019-03-01 | 北京航空航天大学 | 一种基于矢量场制导和最小二乘法的平流层飞艇控制分配方法 |
CN107253453B (zh) * | 2017-07-05 | 2019-08-27 | 厦门大学 | 一种分布式电动汽车横向稳定性自适应控制系统及方法 |
-
2017
- 2017-12-26 CN CN201711437557.1A patent/CN108303940B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108303940A (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918708B (zh) | 一种基于异质集成学习的材料性能预测模型构建方法 | |
CN108734202A (zh) | 一种基于改进bp神经网络的高压断路器故障诊断方法 | |
CN104751842B (zh) | 深度神经网络的优化方法及系统 | |
CN110046710A (zh) | 一种神经网络的非线性函数极值优化方法及系统 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
Liu et al. | A fault diagnosis intelligent algorithm based on improved BP neural network | |
CN115081592B (zh) | 基于遗传算法和前馈神经网络的公路低能见度预估方法 | |
CN104616078A (zh) | 基于Spiking神经网络的光伏系统发电功率预测方法 | |
Chinnathambi et al. | Deep neural networks (DNN) for day-ahead electricity price markets | |
JP6784357B2 (ja) | 人工知能超深層学習モデルの構築方法、人工知能超深層学習装置、人工知能超深層学習モデルが搭載された汎用モバイル端末装置、及び人工知能超深層学習モデルのプログラム | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN115689070B (zh) | 基于帝王蝶算法优化bp神经网络模型的能源预测方法 | |
CN103399488B (zh) | 基于自学习的多模型控制方法 | |
CN115860170A (zh) | 一种考虑电力电子负载的配电系统电能质量优化方法 | |
CN110738363B (zh) | 一种光伏发电功率预测方法 | |
CN115751441A (zh) | 基于二次侧流量的供热系统热力站热量调节方法及系统 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN108303940B (zh) | 一种过驱动飞行器自适应控制分配方法 | |
CN108898245A (zh) | 一种用于风电机组零部件的需求预测方法 | |
MirRokni | Applying genetic algorithm in architecture and neural network training | |
CN110674460B (zh) | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 | |
CN103983332A (zh) | 一种基于hgsa-bp算法的传感器误差补偿方法 | |
CN116911459A (zh) | 适应于虚拟电厂的多输入多输出超短期电力负荷预测方法 | |
CN116700011A (zh) | 一种增强深度Transformer-Attention集成预测的分数阶微积分降能引导方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |