CN109856972A - 一种无人直升机鲁棒容错跟踪控制方法 - Google Patents
一种无人直升机鲁棒容错跟踪控制方法 Download PDFInfo
- Publication number
- CN109856972A CN109856972A CN201910129260.1A CN201910129260A CN109856972A CN 109856972 A CN109856972 A CN 109856972A CN 201910129260 A CN201910129260 A CN 201910129260A CN 109856972 A CN109856972 A CN 109856972A
- Authority
- CN
- China
- Prior art keywords
- helicopter
- matrix
- tolerant
- above formula
- robust fault
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 230000003044 adaptive effect Effects 0.000 claims abstract description 16
- 238000013461 design Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 47
- 238000013507 mapping Methods 0.000 claims description 6
- 125000004432 carbon atom Chemical group C* 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 abstract 1
- 238000011105 stabilization Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 19
- 230000008901 benefit Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人直升机鲁棒容错跟踪控制方法。同时考虑执行器故障和输入饱和,构建无人直升机6自由度非线性系统模型;分别针对系统的位置环和姿态环设计辅助系统,以抑制执行器故障和输入饱和对系统的影响;基于位置环辅助系统定义跟踪误差,引入自适应神经网络,建立位置环鲁棒容错控制器;基于姿态环辅助系统定义跟踪误差,引入自适应神经网络,建立姿态环鲁棒容错控制器。本发明能够使得无人直升机在考虑执行器故障和输入饱和的影响下不仅能保持稳定,同时还能跟踪上期望的参考轨迹。
Description
技术领域
本发明属于飞行器鲁棒容错技术领域,特别涉及了一种无人直升机鲁棒容错跟踪控制方法。
背景技术
无人驾驶飞机简称无人机,它是利用机载传感器和自动控制系统自主执行给定任务或者通过无线电遥控设备发送遥控指令执行任务的飞行器。与载人飞机相比,它具有体积小、造价低、使用方便等优点。随着微处理芯片、传感器、全球定位技术的飞速发展,以及相关设备性能的提高和体积重量的减少,无人机成了机器人领域近二十年来的一个研究热点。无人机主要可分类为固定翼无人机和旋转翼无人机(也即无人直升机)。固定翼无人机具有空气动力学特性相对简单、自主飞行控制较易实现、抗风能力比较强等优点,所以在过去的几十年中,固定翼无人机在技术上己经非常成熟,而且在过去二十多年的局部战争中取得了良好的军事效益。但是它们也存在着固有的缺点:例如有些需要利用跑道起飞及降落,有些需要用弹射器发射,用降落伞着陆等。当需要在障碍物众多且具有复杂地形的战场或城市环境中执行任务时,固定翼无人机显然是不能胜任的。
与固定翼无人机相比,无人直升机不仅能够进行垂直起降、空中悬停、前飞、侧飞、后飞、低空与超低空飞行等动作,而且还具有体积小、重量轻、成本低、机动性能更高等优势,它具有在狭小空间复杂环境中垂直起降和悬停的能力。特别是在军事领域中可以用作电子中继、空中侦察、目标搜索、空中打击、近海/ 近地火力支援等特殊手段,使其成为近年来无人机领域的研究热点。但是与无人直升机巨大的潜力相比,目前为止其在实际应用中可以说刚刚起步,这是因为无人直升机本身是一个非常复杂的非线性控制对象,其具有模型阶数高、非线性强、动力学特性复杂、通道耦合强、干扰大、开环不稳定、欠驱动等特点,因此加强对无人直升机的先进飞行控制理论和方法的研究,特别是对先进的非线性控制技术的应用研究,对促进无人直升机控制技术的发展具有重要的理论和现实意义。
在无人直升机的实际飞行过程中,不可避免地会遇到执行器故障和输入饱和等问题。首先,由于直升机特殊的结构,其活动部件明显比固定翼飞机要多。系统长时间的运行很容易导致传动机构的磨损进而造成控制效率的下降。目前对执行器故障的处理方法主要有自适应方法,补偿控制方法等。但是由于自适应控制中存在奇异点的问题,因此,辅助系统的方法不失为一个良好的工具。此外,由于执行机构的物理限制,输入饱和问题也是一个不容忽视的实际问题。综上,为了提高系统的鲁棒性和安全可靠性,在对无人直升机设计非线性控制器时,需要同时考虑执行器故障和输入饱和的影响。
发明内容
为了解决上述背景技术提出的技术问题,本发明提出了一种无人直升机鲁棒容错跟踪控制方法,使得无人直升机在考虑执行器故障和输入饱和的影响下不仅能保持稳定,同时还能跟踪上期望的参考轨迹。
为了实现上述技术目的,本发明的技术方案为:
一种无人直升机鲁棒容错跟踪控制方法,包括以下步骤:
(1)同时考虑执行器故障和输入饱和,构建无人直升机6自由度非线性系统模型;
(2)分别针对系统的位置环和姿态环设计辅助系统,以抑制执行器故障和输入饱和对系统的影响;
(3)基于位置环辅助系统定义跟踪误差,引入自适应神经网络,建立位置环鲁棒容错控制器;基于姿态环辅助系统定义跟踪误差,引入自适应神经网络,建立姿态环鲁棒容错控制器。
进一步地,所述无人直升机6自由度非线性系统模型如下:
上式中,x1=[X,Y,Z]T和x2=[u,v,w]T分别是直升机的位置向量和速度向量, x3=[φ,θ,ψ]T和x4=[p,q,r]T分别是姿态角向量和姿态角速率向量,其中X,Y,Z分别表示直升机的位置在三维空间各个方向上的分量,u,v,w分别表示直升机的速度在三维空间各个方向上的分量,φ,θ,ψ分别表示直升机滚转角,俯仰角和偏航角,p,q,r分别表示直升机的滚转角速率,俯仰角速率和偏航角速率;f2=gχ,g3=H,f4=-J-1x4×Jx4,g4=J-1,ρa=diag{ρ2,ρ3,ρ4}, usa=[us2,us3,us4]T,其中m是直升机的质量,g是重力加速度,χ=[0,0,1]T, J是转动惯量矩阵,Tmr是直升机主旋翼产生的拉力,是机体坐标系到地面坐标系之间的转换矩阵,H是姿态变换矩阵,u=[Tmr,Σx,Σy,Σz]T=[u1,u2,u3,u4] 是待设计的控制输入,Σx,Σy,Σz是总力矩在三维空间各个方向上的分量,ρi是未知的有效控制效率系数,满足0<δ≤ρi≤1,δ是ρi的下界,i=1,2,3,4,uimax>0是已知的控制输入上界,sat(·)是饱和函数,sign(·)是符号函数;考虑执行器增益失效故障和输入饱和,则实际的控制输入ε=ρsat(u),其中,ρ=diag{ρ1,ρ2,ρ3,ρ4}。
进一步地,在步骤(2)中,位置环辅助系统如下:
上式中,η1和η2是辅助系统的内部状态,Q1,Q2和L1是待设计的正定矩阵,是ρ1的估计值,是神经网络权值矩阵的估计值,Δu1=us1-u1,P1(un)是选取的高斯函数,un=g2u1是位置环的控制输入。
进一步地,在步骤(3)中,基于位置环辅助系统定义跟踪误差e1和e2:
e1=x1-x1d-η1
e2=x2-x2d-η2
上式中,x1d是期望的跟踪轨迹,x2d是虚拟控制律;
引入如下自适应神经网络:
上式中,是逼近误差,是最优神经网络权值矩阵;
位置环控制率如下:
上式中,D2为待设计的正定矩阵;
将un=g2u1写为[un1,un2,un3]T,则位置环鲁棒容错控制器如下:
其中:
其中,ψd是参考的偏航角信号。
进一步地,位置环中引入的自适应神经网络的参数自适应更新律如下:
上式中,c1>0,τ1>0,Υ1>0,α1>0是待设计的常数或者矩阵,Proj{·}是映射函数,其定义如下:
其中χ1=(e2-η2)Tg2Δu1,
进一步地,在步骤(2)中,姿态环辅助系统如下:
上式中,η3和η4是辅助系统的内部状态,Q3,Q4和L2是待设计的正定矩阵,是神经网络权值矩阵的估计值,是ρa的估计值,Δua=usa-ua,P2(uk)是选取的高斯函数,uk=g4ua是姿态环的控制输入。
进一步地,在步骤(3)中,基于位置环辅助系统定义跟踪误差e3和e4:
e3=x3-x3d-η3
e4=x4-x4d-η4
上式中,x3d是期望的跟踪轨迹,x4d是虚拟控制律;
引入如下自适应神经网络:
上式中,是逼近误差,是最优神经网络权值矩阵,I是单位阵;
姿态环控制率如下:
上式中,D4为待设计的正定矩阵;
则姿态环鲁棒容错控制器如下:
上式中,Σ=[Σx,Σy,Σz]T。
进一步地,姿态环中引入的自适应神经网络的参数自适应更新律如下:
上式中,g4=J-1=diag{g42,g43,g44},g42,g43,g44分别表示三维矩阵g4斜对角线上的元素,e4i和η4i分别是四维列向量e4和η4的第i个元素, ci>0,τ2>0,Υ2>0,α2>0是待设计的常数或者矩阵,映射函数Proj{·}的定义如下:
其中χi=Δui(e4i-η4i)Tg4i,
采用上述技术方案带来的有益效果:
本发明引入辅助系统来处理执行器故障和输入饱和,降低它们对系统的负面影响,并结合反步法设计的控制方案解决同时考虑执行器故障和输入饱和的无人直升机鲁棒容错跟踪控制问题。经验证,本发明所设计的鲁棒容错控制器和能保证整个闭环系统信号是最终有界的,同时系统输出能跟踪上期望的参考轨迹。
附图说明
图1是本发明的系统控制流程图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
1.系统模型
对于如下的无人直升机6自由度非线性动态模型:
式中,x1=[X,Y,Z]T和x2=[u,v,w]T分别是直升机的位置向量和速度向量, x3=[φ,θ,ψ]T和x4=[p,q,r]T分别是姿态角和姿态角速率向量,X,Y,Z分别表示直升机的位置在三维空间各个方向上的分量,u,v,w分别表示直升机的速度在三维空间各个方向上的分量,φ,θ,ψ分别表示直升机滚转角,俯仰角和偏航角,p,q,r 分别表示直升机的滚转角速率,俯仰角速率和偏航角速率,m是直升机的质量, g是重力加速度,χ=[0,0,1]T,J是转动惯量矩阵,F和Σ分别为直升机所受到的合外力和合外力距,F=[0,0,-Tmr]T,Tmr是直升机主旋翼产生的拉力,Σ=[Σx,Σy,Σz]T是总的控制力矩,Σx,Σy,Σz是总力矩在三维空间各个方向上的分量,u=[Tmr,ΣT]T是控制输入,R是机体坐标系到地面坐标系之间的转换矩阵,H 是姿态变换矩阵,其表达式分别如下:
其中,Sφ,Sθ,Sψ,Cφ,Cθ,Cψ,Tθ分别是sin(φ),sin(θ),sin(ψ),cos(φ),cos(θ),cos(ψ),tan(θ) 的简写。
为了提高系统的安全性和可靠性,考虑执行器增益失效故障和输入饱和,则控制输入可以表示为:
ε=ρsat(u) (4)
其中,u=[Tmr,Σx,Σy,Σz]T是待设计的控制输入,ρ=diag{ρ1,ρ2,ρ3,ρ4},ρi(i=1,2,3,4)是未知的有效控制效率系数,满足0<δ≤ρi≤1,δ是ρi的下界。饱和函数sat(u)=[sat(Tmr),sat(Σx),sat(Σy),sat(Σz)]T,且由下式给出:
其中,uimax>0(i=1,2,3,4)是已知的控制输入上界,sign(·)是符号函数。
定义f2=gχ,g3=H,u1=Tmr,f4=-J-1x4×Jx4g4=J-1。考虑无人直升在飞行过程中可能受到的执行器故障和输入饱和,结合式(4)-(5),无人直升机6自由度非线性方程可以改写为:
其中ρa=diag{ρ2,ρ3,ρ4},usa=[us2,us3,us4]T。
对于同时考虑存在执行器故障和输入饱和的无人直升机系统模型(6),为了实现预期的控制目标,下面的假设以及引理是必要的。
假设1:对于直升机系统(6),其参考信号yd及其导数是有界的。同时,所有的状态是可测可用的。
假设2:在直升机的飞行过程中,其姿态角始终在(-90°,90°)之间变化。
假设3:对于输入饱和(5),实际输入和饱和输入的差值Δui是有界的。也即,存在正常数γi满足||Δui||≤γi,其中Δui=usi-ui,i=1,a。
引理1:由于神经网络强大的逼近能力,它经常用来逼近任意未知连续函数 f(Θ),形式如下:
其中,Θ∈Rn是输入变量,μ是逼近误差,是权值矩阵,P(Θ)∈Rj代表高斯函数,其形式一般选为
其中,和分别为神经元的中心和宽度。其决定着神经网络的逼近能力。因此,选取适当的参数可以使得神经网络逼近任意未知连续函数:
f(Θ)=W*TP(Θ)+μ* (9)
其中,W*是理想的权值矩阵,μ*代表最小逼近误差满足||μ*||≤σ。
2.自适应神经网络鲁棒容错控制器设计
考虑存在执行器故障和输入饱和的无人直升机系统模型(6),下面将系统分为位置环和姿态环分别设计辅助系统来抑制故障和饱和对系统的影响。
第一步,结合反步法来进行位置环控制器的设计。直升机位置环动态方程可以写为:
其中,un=g2u1。
引入如下的辅助系统来处理执行器故障和输入饱和:
其中,η1和η2是辅助系统的内部状态,Q1,Q2和L1是待设计的正定矩阵,P1(un) 是选取的高斯函数,是ρ1的估计值,是最优权值矩阵的估计值,其定义由下文给出。
基于辅助系统(11),定义跟踪误差为
e1=x1-x1d-η1 (12)
e2=x2-x2d-η2 (13)
其中x1d是期望的跟踪轨迹,x2d是虚拟控制律。
对跟踪误差e1求导,可得
设计虚拟控制律:
其中,D1是待设计的正定矩阵。
将等式(15)代入(14),可得:
考虑到成立,对跟踪误差e2求导,可得
由于故障因子ρ1是未知的,因此耦合项(ρ1-1)un也是未知的,采用如下的神经网络来逼近:
其中,是逼近误差,是神经网络权值矩阵,P1(un)是待选的高斯函数。
将等式(18)代入到(17)中,可得
设计位置环控制律为
其中,D2是待设计的正定矩阵。
将等式(20)代入等式(19),可得
选取李雅普诺夫函数:
其中,c1>0是待设计的正常数,是待设计的正定矩阵。
根据等式(16)和(21),对V1求导有:
其中,I=diag{1,1,1},||g2ρ1Δu1||≤M2,o1>0和o2>0是待设计的正常数。
设计参数自适应律为
其中,c1>0,τ1>0,Υ1>0,α1>0是待设计的常数或者矩阵,Proj{·}是映射函数,其定义为
其中χ1=(e2-η2)Tg2Δu1,
考虑如下的事实:
将(24)-(28)代入到(23)中,得到:
由于un=g2u1,将其写为g2u1=[un1,un2,un3]T。求解等式(20)可以得到位置环控制输入和参考姿态角分别为
其中,ψd是参考的偏航角信号。
第二步,结合反步法来进行姿态环控制器的设计。直升机姿态环动态方程可以写为:
其中,uk=g4ua。
引入如下的辅助系统来处理姿态环的执行器故障和输入饱和问题:
其中,η3和η4是辅助系统的内部状态,Q3,Q4和L2是待设计的正定矩阵,是神经网络权值矩阵的估计值,其定义由下文给出,是ρa的估计值。
基于辅助系统(34),定义姿态环跟踪误差为
e3=x3-x3d-η3 (35)
e4=x4-x4d-η4 (36)
其中x3d是期望的跟踪轨迹,x4d是虚拟控制律。
对跟踪误差e3求导,可得
设计虚拟控制律
其中,D3是待设计的正定矩阵。
将等式(38)代入(37),可得:
考虑到成立,对跟踪误差e4求导,可得
由于故障因子ρa是未知的,因此耦合项(ρa-I)uk也是未知的,采用如下的神经网络来逼近:
其中,是逼近误差,是神经网络权值矩阵,P2(uk)是待选的高斯函数。
将等式(41)代入到(40)中,可得
设计姿态控制律为
由于uk=g4ua,可得姿态环实际控制输入为
将等式(43)代入等式(42),可得
选取李雅普诺夫函数
其中,和是待设计的正定矩阵。
根据等式(39)和(45),对V2求导有:
其中,||g4ρaΔua||≤M4,o3>0和o4>0是待设计的正常数。
设计参数自适应律为
其中,g4=J-1=diag{g42,g43,g44},g42,g43,g44分别表示三维矩阵g4斜对角线上的元素,e4i和η4i分别是四维列向量e4和η4的第i个元素, ci>0,τ2>0,Υ2>0,α2>0是待设计的常数或者矩阵,映射函数Proj{·}的定义如下:
其中χi=Δui(e4i-η4i)Tg4i,
将(48)-(49)代入到(47)中,得到
经过以上的分析和讨论,得到如下的结论:
考虑存在执行器故障和输入饱和的6自由度无人直升机动态系统(6),辅助系统设计为(11)和(34),参数自适应律选取为(24),(25),(48)和(49),所设计的鲁棒容错控制器(32)和(44)能保证整个闭环系统信号是最终有界的,同时系统输出能跟踪上期望的参考轨迹。
证明:设计李雅普诺夫函数如下:
V3=V1+V2 (51)
求导可得
其中,
对等式(52)积分,可得:
根据等式(53),上述结论得证。
如图1所示为本发明的系统控制流程图。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (8)
1.一种无人直升机鲁棒容错跟踪控制方法,其特征在于,包括以下步骤:
(1)同时考虑执行器故障和输入饱和,构建无人直升机6自由度非线性系统模型;
(2)分别针对系统的位置环和姿态环设计辅助系统,以抑制执行器故障和输入饱和对系统的影响;
(3)基于位置环辅助系统定义跟踪误差,引入自适应神经网络,建立位置环鲁棒容错控制器;基于姿态环辅助系统定义跟踪误差,引入自适应神经网络,建立姿态环鲁棒容错控制器。
2.根据权利要求1所述无人直升机鲁棒容错跟踪控制方法,其特征在于,所述无人直升机6自由度非线性系统模型如下:
上式中,x1=[X,Y,Z]T和x2=[u,v,w]T分别是直升机的位置向量和速度向量,x3=[φ,θ,ψ]T和x4=[p,q,r]T分别是姿态角向量和姿态角速率向量,其中X,Y,Z分别表示直升机的位置在三维空间各个方向上的分量,u,v,w分别表示直升机的速度在三维空间各个方向上的分量,φ,θ,ψ分别表示直升机滚转角,俯仰角和偏航角,p,q,r分别表示直升机的滚转角速率,俯仰角速率和偏航角速率;f2=gχ,g3=H,f4=-J-1x4×Jx4,g4=J-1,ρa=diag{ρ2,ρ3,ρ4},usa=[us2,us3,us4]T,其中m是直升机的质量,g是重力加速度,χ=[0,0,1]T,J是转动惯量矩阵,Tmr是直升机主旋翼产生的拉力,是机体坐标系到地面坐标系之间的转换矩阵,H是姿态变换矩阵,u=[Tmr,Σx,Σy,Σz]T=[u1,u2,u3,u4]是待设计的控制输入,Σx,Σy,Σz是总力矩在三维空间各个方向上的分量,ρi是未知的有效控制效率系数,满足0<δ≤ρi≤1,δ是ρi的下界,i=1,2,3,4,uimax>0是已知的控制输入上界,sat(·)是饱和函数,sign(·)是符号函数;考虑执行器增益失效故障和输入饱和,则实际的控制输入ε=ρsat(u),其中,ρ=diag{ρ1,ρ2,ρ3,ρ4}。
3.根据权利要求2所述无人直升机鲁棒容错跟踪控制方法,其特征在于,在步骤(2)中,位置环辅助系统如下:
上式中,η1和η2是辅助系统的内部状态,Q1,Q2和L1是待设计的正定矩阵,是ρ1的估计值,是神经网络权值矩阵的估计值,Δu1=us1-u1,P1(un)是选取的高斯函数,un=g2u1是位置环的控制输入。
4.根据权利要求3所述无人直升机鲁棒容错跟踪控制方法,其特征在于,在步骤(3)中,基于位置环辅助系统定义跟踪误差e1和e2:
e1=x1-x1d-η1
e2=x2-x2d-η2
上式中,x1d是期望的跟踪轨迹,x2d是虚拟控制律;
引入如下自适应神经网络:
上式中,是逼近误差,是最优神经网络权值矩阵;
位置环控制率如下:
上式中,D2为待设计的正定矩阵;
将un=g2u1写为[un1,un2,un3]T,则位置环鲁棒容错控制器如下:
其中,ψd是参考的偏航角信号。
5.根据权利要求4所述无人直升机鲁棒容错跟踪控制方法,其特征在于,位置环中引入的自适应神经网络的参数自适应更新律如下:
上式中,c1>0,τ1>0,Υ1>0,α1>0是待设计的常数或者矩阵,Proj{·}是映射函数,其定义如下:
其中χ1=(e2-η2)Tg2Δu1,
6.根据权利要求2所述无人直升机鲁棒容错跟踪控制方法,其特征在于,在步骤(2)中,姿态环辅助系统如下:
上式中,η3和η4是辅助系统的内部状态,Q3,Q4和L2是待设计的正定矩阵,是神经网络权值矩阵的估计值,是ρa的估计值,Δua=usa-ua,P2(uk)是选取的高斯函数,uk=g4ua是姿态环的控制输入。
7.根据权利要求6所述无人直升机鲁棒容错跟踪控制方法,其特征在于,在步骤(3)中,基于位置环辅助系统定义跟踪误差e3和e4:
e3=x3-x3d-η3
e4=x4-x4d-η4
上式中,x3d是期望的跟踪轨迹,x4d是虚拟控制律;
引入如下自适应神经网络:
上式中,是逼近误差,是最优神经网络权值矩阵,I是单位阵;
姿态环控制率如下:
上式中,D4为待设计的正定矩阵;
则姿态环鲁棒容错控制器如下:
上式中,Σ=[Σx,Σy,Σz]T。
8.根据权利要求7所述无人直升机鲁棒容错跟踪控制方法,其特征在于,姿态环中引入的自适应神经网络的参数自适应更新律如下:
上式中,g4=J-1=diag{g42,g43,g44},g42,g43,g44分别表示三维矩阵g4斜对角线上的元素,e4i和η4i分别是四维列向量e4和η4的第i个元素,ci>0,τ2>0,Υ2>0,α2>0是待设计的常数或者矩阵,映射函数Proj{·}的定义如下:
其中χi=Δui(e4i-η4i)Tg4i,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910129260.1A CN109856972B (zh) | 2019-02-21 | 2019-02-21 | 一种无人直升机鲁棒容错跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910129260.1A CN109856972B (zh) | 2019-02-21 | 2019-02-21 | 一种无人直升机鲁棒容错跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109856972A true CN109856972A (zh) | 2019-06-07 |
CN109856972B CN109856972B (zh) | 2020-03-17 |
Family
ID=66898517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910129260.1A Active CN109856972B (zh) | 2019-02-21 | 2019-02-21 | 一种无人直升机鲁棒容错跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109856972B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110340898A (zh) * | 2019-08-22 | 2019-10-18 | 北京航空航天大学 | 一种具有指定跟踪性能的自由漂浮空间机械臂自适应容错控制方法 |
CN111722645A (zh) * | 2020-07-01 | 2020-09-29 | 重庆大学 | 模型参数已知的带负载四旋翼无人机速度控制方法 |
CN112327629A (zh) * | 2020-11-17 | 2021-02-05 | 西北工业大学 | 基于动态补偿的小型无人直升机自适应容错控制方法 |
CN113189876A (zh) * | 2021-04-30 | 2021-07-30 | 西安工业大学 | 一种基于预设性能的不确定非线性系统抗饱和容错控制方法 |
CN113204192A (zh) * | 2021-04-30 | 2021-08-03 | 西安工业大学 | 一种无人直升机预设性能跟踪控制方法 |
CN114089629A (zh) * | 2021-10-26 | 2022-02-25 | 广州大学 | 直升机系统自适应故障容错控制方法、系统、装置及介质 |
CN114237270A (zh) * | 2021-12-08 | 2022-03-25 | 南京航空航天大学 | 一种考虑输入饱和的无人直升机跟踪控制方法 |
CN114578696A (zh) * | 2022-03-03 | 2022-06-03 | 广州大学 | 2-dof直升机系统自适应神经网络量化容错控制方法 |
CN114779638A (zh) * | 2022-04-20 | 2022-07-22 | 西安工业大学 | 无人直升机多故障检测与辨识方法 |
CN118011833A (zh) * | 2024-03-12 | 2024-05-10 | 河北科技大学 | 执行器故障和输入饱和下四旋翼无人机容错控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100250029A1 (en) * | 2009-03-30 | 2010-09-30 | Honeywell International Inc. | Digital smart servo controller for safety critical vehicle control |
CN104007663A (zh) * | 2014-05-13 | 2014-08-27 | 南京航空航天大学 | 一种含参数不确定性的四旋翼姿态自适应容错控制方法 |
CN104965414A (zh) * | 2015-06-30 | 2015-10-07 | 天津大学 | 针对四旋翼无人机执行器部分失效的容错控制方法 |
CN105045105A (zh) * | 2015-07-30 | 2015-11-11 | 南京航空航天大学 | 一种针对状态时滞的四旋翼直升机容错控制装置及方法 |
CN106527137A (zh) * | 2016-11-25 | 2017-03-22 | 天津大学 | 基于观测器的四旋翼无人机容错控制方法 |
CN106774373A (zh) * | 2017-01-12 | 2017-05-31 | 哈尔滨工业大学 | 一种四旋翼无人机有限时间姿态跟踪控制方法 |
-
2019
- 2019-02-21 CN CN201910129260.1A patent/CN109856972B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100250029A1 (en) * | 2009-03-30 | 2010-09-30 | Honeywell International Inc. | Digital smart servo controller for safety critical vehicle control |
CN104007663A (zh) * | 2014-05-13 | 2014-08-27 | 南京航空航天大学 | 一种含参数不确定性的四旋翼姿态自适应容错控制方法 |
CN104965414A (zh) * | 2015-06-30 | 2015-10-07 | 天津大学 | 针对四旋翼无人机执行器部分失效的容错控制方法 |
CN105045105A (zh) * | 2015-07-30 | 2015-11-11 | 南京航空航天大学 | 一种针对状态时滞的四旋翼直升机容错控制装置及方法 |
CN106527137A (zh) * | 2016-11-25 | 2017-03-22 | 天津大学 | 基于观测器的四旋翼无人机容错控制方法 |
CN106774373A (zh) * | 2017-01-12 | 2017-05-31 | 哈尔滨工业大学 | 一种四旋翼无人机有限时间姿态跟踪控制方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110340898A (zh) * | 2019-08-22 | 2019-10-18 | 北京航空航天大学 | 一种具有指定跟踪性能的自由漂浮空间机械臂自适应容错控制方法 |
CN111722645A (zh) * | 2020-07-01 | 2020-09-29 | 重庆大学 | 模型参数已知的带负载四旋翼无人机速度控制方法 |
CN112327629B (zh) * | 2020-11-17 | 2022-07-26 | 西北工业大学 | 基于动态补偿的小型无人直升机自适应容错控制方法 |
CN112327629A (zh) * | 2020-11-17 | 2021-02-05 | 西北工业大学 | 基于动态补偿的小型无人直升机自适应容错控制方法 |
CN113189876A (zh) * | 2021-04-30 | 2021-07-30 | 西安工业大学 | 一种基于预设性能的不确定非线性系统抗饱和容错控制方法 |
CN113204192A (zh) * | 2021-04-30 | 2021-08-03 | 西安工业大学 | 一种无人直升机预设性能跟踪控制方法 |
CN114089629A (zh) * | 2021-10-26 | 2022-02-25 | 广州大学 | 直升机系统自适应故障容错控制方法、系统、装置及介质 |
CN114089629B (zh) * | 2021-10-26 | 2023-04-25 | 广州大学 | 直升机系统自适应故障容错控制方法、系统、装置及介质 |
CN114237270A (zh) * | 2021-12-08 | 2022-03-25 | 南京航空航天大学 | 一种考虑输入饱和的无人直升机跟踪控制方法 |
CN114237270B (zh) * | 2021-12-08 | 2023-11-07 | 南京航空航天大学 | 一种考虑输入饱和的无人直升机跟踪控制方法 |
CN114578696A (zh) * | 2022-03-03 | 2022-06-03 | 广州大学 | 2-dof直升机系统自适应神经网络量化容错控制方法 |
CN114578696B (zh) * | 2022-03-03 | 2024-06-25 | 广州大学 | 2-dof直升机系统自适应神经网络量化容错控制方法 |
CN114779638A (zh) * | 2022-04-20 | 2022-07-22 | 西安工业大学 | 无人直升机多故障检测与辨识方法 |
CN114779638B (zh) * | 2022-04-20 | 2023-01-31 | 西安工业大学 | 无人直升机多故障检测与辨识方法 |
CN118011833A (zh) * | 2024-03-12 | 2024-05-10 | 河北科技大学 | 执行器故障和输入饱和下四旋翼无人机容错控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109856972B (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109856972B (zh) | 一种无人直升机鲁棒容错跟踪控制方法 | |
Shi et al. | Neural-swarm: Decentralized close-proximity multirotor control using learned interactions | |
Azinheira et al. | Hover control of an UAV with backstepping design including input saturations | |
CN109991991B (zh) | 一种无人直升机鲁棒容错跟踪方法 | |
Flores et al. | Quad-tilting rotor convertible mav: Modeling and real-time hover flight control | |
Azinheira et al. | A backstepping controller for path‐tracking of an underactuated autonomous airship | |
Ritz et al. | A global controller for flying wing tailsitter vehicles | |
Jung et al. | Development and application of controller for transition flight of tail-sitter UAV | |
Zhou et al. | A unified control method for quadrotor tail-sitter uavs in all flight modes: Hover, transition, and level flight | |
CN107491083B (zh) | 一种基于饱和自适应滑模控制的四旋翼自主着船方法 | |
CN111459175B (zh) | 一种基于l1自适应控制器的尾座式无人机轨迹跟踪容错控制方法 | |
CN110794857B (zh) | 考虑外部风干扰的固定翼无人机鲁棒离散分数阶控制方法 | |
CN111650963A (zh) | 一种面向垂直起降固定翼无人机的视觉集群编队控制方法 | |
CN110673623B (zh) | 一种基于双环pd控制算法控制的四旋翼无人机着陆方法 | |
Li et al. | Robust state/output-feedback control of coaxial-rotor MAVs based on adaptive NN approach | |
Chiappinelli et al. | Modeling and control of a passively-coupled tilt-rotor vertical takeoff and landing aircraft | |
Paiva et al. | Sliding mode control approaches for an autonomous unmanned airship | |
Yeh | Attitude controller design of mini-unmanned aerial vehicles using fuzzy sliding-mode control degraded by white noise interference | |
CN107678442A (zh) | 一种基于双模型下的四旋翼自主着船控制方法 | |
CN112327926A (zh) | 一种无人机编队的自适应滑模控制方法 | |
CN114237270B (zh) | 一种考虑输入饱和的无人直升机跟踪控制方法 | |
CN114967724A (zh) | 一种四旋翼无人机目标环绕抗干扰控制方法 | |
CN108459611B (zh) | 一种近空间飞行器的姿态跟踪控制方法 | |
CN113867374A (zh) | 基于滑模控制的四旋翼无人机参数预测和扰动的自适应轨迹跟踪控制器及其设计方法 | |
McIntosh et al. | A Switching-Free Control Architecture for Transition Maneuvers of a Quadrotor Biplane Tailsitter |
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 |