CN111783927A - 一种混沌蝙蝠算法uav网络控制系统及故障诊断方法 - Google Patents

一种混沌蝙蝠算法uav网络控制系统及故障诊断方法 Download PDF

Info

Publication number
CN111783927A
CN111783927A CN202010603311.2A CN202010603311A CN111783927A CN 111783927 A CN111783927 A CN 111783927A CN 202010603311 A CN202010603311 A CN 202010603311A CN 111783927 A CN111783927 A CN 111783927A
Authority
CN
China
Prior art keywords
population
chaotic
algorithm
optimal
value
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
Application number
CN202010603311.2A
Other languages
English (en)
Other versions
CN111783927B (zh
Inventor
何燕燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Vocational College of Business
Original Assignee
Jiangsu Vocational College of Business
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Vocational College of Business filed Critical Jiangsu Vocational College of Business
Priority to CN202010603311.2A priority Critical patent/CN111783927B/zh
Publication of CN111783927A publication Critical patent/CN111783927A/zh
Application granted granted Critical
Publication of CN111783927B publication Critical patent/CN111783927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L12/40006—Architecture of a communication node
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L2012/40208—Bus networks characterized by the use of a particular bus standard
    • H04L2012/40215—Controller Area Network CAN
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

本发明涉及一种混沌蝙蝠算法UAV网络控制系统及故障诊断方法，包括如下步骤：一:改进BA的参数初始化；二:以改进BA进行优化，每次寻找得到的最优位置均带入线性矩阵不等式，若存在可行解，则继续优化，否则重新进行位置寻找；三：判断是否达到最大迭代次数Iterate_times，若满足，则停止算法并输出适应度函数的极值以及对应的最优位置，即可得到最优的故障观测器增益矩阵Ll；否则返回步骤三，再进行下一次迭代寻优。本发明在考虑如何提高检测系统对噪声干扰信号的鲁棒性同时，如何同时消除对故障信号的影响。

Description

一种混沌蝙蝠算法UAV网络控制系统及故障诊断方法
技术领域
本发明涉及一种混沌蝙蝠算法UAV网络控制系统及故障诊断方法。
背景技术
目前，由于网络技术的快速发展，网络控制系统在大型无人机发动机控制系统上的应用上也越来越受人关注。网络控制系统与传统的点对点控制系统相比最大的不同在于其相关数据是通过总线进行传输，但是也正是由于总线的存在导致其诱导时延以及数据丢包等问题，使得在进行故障诊断时必须将总线带来的不利因素考虑进去。王越男设计了一种针对离散时滞系统的鲁棒故障检测观测器，使得检测残差能够对噪声信号具有较好的鲁棒性能。
针对不确定系统，时延网络控制系统以及非线性系统进行鲁棒故障检测，使得系统在强噪声条件下依旧能够保证良好的故障检测性能。但是只考虑如何提高检测系统对噪声干扰信号的鲁棒性，未考虑对故障信号的影响。
为同时提升检测系统对噪声信号的鲁棒性以及故障信号的敏感性，本文针对双通道多包传输的短时变时延无人机发动机网络控制系统，提出一种混沌蝙蝠算法UAV网络控制系统及故障诊断方法，本案由此产生。
发明内容
本发明的目的在于提供一种混沌蝙蝠算法UAV网络控制系统及故障诊断方法，考虑如何提高检测系统对噪声干扰信号的鲁棒性同时，如何同时消除对故障信号的影响。
为实现上述目的，本发明具体提供的技术方案为：
一种混沌蝙蝠算法的故障诊断方法，包括如下步骤：
一:改进BA的参数初始化；
二:以改进BA进行优化，每次寻找得到的最优位置均带入线性矩阵不等式，若存在可行解，则继续优化，否则重新进行位置寻找；
三：判断是否达到最大迭代次数Iterate_times，若满足，则停止算法并输出适应度函数的极值以及对应的最优位置，即可得到最优的故障观测器增益矩阵Ll；否则返回步骤三，再进行下一次迭代寻优。
步骤二中的线性矩阵不等式为：
Figure BDA0002559923070000021
所述步骤一：设置种群规模和最大迭代次数，并随机初始化种群的参数：初始位置最大值Pop_Max、最小值Pop_Min并由此生成相应的种群位置Xi和速度Vi、初始脉冲发射率
Figure BDA0002559923070000022
初始声波响度
Figure BDA0002559923070000023
设置初始脉冲发射率参数τ＝2.3、初始化种群频率的最大值、最小值，生成个体的频率值，按照上述初始化参数计算适应度函数的函数值，保留最优值个体。
排名对种群进行交叉运算，并确定个体是否触发变异操作，若Activate(k)＜1，进行均匀变换或高斯变换。
对种群的每个个体生成一个随机数rand和ω，若
Figure BDA0002559923070000032
即对当前的种群位置进行更新，更新后的种群以ω的微扰动量在当前最优解附近重新。
计算种群新位置的适应度函数值，对种群的每个个体生成均匀分布的随机数randi，若随机数
Figure BDA0002559923070000031
且f(Xi)＜f(Xbest)，则接受微扰动后产生的全局最优解，并分别对声波响度、混沌脉冲发射率进行更新。
找出当前种群内所有蝙蝠个体目标函数的最优值，并记录最优值的位置；直至满足设定的最优解条件或算法达到最大迭代次数，并输出全局最优值。
一种混沌蝙蝠算法UAV网络控制系统，改系统由发动机模拟计算机、控制计算机、智能执行机构、智能传感器五部分组成，其中发动机模拟计算机运行发动机数学模型，智能传感器通过接收模型计算机中解算出的各个传感器模拟量，进行数据转换，并通过串口上传至CAN总线，与发动机控制计算机进行实时通讯；控制计算机中接收CAN总线上的数字量，运行控制算法，输出控制信号至CAN总线，控制面板中实时显示发动机运行数据和曲线；所述智能执行机构从CAN总线中接收控制信号，以模拟量信号输出至发动机模拟计算机中进行发动机转速控制。
本发明相对于现有技术的有益效果：更加贴近实际的UAV网络控制系统，考虑了双通道多包传输的短时变时延UAV发动机网络控制系统，利用改进BA对同时兼具故障敏感性与噪声鲁棒性的适应度函数进行优化从而得到最优观测器增益矩阵。
改进BA在保证一定收敛速度的条件下，相对于基本BA来说具有更好的收敛精度。
提出的传感器故障检测优化方法不仅能够抑制噪声信号对残差幅值的影响，还能够有效提升故障状态与正常状态的区分度，进一步扩大阈值的选择范围，能够有效的提升了传感器各类故障的检测率，减少了误报率，并且能够增大人工设定阈值的容错率，进一步说明该方法的有效性。
该方法在本文中仅限于UAV发动机稳态时的故障检测，对于全包线非线性模型的故障检测还需要经一步研究。
附图说明
图1为本发明混沌BA与基本BA脉冲发射率；图2为本发明观测器结构；图3为本发明系统半物理平台结构。
具体实施方式
一、系统建模
首先建立短时变时延无人机发动机网络控制系统，进行如下合理假设：
1)传感器节点为时间驱动，而控制器与执行机构节点均为事件驱动，采样周期为常数T。2)传感器到控制器与控制器到执行机构之间均存在网络诱导时延，分别为τsc和τca，且满足τsc+τca≤T，由于计算时延很小，故忽略不计。3)传感器到控制器与控制器到执行机构之间均为多包传输，且采用静态调度的方式。4)存在未知扰动，但不考虑数据丢包以及数据包时序错乱。
考虑到UAV发动机在实际运行过程中可能会存在外界扰动或者模型建立的误差，已知该发动机某一稳态点的不确定离散时间模型为：
Figure BDA0002559923070000051
其中，B1，Β2，E，H1，H2均为常数矩阵，F(τk)为与τk有关的时变矩阵，且满足F(τk)TF(τk)≤I，求取方法参考文献[7]。令ΔB1＝EF(τk)H1，ΔB2＝EF(τk)H2。
进一步建立观测器误差模型。考虑系统的双通道多包传输，假设从传感器传输到控制器的状态量x(k)被封装在m个数据包中，从控制器传输到执行机构的控制量u′(k)被封装在n个数据包中，令控制器与执行机构收到的状态量与控制量分别为x′(k)与u(k)。
系统用静态传输方式传输状态量以及控制量的数据包，可以将多包传输转化为一个具有两个开关的切换系统。假设在第k时刻，开关K1与Si(i＝1,2,…,m)相连，开关K2与S′j(j＝1,2,…,n)相连，表示在第k时刻，传输状态量的xi(k)与控制量的uj(k)，此时，未传输的数据包被视为丢包，取k-1时刻的数据作为第k时刻的状态。故状态变量各个数据包之间有如下关系：
Figure BDA0002559923070000052
故
Figure BDA0002559923070000053
其中，φi＝diag(0,…,0,αii,0,…,0)，αii＝1，
Figure BDA0002559923070000054
同理，控制量的各个数据包之间有如下关系：
Figure BDA0002559923070000061
即
Figure BDA0002559923070000062
其中，
Figure BDA0002559923070000063
状态反馈控制器为：
Figure BDA0002559923070000064
其中，K为状态反馈控制器增益矩阵。将状态反馈控制律(6)与式(5)和(1)联立然后定义增广向量z(k)＝[xT(k) x′T(k-1) uT(k-1)]T，可以得到等价模型：
Figure BDA0002559923070000065
其中：
Figure BDA0002559923070000066
Figure BDA0002559923070000067
二、改进BA算法
蝙蝠优化算法的原理为：在飞行过程中，蝙蝠不断发射并接受频率变化的声波脉冲，并且根据从周围反射回来的声波确定猎物位置并躲避障碍物。蝙蝠种群发出的超声波由谐波类宽频带的调频信号组成，频率范围：25～100KHZ，假设空气的速度为340m/s，波长λ与频率f的关系为：
λ＝v/f (8)
BA在通过模拟蝙蝠群体利用超声波遍历空间、探测目标、捕获目标、避免障碍物的生物学过程，多次迭代更新蝙蝠种群的速度、位置、最佳适应度函数值，最终得到寻优问题的全局最优解或近似全局最优解。
每一只蝙蝠在搜索空间的位置对应解空间的一个解，具有相应的速度和适应度函数值，蝙蝠种群通过更新发出频率、脉冲发射速率和声波响度产生新的解集，并逐渐进化到包含全局最优解或近似全局最优解的状态。迭代过程的数学表达式如下：
Fi＝Fmin+(Fmax-Fmin)×RN,RN∈[0,1] (9)
Figure BDA0002559923070000071
Figure BDA0002559923070000072
式(9)至(11)中：Fi为第i只蝙蝠的频率；Fmin与Fmax分别表示蝙蝠种群发出频率的最小值与最大值；RN为在[0,1]区间均匀分布的随机变量；Fi∈[Fmin,Fmax]；Vi l与
Figure BDA0002559923070000073
分别表示在第l次迭代中，第i只蝙蝠在搜索空间的运动速度与位置，i＝1,2,...,N；Xbest为当前全局位置的最优解。
在算法收敛至最优解区域时，对种群的位置进行微扰动，从而达到局部搜索的目的，确保最优解的遍历性，更新公式如下：
Xnew＝Xbest+α×Al (12)
式中：α为在[-1,1]区间的随机数；Al为第l代蝙蝠种群的声波响度平均值。
在式(12)的基础上，蝙蝠种群个体的脉冲发射率Ri与脉冲声波响度Ai随着迭代的进行而更新，更新公式如下：
Figure BDA0002559923070000081
Figure BDA0002559923070000082
式中：β，ω为常数，β＞0，0＜ω＜1。
BA在寻优过程中具有良好的收敛性和较大的搜索范围，但其位置的更新仅依赖蝙蝠种群的速度参数，且缺乏一定的多样性，导致算法后期种群聚集的现象较为严重。为弥补这一缺点，本文对基本BA进行变异操作，具体步骤如下：
Step1：设置蝙蝠种群的交叉比例和交叉方法，例如选取适应度值排名前50％的个体进行两两配对，对该50％的个体组成的种群分别进行两次交叉运算，将产生的数量相同的个体并替换为下一代的后50％个体，位置的交叉公式如(15)所示：
Figure BDA0002559923070000083
Step2：引入变异激活函数，对更新后的xi(t+1)进行变异操作，变异激活函数是蝙蝠个体是否进行变异操作关键，变异激活函数为：
Figure BDA0002559923070000084
式中，α∈[0.5,0.6]，β∈[0.1,0.3]，k为种群内第k个蝙蝠个体，n为问题的维度，N为种群数目，rand为[0,1]之间的随机数，当Activate(k)＜1时，即对当前的蝙蝠个体进行变异操作；Step3：对满足Step2中激活函数条件的蝙蝠个体进行变异操作—均匀变换或高斯变换，均匀变换通过对位置的更新将使得部分个体表现为以更快的速度向最优解区域进行收敛，高斯变换则主要解决算法在迭代后期易陷入局部极值的情况，由于蝙蝠种群在迭代后期将在最优解区域附近以微扰动的方式重新生成，此时的搜索已无法扩展至更大的范围，而高斯变换将在条件满足的情况下，将变异个体脱离最优解的限制，均匀变换与高斯变换的实现方法如下：
Figure BDA0002559923070000091
式中，σ为高斯分布的标准差，由式(15)与(16)可看出，变异操作的引入使得BA种群内部的生物多样性得到了提高，加快了全局搜索速度，同时，在局部寻优过程中，能够避免最优解位置对种群整体的影响，避免陷入局部极值点。
在BA中，脉冲发射率的更新迭代如式(13)(14)所示，即
Figure BDA0002559923070000092
Figure BDA0002559923070000093
算法局部搜索的遍历性与
Figure BDA0002559923070000094
和
Figure BDA0002559923070000095
的初值选取直接相关，初值选取具有一定的随机性和不确定性，不利于算法的优化过程。为了解决该问题，对脉冲发射率进行改进:
Figure BDA0002559923070000096
式中：A0，R0为初始声波响度和脉冲响度值，
Figure BDA0002559923070000097
为混沌脉冲发射率。
正弦反曲映射可将Ri的变化范围控制在0.5到1之间，从而具有混沌遍历性，式(18)使得脉冲发射率兼具对初始值的敏感性和混沌变化范围的确定性，避免陷入局部最优值，同时对初始值敏感性可提高算法的全局搜索能力，
Figure BDA0002559923070000101
的变化范围如图1所示。
综上所述，改进BA的实现步骤如下：
Step1：设置种群规模和最大迭代次数，并随机初始化蝙蝠种群的参数：初始位置最大值Pop_Max、最小值Pop_Min并由此生成相应的种群位置Xi和速度Vi、初始脉冲发射率
Figure BDA0002559923070000102
初始声波响度
Figure BDA0002559923070000103
设置初始脉冲发射率参数τ＝2.3、初始化种群频率的最大值、最小值，并由式(9)生成蝙蝠个体的频率值，按照上述初始化参数计算适应度函数的函数值，保留最优值个体；
Step2：根据式(15)及适应度值排名对蝙蝠种群进行交叉运算，并根据式(16)确定蝙蝠个体是否触发变异操作，若Activate(k)＜1，则按照式(17)进行均匀变换或高斯变换；
Step3：对蝙蝠种群的每个个体生成一个随机数rand和ω，若
Figure BDA0002559923070000104
即按照式(12)对当前的种群位置进行更新，更新后的种群以ω的微扰动量在当前最优解附近重新；
Step4：计算蝙蝠种群新位置的适应度函数值，对蝙蝠种群的每个个体生成均匀分布的随机数randi，若随机数
Figure BDA0002559923070000105
且f(Xi)＜f(Xbest)，则接受微扰动后产生的全局最优解，并按照式(13)(18)分别对声波响度、混沌脉冲发射率进行更新；
Step5：找出当前种群内所有蝙蝠个体目标函数的最优值，并记录最优值的位置；
Step6：重复Step2～Step5直至满足设定的最优解条件或算法达到最大迭代次数，并输出全局最优值；
三、改进BA的故障检测观测器设计
设闭环观测器为：
Figure BDA0002559923070000111
其中Ll(l＝1,2,…,m×n)是需要求的观测器增益矩阵，观测器结构图如图2所示：令观测器误差为：
Figure BDA0002559923070000112
ε(k)为观测器输出，那么观测器误差的状态方程与输出方程为：
Figure BDA0002559923070000113
如式(20)所示为观测器误差的状态方程与输出方程，对式(20)进行Z变换，则可残差信号ε分别到扰动信号ω和故障信号f的传递函数矩阵：
Figure BDA0002559923070000114
式中，Gf为残差信号ε到故障信号f的传递函数矩阵，Gω为残差信号ε到扰动信号ω的传递函数矩阵。
本节利用改进BA对故障检测观测器的增益矩阵Ll进行优化必须遵循下列几点要求：
(1)稳定性。即在系统扰动为0时，残差信号能够收敛。
(2)灵敏性。残差信号对故障信号要相当敏感，即残差对故障的增益要大。
(3)鲁棒性。指残差信号对扰动信号的鲁棒性要强。即残差对扰动的增益小。
首先必须要满足稳定性要求，这是实现故障检测的基础。由文献[3]可得要到稳定性的条件为：
Figure BDA0002559923070000121
由于Ωij中含有不确定矩阵F(τk)，所以进行如下变换：
Figure BDA0002559923070000122
Figure BDA0002559923070000123
Figure BDA0002559923070000124
将式(23)代入式(22)中，根据[6]可知该式等价于：存在ηl＞0(l＝1,2,…,m×n)，使得
Figure BDA0002559923070000125
由Schur补定理令
Figure BDA0002559923070000126
则上式等价于：
Figure BDA0002559923070000127
保证稳定性的条件：所取的故障观测器增益矩阵Ll必须满足存在对称正定矩阵P以及ηl＞0(l＝1,2,…,m×n)，使得式(25)成立。
为了增强误差观测器的鲁棒性与灵敏性，设适应度函数为
Figure BDA0002559923070000128
其中J1为误差系统对噪声在整个噪声频率中的传递函数增益，ωr为噪声信号的频率点，
为了减小噪声对系统的影响，J1要尽量的小。J2为误差系统对故障在整个故障信号频率中的传递函数增益，由于传感器或者执行机构故障信号大多集中在低频段[15],故令z＝1。为了增大系统对故障信号的敏感性，故必须使得J2尽可能大，所以优化的目标为求取适应度函数fitness的最小值。
综上所述，基于改进BA算法的故障检测可以总结为以下优化问题：
Figure BDA0002559923070000131
具体的优化步骤为：Step1:改进BA的参数初始化。
Step2:以改进BA进行优化，每次寻找得到的最优位置均带入式(27)中的线性矩阵不等式，若存在可行解，则继续优化，否则重新进行位置寻找。
Step3：判断是否达到最大迭代次数Iterate_times，若满足，则停止算法并输出适应度函数的极值以及对应的最优位置，即可得到最优的故障观测器增益矩阵Ll；否则返回Step3，再进行下一次迭代寻优。四、仿真算例及结果分析
控制系统半物理仿真平台
本文的仿真验证借助航空发动机分布式控制系统半物理仿真平台来进行，该系统结构图如图3所示，由发动机模拟计算机、控制计算机、智能执行机构、智能传感器五部分组成，其中发动机模拟计算机运行发动机数学模型，智能传感器通过接收模型计算机中解算出的各个传感器模拟量，进行数据转换，并通过串口上传至CAN总线，与发动机控制计算机进行实时通讯。控制计算机中接收CAN总线上的数字量，运行控制算法，输出控制信号至CAN总线，控制面板中实时显示发动机运行数据和曲线，并能够在控制面板中进行控制器参数调整、故障模拟、通讯检测等操作。智能执行机构从CAN总线中接收控制信号，以模拟量信号输出至发动机模拟计算机中进行发动机转速控制。

Claims (9)

1.一种混沌蝙蝠算法的故障诊断方法，其特征在于，包括如下步骤：
一:改进BA的参数初始化；
二:以改进BA进行优化，每次寻找得到的最优位置均带入线性矩阵不等式，若存在可行解，则继续优化，否则重新进行位置寻找；
三：判断是否达到最大迭代次数Iterate_times，若满足，则停止算法并输出适应度函数的极值以及对应的最优位置，即可得到最优的故障观测器增益矩阵Ll；否则返回步骤三，再进行下一次迭代寻优。
2.根据权利要求1所述的一种混沌蝙蝠算法的故障诊断方法，其特征在于：步骤二中的线性矩阵不等式为：
min fitness；
Figure FDA0002559923060000011
3.根据权利要求1所述的一种混沌蝙蝠算法的故障诊断方法，其特征在于，所述步骤一：设置种群规模和最大迭代次数，并随机初始化种群的参数：初始位置最大值Pop_Max、最小值Pop_Min并由此生成相应的种群位置Xi和速度Vi、初始脉冲发射率
Figure FDA0002559923060000012
初始声波响度
Figure FDA0002559923060000013
设置初始脉冲发射率参数τ＝2.3、初始化种群频率的最大值、最小值，生成个体的频率值，按照上述初始化参数计算适应度函数的函数值，保留最优值个体。
4.根据权利要求3所述的一种混沌蝙蝠算法的故障诊断方法，其特征在于，排名对种群进行交叉运算，并确定个体是否触发变异操作，若Activate(k)＜1，进行均匀变换或高斯变换。
5.根据权利要4所述的一种混沌蝙蝠算法的故障诊断方法，其特征在于，对种群的每个个体生成一个随机数rand和ω，若
Figure FDA0002559923060000021
即对当前的种群位置进行更新，更新后的种群以ω的微扰动量在当前最优解附近重新。
6.根据权利要5所述的一种混沌蝙蝠算法的故障诊断方法，其特征在于，计算种群新位置的适应度函数值，对种群的每个个体生成均匀分布的随机数randi，若随机数
Figure FDA0002559923060000022
且f(Xi)＜f(Xbest)，则接受微扰动后产生的全局最优解，并分别对声波响度、混沌脉冲发射率进行更新。
7.根据权利6所述的一种混沌蝙蝠算法的故障诊断方法，其特征在于，找出当前种群内所有蝙蝠个体目标函数的最优值，并记录最优值的位置；直至满足设定的最优解条件或算法达到最大迭代次数，并输出全局最优值。
8.一种混沌蝙蝠算法UAV网络控制系统，其特征在于：改系统由发动机模拟计算机、控制计算机、智能执行机构、智能传感器五部分组成，其中发动机模拟计算机运行发动机数学模型，智能传感器通过接收模型计算机中解算出的各个传感器模拟量，进行数据转换，并通过串口上传至CAN总线，与发动机控制计算机进行实时通讯；控制计算机中接收CAN总线上的数字量，运行控制算法，输出控制信号至CAN总线，控制面板中实时显示发动机运行数据和曲线。
9.根据权利要求8所述的一种混沌蝙蝠算法UAV网络控制系统，其特征在于：所述智能执行机构从CAN总线中接收控制信号，以模拟量信号输出至发动机模拟计算机中进行发动机转速控制。
CN202010603311.2A 2020-06-29 2020-06-29 一种混沌蝙蝠算法uav网络控制系统及故障诊断方法 Active CN111783927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010603311.2A CN111783927B (zh) 2020-06-29 2020-06-29 一种混沌蝙蝠算法uav网络控制系统及故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010603311.2A CN111783927B (zh) 2020-06-29 2020-06-29 一种混沌蝙蝠算法uav网络控制系统及故障诊断方法

Publications (2)

Publication Number Publication Date
CN111783927A true CN111783927A (zh) 2020-10-16
CN111783927B CN111783927B (zh) 2023-08-01

Family

ID=72760304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010603311.2A Active CN111783927B (zh) 2020-06-29 2020-06-29 一种混沌蝙蝠算法uav网络控制系统及故障诊断方法

Country Status (1)

Country Link
CN (1) CN111783927B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112631212A (zh) * 2020-11-20 2021-04-09 南京航空航天大学 一种基于线性调频z变换的无人机控制律品质评估方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080302176A1 (en) * 2007-05-08 2008-12-11 Gunter Friedl Method for diagnosing the leakage of an injector and associated control device
CN103488098A (zh) * 2013-09-24 2014-01-01 南京航空航天大学 航空发动机控制系统的快速原型仿真方法
CN107967941A (zh) * 2017-11-24 2018-04-27 中南大学 一种基于智能视觉重构的无人机人体健康监控方法与系统
CN109163911A (zh) * 2018-09-21 2019-01-08 昆明理工大学 一种基于改进的蝙蝠算法优化elm的发动机燃油系统故障诊断方法
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN110471308A (zh) * 2019-07-17 2019-11-19 南京航空航天大学 基于TrueTime的航空发动机分布式控制系统仿真模型建模方法
US20220057519A1 (en) * 2020-08-18 2022-02-24 IntelliShot Holdings, Inc. Automated threat detection and deterrence apparatus

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080302176A1 (en) * 2007-05-08 2008-12-11 Gunter Friedl Method for diagnosing the leakage of an injector and associated control device
CN103488098A (zh) * 2013-09-24 2014-01-01 南京航空航天大学 航空发动机控制系统的快速原型仿真方法
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN107967941A (zh) * 2017-11-24 2018-04-27 中南大学 一种基于智能视觉重构的无人机人体健康监控方法与系统
CN109163911A (zh) * 2018-09-21 2019-01-08 昆明理工大学 一种基于改进的蝙蝠算法优化elm的发动机燃油系统故障诊断方法
CN110471308A (zh) * 2019-07-17 2019-11-19 南京航空航天大学 基于TrueTime的航空发动机分布式控制系统仿真模型建模方法
US20220057519A1 (en) * 2020-08-18 2022-02-24 IntelliShot Holdings, Inc. Automated threat detection and deterrence apparatus

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JAVAD HAMIDZADEH 等: "Weighted support vector data description based on chaotic bat algorithm", APPLIED SOFT COMPUTING *
WOO-CHEOL LEE 等: "Interactive Multiple Neural Adaptive Observer based Sensor and Actuator Fault Detection and Isolation for Quadcopter", 2019 INTERNATIONAL CONFERENCE ON UNMANNED AIRCRAFT SYSTEMS (ICUAS) *
何燕燕: "混沌蝙蝠算法UAV网络控制系统故障诊断策略", 火力与指挥控制, pages 44 - 50 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112631212A (zh) * 2020-11-20 2021-04-09 南京航空航天大学 一种基于线性调频z变换的无人机控制律品质评估方法

Also Published As

Publication number Publication date
CN111783927B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
Zhou et al. Wavelet neural networks for nonlinear time series analysis
CN109067773B (zh) 一种基于神经网络的车载can网络入侵检测方法及系统
CN111240345B (zh) 基于双bp网络增强学习框架的水下机器人轨迹跟踪方法
CN111930121B (zh) 一种室内移动机器人的混合路径规划方法
CN112446468A (zh) 用于创建脉冲神经网络的方法、设备和计算机程序
CA3006383A1 (en) System and method for aiding decision
Ferreira et al. Comparing recurrent networks for time-series forecasting
CN111783927A (zh) 一种混沌蝙蝠算法uav网络控制系统及故障诊断方法
CN116560475A (zh) 一种服务器风扇控制方法及计算机设备
Al-Mahasneh et al. Nonlinear multi-input multi-output system identification using neuro-evolutionary methods for a quadcopter
CN106896724B (zh) 用于太阳跟踪器的跟踪系统及跟踪方法
Han et al. Multi-uav automatic dynamic obstacle avoidance with experience-shared a2c
CN113792857A (zh) 一种基于膜电位自增机制的脉冲神经网络训练方法
CN116503029B (zh) 用于自动驾驶的模块数据协同处理方法及系统
CN115664804B (zh) 一种基于径向基函数神经网络的LDoS攻击检测方法
Qiu et al. Sample-efficient multi-agent reinforcement learning with demonstrations for flocking control
CN116340737A (zh) 基于多智能体强化学习的异构集群零通信目标分配方法
CN113031644B (zh) 一种面向通信时滞的飞行器编队控制系统事件触发方法、装置及介质
CN115730743A (zh) 一种基于深度神经网络的战场作战趋势预测方法
Chen et al. A multirobot cooperative area coverage search algorithm based on bioinspired neural network in unknown environments
Li et al. Neuro-flight controllers for aircraft using minimal resource allocating networks (MRAN)
Zhu et al. A model-free flat spin recovery scheme for miniature fixed-wing unmanned aerial vehicle
CN113630379A (zh) 一种网络安全态势预测方法、装置、设备及存储介质
CN112836845A (zh) 一种基于神经网络求解时变环境下多目标最短路径的方法
Hui et al. Balancing excitation and inhibition of spike neuron using deep q network (dqn)

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