CN117787111B - 可变桨距机构旋翼推力估计方法、装置及其应用 - Google Patents
可变桨距机构旋翼推力估计方法、装置及其应用 Download PDFInfo
- Publication number
- CN117787111B CN117787111B CN202410221641.3A CN202410221641A CN117787111B CN 117787111 B CN117787111 B CN 117787111B CN 202410221641 A CN202410221641 A CN 202410221641A CN 117787111 B CN117787111 B CN 117787111B
- Authority
- CN
- China
- Prior art keywords
- thrust
- pitch
- test
- aircraft
- state information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000007246 mechanism Effects 0.000 title claims abstract description 35
- 238000012360 testing method Methods 0.000 claims description 88
- 230000015654 memory Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 20
- 230000003068 static effect Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 230000004044 response Effects 0.000 description 18
- 230000033001 locomotion Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000014616 translation Effects 0.000 description 1
Classifications
-
- 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
Landscapes
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提出了可变桨距机构旋翼推力估计方法、装置及其应用，包括分为两部分进行，其中一部分是先将变桨距机构放置于推力测试架上测试其电压，电流，转速，桨距与推力的真值，然后。第二部分是基于高频信号（自身电调测量的电机反馈，舵机指令，舵机反馈延迟）和低频信号（舵机角度反馈）的推力估计，然后使用无人机状态的推力控制补偿计算，其全部流程均在无人机上进行。本发明能够实现有效的推力估计与状态预测，并实现推力补偿，从而实现推力的快速准确控制，对未来高机动，高性能变桨距无人机控制研究有重要意义。
Description
技术领域
本发明涉及无人机技术领域，特别是一种涉及可变桨距机构旋翼推力估计方法、装置及其应用。
背景技术
无人机作为新兴研究领域，展现出强大的任务执行能力，并应用于各个领域。而分布式动力可变桨距四旋翼飞行器作为无人机中的一种，该种四旋翼单个叶片具有可调节转速与桨距两种参数的能力，具有极高的机动能力。
目前，国内外常用线性方程估计该变桨距旋翼机构的推力，如通过静态测试多个点的进行采样然后人工拟合出一条曲线，作为静态推力开环控制映射表，即开环控制，鲜有对可变桨距旋翼机构的推力控制研究，因此导致推力的不确定，进而导致无人机在大机动下的控制响应不准确，从而导致最终的姿态不准确。
因此，亟待一种基于网络的高机动可变桨距机构旋翼无人机的推力状态估计算法，以解决现有技术存在的问题，尤其是解决基于已知自身电机观测信息下的推力估计算法。
发明内容
本发明实施例提供了可变桨距机构旋翼推力估计方法、装置及其应用，针对目前技术存在的最终的姿态不准确等问题。
本发明核心技术主要分为两部分进行，其中一部分是先将变桨距机构放置于推力测试架上测试其电压，电流，转速，桨距与推力的真值，然后。第二部分是基于高频信号（自身电调测量的电机反馈，舵机指令，舵机反馈延迟）和低频信号（舵机角度反馈）的推力估计，然后使用无人机状态的推力控制补偿计算，其全部流程均在无人机上进行。
第一方面，本发明提供了可变桨距机构旋翼推力估计方法，应用于分布式动力可变桨距四旋翼飞行器，所述方法包括以下步骤：
S00、获取飞行器每个电机的高频状态信息，并依靠当前的电调反馈进行电机转速闭环控制；
其中，高频状态信息包括电机转速、电流、电压以及舵机的返回延迟，低频状态信息包括当前的舵机位置；
S10、建立桨距预测模型，该桨距预测模型通过输入连续多次采样的电机的高频状态信息以及舵机的低频状态信息，输出为当前预测的桨距；
S20、获取飞行器在静态测试和动态测试中的高频状态信息和低频状态信息，获取飞行器在动态测试中的当前时间戳位置，同时获取用于测试飞行器的推力测试架返回的推力和转矩，综合得到实验数据；
S30、建立推力预测模型，该推力预测模型通过输入当前预测模型预测的桨距以及实验数据，输出预测的推力和转矩；
S40、基于飞行器自身传感器的测量信息和预测的推力和转矩进行推力补偿；
其中，测量信息包括位置、速度、角速度以及姿态。
进一步地，S20步骤中，静态测试包括：
在测试过程中保持电机运作，从飞行器的电机油门0开始测试，每轮测试完成后增加设定值再进行下一轮测试，直至达到飞行器最大油门；
每轮测试中，桨距从最大负桨距开始，按阶跃信号方式每次增加设定值，每个点测试持续设定时间，直至达到最大正桨距。
进一步地，S20步骤中，动态测试包括：
在测试过程中保持电机运作，从飞行器的电机油门0开始测试，每轮测试完成后增加设定值再进行下一轮测试，直至达到飞行器最大油门；
每轮测试中，桨距按照斜坡信号方式来回运动，每一个来回分为多步。
进一步地，S20步骤中，动态测试中桨距每一个来回分为6步：
1）从中点到最大角度；
2）最大角度保持；
3）最大角度回中点；
4）中点到最大负角度；
5）最大负角度保持；
6）最大负角度回中点。
进一步地，动态测试还包括：
在测试过程中保持电机运作，从飞行器的电机油门0开始测试，每轮测试完成后增加设定值再进行下一轮测试，直至达到飞行器最大油门；
每轮测试中，桨距按照斜坡信号方式来回运动，每一个来回从最大负桨距到最大正桨距之间往返。
进一步地，S40步骤中，计算出飞行器的期望总推力和总转矩，按照动力分配将期望总推力和总转矩转换为单个桨叶的期望推力；
将期望推力与推力预测模型的预估推力放入变桨距机构旋翼推力补偿算法中，计算出经过补偿的推力期望。
进一步地，S40步骤中，利用PID控制器进行推力补偿。
第二方面，本发明提供了一种可变桨距机构旋翼推力估计装置，包括：
采集模块，获取飞行器高频状态信息以及低频状态信息，高频状态信息包括电机转速、电流、电压以及舵机的返回延迟，低频状态信息包括当前的舵机位置；获取飞行器在静态测试与动态测试中的高频状态信息和低频状态信息，获取飞行器在动态测试中的当前时间戳位置，同时获取用于测试飞行器的推力测试架返回的推力和转矩，综合得到实验数据；
桨距预测模块，通过深度全连接神经网络建立桨距预测模型，该桨距预测模型通过输入连续多次采样的高频状态信息以及低频状态信息，输出为当前预测的桨距；
推力预测模块，通过LSTM网络建立推力预测模型，该推力预测模型通过输入当前预测模型预测的桨距以及实验数据，输出预测的推力和转矩；
推力补偿模块，基于飞行器自身传感器的测量信息和预测的推力和转矩进行推力补偿；其中，测量信息包括位置、速度、角速度、姿态以及需求推力。
第三方面，本发明提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述的可变桨距机构旋翼推力估计方法。
第四方面，本发明提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据上述的可变桨距机构旋翼推力估计方法。
本发明的主要贡献和创新点如下：1、与现有技术相比，本发明可使得推力响应滞后更小，准确度更高，且可以很好地处理推力过程中的非线性，将推力响应进行线性化；
2、与现有技术相比，本发明通过分析变桨距机构电机与叶片桨距的特性，进而采用网络模型对桨叶桨距角度与桨叶推力预测 ，可以实现更准确的动态响应预测，整定与补偿。
本发明的一个或多个实施例的细节在以下附图和描述中提出，以使本发明的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的可变桨距机构旋翼推力估计方法的流程；
图2是本发明实施例的可变桨距机构的运动数据采样流程图；
图3是本发明实施例中推力补偿后的运动响应结果图；
图4是本发明实施例中推力补偿后的高速运动响应结果图；
图5是现有技术使用线性拟合实现的推力响应对比图；
图6是根据本发明实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
现有算法往往是通过静态测试多个点的进行采样然后人工拟合出一条曲线，作为静态推力开环控制映射表。因此往往推力控制效果是无法实现闭环的，导致具有很大的误差，且响应过程推力具有极强的非线性，对控制效果具有极大的影响。
基于此，本发明基于已知自身电机观测信息来解决现有技术存在的问题。
实施例一
本发明旨在提出可变桨距机构旋翼推力估计方法，具体地，参考图1，所述方法包括以下步骤：
S00、获取飞行器每个电机的高频状态信息以及每个舵机的低频状态信息，并依靠当前的电调反馈进行电机转速闭环控制；高频状态信息包括电机转速、电流、电压以及舵机的返回延迟，低频状态信息包括当前的舵机位置；其中，舵机的返回延迟是高频信号，是通过其他高频信号与低频舵机的位置返回时的时间戳相减得到的。
在本实施例中，由于电调（电机控制器，可简称为电调）可以实现高频率的状态回传，可以获得实时的信息。因此，为了让目标电机需要运行在特定的速度区间从而实现较好的动力分配，第一步是依靠电调实现电机的转速闭环，从而把转速稳定在额定区间。由于舵机反馈频率较低，无法获得实时的信息，但在当前场景下需要一个更为精确的数据，因此需要获得无人机（飞行器）的电机转速，电流，电压与桨距之间的关系。由于采用的是变桨距机构，这个关系是非线性的。
根据电机电功率和桨叶的机械功率公式：
其中，是电机电压，/>是电机电流，/>是电机转速，/>，/>，/>和/>是与电机有关的常值参数，/>是与电机桨叶有关的旋转惯量。
进一步地，桨叶的转矩为：
其中，，/>，和/>是与螺旋桨的物理和空气动力特性有关的常数，/>是桨叶的桨距。桨距/>公式：
S10、建立桨距预测模型，该桨距预测模型通过输入连续多次采样的高频状态信息以及低频状态信息，输出为当前预测的桨距；
在本实施例中，经过S00步骤的分析可以知道，桨距与电流、转速、转速的微分有关，但是方程过于非线性，很难实现公式拟合。因此本发明通过深度全连接神经网络来学习该预测模型，网络包含一个输入层，两个隐藏层，一个输出层。网络的输入为连续3次采样时的电机的转速，电流/>，电压/>，和舵机指令，输出为当前预测的桨距/>。
S20、获取飞行器在静态测试与动态测试中的高频状态信息和低频状态信息，获取飞行器在动态测试中的当前时间戳位置，同时获取用于测试飞行器的推力测试架返回的推力和转矩，综合得到实验数据；
在本实施例中，如图2所示，为了实现该网络学习，需要在推力测试架上进行数据采样。采样内容包含两种：
①首先是静态采样或者叫静态测试，测试过程中电机不停，油门从0起进行测试，每轮测试完成后增加5%进行下一轮测试，直到最大油门。每轮测试中，桨距从最大负桨距开始，按阶跃信号方式，每次增加5%，每个点测试持续3s，直到最大正桨距。
②然后是动态测试，测试过程中①中电机的操作与静态采样相同，每轮测试中桨距按斜坡信号方式进行来回运动，一个来回6步，每步1s，分为：1）从中点到最大角度，2）最大角度保持，3）最大角度回中点，4）中点到最大负角度，5）最大负角度保持，6）最大负角度回中点。
其中，斜坡信号是指从某一时刻开始随时间正比例增长的信号，它具有测试系统将如何对随时间变化的信号做出响应的能力。本例中是指桨距的信号从中间点开始以恒定速度（斜率）变化，先后到达最大正角度，回到中间点，达到最大负角度回到中间点。
此外，本发明还进行了更高机动的动态测试，桨距按斜坡信号方式，快速在最大负角度与最大正角度间往返，用于测试高机动情况下的动态性能。测试过程中记录给定角度指令，电调回传的转速，电流/>，电压/>，当前舵机的返回的桨距/>。
此外，本发明还记录了对应的推力测试台返回的推力和转矩/>，用于进一步的推力预测。
S30、建立推力预测模型，该推力预测模型通过输入当前预测模型预测的桨距以及实验数据，输出预测的推力和转矩；
在本实施例中，一般来说无人机桨叶推力可以使用简单的线性模型：
其中，是常数。
但是在当前场景下，需要一个更加精确的数据，因此，本发明通过S20步骤中的实验完成记录下的数据，结合S10步骤中的桨叶桨距预测网络（桨距预测模型）的结果。考虑到推力可能受到与时间有关的连续状态的影响，使用LSTM网络加强对过去状态的影响，来强化推力预测的准确性采用LSTM网络实现对推力预测模型的学习。该网络包含一个输入层，一个隐藏LSTM层，一个隐藏全连接层，一个输出层。网络的输入为：当前舵机角度指令（当前的舵机位置和舵机的返回延迟），桨叶桨距预测/>，转速/>，电流/>，电压/>，输出为推力和转矩/>。
其中，LSTM（Long Short-Term Memory）网络是一种特殊的循环神经网络（RNN，Recurrent Neural Network）结构，由Sepp Hochreiter和Jürgen Schmidhuber在1997年提出，主要用于解决传统RNN在网络训练过程中存在的长期依赖问题。LSTM网络通过设计复杂的记忆单元（称为细胞状态Cell State）以及引入门控机制来有效控制信息的流动。每一层的LSTM单元都有自己的内部循环，能够选择性地保留或忘记历史信息，并灵活地添加新的信息。
S40、基于飞行器自身传感器的测量信息和预测的推力和转矩进行推力补偿；其中，测量信息包括位置、速度、角速度以及姿态。即通过利用自身高频状态信息与估计推力计算推力补偿，然后根据计算得到推力补偿，对原有推力算法输出进行修正和更新。
在本实施例中，无人机需要获得自身传感器的测量信息，包括惯性制导单元、得到自身的高频状态信息（包含位置、速度/>、角速度/>、姿态/>）以及用传统算法获得的需求推力，根据当前估计出的推力/>。计算出预测变化量，进而在原有推力上进行补偿。
优选地，以SE3控制为例，无人机动力学公式如下所示：
其中，是无人机合需求推力，/>是绕三个机体轴的需求转矩，/>是无人机的惯性矩阵，/>是的列向量，/>是无人机质量，/>是重力加速度。依靠SE3设计了相关控制器：
其中分别表示期望的位置，速度，姿态和角速度，/>分别是对应待诊定的控制参数。
然后，根据无人机动力分配将计算出的期望合推力与转矩转换为单个桨叶需求的推力，以X型无人机为例：
其中，分别是升力系数和扭力系数，/>为机体中心到电机的距离，表示各个桨叶的期望推力。
将期望推力与推力预测模型的预估推力放入变桨距机构旋翼推力补偿算法中，计算出经过补偿的推力期望。即进入一个PID控制器进行推力补偿，计算出最终输出推力期望，然后分配到对应转速与转矩指令。
其中，SE(3)控制通常是指对六自由度刚体的空间运动进行控制。SE(3)是三维空间中刚体运动的特殊正交群，它描述了包括旋转和平移在内的所有可能的三维空间变换。对于多旋翼无人机而言，SE(3)控制意味着设计和实施一套控制器来精确控制无人机在三维空间中的位置（x、y、z坐标）和姿态（roll、pitch、yaw角），也就是所谓的位姿控制。
其中，上述提到的传统算法依靠控制算法本身的鲁棒性实现稳定控制。一般计算流程如下所示：首先依靠无人机动力学和位姿控制算法计算出无人机需求的三个轴的转矩和z轴方向的合推力需求，然后进行动力分配，计算出每个桨叶需要提供的推力大小。换句话来说，传统算法计算出的是需求推力，然后经过上文所述的映射表进行开环控制。
其中，图3为本发明实施例中推力补偿后的运动响应结果，其中，虚线为目标期望推力Command，实线是传感器Sensor检测到的补偿后的推力。结果显示当前推力响应滞后小，准确度高，且可以很好的处理推力过程中的非线性，将推力响应进行线性化。
其中，图4为本发明实施例中推力补偿后的高速运动响应结果，其中，虚线为目标期望推力Command，实线为本发明的补偿后的推力的传感器Sensor测试返回。结果显示，我们提出的算法具有很好的动态响应性能，可以极大减少推力响应迟滞，在快速变化的推力控制要求时，可以实现快速且准确的推力响应。
其中，图5为使用线性拟合实现的推力响应对比图。尽管其具有一定的响应能力，但是具有很大的误差，且响应过程推力具有极强的非线性，对控制效果具有极大的影响。
在本实施例中，整体控制流程大致可以解释为通过单片机（MCU，MicrocontrollerUnit）和Linux卡片电脑部署本文所述的控制与补偿算法，分别通过串口总线控制舵机并获取舵机的返回位置，I/O口（input&out）通过双向Dshot600协议（DSHOT是一种数字ESC协议）控制电调，进而控制电机运行，同时通过dshot协议的遥测获取高频的返回信号。
实施例二
基于相同的构思，本发明还提出了一种可变桨距机构旋翼推力估计装置应用于分布式动力可变桨距四旋翼飞行器，包括：
采集模块，获取飞行器高频状态信息以及低频状态信息，并依靠当前的电调反馈进行电机转速闭环控制；高频状态信息包括电机转速、电流、电压以及舵机的返回延迟，低频状态信息包括当前的舵机位置；获取飞行器在静态测试与动态测试中的高频状态信息和低频状态信息，获取飞行器在动态测试中的当前时间戳位置，同时获取用于测试飞行器的推力测试架返回的推力和转矩，综合得到实验数据；
桨距预测模块，通过深度全连接神经网络建立桨距预测模型，该桨距预测模型通过输入连续多次采样的电机的高频状态信息以及舵机的低频状态信息，输出为当前预测的桨距；
推力预测模块，通过LSTM网络建立推力预测模型，该推力预测模型通过输入当前预测模型预测的桨距以及实验数据，输出预测的推力和转矩；
推力补偿模块，基于飞行器自身传感器的测量信息和预测的推力和转矩进行推力补偿；其中，测量信息包括位置、速度、角速度、姿态以及需求推力。
实施例三
本实施例还提供了一种电子装置，参考图6，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
具体地，上述处理器402可以包括中央处理器（CPU）或单片机（MCU，Microcontroller Unit），或者特定集成电路（ApplicationSpecificIntegratedCircuit，简称为ASIC），或者可以被配置成实施本发明实施例的一个或多个集成电路。
其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器（HardDiskDrive，简称为HDD）、软盘驱动器、固态驱动器（SolidStateDrive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（UniversalSerialBus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性（Non-Volatile）存储器。在特定实施例中，存储器404包括只读存储器（Read-OnlyMemory，简称为ROM）和随机存取存储器（RandomAccessMemory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（ProgrammableRead-OnlyMemory，简称为PROM）、可擦除PROM（ErasableProgrammableRead-OnlyMemory，简称为EPROM）、电可擦除PROM（ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM）、电可改写ROM（ElectricallyAlterableRead-OnlyMemory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（StaticRandom-AccessMemory，简称为SRAM）或动态随机存取存储器（DynamicRandomAccessMemory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器404（FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM）、同步动态随机存取内存（SynchronousDynamicRandom-AccessMemory，简称SDRAM）等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意可变桨距机构旋翼推力估计方法。
可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。
实施例四
本实施例还提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据实施例一的可变桨距机构旋翼推力估计方法。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤，或者互连的逻辑电路、框和功能，或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质，以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以作出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。
Claims (10)
1.可变桨距机构旋翼推力估计方法，应用于分布式动力可变桨距四旋翼飞行器，其特征在于，包括以下步骤：
S00、获取飞行器每个电机的高频状态信息以及每个舵机的低频状态信息，并依靠当前的电调反馈进行电机转速闭环控制；
其中，所述高频状态信息包括电机转速、电流、电压以及舵机的返回延迟，所述低频状态信息包括当前的舵机位置；
S10、建立桨距预测模型，该桨距预测模型通过输入连续多次采样的高频状态信息以及低频状态信息，输出为当前预测的桨距；
S20、获取飞行器在静态测试与动态测试中的高频状态信息和低频状态信息，获取飞行器在动态测试中的当前时间戳位置，同时获取用于测试飞行器的推力测试架返回的推力和转矩，综合得到实验数据；
S30、建立推力预测模型，该推力预测模型通过输入当前桨距预测模型预测的桨距以及所述实验数据，输出预测的推力和转矩；
S40、基于飞行器自身传感器的测量信息和预测的推力和转矩进行推力补偿；其中，所述测量信息包括位置、速度、角速度以及姿态。
2.如权利要求1所述的可变桨距机构旋翼推力估计方法，其特征在于，S20步骤中，所述静态测试包括：
在测试过程中保持电机运作，从飞行器的电机油门0开始测试，每轮测试完成后增加设定值再进行下一轮测试，直至达到飞行器最大油门；
每轮测试中，桨距从最大负桨距开始，按阶跃信号方式每次增加设定值，每个点测试持续设定时间，直至达到最大正桨距。
3.如权利要求1所述的可变桨距机构旋翼推力估计方法，其特征在于，S20步骤中，所述动态测试包括：
在测试过程中保持电机运作，从飞行器的电机油门0开始测试，每轮测试完成后增加设定值再进行下一轮测试，直至达到飞行器最大油门；
每轮测试中，桨距按照斜坡信号方式来回运动，每一个来回分为多步。
4.如权利要求3所述的可变桨距机构旋翼推力估计方法，其特征在于，S20步骤中，所述动态测试中桨距每一个来回分为6步：
1）从中点到最大角度；
2）最大角度保持；
3）最大角度回中点；
4）中点到最大负角度；
5）最大负角度保持；
6）最大负角度回中点。
5.如权利要求1所述的可变桨距机构旋翼推力估计方法，其特征在于，所述动态测试还包括：
在测试过程中保持电机运作，从飞行器的电机油门0开始测试，每轮测试完成后增加设定值再进行下一轮测试，直至达到飞行器最大油门；
每轮测试中，桨距按照斜坡信号方式来回运动，每一个来回从最大负桨距到最大正桨距之间往返。
6.如权利要求1-5任意一项所述的可变桨距机构旋翼推力估计方法，其特征在于，S40步骤中，计算出飞行器的期望总推力和总转矩，按照动力分配将期望总推力和总转矩转换为单个桨叶的期望推力；
将期望推力与推力预测模型的预估推力放入变桨距机构旋翼推力补偿算法中，计算出经过补偿的推力期望。
7.如权利要求6所述的可变桨距机构旋翼推力估计方法，其特征在于，S40步骤中，利用PID控制器进行推力补偿。
8.一种可变桨距机构旋翼推力估计装置，其特征在于，包括：
采集模块，获取飞行器高频状态信息以及低频状态信息，并依靠当前的电调反馈进行电机转速闭环控制；高频状态信息包括电机转速、电流、电压以及舵机的返回延迟，低频状态信息包括当前的舵机位置；获取飞行器在静态测试中的高频状态信息和低频状态信息，获取飞行器在动态测试中的当前时间戳位置，同时获取用于测试飞行器的推力测试架返回的推力和转矩，综合得到实验数据；
桨距预测模块，通过深度全连接神经网络建立桨距预测模型，该桨距预测模型通过输入连续多次采样的电机的高频状态信息以及舵机的低频状态信息，输出为当前预测的桨距；
推力预测模块，建立推力预测模型，该推力预测模型通过输入当前桨距预测模型预测的桨距以及实验数据，输出预测的推力和转矩；
推力补偿模块，基于飞行器自身传感器的测量信息和预测的推力和转矩进行推力补偿；其中，测量信息包括位置、速度、角速度、姿态以及需求推力。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7任一项所述的可变桨距机构旋翼推力估计方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1至7任一项所述的可变桨距机构旋翼推力估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410221641.3A CN117787111B (zh) | 2024-02-28 | 2024-02-28 | 可变桨距机构旋翼推力估计方法、装置及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410221641.3A CN117787111B (zh) | 2024-02-28 | 2024-02-28 | 可变桨距机构旋翼推力估计方法、装置及其应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117787111A CN117787111A (zh) | 2024-03-29 |
| CN117787111B true CN117787111B (zh) | 2024-05-07 |
Family
ID=90402016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410221641.3A Active CN117787111B (zh) | 2024-02-28 | 2024-02-28 | 可变桨距机构旋翼推力估计方法、装置及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117787111B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118485005B (zh) * | 2024-07-12 | 2024-09-17 | 浙江大学 | 一种基于多精度神经网络的倾转旋翼推力预测方法与系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106697278A (zh) * | 2016-11-17 | 2017-05-24 | 陈浩 | 一种直驱式油动定转速变桨距多旋翼无人机及其控制方法 |
| CN106802659A (zh) * | 2017-01-13 | 2017-06-06 | 清华大学 | 变桨距多旋翼飞行器的控制方法 |
| CN109781374A (zh) * | 2018-12-05 | 2019-05-21 | 湖南涉外经济学院 | 一种实时在线快速估计飞行器推力的方法 |
| CN113443123A (zh) * | 2021-08-11 | 2021-09-28 | 上海时的科技有限公司 | 一种无人机变距螺旋桨闭环控制方法、装置及系统 |
| CN116909306A (zh) * | 2023-08-22 | 2023-10-20 | 南京傲宁数据科技有限责任公司 | 基于模型预测算法的氢能源无人机控制系统及方法 |
| CN117311135A (zh) * | 2023-10-24 | 2023-12-29 | 天目山实验室 | 一种双余度eha驱动桨扇发动机变距系统的建模方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016053862A1 (en) * | 2014-09-30 | 2016-04-07 | Sikorsky Aircraft Corporation | Torque and thrust control of a propeller |
| US20190256202A1 (en) * | 2018-02-19 | 2019-08-22 | Parallel Flight Technologies, Inc. | Method and apparatus for lifting a payload |
| US20230304878A1 (en) * | 2022-03-23 | 2023-09-28 | General Electric Company | Method and apparatus for thrust determination in an aircraft engine |
-
2024
- 2024-02-28 CN CN202410221641.3A patent/CN117787111B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106697278A (zh) * | 2016-11-17 | 2017-05-24 | 陈浩 | 一种直驱式油动定转速变桨距多旋翼无人机及其控制方法 |
| CN106802659A (zh) * | 2017-01-13 | 2017-06-06 | 清华大学 | 变桨距多旋翼飞行器的控制方法 |
| CN109781374A (zh) * | 2018-12-05 | 2019-05-21 | 湖南涉外经济学院 | 一种实时在线快速估计飞行器推力的方法 |
| CN113443123A (zh) * | 2021-08-11 | 2021-09-28 | 上海时的科技有限公司 | 一种无人机变距螺旋桨闭环控制方法、装置及系统 |
| CN116909306A (zh) * | 2023-08-22 | 2023-10-20 | 南京傲宁数据科技有限责任公司 | 基于模型预测算法的氢能源无人机控制系统及方法 |
| CN117311135A (zh) * | 2023-10-24 | 2023-12-29 | 天目山实验室 | 一种双余度eha驱动桨扇发动机变距系统的建模方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于动力系统模型的四旋翼推力估计方法;杨盛毅;唐胜景;刘超;李彦辉;;北京理工大学学报;20160615(第06期);12-16 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117787111A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117787111B (zh) | 可变桨距机构旋翼推力估计方法、装置及其应用 | |
| Wang et al. | Dynamics modelling and linear control of quadcopter | |
| Lin et al. | A decoupling control for quadrotor UAV using dynamic surface control and sliding mode disturbance observer | |
| CN112180723B (zh) | 一种基于能量分析的无人机任务规划方法及装置 | |
| CN112528434B (zh) | 信息识别方法、装置、电子设备和存储介质 | |
| CN111026160B (zh) | 一种四旋翼无人机轨迹跟踪控制方法 | |
| CN115509135B (zh) | 一种激光扫描振镜模型预测控制方法及系统 | |
| CN109976363A (zh) | 无人机控制方法、装置、计算机设备及存储介质 | |
| CN116991068A (zh) | 基于分布式预设时间梯度下降法的电机控制方法及系统 | |
| CN113283090B (zh) | 基于蜂群算法的飞机舵机电动伺服系统摩擦补偿方法 | |
| JP2022136352A (ja) | 極値探索制御システムおよびシステムの制御方法 | |
| CN117930751A (zh) | 伺服参数整定方法、计算机设备和存储介质 | |
| Zhen et al. | A Lyapunov-based robust control for permanent magnet synchronous motor in the modular joint of collaborative robot | |
| CN117452831A (zh) | 一种四旋翼无人机控制方法、装置、系统及存储介质 | |
| Giernacki et al. | Comparison of tracking performance and robustness of simplified models of multirotor UAV’s propulsion unit with CDM and PID controllers (with anti-windup compensation) | |
| Theys et al. | Virtual motor torque sensing for multirotor propulsion systems | |
| CN113296515A (zh) | 一种双独立电驱动车辆显式模型预测路径跟踪方法 | |
| CN116088548B (zh) | 一种基于快速非奇异终端滑模的四旋翼无人机姿态控制方法 | |
| İz et al. | Vision-based system identification of a quadrotor | |
| CN117851718B (zh) | 一种多无人机系统固定时间控制能耗估算方法 | |
| Baskın et al. | Robust attitude controller design for an uncommon quadrotor with big and small tilt rotors | |
| Guo et al. | Design of a quadrotor attitude controller and throttle acceleration autopilot based on forward modeling | |
| CN118550312B (zh) | 一种用于空中机器人自主作业的视觉阻抗控制方法及系统 | |
| CN113189956B (zh) | 两轴两框架光电稳像平台的伺服系统在线调试方法 | |
| CN118244791B (zh) | 一种复杂气象条件下无人飞行器安全自驾仪系统设计方法 |
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 |