四旋翼无人机SO(3) 滑模变结构姿态控制器设计

为了提高四旋翼无人机SO(3) 控制的动态性能, 对滑模变结构控制在四旋翼无人机SO(3) 姿态控制中的应用进行研究. 首先, 通过对两种四旋翼SO(3) 姿态控制模型进行分析, 确定一种奇异点较少的模型为控制对象; 随后,针对可能出现的控制奇异问题, 设计一种引入调节函数的无奇异积分型滑模面, 得到了滑模稳定性引理; 最后, 利用这种滑模面进行控制器设计和Lyapunov 稳定性分析, 证明了系统全局指数渐近稳定. 仿真结果验证了所提出的设计方案的正确性.

     

小型固定翼无人机纵向姿态控制律的研究

针对无人机在实际飞行过程中受到外部环境影响大,控制精度不够高的问题;研究了一种模糊参数自整定PID控制方法来完成对无人机的纵向姿态的控制;该方法在传统的PID控制的基础上,利用无人机实际飞行中的数据,建立起模糊控制规则来实现PID参数自整定,最后在通过建立的纵向姿态模型上进行仿真控制,得出仿真曲线;仿真实验结果表明,所设计的模糊PID控制器,相比于传统的PID控制器具有更好的控制性能,并且具有很好的抗干扰能力,能够满足无人机控制系统的要求。     

基于神经网络的无人机姿态自适应控制仿真

针对四旋翼无人机姿态控制中模型不完整、部分参数和扰动不确定的问题,提出了一种基于神经网络的自适应控制方法,采用RBF神经网络对无人机姿态动力学模型中不确定和扰动部分进行学习,设计了以类反步法为基础,包含反馈控制和神经网络控制的自适应控制器,实现了对未知动态的准确逼近,解决了传统控制方法中过于依赖精确模型的问题。同时设计了神经网络的权值自适应律,实现了控制过程中的在线学习和调整,并且通过李雅普诺夫方法证明了闭环系统的稳定性。仿真结果表明,在存在较大扰动的情况下,上述控制器可得到很好的控制效果,可以实现误差的快速收敛,具有较好的鲁棒性和自适应性。     

空间飞行器姿态控制器设计与仿真

该文对空间飞行器姿态系统设计了一种变结构控制器。首先,应用误差四元数法描述空间飞行器姿态运动。同时,在考虑结构摄动和外界扰动的界未知情况下,其基本方法是采用模糊规则优化滑模变结构控制的设计,并且能够在线对结构摄动和外界扰动的界进行估计,使得系统轨迹既能快速趋近滑动面又能降低抖振,从而提高了变结构控制系统的品质。仿真结果表明,该系统对模型：不确定性和外来干扰具有较强的鲁棒性,同时避免了变结构系统固有的抖振问题,性能令人满意。     

执行器故障下四旋翼无人机位置与姿态控制

针对四旋翼无人机在执行器故障下的位置与姿态控制问题,提出了一种基于径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的自适应滑模控制方法.根据四旋翼无人机的高度非线性、强耦合、欠驱动等特性,将四旋翼无人机动力学系统分为全驱动子系统和欠驱动子系统,充分考虑无上下限约束的模型不确定和未知扰动,提炼出各子系统的集合干扰项,通过定义执行器失效系数,推导出四旋翼无人机执行器失效故障情况下的动力学模型;利用RBFNN对包含模型参数不确定部分和外界干扰项在内的总干扰项进行估计,并基于Lyapunov理论证明了动力学系统的稳定性.仿真结果验证了所设计的四旋翼无人机控制方法的有效性.     

无人机三维实时航迹规划

无人机航迹规划是无人机任务规划中最重要也是最复杂的环节,针对基本粒子群航迹规划算法后期容易陷入局部最优解、算法容易“早熟”、规划出的航迹精度不高等问题,提出了一种以并行方式进行的双种群粒子群航迹规划算法;双种群粒子群算法由两个向相反方向搜索的种群构成,这两个种群协同优化,扩展了搜索范围,克服了基本粒子群算法后期容易陷入局部最优解的问题,提高了航迹的精度;如果无人机在飞行过程中检测到突发威胁,则寻找邻近航迹点作为实时重规划点,规划其到目标点的航迹;通过仿真验证了算法的有效性,并满足了实时性的要求。     

无人机自驾仪自适应控制系统的设计与仿真

针对某无人机的控制问题,为了找出一种比PID更适合的控制方法,提出了一种基于模糊神经网络(FNN))的模型参考自适应方法,并设计了相应的双通道控制律,对无人机纵向运动中的速度和俯仰角进行控制.应用所提出的方法,对某无人机纵向运动的控制问题进行了研究.仿真结果表明,与传统的PID控制相比较,FNN的模型参考自适应控制算法具有较快的收敛速度和较小的稳态误差,并能够消除无人机纵向运动中存在的耦合.     

预测增量动态逆无人机姿态控制

针对小型无人机模型参数精度不高的问题;提出一种预测增量动态逆姿态控制方法。该方法以角加速度作为姿态控制的反馈;从而降低了控制系统对模型参数的敏感性。根据无人机力矩方程;先将角加速度计算式写成增量形式;再根据非线性动态逆方法构建出角加速度为隐式输入、舵面偏转量增量为输出的直接关系式;在控制器中引入预测滤波器;对角加速度进行滤波和预测;提高反馈信号的精度和实时性。飞行实验表明方法是有效性的。     

小型无人机纵向姿态模糊自适应PID控制与仿真

针对某小型实验无人机智能自主飞行的要求,提出了一种无人机纵向姿态的模糊控制方法,设计了模糊自适应PID控制器,可有效实现该无人机的纵向姿态控制和纵向航迹跟踪.仿真结果表明,所设计的模糊自适应PID控制器较传统的PID控制器具有更好的控制性能,其响应快、超调小、精度高,而且鲁棒性和自适应能力也较强,可满足自主飞行的要求.     

基于四旋翼无人机的粒子群PID控制研究

针对四旋翼无人机PID控制中,凭借经验知识和仿真调试来选取比例、积分、微分等参数时存在盲目性的问题,提出了利用改进后的粒子群算法对PID控制器进行优化的方法.采用自适应惯性权重的方法对粒子群进行优化能够避免在刚开始就陷入局部最优的困境,同时选用ITAE准则作为改进粒子群算法的适应度,以此达到更好的控制效果.通过MATL...     

基于混沌思想模糊自适应参数策略的粒子群优化算法*

粒子群优化算法是一种进化计算技术。提出一种基于混沌思想的模糊自适应参数策略的粒子群优化算法,它利用模糊策略较强的适应能力及混沌运动遍历性、随机性等特点,对标准粒子群优化算法进行了改进,并证明了算法的收敛性。对几种典型测试函数的测试结果表明,模糊自适应参数策略的引入,有效提高了算法收敛的速度,且混沌思想改善了对多维空间的全局搜索能力,能有效避免早熟现象。     

自适应粒子群优化算法研究及其化工报警阈值优化应用

生产装置能否安全有效地运行,已经成为衡量工业生产发展水平的主要标志之一。面临日益复杂的化工过程生产装置,提高化工过程报警系统的性能有着重要的指导意义。传统的报警阈值参数设置方法局限性大,为了提升化工过程报警系统性能,需要对某些过程参数的报警阈值进行优化设置。本文针对传统粒子群算法的不足,采用了参数自适应的粒子群算法,该自适应粒子群算法通过实时调节自身的参数,使得能够较快地寻找到最优个体,且不容易陷入局部最优解。通过对一标准函数的研究,结果表明该自适应粒子群算法比传统的粒子群算法能够较快的达到最优解。随后,用该算法优化TE过程某一参数的报警阈值,降低了报警过程中误报和漏报的总次数,提高了报警系统的性能。本文所提方法为指导生产装置的安全运行提供了有效策略。     

基于粒子群算法的室内环境节能优化控制

目前建筑室内环境节能优化控制大多侧重于室内空调、照明等各分系统的独立优化控制,但从能量消耗角度来考虑,如何兼顾各个系统的耗能,使整体耗能最小是最节能的。针对这一问题,提出了一种基于粒子群算法的节能综合控制,通过寻找窗帘开启的最优角度,调节高精度电动窗帘满足室内光环境需求,降低照明能耗,同时将日射得热引起的空调冷负荷降到最低,使整体效能最佳,从而提高系统的效率。实验结果表明,该控制方案综合考虑了照明能耗和空调能耗的合理分配,能为建筑物整体能耗节约了大约30%的能耗。     

基于模糊文化算法的自适应粒子群优化

为解决粒子群优化中惯性权重的调整机制在具体优化问题中的自适应问题,本文建立了一种全新的基于模糊文化算法的自适应粒子群优化算法;利用模糊规则表示个体粒子在演化过程中获取的经验,经验共享形成群体文化,并利用遗传算法来实现文化的进化;通过信念空间中以模糊规则表示的知识建立模糊系统来逼近与实际问题相适应的惯性权
权重控制器。在测试函数集上的仿真实验对比结果证明,该算法相对于现有算法有优势。     

面向列车运行调整问题的粒子群算法研究*

列车运行调整问题是一种特殊的NP完全问题,不仅具有众多约束,并且有着列车等级要求和延迟传播限制,使得该问题搜索空间庞大,可行解范围狭小,往往难以获得较优解。为求解列车运行调整问题,针对此特殊性,将捕食搜索策略思想引入到粒子群算法中,并在此基础上提出一种速度限制的调整方式,同时辅以自适应控制,使得算法在大范围搜索时更易跳出局部最小解,而在小范围搜索时粒子飞行速度更慢,搜索更精确。将该算法用于列车运行调整问题,所得调整方案比遗传算法和普通粒子群算法结果更逼近原开行方案。     

粒子群优化算法在神经网络控制中的应用

考虑粒子群优化算法在不确定系统的自适应控制中的应用。神经网络在不确定系统的自适应控制中起着重要作用。但传统的梯度下降法训练神经网络时收敛速度慢,容易陷入局部极小,且对网络的初始权值等参数极为敏感。为了克服这些缺点,提出了一种基于粒子群算法优化的RBF神经网络整定PID的控制策略。首先,根据粒子群算法的基本原理提出了优化得到RBF神经网络输出权、节点中心和节点基宽参数的初值的算法。其次,再利用梯度下降法对控制器参数进一步调节。将传统的神经网络控制与基于粒子群优化的神经网络控制进行了对比,结果表明,后者有更好逼近精度。以PID控制器参数整定为例,对一类非线性控制系统进行了仿真。仿真结果表明基于粒子群优化的神经网络控制具有较强的鲁棒性和自适应能力。     

采用改进PSO的非线性系统T-S模糊模型辩识

提出了一种新的T-S模糊模型的非线性系统辨识方法。采用自适应模糊C均值聚类算法确定模糊模型的前件结构及参数,用改进的粒子群优化(PSO)算法来辩识模糊模型的结论参数以获得系统参数的最优估计。仿真结果表明该方法是有效的。     

基于粒子群优化算法的极限环极值搜索控制

提出一种利用粒子群优化算法进行在线寻优的自适应控制算法,该方法可抑制极限环的振荡幅值．应用极值搜索控制的思想,在线测量极限环的振荡幅度,并将其作为优化目标,利用粒子群优化算法寻找最优控制量,使得极限环的振荡幅值最小．针对粒子群优化和极限环控制的特点,提出一种加快收敛的算法．数值实验表明,提出的算法不仅与传统基于摄动方法...     

基于集成神经网络的CSTR状态预测

针对连续搅拌反应釜(CSTR)具有的多重稳态性质,提出使用多个相同拓扑结构的神经网络模块组成的集成神经网络对CSTR的状态进行预测的方法。对集成神经网络的所有网络模块使用多目标粒子群优化算法进行同步训练,使训练结果收敛于参数空间内最优的Pareto面。避免了单一神经网络训练收敛到某一最优点可能产生的过拟和的问题;解决了使用传统训练方法对集成神经网络的子网络进行独立训练时增加学习算法复杂度的问题。对CSTR浓度预测的测试结果证明集成神经网络比同等规模的单一神经网络更适用于CSTR的状态参数预测。     

一种非线性权重的自适应粒子群优化算法

针对粒子群优化算法中出现早熟和不收敛问题,分析了基本PSO算法参数对其优化性能的影响,提出了基于非线性权重的自适应粒子群优化算法（NWAPSO）。在优化过程中,惯性权重随迭代次数非线性变化,改进的算法能使粒子自适应地改变搜索速度进行搜索,并与基本粒子群算法以及其他改进的粒子群算法进行了比较。实验结果表明,该算法在搜索精度和收敛速度等方面有明显优势。特别对于高维、多峰等复杂非线性优化问题,算法的优越性更明显。