【基于神經(jīng)網(wǎng)絡(luò)的飛行器姿態(tài)控制方法研究文獻(xiàn)綜述4600字】

圖2.1為神經(jīng)網(wǎng)絡(luò)控制器系統(tǒng)典型結(jié)構(gòu)框圖，為被控對象當(dāng)前輸出，為系統(tǒng)參考輸入，e為二者之差，將這些量送入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終得到最佳的控制量，使系統(tǒng)的輸出逐漸逼近于參考輸入。早在1992年，文獻(xiàn)REF_Ref59094574\r\h[7]中就將神經(jīng)網(wǎng)絡(luò)控制器應(yīng)用在了溫度控制系統(tǒng)上。文獻(xiàn)REF_Ref59094893\r\h[8]將神經(jīng)網(wǎng)絡(luò)控制器和逆模型相結(jié)合，并在倒立擺系統(tǒng)中做了仿真試驗(yàn)。文獻(xiàn)REF_Ref59095193\r\h[9]中提出了神經(jīng)網(wǎng)絡(luò)自適應(yīng)逆的方法，和直接替換控制器不同的是，它將神經(jīng)網(wǎng)絡(luò)輸出的控制信號疊加到原控制信號上作為修正。翎客航天研究了一種狀態(tài)預(yù)測神經(jīng)網(wǎng)絡(luò)控制技術(shù)，并在小型可回收火箭上做了飛行試驗(yàn)，驗(yàn)證了其高度控制與空中懸停技術(shù)。將神經(jīng)網(wǎng)絡(luò)作為控制器的方法結(jié)構(gòu)簡單直觀，易于理解，但是對于干擾復(fù)雜的控制系統(tǒng)，這種方法的抗擾能力差，魯棒性不強(qiáng)。因此后來神經(jīng)網(wǎng)絡(luò)被用來逼近系統(tǒng)的擾動項(xiàng)或估計(jì)故障，文獻(xiàn)REF_Ref66197080\r\h[10]在四旋翼無人機(jī)上，利用徑向基網(wǎng)絡(luò)實(shí)現(xiàn)了對被控對象不確定性和擾動部分的逼近，改善了傳統(tǒng)控制方法中對模型依賴性較大的問題。文獻(xiàn)REF_Ref66197095\r\h[11]同樣是用徑向基網(wǎng)絡(luò)對擾動量進(jìn)行估計(jì)，并于傳統(tǒng)PD控制算法結(jié)合，實(shí)現(xiàn)了對飛行器的協(xié)同編隊(duì)控制。文獻(xiàn)REF_Ref66197129\r\h[12]利用神經(jīng)網(wǎng)絡(luò)對飛航飛行器的故障狀態(tài)和發(fā)生故障位置進(jìn)行判斷，并對故障程度進(jìn)行參數(shù)辨識，實(shí)現(xiàn)了飛航飛行器的智能故障診斷和容錯控制。圖2.SEQ圖1.\*ARABIC1神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)框圖（2）將神經(jīng)網(wǎng)絡(luò)與現(xiàn)有的控制結(jié)構(gòu)或者算法相結(jié)合，用神經(jīng)網(wǎng)絡(luò)的優(yōu)勢彌補(bǔ)傳統(tǒng)控制結(jié)構(gòu)算法的不足。一般是在傳統(tǒng)控制算法的基礎(chǔ)上，利用神經(jīng)網(wǎng)絡(luò)等智能算法去優(yōu)化算法中的某一或某些參數(shù)。將神經(jīng)網(wǎng)絡(luò)的自適應(yīng)性融入到傳統(tǒng)控制算法中，一定程度上解決了對模型過度依賴的問題，提高了控制系統(tǒng)的魯棒性和容錯性。文獻(xiàn)REF_Ref59107076\r\h[13]中針對系統(tǒng)參數(shù)變化范圍大的問題，將神經(jīng)網(wǎng)絡(luò)嵌入到自抗擾控制器中，保證了觀測器的估計(jì)品質(zhì)，增強(qiáng)了自抗擾控制器的適應(yīng)性。文獻(xiàn)REF_Ref59108936\r\h[14]針對飛行器非線性模型，將神經(jīng)網(wǎng)絡(luò)和動態(tài)逆控制及魯棒控制結(jié)合起來，并將神經(jīng)網(wǎng)絡(luò)的逼近誤差反饋到權(quán)值更新率中，改善了系統(tǒng)的動態(tài)性能。文獻(xiàn)REF_Ref59109417\r\h[15]設(shè)計(jì)了基于反饋增益的反步法控制，利用神經(jīng)網(wǎng)絡(luò)對模型不確定性進(jìn)行補(bǔ)償。文獻(xiàn)REF_Ref65759256\r\h[16]在高超聲速飛行器的高度控制中，利用RBF神經(jīng)網(wǎng)絡(luò)逼近動態(tài)面控制的中間控制信號，降低了計(jì)算量。文獻(xiàn)REF_Ref65682914\r\h[17]利用神經(jīng)網(wǎng)絡(luò)調(diào)整PID控制增益，提高了系統(tǒng)的自適應(yīng)性。將傳統(tǒng)控制算法和神經(jīng)網(wǎng)絡(luò)結(jié)合起來，在保證控制效果的基礎(chǔ)上，一定程度上提高了控制的智能化。（3）神經(jīng)網(wǎng)絡(luò)和其他智能算法結(jié)合成更新型的控制器。神經(jīng)網(wǎng)絡(luò)也可以和其他算法相結(jié)合為新型控制器。早在1991年，文獻(xiàn)REF_Ref59110271\r\h[18]就提出了一種用于模糊邏輯控制和決策系統(tǒng)的通用神經(jīng)網(wǎng)絡(luò)模型。進(jìn)入21世紀(jì)以來，神經(jīng)網(wǎng)絡(luò)和其他控制算法結(jié)合相關(guān)文獻(xiàn)層出不窮，文獻(xiàn)REF_Ref59110284\r\h[19]在非線性系統(tǒng)離線控制中，提出了一種應(yīng)用神經(jīng)網(wǎng)絡(luò)和遺傳算法的比例積分控制參數(shù)整定方法，文獻(xiàn)REF_Ref59110363\r\h[20]將模糊控制與遺傳算法和神經(jīng)網(wǎng)絡(luò)結(jié)合應(yīng)用在溫室氣候控制中，提出了一種自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊控制系統(tǒng)，并結(jié)合遺傳算法工具對控制器參數(shù)進(jìn)行自適應(yīng)調(diào)整，對系統(tǒng)響應(yīng)跟隨期望值方面有了顯著改善。2.2存在問題及研究展望現(xiàn)階段關(guān)于飛行器的控制算法研究，大多數(shù)是將其實(shí)際的非線性結(jié)構(gòu)通過建模轉(zhuǎn)變?yōu)榫€性化的數(shù)學(xué)模型，正因?yàn)槿绱?，線性化的數(shù)學(xué)模型與四旋翼的實(shí)際情況存在一些偏差，如果選擇設(shè)計(jì)的四旋翼無人機(jī)控制算法沒有一定的容錯率，將會出現(xiàn)較大的偏差。因此，目前在國內(nèi)外暫時還沒有關(guān)于四旋翼無人機(jī)控制技術(shù)的最優(yōu)算法和最優(yōu)解，對更多更新相關(guān)控制算法的研究還在繼續(xù)。同時通過查閱對比上述各種無人機(jī)控制算法，普通PID算法簡單明了，各個控制參數(shù)相對較為獨(dú)立，雖然參數(shù)的整定目前有多種方法，但是在實(shí)際應(yīng)用中還需要進(jìn)行手動調(diào)整參數(shù)，費(fèi)時費(fèi)力。神經(jīng)網(wǎng)絡(luò)控制不需要具體的數(shù)學(xué)模型，經(jīng)過大量數(shù)據(jù)的訓(xùn)練即可擬合出系統(tǒng)模型，但這種控制算法往往計(jì)算量龐大，響應(yīng)慢，四旋翼無人機(jī)控制對于實(shí)時性的要求限制了神經(jīng)網(wǎng)絡(luò)控制算法的應(yīng)用?；？刂茡碛泻芎玫恼{(diào)整性和抗擾能力，控制系統(tǒng)進(jìn)入滑動模態(tài)，就不會受到自身內(nèi)部結(jié)構(gòu)和外界環(huán)境的影響，但是滑模變結(jié)構(gòu)控制存在抖振現(xiàn)象，這就會影響控制系統(tǒng)的穩(wěn)定性，造成系統(tǒng)具有較大的誤差。加之針對飛行器姿態(tài)控制系統(tǒng)參數(shù)設(shè)計(jì)工作量大、對設(shè)計(jì)人員能力經(jīng)驗(yàn)要求高的問題，國內(nèi)外學(xué)者將神經(jīng)網(wǎng)絡(luò)應(yīng)用于控制增益設(shè)計(jì)，展開了較為豐富的研究，但多為了提高姿態(tài)控制系統(tǒng)參數(shù)設(shè)計(jì)的智能化水平，提升設(shè)計(jì)效率和設(shè)計(jì)質(zhì)量。同時在調(diào)研現(xiàn)有的姿態(tài)控制方法以及工程設(shè)計(jì)方法的基礎(chǔ)上，還存在人工設(shè)計(jì)姿態(tài)控制增益工作量大且耗費(fèi)資源的問題，因此自適應(yīng)調(diào)整PID控制參數(shù)的整定方法具有十分迫切的現(xiàn)實(shí)需求。3.參考文獻(xiàn)[1]YuriShtessel,CharlesHall,MarkJackson.Reusablelaunchvehiclecontrolinmultiple-time-scaleslidingmodes[J].JournalofGuidanceControlandDynamics,2000,23(6):1013-1020.[2]ThukralA,InnocentiM.Aslidingmodemissilepitchautopilotsynthesisforhighangleofattackmaneuvering[J].ControlSystemsTechnology,1998,6(3):359-371.[3]CostaR,ChuQP,MulderJA.Reentryflightcontrollerdesignusingnonlineardynamicinversion[J].JournalofSpacecraftandRockets,2003,40(1):64-71.[4]麻士東,楊國慶.直升機(jī)姿態(tài)與航跡非線性動態(tài)逆飛行控制模型[J].華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,44(12):92-96.[5]袁鋼,施建洪,李瑞濤.基于PIDNN變結(jié)構(gòu)理論的新型彈道導(dǎo)彈姿控系統(tǒng)設(shè)計(jì)[J].海軍航空工程學(xué)院學(xué)報(bào),2014,29(3):225-229.[6]聞新,陳鏑,喬羽.國內(nèi)神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)及其在航天器中的應(yīng)用[J].沈陽航空航天大學(xué)學(xué)報(bào),2018,35(03):17-26.[7]KhalidM,OmatuS.Aneuralnetworkcontrollerforatemperaturecontrolsystem[J].ControlSystemsMagazine,IEEEControlSystems,1992,12(3):58-64.[8]TerézA.Várkonyi,JózsefKetal.Improvedneuralnetworkcontrolofinvertedpendulums[J].InternationalJournalofAdvancedIntelligenceParadigms,2013,5(4):270-283.[9]張岑.多無人機(jī)協(xié)同編隊(duì)控制方法研究[D].南京航空航天大學(xué),2020.[10]王雪嬈,孫長銀,林曉波等.基于神經(jīng)網(wǎng)絡(luò)的無人機(jī)姿態(tài)自適應(yīng)控制仿真[J].計(jì)算機(jī)仿真,2020,37(03):37-41+88.[11]朱璐,陳昶榮.飛行器編隊(duì)神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制器設(shè)計(jì)[J].戰(zhàn)術(shù)導(dǎo)彈技術(shù),2019,40(05):50-57+63.[12]崔乃剛,郭冬子,王瑞鳴等.飛航導(dǎo)彈智能故障診斷與容錯控制[J].戰(zhàn)術(shù)導(dǎo)彈技術(shù),2020,41(04):125-134.[13]馮江,張慧,張喜海,楊方.基于反步滑模算法的植保無人機(jī)姿態(tài)控制研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2022,53(01):55-65.[14]楊志峰,雷虎民,李慶良等.基于RBF神經(jīng)網(wǎng)絡(luò)的導(dǎo)彈魯棒動態(tài)逆控制[J].宇航學(xué)報(bào),2010,31(10):2295-2301.[15]賈鶴鳴,宋文龍,陳子印等.基于神經(jīng)網(wǎng)絡(luò)反步法的移動機(jī)器人路徑跟蹤控制[J].南京理工大學(xué)學(xué)報(bào),2014,38(1):27-33.[16]季曉明,文懷海.四旋翼飛行器自適應(yīng)神經(jīng)網(wǎng)絡(luò)軌跡跟蹤控制器設(shè)計(jì)[J].機(jī)床與液壓,2021,49(21):114-120.[17]LiuLR,LuoJL.ResearchofPIDcontrolalgorithmbasedonneuralnetwork[J].EnergyProcedia,2011,13(5):6988-6993.[18]LinCT,LeeCS.Neural-network-basedfuzzylogiccontrolanddecisionsystem[J].IEEETransactionsonComputers,1991,40(12):1320-1336.[19]SeydiVakkasUstun,MetinDemirtas.OptimaltuningofPIspeedcontrollercoefficientsforelectricdrivesusingneuralnetworkandgenetic