[發明專利]一種基于自構造模糊神經網絡的容錯飛行控制方法

有效

• 申請號: 202010583699.4
• 申請日: 2020-06-23
• 公開（公告）號: CN111781942B
• 公開（公告）日: 2021-10-12
• 發明（設計）人: 楊蒲;李德杰;柳張曦
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G05D1/08
• 分類號: G05D1/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.本方法設計了帶有模型不確定性和建模誤差項的非線性系統的容錯控制算法，其特點在于：考慮到一般的容錯控制系統在發生執行器故障或者干擾的過程中，僅依靠自適應滑模控制器很難達到良好的控制效果，甚至出現失控現象，針對此現象，在滑模控制器設計過程中將自構造模糊神經網絡的參數輸出用于控制律的設計；考慮到一型的自構造模糊神經網絡在模型發生變化時會產生較多的模糊規則，增加了控制器的計算負擔，本方法提出一種基于M距離法的能夠進行規則數量調整的二型自構造模糊神經網絡，很大程度上減少了系統在控制過程中反應緩慢的現象；對于多執行可能存在的同時故障情況，本方法針對多旋翼無人機的俯仰、橫滾、偏航子系統進行了獨立的容錯控制設計，同時將對象系統的姿態、位置狀態信息用于模糊神經網絡的參數訓練，進一步減少神經網絡輸出的誤差值，使該算法收斂速度更快，精度更高，針對一類含有擾動和執行器故障的多旋翼飛行器不確定性非線性系統的容錯控制，包括如下步驟：

步驟1)確立非線性系統模型：

步驟1.1)其中，為系統狀態變量，[x y z]表示系統在地面坐標系下的位置，為對應的速度，[φ θ ψ]分別表示系統的橫滾角、俯仰角、偏航角，對應的角速度為和為系統建模中的兩個連續非線性函數，系統輸入量為

其中，f(x)＝f₀(x)+Δf(x)，g(x)＝g₀(x)+Δg(x)，Δf(x)、Δg(x)為建模不確定性項和誤差項，d(t)為有界的不確定外部干擾；u_F＝αu+τ，其中α＝diag[λ₁...λ₄]為增益故障，0＜λ_i≤1，i＝1，…，4，τ＝[τ₁...τ₄]^T為偏差故障，u_i是控制輸入u＝[u₁ u₂ u₃ u₄]^T之一；

步驟1.2)考慮系統中存在故障項、不確定項、誤差項，本方法將系統中的12個狀態量分解為6個二階子系統，將式(1)改寫為式(2)，如下

其中，i＝1，2，3，4，5，6是每個子系統的索引，每個子系統的輸入是并且，

步驟2)設計自適應自構造模糊神經網絡：

步驟2.1)模糊神經網絡結構設計

本方法采用的一階區間2型TSK模糊規則如下：

R_r：如果x₁是...，x_i是...x_p是然后

其中x_i(i＝1，...，p)是模糊模型的輸入，是對應于第i輸入的第j個的模糊成員函數，j是第i輸入的模糊成員函數的個數；y_r(r＝1，...，N)是輸出函數，a_r和b_r是后續部分的參數；本設計的神經網絡結構有5層，每層的設計操作如下：

第一層(輸入層)：根據狀態變量的數據，該層包含12個節點，該層神經網絡的每個節點直接將輸入信號發送到下一層；其中x_2i-1和是輸入向量；

第二層(成員函數層)：該層采用了一種新的神經網絡結構形式，它由兩組模糊成員函數組成，每個神經網絡節點執行一個成員函數；成員函數和表示為：

其中，和σ_ji、分別對應上成員函數和下成員函數的標準差；c_ji和d_li分別對應于第j個和第l個模糊集的中心值；

第三層(規則層)：這一層的神經網絡節點將第二層給出的數據相乘，然后輸出到下一層，每個節點表示的結果如下：

第4層(后續層)：將前一層輸入的后續結果部分線性組合，得到上下界的值：

其中是輸出函數，參數和和分別是第二層的上下限輸出結果的規范化值，可以表示為：

該層的輸出結果定義為和分別表示為和和輸出函數表示為Y_ε＝[y_ε1 y_ε2 ... y_εn]^T和Y_χ＝[y_χ1 y_χ2 ... y_χm]^T；

第五層(輸出層)：通過神經網絡結構的形式，總輸出結果如下：

其中，q_ε，q_χ∈(0，1)參數用于調整上下邊界值的比例，通常可以設置為0.5，并且本方法的神經網絡結構的輸入輸出信號的時間導數是有界的：

其中X_max，Y_χ和Y_ε是已知的正常數；

發明方法利用所設計自構造模糊神經網絡觀測器的輸出來估計系統的未知參數ε和χ，因此，自適應自構造模糊神經網絡觀測器的輸出γ_ε和γ_χ可以分別定義為和

步驟2.2)自構造機制設計

對于模糊神經網絡辨識器，模糊規則的數目對神經網絡能否高度逼近非線性函數的真值有重要影響；一般來說，多個模糊規則可以減小神經網絡輸出值與真實值之間的誤差，提高網絡的精度，但是，由于2型模糊神經網絡中存在大量的自適應參數，且模糊規則較多，使得計算復雜，因此，利用自重構機制可以刪除模糊神經網絡中的冗余和冗余規則，并根據需要生成相應的規則，在滿足輸出精度的同時，減輕了系統的計算負擔；

在神經網絡的訓練過程中，利用馬氏距離(M-distance)，每個模糊成員函數的正則函數表示為：

根據M-距離法，生成和刪除模糊規則的規則如下：

(1)規則生成：當系統發生故障時，神經網絡輸入的數據會發生變化，需要為新輸入的數據找到近似參數和最接近的模糊規則

同時，對應的新成員函數的平均值和標準差具有以下預設值：

其中，參數σ_con，γ_con，ε，γ_con，χ為新生成的模糊隸屬函數的初始化值，N_ε(k)、N_χ(k)為當前隸屬函數個數，N_ε(k+1)、N_χ(k+1)為下一個循環的隸屬函數個數；

當滿足條件d_min，ε＞d_pre1，ε或d_min，χ＞d_pre1，χ(d_pre1，ε和d_pre1，χ是預設閾值)時，將生成新規則；參數d_pre1，ε和d_pre1，χ的變化將對新生成的規則產生影響；

(2)規則刪除：當模糊規則不相關時，需要刪除多余的規則，找到距離當前集群較遠的規則

因此，有以下預設值：

當滿足條件d_max，ε＞d_pre2，ε或d_min，χ＞d_pre2，χ時(d_pre2，ε和d_pre2，χ為預設閾值)，表明當前模糊規則是冗余的，因此可以刪除關聯的成員函數和權重，同時，規則總數也需要減少；

步驟2.3)自適應自重構模糊神經網絡的輸出設計

為了將系統所需的非線性參數ε和χ的值集成到容錯飛行控制器中，需要進一步的分析；首先，分別定義參數和的估計誤差；根據公式(12)和(13)，我們可以得到

其中e_ε，e_χ是近似誤差，和分別是Y_ε，，Y_χ，，Φ_ε，Φ_χ，σ_ε，c_ε和的最佳參數；

因此，本方法提出的自構造模糊神經網絡輸出可以表示為：

然后得到估計誤差和的數學形式，得出參數的輸出如下：

參數輸出如下：

步驟3)容錯控制器設計：

步驟3.1)考慮到系統更好的實現滑動模態，選擇以下滑動面

s_i(t)＝c_ix_2i-1+x_2i (28)

其中，c_i滿足Hurwitz條件；

步驟3.2)為了使系統運行穩定，本方法采用了自適應方法估計系統中未知參數；首先，設計在系統控制律中的不確定項、未知項和擾動參數相關的自適應律；定義正常數η_i，ι_i和δ_o，并且|d_i(t)|≤η_i，|ε_i(t)|≤ι_i，設計系統控制率中相關參數的自適應規律如下：

其中ξ_i＝[1/(1-h)]，δ_i是一個估計值不確定的正常數，γ_i，1，γ_i，2，γ_i，3和γ_i，o為正控制增益，并對參數λ_i存在以下條件：

步驟3.3)為了便于本發明方法的自構造模糊神經網絡參數的在線優化，需要對設計的模糊神經網絡參數選擇以下自適應律：

步驟3.4)為了使高階項不影響系統穩定性，需要規定參數|k_o|≤δ_i；

其中，

步驟3.5)根據以上參數的設置，對于具有故障模型的不確定性非線性系統，完整的故障容錯控制律如下：

其中e_i為正控制增益。