【基于神经网络的飞行器姿态控制方法研究文献综述4600字】

图2.1为神经网络控制器系统典型结构框图，为被控对象当前输出，为系统参考输入，e为二者之差，将这些量送入神经网络进行训练，最终得到最佳的控制量，使系统的输出逐渐逼近于参考输入。早在1992年，文献REF_Ref59094574\r\h[7]中就将神经网络控制器应用在了温度控制系统上。文献REF_Ref59094893\r\h[8]将神经网络控制器和逆模型相结合，并在倒立摆系统中做了仿真试验。文献REF_Ref59095193\r\h[9]中提出了神经网络自适应逆的方法，和直接替换控制器不同的是，它将神经网络输出的控制信号叠加到原控制信号上作为修正。翎客航天研究了一种状态预测神经网络控制技术，并在小型可回收火箭上做了飞行试验，验证了其高度控制与空中悬停技术。将神经网络作为控制器的方法结构简单直观，易于理解，但是对于干扰复杂的控制系统，这种方法的抗扰能力差，鲁棒性不强。因此后来神经网络被用来逼近系统的扰动项或估计故障，文献REF_Ref66197080\r\h[10]在四旋翼无人机上，利用径向基网络实现了对被控对象不确定性和扰动部分的逼近，改善了传统控制方法中对模型依赖性较大的问题。文献REF_Ref66197095\r\h[11]同样是用径向基网络对扰动量进行估计，并于传统PD控制算法结合，实现了对飞行器的协同编队控制。文献REF_Ref66197129\r\h[12]利用神经网络对飞航飞行器的故障状态和发生故障位置进行判断，并对故障程度进行参数辨识，实现了飞航飞行器的智能故障诊断和容错控制。图2.SEQ图1.\*ARABIC1神经网络控制系统结构框图（2）将神经网络与现有的控制结构或者算法相结合，用神经网络的优势弥补传统控制结构算法的不足。一般是在传统控制算法的基础上，利用神经网络等智能算法去优化算法中的某一或某些参数。将神经网络的自适应性融入到传统控制算法中，一定程度上解决了对模型过度依赖的问题，提高了控制系统的鲁棒性和容错性。文献REF_Ref59107076\r\h[13]中针对系统参数变化范围大的问题，将神经网络嵌入到自抗扰控制器中，保证了观测器的估计品质，增强了自抗扰控制器的适应性。文献REF_Ref59108936\r\h[14]针对飞行器非线性模型，将神经网络和动态逆控制及鲁棒控制结合起来，并将神经网络的逼近误差反馈到权值更新率中，改善了系统的动态性能。文献REF_Ref59109417\r\h[15]设计了基于反馈增益的反步法控制，利用神经网络对模型不确定性进行补偿。文献REF_Ref65759256\r\h[16]在高超声速飞行器的高度控制中，利用RBF神经网络逼近动态面控制的中间控制信号，降低了计算量。文献REF_Ref65682914\r\h[17]利用神经网络调整PID控制增益，提高了系统的自适应性。将传统控制算法和神经网络结合起来，在保证控制效果的基础上，一定程度上提高了控制的智能化。（3）神经网络和其他智能算法结合成更新型的控制器。神经网络也可以和其他算法相结合为新型控制器。早在1991年，文献REF_Ref59110271\r\h[18]就提出了一种用于模糊逻辑控制和决策系统的通用神经网络模型。进入21世纪以来，神经网络和其他控制算法结合相关文献层出不穷，文献REF_Ref59110284\r\h[19]在非线性系统离线控制中，提出了一种应用神经网络和遗传算法的比例积分控制参数整定方法，文献REF_Ref59110363\r\h[20]将模糊控制与遗传算法和神经网络结合应用在温室气候控制中，提出了一种自适应神经网络模糊控制系统，并结合遗传算法工具对控制器参数进行自适应调整，对系统响应跟随期望值方面有了显著改善。2.2存在问题及研究展望现阶段关于飞行器的控制算法研究，大多数是将其实际的非线性结构通过建模转变为线性化的数学模型，正因为如此，线性化的数学模型与四旋翼的实际情况存在一些偏差，如果选择设计的四旋翼无人机控制算法没有一定的容错率，将会出现较大的偏差。因此，目前在国内外暂时还没有关于四旋翼无人机控制技术的最优算法和最优解，对更多更新相关控制算法的研究还在继续。同时通过查阅对比上述各种无人机控制算法，普通PID算法简单明了，各个控制参数相对较为独立，虽然参数的整定目前有多种方法，但是在实际应用中还需要进行手动调整参数，费时费力。神经网络控制不需要具体的数学模型，经过大量数据的训练即可拟合出系统模型，但这种控制算法往往计算量庞大，响应慢，四旋翼无人机控制对于实时性的要求限制了神经网络控制算法的应用。滑模控制拥有很好的调整性和抗扰能力，控制系统进入滑动模态，就不会受到自身内部结构和外界环境的影响，但是滑模变结构控制存在抖振现象，这就会影响控制系统的稳定性，造成系统具有较大的误差。加之针对飞行器姿态控制系统参数设计工作量大、对设计人员能力经验要求高的问题，国内外学者将神经网络应用于控制增益设计，展开了较为丰富的研究，但多为了提高姿态控制系统参数设计的智能化水平，提升设计效率和设计质量。同时在调研现有的姿态控制方法以及工程设计方法的基础上，还存在人工设计姿态控制增益工作量大且耗费资源的问题，因此自适应调整PID控制参数的整定方法具有十分迫切的现实需求。3.参考文献[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]麻士东,杨国庆.直升机姿态与航迹非线性动态逆飞行控制模型[J].华中科技大学学报(自然科学版),2016,44(12):92-96.[5]袁钢,施建洪,李瑞涛.基于PIDNN变结构理论的新型弹道导弹姿控系统设计[J].海军航空工程学院学报,2014,29(3):225-229.[6]闻新,陈镝,乔羽.国内神经网络故障诊断技术及其在航天器中的应用[J].沈阳航空航天大学学报,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]张岑.多无人机协同编队控制方法研究[D].南京航空航天大学,2020.[10]王雪娆,孙长银,林晓波等.基于神经网络的无人机姿态自适应控制仿真[J].计算机仿真,2020,37(03):37-41+88.[11]朱璐,陈昶荣.飞行器编队神经网络自适应控制器设计[J].战术导弹技术,2019,40(05):50-57+63.[12]崔乃刚,郭冬子,王瑞鸣等.飞航导弹智能故障诊断与容错控制[J].战术导弹技术,2020,41(04):125-134.[13]冯江,张慧,张喜海,杨方.基于反步滑模算法的植保无人机姿态控制研究[J].东北农业大学学报,2022,53(01):55-65.[14]杨志峰,雷虎民,李庆良等.基于RBF神经网络的导弹鲁棒动态逆控制[J].宇航学报,2010,31(10):2295-2301.[15]贾鹤鸣,宋文龙,陈子印等.基于神经网络反步法的移动机器人路径跟踪控制[J].南京理工大学学报,2014,38(1):27-33.[16]季晓明,文怀海.四旋翼飞行器自适应神经网络轨迹跟踪控制器设计[J].机床与液压,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