一种考虑电机故障的四旋翼无人机智能容错控制方法与流程

技术特征：
1.一种考虑电机故障的四旋翼无人机智能容错控制方法，其特征在于：包括以下步骤：步骤1，考虑四旋翼无人机本体转动惯量不确定、飞行过程中阻力不确定、传感器测量误差和复杂外界环境干扰，建立包含电机故障参数的非线性动力学模型；步骤2：构建传感器测量误差、复杂外界环境干扰和电机故障参数的显式表达；步骤3：针对四旋翼飞行过程中的不确定和干扰，设计自适应滑模控制器，实现控制器在线自适应补偿模型不确定和干扰保证无人机的稳定性和指令跟踪性能；步骤4：针对四旋翼无人机的不同电机设计递归神经网络故障估计器，不同故障估计器并联形成故障估计模块；步骤5：通过自适应滑模控制器与故障估计器相结合，将四旋翼无人机电机故障严重程度进行参数化，同时实现电机故障后的故障特征提取、故障等级评估、故障电机隔离与控制方法重构，实现电机故障情况下的四旋翼无人机的安全飞行。2.根据权利要求1所述一种考虑电机故障的四旋翼无人机智能容错控制方法，其特征在于：步骤1中考虑四旋翼无人机本体转动惯量不确定、飞行过程中阻力不确定、传感器测量误差和复杂外界环境干扰，建立的包含电机故障参数的非线性动力学模型为：其中，[φ θ ψ]
t
代表无人机在地面固定坐标系下的欧拉角，φ代表滚转角，θ代表俯仰角，ψ代表偏航角；[i
xx i
yy i
zz
]
t
分别代表飞机沿机体坐标系下三个坐标轴的惯性矩；k
u
为一大于零的系数，代表旋翼产生气动力的增益；k
y
为一大于零的系数，代表旋翼产生反扭矩的增益；l
d
代表旋翼电机旋转轴线与四旋翼无人重心之间的距离；k
i
(i＝1,2,3)代表飞机飞行过程中的阻力系数；u
i
(i＝1,2,3,4)代表输入给旋翼电机的脉宽信号值。3.根据权利要求2所述一种考虑电机故障的四旋翼无人机智能容错控制方法，其特征在于：步骤2中将无人机的非线性动力学模型写为积分链的形式并将模型不确定性、外界干扰、传感器噪声和电机故障参数显式表达，表示如下：扰、传感器噪声和电机故障参数显式表达，表示如下：y(t)＝cx(t) w(t)式中是系统的状态向量；是系统的输出向量；是系统的控制输入变量；为对角矩阵；为控制效率矩阵；向量是系统的非线性项，其中包括模型边界未知的模型不确定项；代表边界已知的外界干扰；代表传感器噪声；l
c
(t)＝diag
([l
c1
(t),l
c2
(t),
…
,l
cm
(t)])代表电机控制有效等级，l
cj
(t)(j＝1,2,
…
,m)的变化范围满足0≤l
cj
(t)≤1，l
cj
(t)＝1代表第j个电机具有正常的工作能力，l
cj
(t)＝0代表第j个电机完全故障。4.根据权利要求3所述一种考虑电机故障的四旋翼无人机智能容错控制方法，其特征在于：步骤3中，设计自适应滑模控制器的具体过程为：将系统的状态变量定义为非线性系统可以改写为如下形式：非线性系统可以改写为如下形式：v
i
＝b
ui
l
c
u
i
式中i＝1,2,3分别代表三个子系统；系统的两个状态量分别为飞机的欧拉角和角速度x
2i
‑1＝[φ θ ψ]
t
,定义为状态变量的期望值，定义跟踪误差向量为为状态变量的期望值，定义跟踪误差向量为结合跟踪误差，设计系统的积分滑模面为如下形式：其中t0是系统的初始状态对应的时刻，k
c1i
和k
c2i
为设计参数，该参数为霍尔维茨多项式p2 k
c2i
p k
c1i
的系数，其中p为拉普拉斯算子，并满足p2 k
c2i
p k
c1i
＝0的根具有负实部；设计控制律为其中中代表控制效能矩阵的伪逆，代表控制效能矩阵的伪逆，代表控制效能矩阵的伪逆，σ
δi
＝σ
i
‑
φ
i
sat(σ
i
)为当前滑动变量与边界层之间的几何距离，k
c3i
为一大于零的高增益系数，其使得系统的状态趋向于保持在滑模面附近，sat函数可以表示为如下形式：φ
i
为一大于零的数值代表边界层的厚度。5.根据权利要求4所述一种考虑电机故障的四旋翼无人机智能容错控制方法，其特征在于：k
c1i
和k
c2i
设计为k
c1i
＝a2,k
c2i
＝2a。6.根据权利要求5所述一种考虑电机故障的四旋翼无人机智能容错控制方法，其特征在于：步骤4中，针对四旋翼无人机分别为四个电机设计了单独递归神经网络，递归神经网络并联作为故障识别器，使用过程中将系统的输入指令与系统输出之间的误差以及执行器的控制输入作为递归神经网络的输入，每个神经网络输出所估计的电机故障严重程度，并
用其控制有效水平进行表达。7.根据权利要求6所述一种考虑电机故障的四旋翼无人机智能容错控制方法，其特征在于：所应用的递归神经网络结构具有两个隐含层，第一隐含层的输出反馈形成联接层，递归神经网络针对输入向量u(k)＝[u
n1
(k),u
n2
(k),
…
,u
nr
(k)]
t
的一般动力学响应表示为：的一般动力学响应表示为：y(k 1)＝w
o
x
h2
(k 1)其中代表递归神经网络的输入，代表第一隐含层在时间点k 1时的输出向量，代表第二隐含层的输出向量，y(k 1)代表递归神经网络的输出向量，和分别代表输入层与第一隐含层、第一隐含层与第二隐含层和第二隐含层与输入层之间的加权矩阵，和分别代表第一隐含层和第二隐含层之间的激活函数。8.根据权利要求7所述一种考虑电机故障的四旋翼无人机智能容错控制方法，其特征在于：在训练递归神经网络过程中，采用基于时间逆传播的扩展卡尔曼滤波器训练方法：考虑所设计的具有s个神经元连接点权值和q个输出节点的递归神经网络，将k表示为递归神经网络监督训练过程中的一个时刻，将此时刻递归神经网络中各神经元连接点的加权值用向量w
k
表示；通过将第一隐含层中与第一个神经元相关的所有加权值进行叠加，然后叠加第二个神经元；随后进行相同的步骤，直到第一隐含层中的所有神经元全部完成相同步骤为止；随后对网络中的第二隐含层和输出层应用相同的步骤，以相同的顺序将权值叠加至向量w
k
中；因此，选择w
k
作为递归神经网络的状态，则网络的状态空间模型可以被定义为：w
k 1
＝w
k
ω
k
d
k
＝f(w
k
,v
k
,u
k
) v
k
其中u
k
是应用于神经网络的输入信号，v
k
是用于表示网络活跃度的网络内部状态，动态噪声ω
k
和测量噪声v
k
分别为均值为零分布的不相关高斯噪声矩阵和f代表递归神经网络内部的整体非线性函数，是期望输出；对测量模型进行线性化，用泰勒级数展开：w
k 1
＝w
k
ω
k
式中是线性化模型的测量矩阵，写作：
q和s分别代表输出神经元的数量和连接点的加权值，y
i
(i＝1,2,
…
,q)代表第i个输出神经元；对于给定的训练样本对于k＝1,2,
…
,n,递归神经网络加权参数按如下方式更新：下方式更新：下方式更新：下方式更新：p
k|k
＝p
k|k
‑1‑
g
k
f
k
p
k|k
‑1p
k 1|k
＝p
k|k
q
ω,k
取初值为：p
1|0
＝δ
‑1i其中是加权向量w
k
的预测估计，是加权向量w
k
的滤波估计，是卡尔曼增益矩阵；是预测误差的协方差矩阵，是滤波误差的协方差矩阵；η
k
是学习速率，δ为一大于零的小值，为单位矩阵。9.根据权利要求8所述一种考虑电机故障的四旋翼无人机智能容错控制方法，其特征在于：步骤5中，通过应用电机控制有效等级的估计值最终控制律设计为：考虑到电机故障的估计误差实际产生的虚拟控制输入写为：其中v
id
是自适应滑模控制器产生的虚拟控制量；定义并将其于带入系统的表达式中，可以得到如下等式：
利用估计值能够在不影响控制器跟踪性能的情况下补偿电机故障的估计误差。

技术总结
本发明提出一种考虑电机故障的四旋翼无人机智能容错控制方法，首先构建具有转动惯量和飞行阻力不确定性的四旋翼无人机非线性飞行动力学模型，同时考虑了有界的外部干扰和传感器噪声。其次量化四旋翼无人机各个电机的故障程度，并以电机操纵效率变化的形式考虑到无人机非线性模型中。再次设计自适应滑模控制系统，然后将一组并联的递归神经网络设计为故障识别器，实现了快速而准确的故障特征提取、故障评级和故障隔离。最后，通过主动容错控制策略在线自适应地产生适当的控制信号来补偿模型的不确定性从而保持四旋翼无人机的轨迹跟踪性能和稳定性，同时递归神经网络与自适应滑模控制相互配合，完成故障后控制器的重新配置从而实现主动容错控制。从而实现主动容错控制。从而实现主动容错控制。


技术研发人员：王斑 朱德海
受保护的技术使用者：西北工业大学
技术研发日：2021.08.01
技术公布日：2021/10/29