基于BP神经网络算法的四旋翼飞行器预测控制

(西安工业大学计算机科学与工程学院 陕西 西安 710021)

基于BP神经网络算法的四旋翼飞行器预测控制

甘孟哲赵在强王浩同左嘉奇董银娜

(西安工业大学计算机科学与工程学院陕西西安710021)

四旋翼稳定飞行姿态控制一直都是制约其发展的重要瓶颈1。因常规的卡尔曼滤波控制效果在一定程度上受限于滤波器的性能。本文提出一种基于BP神经网络的具有很强的自组织，自学习，自适应和非线性映射能力的预测控制方法2，可以解决具有高度非线性、复杂性及模糊性问题。仿真结果表明飞行器在飞行过程中系统出现故障时，能实时快速诊断，依据故障特性和损伤特性，迅速进行故障隔离和控制重构，保证飞行器的正常飞行。

姿态控制；BP神经网络；非线性

一、引言

四旋翼飞行器，具有体积小、结构简单，操作灵活等优点。在诸多领域应用广泛。但飞行环境复杂，对控制频率要求很高。稳定性飞行控制一直都是制约其发展的重要瓶颈。

无人机的快速发展对现代社会产生了深远影响。然后无人机的飞行预测姿态控制，如何对其进行快速、准确的姿态预测评估，以适应其对于不同的空域，已成为目前无人机预测控制的重点研究课题。

基于BP神经网络的预测控制规则是：基于一个或多个神经网络，对四旋翼无人机姿态控制系统非线性系统的过程信息进行前向多步预测，然后通过优化一个含有预测信息的多步优化目标函数，从而获得非线性预测控制律。

二、四旋翼飞行器物理模型

在建立四旋翼飞行器的模型之前，首先对该飞行器做出如下假设：

1.该四旋翼飞行器是完全对称且质量均匀分布的刚体，在空间内做刚体运动；

2.选取地面为惯性参考系，由于四旋翼飞行器在近距离、低空情况下飞行，所以地表可看作平面；

3.重力加速度为g，且不计地球自转与公转的影响。

四旋翼飞行器的惯性张量是:

①

在上述假设条件下，我们建立四旋翼飞行器的控制模型，首先选取机体坐标系b和惯性坐标系i这两种在惯性导航中常用的基本坐标系，便于后面四旋翼飞行器模型的建立与分析

若要对飞行器进行控制，则需要得到飞行器的戏台信息，而飞行器的姿态信息是由机体坐标系b和惯性坐标系i之间的旋转关系确定的。分别设飞行器的横滚角α、偏航角β、俯仰角γ，从惯性坐标系i向机体坐标系b旋转，首先绕惯性坐标系的z轴转动β，再绕y轴转动γ，最后绕x轴转动α。

姿态矩阵为

②

经数学建模，可以到飞行器的数学模型：

③

上式各个参数含义如下表1：

表1 飞行器参数

四个机翼角速度ω1,ω2,ω3,ω4作为输入信号，三个偏转角为输出信号，仿真过程中以改变四个机翼角速度的值；以阶跃信号作为信号源进行仿真，观察位移和偏转角的变化进行分析有如下结果：

1.起飞和降落：当四个角速度的值一样时，即ω1=ω2=ω3=ω4,使得垂直方向的输入控制量U1数值持续增大，达到一定值时实现飞行器的起飞和降落。

2.横滚运动：当一对对角速度值一样，另一对对角值速度不一样时，即ω1=ω3，ω2>ω4,使得翻滚输入控制量U2增大，反之减小，实现飞行器的横滚。

3.俯仰运动：类似于横滚运动，但是方向相反，即ω2=ω4，ω1>ω3，使得俯仰控制量U3增大，反之减小，来模拟飞行器俯仰角的变化。

三、BP神经网络算法预测控制

由已知预测控制规则，建立飞行器控制方案，控制方案具有预测控制的4种要素，即模型预测、反馈校正、参考输入轨迹和滚动优化。

1.模型预测：在预测控制算法中，需要一个描述被控对象动态特性的对象模型，该模型能够根据对象前后的输入输出信息来预测系统的未来输出状态。

2.反馈校正：针对四旋翼无人机，其飞行状态受气压，风速的干扰，因此预测模型的输出可能与实际对象不一致，实际对象输出与模型输出之间的误差可以表示为：

em(k)=y(k)-ym(k)

④

得到反馈校正后模型的预测输出为：

yp(k+d)=ym(k+d)+h[y(k)-ym(k)]

⑤

(3)参考轨迹：为使系统的输出y(k)，能够沿着一条规定的曲线逐渐到达设定值r，从而可以减小过量的控制作用，使系统的输出能平滑的到达设定值。

参考轨迹yr可以表示为：

yr(k+d)=ary(k)+(1-ar)r(k)

⑥

(4)滚动优化计算：预测控制算法的优化计算是建立上述预测模型基础上的，它要求控制步都向未来有限步提出优化要求：

图1 评估结果示意图

从图1直观看出，当无人机失速控制时，BP神经网络的评估结果输出误差相对稳定且趋向于0，表明BP神经网络模型对无人机姿态预测控制效能评估的可信程度高。经计算：BP神经网络评估结果的均方误差为。仿真结果表明：BP神经网络的姿态预测控制评估高反映了BP神经网络是无人机预测控制效能评估的有效方法。

四、结语

本文研究BP神经网络算法预测控制无人机飞行控制效能评估，构建了BP神经网络评估模型。仿真结果表明，BP神经网络飞行控制预测评估模型能够搜索到合理的初始权值和阈值，使四旋翼飞行器表现出更加优异的性能，不但提高了神经网络的收敛速度，而且也提高了BP神经网络的评估精度，取得了很好的评估效果。这种基于BP神经网络算法的无人机飞行控制评估模型，可以解决很多的非线性函数关系，拥有良好的学习能力和预测能力，具有较高的实用价值。

[1]岳基隆，张庆杰，朱华勇.微小型四旋翼无人机研究进展及关键技术浅析[J].电光与控制，2010,10(10):46-52.

[2]梁勤，马捷中，翟正军.基于MATLAB的通用飞行器仿真[J]:计算机测量与控制2008，16(8)

[3]易先军，周敏，谢亚奇.四旋翼飞行器控制系统的设计与实现[J]:武汉工程大学学报，2014，36(11)

[4]杨庆华，宋召青，时磊.四旋翼飞行器建模、控制与仿真[J].海军航空工程学院学报，2009,24(5)

[5]王震宇，熊家新，陈纯，刘丽.四轴飞行器的数学模型[J].长春理工大学学报(自然科学版)，2015,38(4)

[6]王小川，史峰，郁磊,等.MATLAB神经网络43个案例分析[M].北京:北京航空航天大学出版社，2013：1-14.

Control of four-rotor stable flight attitude has always been an important bottleneck restricting its development.Conventional Kalman filter control is somewhat limited by the performance of the filter.This paper presents a predictive control method based on BP neural network with strong ability of self-organizing,self-learning,adaptive and non-linear mapping,which can solve the problem of high nonlinearity,complexity and fuzziness.Simulation results show that the system can quickly diagnose faults in real time when the system is in flight,and quickly isolate and control the fault according to fault characteristics and damage characteristics to ensure the normal flight of the aircraft.

Attitude control；BP neural network；non-linearity

国家级大创项目(项目编号201610702023)

西安工业大学大学生创新创业训练项目(项目编号201610702023)

甘孟哲(1996.11-)，男，汉族，山东省嘉祥县，在读大学生，西安工业大学计算机科学与工程学院,研究方向非线性系统控制。