无人机自动驾驶系统稳定性控制优化仿真

发布时间：2020-07-04 06:23

【摘要】：无人机自动驾驶的稳定性关系到飞行器的自身安全。无人机自动驾驶控制过程中,由于无人机在飞行过程中会进行急速转弯,外部强气流冲击对转弯中的稳定性带来较大影响。传统的PID控制方法在应用到无人机驾驶过程中时,需要进行大幅度的参数调整,以保证机身稳定,参数超调量过大会导致控制过程存在较为明显的误差。提出了基于量子遗传算法、神经网络的新型PID控制器设计方法,并应用到无人机的自动化控制中。利用量子遗传算法的自适应调整搜索能力优化神经网络的权值系数,避免神经网络陷入局部极小化及收敛速度慢的缺陷,利用改进后的神经网络算法优化PID控制过程,有效克服传统PID算法的缺陷,根据PID算法完成无人机自动驾驶控制器设计。实验结果表明,新一代控制器在无人机的PID控制过程中,耗时和延迟都明显优化,超调量较小,为驾驶系统稳定性控制设计提供了依据。
【图文】：

原理图,原理图,PID算法,仿真模型

图1新一代PID控制器设计原理图4)依据神经网络各个节点的输入及输出计算获得输出层的3个节点就是对应PID管制器的3个参数kp、ki、kd;5)利用量子遗传算法来修正神经网络的加权值;6)令k=k+1，返回(2)重复进行。6系统实验与实验结果分析6．1系统参数的设置为了验证本文所研究的新型PID控制器在整个控制系统中的有效性，需要利用MATLAB建立无人机飞行的仿真模型，如(4)式所示，仿真模型的参数可以在文献［10］中的实验数据中进行提取，可以得到下面的仿真模型:G(S)=0．05273S+0．7926*S+0．1516(10)设定本文所研究的新型PID控制器的输出初始值u(k)=0;加速系数c1=c2=1．97;惯性引子=0．6;粒子数m=7;迭代次数k1=9;输入信号采样数为700;改进PID算法的权值初始化为wi=－0．27500．92160．53210．61320．7080－0．5268－0．92670．5897－0．4827－0．9837－0．4896－0．49520．4581－0．4727－0．0159－0．9981wo=－0．7968－0．25670．8769－0．6547……………………0．71270．5186－0．7586－0．7186……………………．－0．67850．2854－0．08980．72586．2实验与结果分析为了验证新型PID算法在无人机驾驶控制系统中的有效性，在MATLAB中搭建了基于图1的仿真模型，并且使无人机的飞行速度调速控制在20－50m/s之间进行实验，仿真结果如图2、3、4所示。对图2、3、4中的跟踪曲线和误差曲线进行对比可以得出，基于量子遗传算法的PID算法与基于神经网络的PID算法的控制效果的稳定性和精确度都不如基于经过量子遗传算法优化的神经网络的新型PID算法效果好，其中，基于神经网络的PID算法与本文所研究的新型PID算法对整个控制系统的控制有效性不相上下，但后者?

1的仿真模型，并且使无人机的飞行速度调速控制在20－50m/s之间进行实验，仿真结果如图2、3、4所示。对图2、3、4中的跟踪曲线和误差曲线进行对比可以得出，基于量子遗传算法的PID算法与基于神经网络的PID算法的控制效果的稳定性和精确度都不如基于经过量子遗传算法优化的神经网络的新型PID算法效果好，其中，基于神经网络的PID算法与本文所研究的新型PID算法对整个控制系统的控制有效性不相上下，但后者的误差变更加缓和，所以，本文研究的PID算法更能适用于无人机驾驶系统的控图2量子遗传算法的PID控制器的仿真输出图3基于量子遗传算法优化神经网络自适应PID控制器的仿真输出图4基于神经网络的PID控制器的仿真输出制过程，而基于量子遗传算法的PID算法的超调量较大，将其运用在无人机驾驶系统的控制过程中会无法满足控制过程的稳定性和精确度。这主要是因为量子遗传算法与神经网络相结合的PID算法具有局部正支撑性，具有自适应调整功能的量子遗传算法能够发挥神经网络的优势，并且神经网络的学习速度较快，还可抵消量子遗传算法在自适应调整过程中的时间消耗。另外，由图2、3、4可见，在3种算法中，基于量子遗传的PID算法误差值最大，而另两种算法的学习过程都利用了神经网络，因此可以进一步说明两者结合的PID算法具有较强的全局和局部搜索能力。总之，结合量子遗传算法和神经网络的优势，并进行优化处理，文中提出的新型PID控制器可以有效的提高整个驾驶控制系统的精度和跟踪速度。分别采用本文算法和基于量子遗传的PID算法进行100次仿真，对其迭代次数和耗时进行统计，得到的结果如表2—67—

【相似文献】