周 健，王 敏，洪 良，李 珣

ZHOU Jian,WANG Min,HONG Liang,LI Xun

西安工程大學(xué) 電子信息學(xué)院，西安 710048

School of Electronics and Information,Xi’an Polytechnic University,Xi’an 710048,China

1 引言

隨著計(jì)算機(jī)技術(shù)、通訊技術(shù)的迅速發(fā)展以及各種數(shù)字化、體積小、測(cè)量精度高的新型傳感器不斷面世，小型無(wú)人直升機(jī)系統(tǒng)的研制受到了廣泛關(guān)注。小型無(wú)人直升機(jī)是一種強(qiáng)非線性、高度耦合和具有不確定性影響的復(fù)雜系統(tǒng)，因此，在進(jìn)行飛行控制系統(tǒng)設(shè)計(jì)時(shí)應(yīng)采用非線性控制的方法處理時(shí)變耦合的動(dòng)力學(xué)模型。小型無(wú)人直升機(jī)飛行控制系統(tǒng)設(shè)計(jì)實(shí)際就是解決多輸入多輸出系統(tǒng)存在不確定性時(shí)的魯棒性設(shè)計(jì)問(wèn)題。

近年來(lái)，由Kokotovic P V等人發(fā)展起來(lái)的反步（Backstepping）控制設(shè)計(jì)方法[1]在處理非線性問(wèn)題時(shí)顯示出獨(dú)特的優(yōu)越性，特別是針對(duì)級(jí)聯(lián)線性或非線性系統(tǒng)，通過(guò)選取合適的 Lyapunov函數(shù)，在構(gòu)造輔助控制輸入的同時(shí)補(bǔ)償不確定性的影響，最終得到穩(wěn)定的控制律，反步法在不確定非線性系統(tǒng)控制設(shè)計(jì)中引起了廣泛關(guān)注，并且在航空航天領(lǐng)域得到了應(yīng)用[2-7]。反步法與神經(jīng)網(wǎng)絡(luò)相結(jié)合可以解決一類不確定非線性系統(tǒng)的設(shè)計(jì)問(wèn)題[8-9]。文獻(xiàn)[10]針對(duì)一類非線性系統(tǒng)，設(shè)計(jì)了基于神經(jīng)網(wǎng)絡(luò)的反步控制器，但Lyapunov函數(shù)的選擇復(fù)雜；Kendoul基于無(wú)人直升機(jī)的非線性模型采用反步控制方法設(shè)計(jì)姿態(tài)控制器，所設(shè)計(jì)的控制器在閉環(huán)系統(tǒng)中雖具有漸近穩(wěn)定的性能，但存在較大的控制誤差[11]。

本文提出一種基于CMAC神經(jīng)網(wǎng)絡(luò)的小型無(wú)人直升機(jī)反步自適應(yīng)姿態(tài)控制器設(shè)計(jì)方法。針對(duì)具有復(fù)雜動(dòng)力學(xué)特性的小型無(wú)人直升機(jī)非線性動(dòng)力學(xué)模型，采用CMAC神經(jīng)網(wǎng)絡(luò)在線學(xué)習(xí)系統(tǒng)不確定性以及反步控制中各階虛擬控制量的導(dǎo)數(shù)信息，同時(shí)設(shè)計(jì)魯棒控制項(xiàng)克服CMAC神經(jīng)網(wǎng)絡(luò)在線學(xué)習(xí)系統(tǒng)不確定性的誤差，根據(jù)系統(tǒng)狀態(tài)誤差和神經(jīng)網(wǎng)絡(luò)參數(shù)估計(jì)誤差構(gòu)造Lyapunov函數(shù)遞推設(shè)計(jì)小型無(wú)人直升機(jī)反步自適應(yīng)控制器，并在懸停以及小速度前飛模態(tài)下對(duì)所設(shè)計(jì)的控制器進(jìn)行仿真以驗(yàn)證設(shè)計(jì)方法的有效性。

2 小型無(wú)人直升機(jī)動(dòng)力學(xué)模型

本文研究對(duì)象為自主研制的小型無(wú)人直升機(jī)系統(tǒng)[12]，如圖1所示?？刂频哪康氖窃趹彝Ｒ约靶∷俣惹帮w模態(tài)下實(shí)現(xiàn)姿態(tài)指令θ、φ的跟蹤。小型無(wú)人直升機(jī)機(jī)體運(yùn)動(dòng)是由周期變距輸入δlat和δlon通過(guò)旋翼產(chǎn)生的揮舞傳遞至槳轂產(chǎn)生相應(yīng)的力和力矩的變化，進(jìn)而引起機(jī)身產(chǎn)生線速度和角速率的變化，最終實(shí)現(xiàn)姿態(tài)和位置的變化。忽略對(duì)軸向影響較小的氣動(dòng)力導(dǎo)數(shù)，構(gòu)成小型無(wú)人直升機(jī)姿態(tài)控制系統(tǒng)的非線性動(dòng)力學(xué)模型如下：

式中，p、q為機(jī)體坐標(biāo)系下機(jī)身的角速度；L、M為力矩矢量；θ、φ為俯仰角和滾轉(zhuǎn)角；a1、b1為縱向揮舞角和橫向揮舞角；Ixx，Iyy，Izz為機(jī)體坐標(biāo)系中繞軸的轉(zhuǎn)動(dòng)慣量；為主旋翼響應(yīng)的時(shí)間常數(shù)，γ為洛克系數(shù)，Ω為主旋翼轉(zhuǎn)速；A1和B1分別為橫向周期變距輸入和縱向周期變距輸入；Alon和Blat分別表示為主旋翼橫縱向周期變距輸入與揮舞角橫縱向輸出之間的有效增益系數(shù)。

圖1 小型無(wú)人直升機(jī)系統(tǒng)

根據(jù)小型無(wú)人直升機(jī)的控制輸入與響應(yīng)輸出的特點(diǎn)，需要設(shè)計(jì)姿態(tài)角指令跟蹤控制律u，使系統(tǒng)輸出y穩(wěn)定跟蹤給定的輸入信號(hào)yr，有效抑制不確定項(xiàng)Δ1、Δ2、Δ3對(duì)系統(tǒng)的影響，因此，將小型無(wú)人直升機(jī)的數(shù)學(xué)模型寫為如下形式：

其中，狀態(tài)變量，控制變量為縱向控制輸入和橫向控制輸入。定義。在實(shí)際飛行過(guò)程中，狀態(tài)矩陣中的氣動(dòng)導(dǎo)數(shù)實(shí)際為多個(gè)狀態(tài)變量的非線性函數(shù)，不能精確已知，因此，由建模誤差等因素產(chǎn)生的系統(tǒng)不確定項(xiàng)可表示為：

其中，Δf1、Δf2、Δf3、Δg1、Δg2、Δg3表示建模誤差。

3 反步自適應(yīng)控制器設(shè)計(jì)

3.1 反步自適應(yīng)控制器結(jié)構(gòu)

CMAC是一種表達(dá)復(fù)雜非線性函數(shù)的表格查詢型自適應(yīng)神經(jīng)網(wǎng)絡(luò)[13-15]，其實(shí)質(zhì)是一種查表技術(shù)，CMAC神經(jīng)網(wǎng)絡(luò)把信息存儲(chǔ)在局部的結(jié)構(gòu)上，在保證函數(shù)逼近的前提下，具有學(xué)習(xí)速度快、結(jié)構(gòu)簡(jiǎn)單，易于軟硬件實(shí)現(xiàn)的特點(diǎn)。

為了提高小型無(wú)人直升機(jī)的控制精度，本文提出一種采用CMAC神經(jīng)網(wǎng)絡(luò)與反步自適應(yīng)控制相結(jié)合的控制器設(shè)計(jì)方法，其結(jié)構(gòu)如圖2所示。從圖中可以看出，反步控制方法將每一個(gè)子系統(tǒng)（如式（7））中的x1,x2,x3作為虛擬控制輸入，通過(guò)設(shè)計(jì)適當(dāng)?shù)奶摂M反饋xi+1=ai(x1,x2,…,xi)，使得前面的子系統(tǒng)得到鎮(zhèn)定，且狀態(tài)達(dá)到漸近穩(wěn)定，但系統(tǒng)的虛擬反饋一般并不可得。因此，可引入誤差變量zi+1=xi+1-ai(x1,x2,…,xi)，通過(guò)控制輸入的作用，使得xi+1漸近收斂于ai(x1,x2,…,xi)，從而實(shí)現(xiàn)整個(gè)系統(tǒng)的漸近穩(wěn)定，同時(shí)，通過(guò)設(shè)計(jì)CMAC神經(jīng)網(wǎng)絡(luò)在線逼近系統(tǒng)不確定性以及反步控制中各階虛擬控制量的導(dǎo)數(shù)信息，使系統(tǒng)輸出可漸近跟蹤期望輸出x1r，進(jìn)而提高系統(tǒng)的控制精度。

圖2 反步自適應(yīng)控制器結(jié)構(gòu)圖

3.2 控制器設(shè)計(jì)

在設(shè)計(jì)控制器之前，先給出與系統(tǒng)控制律設(shè)計(jì)相關(guān)的定義和假設(shè)：

假設(shè)1期望的參考信號(hào)有界且一階導(dǎo)數(shù)有界。

假設(shè)2矩陣可逆。

首先，考慮閉環(huán)系統(tǒng)（7）的第1個(gè)子系統(tǒng)，引入跟蹤誤差狀態(tài)變量：

式中，a1為理想的中間級(jí)虛擬控制量。

設(shè)計(jì)CMAC神經(jīng)網(wǎng)絡(luò)在線逼近系統(tǒng)不確定性：

式中，1=w1-，w1為期望權(quán)值矩陣，為權(quán)值向量矩陣的估計(jì)，ε1為理想逼近誤差，為誤差權(quán)值向量矩陣，即估計(jì)權(quán)值向量矩陣與期望權(quán)值向量矩陣的誤差。對(duì)z1求導(dǎo)，可得：

選取第一個(gè)子系統(tǒng)的理想虛擬控制量為：

由于Δ1期望權(quán)值w1未知，得不到理想的a1，因此用估計(jì)值代替期望權(quán)值w1。上式中k1和σ1為正實(shí)數(shù)；σ1tanh(z1)為設(shè)計(jì)的魯棒項(xiàng)，用以抵消逼近誤差ε1的影響。為避免控制量的不連續(xù)，用雙曲正切函數(shù)tanh()代替符號(hào)函數(shù)sgn()。

將公式（12）代入至公式（11）可得：

選取Lyapunov函數(shù)：

對(duì)V1求導(dǎo)可得：

選擇CMAC神經(jīng)網(wǎng)絡(luò)自適應(yīng)權(quán)值調(diào)整規(guī)則為：，其中 0＜β1＜2 ，將其代入式（14）：

式中下標(biāo)中的1表示第1步誤差權(quán)值向量矩陣，i表示其中的i個(gè)列向量；v1表示第一步m維相聯(lián)空間A中的向量；z1i下標(biāo)中的1表示第1步得到的輸出誤差向量，i表示其中的i個(gè)元素，i=1,2,…,n。由于：

因此，公式（15）中項(xiàng)可寫為：

公式（15）中項(xiàng)可寫為：

可以得到：，將其代入公式（15）中：

由于a1不是最終的控制信號(hào)，因此需要第二步設(shè)計(jì)，對(duì)z2求導(dǎo)得：

設(shè)計(jì)CMAC神經(jīng)網(wǎng)絡(luò)在線逼近系統(tǒng)不確定性：

選取理想的中間級(jí)虛擬控制量：

由于Δ2期望權(quán)值w2未知，得不到理想的a2，因此用估計(jì)值w2代替期望權(quán)值w2。σ2tanh(z2)為設(shè)計(jì)的魯棒項(xiàng)，用以抵消逼近誤差ε2的影響。

將公式（20）代入公式（19）中：

選取Lyapunov函數(shù)：

選擇CMAC神經(jīng)網(wǎng)絡(luò)自適應(yīng)權(quán)值調(diào)整規(guī)則：，其中 0＜β2＜2。

對(duì)V2求導(dǎo)可得：

根據(jù)公式（16）、（17）同理推導(dǎo)可得：，將上式代入公式（22）中：

考慮閉環(huán)系統(tǒng)（7）的第3個(gè)子系統(tǒng)Δ3，定義虛擬反饋誤差z3=x3-a2對(duì)z3求導(dǎo)，可得：

設(shè)計(jì)CMAC神經(jīng)網(wǎng)絡(luò)在線逼近系統(tǒng)不確定性：，其中

設(shè)計(jì)系統(tǒng)的控制輸入為：

由于Δ3期望權(quán)值w3未知，得不到理想的控制輸入u，因此用估計(jì)值代替期望權(quán)值w3。σ3tanh(z3)為設(shè)計(jì)的魯棒項(xiàng)，用以抵消逼近誤差ε3的影響。

將公式（25）代入公式（24）中：

選取Lyapunov函數(shù)：

選擇CMAC神經(jīng)網(wǎng)絡(luò)自適應(yīng)權(quán)值調(diào)整規(guī)則：，其中，0＜β3＜2。

對(duì)V3求導(dǎo)可得：

根據(jù)公式（16）、（17）可以同理推導(dǎo)得到：zT3w3v3=，將其代入公式（27）中：

當(dāng)選擇時(shí)有：

因?yàn)椋?，所以V3漸近收斂于零，即 z1，z2，z3漸近收斂于零，從而系統(tǒng)實(shí)際輸出漸近收斂于期望輸出yr。對(duì)小型無(wú)人直升機(jī)系統(tǒng)設(shè)計(jì)公式（12）和公式（20）作為虛擬反饋輸入，公式（25）作為連續(xù)控制輸入，采用式描述的CMAC神經(jīng)網(wǎng)絡(luò)在線逼近系統(tǒng)的不確定項(xiàng)，學(xué)習(xí)規(guī)則：，選擇為設(shè)計(jì)的魯棒控制項(xiàng)，用以抵消神經(jīng)網(wǎng)絡(luò)在線逼近誤差εi(i=1,2,3)的影響，則當(dāng)所設(shè)計(jì)的魯棒控制項(xiàng)系數(shù)(下標(biāo)i表示第i步得到的神經(jīng)網(wǎng)絡(luò)輸出誤差向量，j表示其中 j個(gè)元素），系統(tǒng)輸出可漸近跟蹤期望輸出，且系統(tǒng)實(shí)際控制輸入連續(xù)。

4 仿真驗(yàn)證與分析

選取小型無(wú)人直升機(jī)飛行仿真初始狀態(tài)為穩(wěn)定懸停狀態(tài)，即V0=0 m/s，θ0=φ0=0°?，飛行高度h0=100 m 。CMAC神經(jīng)網(wǎng)絡(luò)主要參數(shù)：學(xué)習(xí)速率β=0.2，泛化參數(shù)C=50，N=1 000；反步自適應(yīng)控制器主要參數(shù)：σ1=0.2，σ2=0.1，σ3=2，k1=30，k2=10，k3=2。仿真目標(biāo)為在未建模動(dòng)態(tài)的影響下驗(yàn)證姿態(tài)角跟蹤參考指令信號(hào)的響應(yīng)性能。

取參考指令：，其他時(shí)刻為配平值。需要說(shuō)明的是，為了避免跟蹤指令發(fā)生階躍突變，在參考指令信號(hào)后增加了一個(gè)時(shí)間常數(shù)為0.5 s的一階慣性濾波器得到期望的跟蹤指令?；谏窠?jīng)網(wǎng)絡(luò)的反步自適應(yīng)姿態(tài)控制器響應(yīng)輸出曲線如圖3所示，左側(cè)為縱向[θ,q,a1]的響應(yīng)曲線，右側(cè)為橫向[φ,p,b1]的響應(yīng)曲線，由仿真結(jié)果可知，反步自適應(yīng)控制器能夠快速、準(zhǔn)確地跟蹤參考指令，角速率p,q和揮舞角a1,b1以及圖4所示的控制輸入δlat,δlon信號(hào)均在合理的限幅之內(nèi)，滿足仿真目標(biāo)要求。

圖3 反步自適應(yīng)控制器響應(yīng)曲線

圖4 縱向、橫向控制輸入曲線

設(shè)計(jì)小型無(wú)人直升機(jī)PID控制器，在相同的仿真條件下，PID控制器參數(shù)為：縱向kp=13.5、kd=3.6；橫向kp=9.8、kd=4.3，仿真響應(yīng)曲線如圖5所示。從仿真結(jié)果可以看出，反步自適應(yīng)控制器的跟蹤的縱向最大誤差小于 3.62°?，橫向最大誤差小于 1.59°?，而PID控制器的縱向最大跟蹤誤差小于6.89°?，橫向最大跟蹤誤差小于2.6°?。所設(shè)計(jì)反步自適應(yīng)姿態(tài)控制器動(dòng)態(tài)響應(yīng)效果較好，在快速性、準(zhǔn)確性和穩(wěn)定性上要優(yōu)于PID控制方法所設(shè)計(jì)的姿態(tài)控制器。

圖5 兩種控制方法比較的響應(yīng)曲線

圖6 為系統(tǒng)模型參數(shù)攝動(dòng)50%和120%的情況下跟蹤參考指令信號(hào)：，其他時(shí)刻為配平值時(shí)的響應(yīng)曲線。由圖6可見(jiàn)，在模型參數(shù)攝動(dòng)情況下，反步自適應(yīng)控制器依然能快速跟蹤指令信號(hào)，在具有跟蹤實(shí)時(shí)性好、跟蹤誤差較小的同時(shí)還有較強(qiáng)的魯棒性，并且控制輸入δlat,δlon均在合理的控制輸入限幅之內(nèi)。

圖6 模型參數(shù)攝動(dòng)時(shí)的響應(yīng)曲線

5 結(jié)論

本文提出了一種基于神經(jīng)網(wǎng)絡(luò)的反步自適應(yīng)控制器設(shè)計(jì)方法以解決小型無(wú)人直升機(jī)飛行時(shí)模型嚴(yán)重非線性和參數(shù)不確定性問(wèn)題。將所設(shè)計(jì)的控制器在小型無(wú)人直升機(jī)姿態(tài)控制系統(tǒng)中應(yīng)用并進(jìn)行仿真驗(yàn)證，仿真結(jié)果表明，所設(shè)計(jì)的控制器在有效抑制系統(tǒng)不確定影響的同時(shí)還具有響應(yīng)迅速以及良好的指令跟蹤性能，并且在模型參數(shù)攝動(dòng)較大時(shí)，該控制器仍可以跟蹤參考指令并表現(xiàn)出較強(qiáng)的魯棒性。

參考文獻(xiàn)：

[1]Krstic M，Kokotovic P V.Control Lyapunov functions for adaptive nonlinear stabilization[J].Systems and Control Letters，1995，26（1）：18-23.

[2]Francesc P，F(xiàn)aycal I，Jose R.Numerical issues in backstepping control：Sensitivity and parameter tuning[J].Journal of the Franklin Institute，2008，345（8）：891-905.

[3]Hsu C F，Lin C M.Fuzzy-identification-based adaptive controller design via backstepping approach[J].Fuzzy Sets&Systems，2005，151（1）：43-57.

[4]Nurkan Y，Yuksel H.Backstepping control of a vehicle with active suspensions[J].Control Engineering Practice，2008，16（12）：1457-1467.

[5]Ozbay U，Zergeroglu E，Sivrioglu S.Adaptive backstepping control of variable speed wind turbines[J].International Journal of Control，2008，81（6）：910-919.

[6]孫勇，章衛(wèi)國(guó)，章萌.基于神經(jīng)網(wǎng)絡(luò)的反步自適應(yīng)大機(jī)動(dòng)飛行控制[J].系統(tǒng)工程與電子技術(shù)，2011，33（5）：1113-1117.

[7]劉少華，周志久，段征宇.戰(zhàn)斗性機(jī)動(dòng)飛行的智能反步自適應(yīng)控制[J].飛行力學(xué)，2011，29（6）：22-25.

[8]Zou Y，Zheng Z.A robust adaptive RBFNN augmenting backstepping control approach for a model-scaled helicopter[J].IEEE Transactions on Control Systems Technology，2015，23（6）：2344-2352.

[9]Chang Guanqing，Qian Hanbo，F(xiàn)an Guoliang，et al.Adaptive fuzzy backstepping control for a miniature helicopter[C]//International Conference on Automation and Logistics，2010：451-456.

[10]Lin F J，Shieh P H，Chou P H.Robust adaptive backstepping motion control of linear ultrasonic motors using fuzzy neural network[J].IEEE Transactions on Fuzzy Systems，2008，16（3）：676-692.

[11]Kendoul F.Nonlinear hierarchical flight controller for unmanned rotorcraft：Design，stability，and experiments[J].Journal of Guidance，Control，and Dynamics，2009，32（6）.

[12]周健，洪良，李文超.小型單旋翼無(wú)人直升機(jī)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].西安工程大學(xué)學(xué)報(bào)，2014，28（5）：626-630.

[13]蘇剛，陳增強(qiáng)，袁著祉.小腦模型關(guān)節(jié)控制器（CMAC）理論及應(yīng)用[J].儀器儀表學(xué)報(bào)，2003（S1）：269-273.

[14]Pinzon Morales R D，Ohata Y，Hirata Y.Adaptive control of 2-wheeled balanced robot by cerebellar neuronal network model[J].Engineering in Medicine and Biology Society，2010：1589-1592.

[15]Kim Daijin.A design of CMAC-based fuzzy logic controller with fast learning and accurate approximation[J].Fuzzy Sets and Systems，2002，125：93-104.