СТАБИЛИЗАЦИЯ БЕСПИЛОТНОГО ЛЕТАТЕЛЬНОГО АППАРАТА НА ОСНОВЕ НЕЙРОСЕТЕВОГО РЕГУЛЯТОРА

Исследована проблема стабилизации мультироторного беспилотного летательного аппарата в условиях неучтенных возмущающих воздействий. Рассмотрен классический пропорционально-интегрально-дифференциальный регулятор, показаны его недостатки – неспособность реагировать на изменяющиеся внешние условия и необходимость ручной настройки коэффициентов. Предложен метод настройки коэффициентов адаптивного пропорционально-интегрально-дифференциального регулятора на основе нейронных сетей. Описана структура нейронной сети, ее входные и выходные данные. Для создания адаптивной системы стабилизации мультироторного беспилотного летательного аппарата использованы нейронные сети с тремя слоями, обучаемые по методу обратного распространения ошибки. В результате работы нейронных сетей определяются коэффициенты для регулятора по каждому углу стабилизации. Рассмотрен метод обучения нейронной сети. Приведены графики переходных процессов на различных этапах обучения сети, в том числе с учетом внешних возмущений. Показано, что при достаточном количестве итераций обучения система отвечает требованиям по стабилизации аппарата. Приведенный метод настройки коэффициентов может быть использован в управлении беспилотными летательными аппаратами, оперирующими в условиях изменчивой внешней среды.

1. Беляев С.С., Будько М.Б., Будько М.Ю., Гирик А.В., Жигулин Г.П. Функциональное проектирование модуля управления и навигации мультироторным БПЛА // Радиопромышленность. 2015. № 4. С. 77–87.
2. Shepherd III J.F., Tumer K. Robust neuro-control for a micro quadrotor // Proc. 12th Annual Genetic and Evolutionary Computation Conference (GECCO’10). Portland, USA, 2010. doi: 10.1145/1830483.1830693
3. Бобцов А.А., Пыркин А.А. Адаптивное и робастное управление с компенсацией неопределенностей // СПб.: НИУ ИТМО, 2013. 135 c.
4. Salichon M., Tumer K. A neuro-evolutionary approach to micro aerial vehicle control // Proc. 12th Annual Genetic and Evolutionary Computation Conference (GECCO’10). Portland, USA, 2010. P. 1123–1130. doi: 10.1145/1830483.1830692
5. Евгенов А.А. Нейросетевой регулятор системы управления квадрокоптером // Современные проблемы науки и образования. 2013. № 5. С. 61.
6. Chowdhary G., Johnson N.E. Adaptive neural network flight control using both current and recorded data // AIAA Guidance, Navigation and Control Conference. Hilton Head, USA, 2007. P. 1721–1740.
7. Rivas-Echeverria F., Rios-Bolivar A., Casales-Echeverria J. Neural network-based auto-tuning for PID controllers // Neural Network World. 2001. V. 11. N 3. P. 277–284.
8. Ziegler J.G., Nichols N.B. Optimum settings for automatic controllers // Trans. ASME. 1942. V. 64. P. 759–768.
9. Shahrokhi M., Zomorrodi A. Comparison of PID controller tuning methods [Электронный ресурс]. 2012. Режим доступа: http://www.ie.itcr.ac.cr/einteriano/control/clase/Zomorrodi_Shahrokhi_PID_tunning_comparison.pdf, своб. (дата обращения 02.08.2016).
10. Мелков Д.А. Сравнение методов настройки ПИД-регулятора при колебаниях параметров возмущающего воздействия // Молодой ученый. 2013. №4. С. 72–76.
11. Михайленко В.С., Ложечников В.Ф. Методы настройки нечеткого адаптивного ПИД-регулятора // ААЭКС. 2009. №2(24). С. 174.
12. Rojas R. Neural Networks. A Systematic Introduction. Berlin: Springer-Verlag, 1996. 502 p. doi: 10.1007/978-3-642-61068-4
13. Eberhart R.C., Dobbins R.W. Neural Network PC Tools: a Practical Guide. London: Academic Press, 1990.
14. Maren A.J., Harston C.T., Pap R.M. Handbook of Neural Computing Applications. Academic Press, 2001. 448 p.
15. Karsoliya S. Approximating number of hidden layer neurons in multiple hidden layer BPNN architecture // International Journal of Engineering Trends and Technology. 2012. V. 31. N 6. P. 714–717.
 

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License