|
|
طراحی کنترل کننده برای مدل غیرخطی کوادروتور با استفاده از فیدبک خطی ساز و pid مرتبه کسری با تنظیم بر اساس تئوری شبکه عصبی
|
|
|
|
|
نویسنده
|
مختاری ابوالفضل
|
منبع
|
مهندسي مكانيك ايران - 1400 - دوره : 23 - شماره : 1 - صفحه:110 -129
|
چکیده
|
کوادروتور یک سیستم زیر تحریک و غیرخطی کوپل شده است. جهت کنترل، از روش پسخوراند خطی ساز [1] (fl) بر اساس دینامیک سیستم استفاده شده است و به این ترتیب سیستم غیرخطی پیچیده به یک سیستم خطی ساده تبدیل میگردد، علاوه بر این از ترکیب کنترل کننده pid مرتبه کسری[2] (fopid) با فیدبک خطی ساز استفاده میشود تا تنظیم موقعیت کوادروتور به دقت انجام شود. تنظیم ضرایب کنترل کننده fopid به دلیل داشتن دو پارامتر بیشتر نسبت به کنترل کننده عادی pid، دارای پیچیدگی بیشتری است برای همین از شبکههای عصبی[3] ( nns) برای تنظیم پارامترهای fopid استفاده میشود. برای بهروزرسانی وزنهای شبکه عصبی از الگوریتم پس انتشار خطا[4] ( bp) بهره برده میشود. از شبکههای عصبی به دلیل انعطافپذیری و آموزش بر خط میتوان برای غلبه بر نامعینیها و افزایش قوام کنترل کننده استفاده کرد. پیادهسازی عملگر مرتبه کسری به دلیل داشتن بعد[5] بینهایت با مشکلاتی مواجه است و در این مقاله از تقریب بهینه اوستالوپ برای تخمین و پیادهسازی عملگر کسری استفاده میشود. درنهایت نتایج شبیه سازی برای بررسی دقت روش ارائه شده و همچنین مقاومت آن ارائه می شوند.
|
کلیدواژه
|
کوادروتور، فیدبک خطی ساز، pid ,مرتبه کسری، شبکه عصبی
|
آدرس
|
دانشگاه امام علی (ع), دانشکده مهندسی و پرواز, گروه خلبانی, ایران
|
پست الکترونیکی
|
s.abolfazl.mokhtari@aut.ac.ir
|
|
|
|
|
|
|
|
|
Feedback Linearization Fractional Order PID Controller Tuned By Neural Networks Theorem
|
|
|
Authors
|
Mokhtari M. Abolfazl
|
Abstract
|
Quadrotor is an under actuated and nonlinear coupled system. To control the dynamic of the system feedback linearization (FL) method is used to convert the nonlinear model to a simple linear one. Moreover, a combination of fractional order PID (FOPID) with FL is used to improve the tracking ability. Tuning the parameters of NFOPID, because of two more orders of integral and derivation is a complicated task; therefore neural networks (NNs) method is used to cope with this duty. Back propagation (BP) algorithm is used to train the weights of the NNs. Because of the flexibility and online learning of the NNs, the proposed controller can be robust against uncertainties and disturbances. The fractional order operator has infinite dimension and for practical implementation modified Oustaloup’s method is used in this paper. The results of the simulations also validate the effectiveness and robustness of the proposed scheme.
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|