توصيفگر ها :
كوادروتور , كنترل موقعيت و جهت‌گيري , كنترل مد لغزشي , شبكه عصبي , شبكه موجك فازي
چكيده فارسي :
با رشد سريع و گسترش استفاده از وسايل نقليه هوايي بدون سرنشين در كاربردهاي مختلف، نياز به كنترل موقعيت و جهت‌گيري آن‌ها بيش از پيش اهميت پيدا كرده است. كوادروتورها از جمله وسايل نقليه هوايي هستند كه به علت قابليت مانورپذيري بالا، براي پرواز در محيط‌هاي داخلي و خارجي و در فضاي محدود با وجود موانع مورد توجه زيادي قرار گرفته‌اند. هم‌چنين ساختار ساده و سيستم پرواز مناسب آن‌ها منجر شده كه به طور گسترده‌اي براي توسعه انواع روش‌هاي كنترلي مورد استفاده قرار گيرند. اين پرنده با وجود دارا بودن چهار روتور، ناپايدار است و نيازمند يك سيستم كنترلي براي يك پرواز پايدار است. يكي از روش‌هاي رايج كنترل سيستم كوادروتور، روش كنترل مد لغزشي است. اين روش چالش‌هاي زيادي دارد كه از جمله آن مي‌توان به اثر چترينگ و نوسانات فركانس بالا، تحليل پايداري و محاسبات سخت اشاره كرد. يك چالش اساسي در استفاده از روش مد لغزشي، مربوط به محاسبه پارامترهاي تنظيم سطح لغزش است. در اين پايان‌نامه، يك روش جديد به منظور كنترل موقعيت و جهت‌گيري كوادروتور در حضور عدم‌قطعيت پارامتري و اختلال خارجي پيشنهاد شده است. در واقع در رويكرد پيشنهادي روش كنترل مد لغزشي و روش‌هاي هوشمند شبكه عصبي و شبكه موجك فازي با هم ادغام شده‌اند. ابتدا مدل ديناميكي سيستم كوادروتور به دو زير سيستم Under-Actuated و Fully-Actuated تقسيم شده است. كنترل‌كننده مد لغزشي براي هر يك از زير سيستم‌ها طراحي شده و ضرايب سطوح لغزش با استفاده از روش شبكه عصبي و شبكه موجك فازي تنظيم شده‌اند و در هر بخش پايداري سيستم حلقه بسته با استفاده از تئوري لياپانوف اثبات شده است. در اين پژوهش، در شبكه عصبي مورد نظر، از الگوريتم آموزشي پس انتشار خطا براي به‌روزرساني پارامترها استفاده شده است. اگر چه الگوريتم پس انتشار خطا توانايي بالايي در يافتن نقاط بهينه دارد، ولي ضعف اصلي آن سرعت همگرايي پائين است. به همين منظور از الگوريتم آموزشي بهبود يافته و تسريع شده براي آموزش شبكه موجك فازي استفاده شده است. الگوريتم ذكر شده، تركيبي از روش‌هاي پس انتشار خطاي تسريع شده، حداقل مربعات بازگشتي و خوشه‌بندي است. با استفاده از اين الگوريتم، آموزش شبكه موجك فازي مطابق با سه مرحله، مقداردهي اوليه، بهينه‌سازي پارامترهاي خطي و بهينه‌سازي پارامترهاي غيرخطي صورت مي‌گيرد. با بهره‌گيري از اين الگوريتم در فرآيند طراحي كنترل‌كننده، مشاهده مي‌شود كه سرعت پاسخ‌دهي كنترل‌كننده مد لغزشي مبتني بر شبكه موجك فازي (SMC-FWNN) بسيار بيش‌تر از كنترل‌كننده مبتني بر شبكه عصبي با الگوريتم آموزش پس انتشار خطاي استاندارد (SMC-BPNN) است. نتايج به آمده از شبيه‌سازي نشان‌دهنده اين موضوع است كه كنترل‌كننده پيشنهادي با بهره‌گيري از الگوريتم آموزشي ارائه شده، پارامترهاي نامشخص سطح لغزش و ورودي‌هاي كنترل را با دقت خوبي تخمين زده و رديابي مسيرهاي مطلوب تعريف شده با دقت بالايي انجام شده است. حتي با اعمال عدم‌قطعيت پارامتري و اختلال خارجي هم كنترل‌كننده پيشنهادي عملكرد مطلوبي دارد و اثر نامطلوب ناشي از آن‌ها را رفع مي‌كند و عمل كنترل موقعيت و جهت‌گيري كوادروتور به خوبي انجام مي‌شود. در نهايت، نتايج شبيه‌سازي‌هاي انجام شده كارآمدي رويكرد مطرح شده را نشان داده است.
چكيده انگليسي :
With the rapid and expansion of the use of unmanned aerial vehicles in various applications, the need to control their position and attitude has become increasingly important. Quadrotors are among the aerial vehicles that due to their high maneuverability, have been considered for flying indoors and outdoors and in confined spaces despite obstacle. Also their simple structure and convenient flight system have led to their widespread use in the development of variety of control methods. The quadrotor, despite having four rotors, is unstable and requires a control system for a stable flight. One of the common methods of controlling the quadrotor system is the sliding mode control method. This method has many challenges, including high-frequency chattering and fluctuations, stability analysis and hard computing. A major challenge in using the sliding mode method is to calculate the sliding surface adjustment parameters. In this research, a new method is proposed to control the position and orientation of the quadrotor in the presence of parametric uncertainty and external disturbance. In fact, in the proposed approach, the sliding mode control methods and the intelligent methods of neural network and fuzzy wavelet neural network are combined. First, the dynamic model of the quadrotor system is divided into two subsystems, under-actuated and fully-actuated. The sliding mode controller is designed for each of the subsystems and the sliding surface coefficients are adjusted using the neural network and fuzzy wavelet methods, and in each section the stability the closed-loop system is proved using Lyapunov theory. In this research, in the target neural network, a back propagation learning algorithm has been used to updated the parameters. Although the back propagation algorithm has a high ability to find the optimal points, its main weakness is the low convergence speed. For this purpose, an improved and accelerated learning has been used to train the fuzzy wavelet neural network. The mentioned algorithm is a combination of accelerated back propagation methods, recursive least squares and clustering method. Using this algorithm, fuzzy wavelet neural network learning is performed according to three steps: initialization, optimization of linear parameters and optimization of nonlinear parameters. Using this algorithm in the controller design process, it is observed that the response speed of the sliding mode controller based on fuzzy wavelet neural network (SMC-FWNN) is much higher than the controller based on the neural network with standard back propagation learning algorithm (SMC-BPNN). The results of the simulation show that the proposed learning algorithm, accurately estimates the uncertain parameters of the sliding surface and control inputs and desired trajectory tracking defined with high accuracy. With the application of parametric uncertainty and external disturbance, all the proposed controllers have a good performance and eliminate the adverse effect caused by them, and the position and attitude control action is performed well. Finally, the results of the simulations performed show the effectiveness of the proposed approach.
