طراحی کنترل‌کننده پیش‌بین مقید با درنظر گرفتن تاخیر ارتباطی برای چهارپره و تنظیم بهینه پارامترهای کنترل‌کننده

نوع مقاله : مقاله پژوهشی

نویسندگان

1 مجتمع برق و کامپیوتر- دانشگاه صنعتی مالک اشتر- تهران- ایران

2 مجتمع برق و کامپیوتر- دانشگاه صنعتی مالک اشتر

چکیده

طراحی خلبان خودکار مناسب برای چهارپره‌ها در نحوه حرکت پرنده و دنبال کردن مسیر مرجع تعیین شده بسیار اهمیت دارد. یکی از کنترل‌کننده‌های مناسب جهت طراحی خلبان خودکار ، کنترل‌کننده پیش‌بین می‌باشد که در میان روش‌های کنترل پیش‌بین، روش کنترل پیش‌بین تعمیم یافته شناخته شده‌ترین روش است. در طراحی خلبان خودکار قید بر روی ورودی‌ها و همچنین تأخیر در ارتباطات بایستی درنظر گرفته شود و چنانچه این دو موضوع در طراحی کنترل‌کننده لحاظ نشود، خلبان خودکار عملکرد درستی نخواهد داشت و ممکن است حتی به ناپایداری منجر شود. در این مقاله یک کنترل‌کننده مقید پیش‌بین تعمیم یافته با درنظر‌گرفتن تأخیر در داده‌های ورودی برای خلبان خودکار چهارپره ارائه شده‌است. همچنین، جهت تعیین پارامترهای کنترل پیش‌بین از روش‌ فرا ‌ابتکاری بهینه‌سازی انبوه ذرات استفاده شده‌است و این پارامترها به صورت بهینه تنظیم شده‌اند. در تنظیم پارامترهای کنترل پیشبین از تابع برازندگی بر اساس شاخص‌های عملکردی: زمان نشست، زمان اوج، میزان فراجهش و خطای حالت دائم استفاده شده‌است. مزیت این تابع برازندگی آن است که با تنظیم وزن‌های این تابع، می‌توان این شاخص‌های عملکردی کنترل‌کننده را تعیین نمود. همچنین، نتایج شبیه‌سازی نشان می‌دهد عملکرد کنترل‌کننده بر اساس تابع برازندگی تعریف‌شده نسبت به تابع برازندگی بر اساس انتگرال خطا بسیار بهبود داده می‌شود.

کلیدواژه‌ها


  • Zhang, C., & Kovacs, J. M. (2012). The application of small unmanned aerial systems for precision agriculture: a review. Precision agriculture, 13(6), 693-712.
  • Bouabdallah, S. (2007). Design and control of quadrotors with application to autonomous flying (No. THESIS). Epfl.
  • Ahn, Y. M., Block, D. J., & Sreenivas, R. S. (2015). Autonomous navigation and localization of a quadrotor in an indoor environment. Journal of Aerospace Information Systems, 12(12), 699-709.
  • Dydek, Z. T., Annaswamy, A. M., & Lavretsky, E. (2012). Adaptive control of quadrotor UAVs: A design trade study with flight evaluations. IEEE Transactions on control systems technology, 21(4), 1400-1406.
  • Chen, A. J., Sun, M. J., Wang, Z. H., Feng, N. Z., & Shen, Y. (2020). Attitude trajectory tracking of quadrotor UAV using super-twisting observer-based adaptive controller. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering, 0954410020966476.
  • Turkoglu, K., & Jafarov, E. M. (2007, May). Augmented optimal LQR control system design for the longitudinal flight dynamics of an UAV: Inner and outer loop concepts. In Proceedings of the 9th WSEAS International Conference on Automatic Control, Modeling & Simulation, Istanbul, Turkey.
  • Özbek, N. S., Önkol, M., & Efe, M. Ö. (2016). Feedback control strategies for quadrotor-type aerial robots: a survey. Transactions of the Institute of Measurement and Control, 38(5), 529-554.
  • Zulu, A., & John, S. (2016). A review of control algorithms for autonomous quadrotors. arXiv preprint arXiv:1602.02622.
  • Han, B., Zhou, Y., Deveerasetty, K. K., & Hu, C. (2018, August). A review of control algorithms for quadrotor. In 2018 IEEE International Conference on Information and Automation (ICIA) (pp. 951-956). IEEE.
  • Chiou, J. S., Tran, H. K., Shieh, M. Y., & Nguyen, T. N. (2016). Particle swarm optimization algorithm reinforced fuzzy proportional–integral–derivative for a quadrotor attitude control. Advances in Mechanical Engineering, 8(9), 1687814016668705.
  • Zareb, M., Nouibat, W., Bestaoui, Y., Ayad, R., & Bouzid, Y. (2020). Evolutionary autopilot design approach for UAV quadrotor by using GA. Iranian Journal of Science and Technology, Transactions of Electrical Engineering, 44(1), 347-375.
  • Mendoza-Soto, J. L., & Cortés, H. R. (2017, June). Generalized predictive control for trajectory tracking of a quadcopter vehicle. In 2017 international conference on unmanned aircraft systems (ICUAS) (pp. 206-212). IEEE.
  • Criado, R. M., & Rubio, F. R. (2015). Autonomous path tracking control design for a comercial quadcopter. IFAC-PapersOnLine, 48(9), 73-78.
  • Eren, U., Prach, A., Koçer, B. B., Raković, S. V., Kayacan, E., & Açıkmeşe, B. (2017). Model predictive control in aerospace systems: Current state and opportunities. Journal of Guidance, Control, and Dynamics, 40(7), 1541-1566.
  • Greatwood, C., & Richards, A. G. (2019). Reinforcement learning and model predictive control for robust embedded quadrotor guidance and control. Autonomous Robots, 43(7), 1681-1693.
  • Silveira, A., Silva, A., Coelho, A., Real, J., & Silva, O. (2020). Design and real-time implementation of a wireless autopilot using multivariable predictive generalized minimum variance control in the state-space. Aerospace Science and Technology, 105, 106053.
  • Mendoza-Soto, José Luis, Alvarez-Icaza, Luis, and Rodríguez-Cortés, Hugo. Constrained generalized predictive control for obstacle avoidance in a quadcopter. Robotica, 36(9):1363–1385, 2018.
  • Kawai, F., Ito, H., Nakazawa, C., Matsui, T., Fukuyama, Y., Suzuki, R., & Aiyoshi, E. (2007, October). Automatic tuning for model predictive control: Can particle swarm optimization find a better parameter?. In 2007 IEEE 22nd International Symposium on Intelligent Control (pp. 646-651). IEEE.
  • Smoczek, J., & Szpytko, J. (2016). Particle swarm optimization-based multivariable generalized predictive control for an overhead crane. IEEE/ASME Transactions on Mechatronics, 22(1), 258-268.
  • Xu, F., Chen, H., Gong, X., & Mei, Q. (2015). Fast nonlinear model predictive control on FPGA using particle swarm optimization. IEEE Transactions on Industrial Electronics, 63(1), 310-321.
  • Luo, B., Shao, Z., Xu, Z., Zhao, J., & Zhou, L. (2011, May). A new model predictive controller with swarm intelligence implemented on FPGA. In 2011 International Symposium on Advanced Control of Industrial Processes (ADCONIP) (pp. 427-432). IEEE.
  • KARAHAN, Oğuzhan and ATAŞLAR-AYYILDIZ, Banu. Application of multi-objective controller to optimal tuning of pid parameters for different process systems using cuckoo search algorithm. Anadolu University of Sciences & Technology-A: Applied Sciences & Engineering, 20(1), 2019.
  • Wang, L. (2009). Model predictive control system design and implementation using MATLAB®. Springer Science & Business Media.
  • Mayne, D. Q., Rawlings, J. B., Rao, C. V., & Scokaert, P. O. (2000). Constrained model predictive control: Stability and optimality. Automatica, 36(6), 789-814.
دوره 22، شماره 2
آذر 1399
صفحه 133-145
  • تاریخ دریافت: 21 فروردین 1400
  • تاریخ بازنگری: 03 مرداد 1400
  • تاریخ پذیرش: 05 مرداد 1400
  • تاریخ اولین انتشار: 05 مرداد 1400