کنترل پیشبین مدل تطبیقی مبتنی بر یادگیری برای ردگیری دقیق مسیر کوادروتور در حضور عدم قطعیت ها و عیوب عملگر

عملکرد کوادروتورها در محیط های واقعی همواره تحت تاثیر عدم قطعیت ها، اغتشاشات و عیوب احتمالی قرار دارد که این امر می تواند دقت ردگیری مسیر را در کنترل کننده های مبتنی بر مدل نامی کاهش دهد. در این پژوهش یک رویکرد کنترل پیشبین تطبیقی مبتنی بر شبکه عصبی برای کنترل کوادروتور در حضور عدم قطعیت های مدل، اغتشاشات جوی و عیب عملگر توسعه داده شده است. روش کنترل پیشبین مورد استفاده از نوع مبتنی بر شتاب بوده و به منظور کاهش هزینه محاسباتی در حل مسئله بهینه سازی مدل پیشبین در هر گام زمانی حول مسیر آینده سیستم خطی سازی می شود. به منظور مقابله با عدم قطعیت ها و اغتشاشات متغیر با زمان از یک شبکه عصبی پایه شعاعی برای تخمین اختلاف بین رفتار واقعی سیستم و رفتار پیش بینی شده بر اساس مدل نامی استفاده شده است. وزن های این شبکه عصبی به صورت آنلاین و با استفاده از روش حداقل مربعات بازگشتی و بر اساس خروجی سیستم به روزرسانی می شوند تا دینامیک نامعین در هر لحظه شناسایی گردد؛ سپس کنترل پیشبین با استفاده از مدل تخمین زده شده رفتار آینده سیستم را پیش بینی کرده و ورودی کنترل بهینه را تولید می کند. نتایج شبیه سازی نشان می دهد که روش پیشنهادی توانایی مناسبی در مقابله با عدم قطعیت های پارامتری، اغتشاشات خارجی و همچنین عیوب متوالی عملگرها دارد و موجب بهبود دقت ردگیری مسیر کوادروتور می شود.

کلیدواژه ها:

کنترل پیشبین ، کوادروتور ، شناسایی سیستم ، شبکه عصبی