РАЗРАБОТКА НЕЧЁТКИХ АЛГОРИТМОВ УПРАВЛЕНИЯ ДЛЯ ТОЧНОЙ ПОСАДКИ БЕСПИЛОТНОГО ЛЕТАТЕЛЬНОГО АППАРАТА
|
ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ 4
ВВЕДЕНИЕ 5
1 Анализ существующих подходов к управлению квадрокоптерами 7
1.1 Математическая модель 8
1.2 PID-регулятор: Принцип действия, структура и особенности 11
1.2.1 Применение в управлении квадрокоптером 12
1.3 Линейно-квадратичный регулятор (LQR) в управлении квадрокоптером 13
1.3.1 Применение в управлении квадрокоптером 14
1.4 Управление на основе нечеткой логики (Fuzzy Logic Controller) 16
1.4.1 Применение в управлении квадрокоптером 18
1.5 Выводы по результатам анализа существующих подходов 19
2 Теоретические основы нечеткой логики и управления 21
2.1 Типы нечетких регуляторов (Мамдани, Сугэно) 23
2.1.1 Регулятор Мамдани 23
2.1.2 Регулятор Сугэно 25
2.2 Примеры применения нечеткой логики 26
2.3 Вывод по главе 27
3 Разработка ЗD-модели квадрокоптера в ПО SolidWorks 29
3.1 Цель и задачи ЗD-моделирования 30
3.2 Выбор конфигурации и конструктивных параметров 30
3.3 Этапы построения ЗD-модели в SolidWorks 31
3.4 Преимущества использования SolidWorks в проектировании 34
3.5 Результаты моделирования и визуализация 34
3.4 Вывод по главе 35
4 Разработка нечеткого алгоритма управления для точной посадки квадрокоптера 36
4.1 MATLAB Fuzzy Toolbox configuration 36
4.1.1 Разработка нечеткого алгоритма управления движением квадрокоптера с учетом препятствий 38
4.1.2 Разработка нечеткого алгоритма управления движением по углам 44
4.1.3 Компенсация воздействия ветра 49
4.1.4 База правил 53
4.2 MATLAB/SIMULINK 54
4.2.1 Нормализация значений полученных от датчиков 57
4.2.2 Подсистемы на основной схеме 59
4.3 Результаты моделирования в среде MATLAB/Simulink 63
4.4 Вывод по главе 66
5 Сравнение регуляторов LQR и PID с нечётким регулятором (FLC) 67
5.1 Пропорционально-интегрально-дифференцирующем (PID) регулятор 67
5.2 Линейно-квадратичный регулятор (LQR) 69
5.3 Результаты сравнения 71
5.4 Вывод по главе 73
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 77
ВВЕДЕНИЕ 5
1 Анализ существующих подходов к управлению квадрокоптерами 7
1.1 Математическая модель 8
1.2 PID-регулятор: Принцип действия, структура и особенности 11
1.2.1 Применение в управлении квадрокоптером 12
1.3 Линейно-квадратичный регулятор (LQR) в управлении квадрокоптером 13
1.3.1 Применение в управлении квадрокоптером 14
1.4 Управление на основе нечеткой логики (Fuzzy Logic Controller) 16
1.4.1 Применение в управлении квадрокоптером 18
1.5 Выводы по результатам анализа существующих подходов 19
2 Теоретические основы нечеткой логики и управления 21
2.1 Типы нечетких регуляторов (Мамдани, Сугэно) 23
2.1.1 Регулятор Мамдани 23
2.1.2 Регулятор Сугэно 25
2.2 Примеры применения нечеткой логики 26
2.3 Вывод по главе 27
3 Разработка ЗD-модели квадрокоптера в ПО SolidWorks 29
3.1 Цель и задачи ЗD-моделирования 30
3.2 Выбор конфигурации и конструктивных параметров 30
3.3 Этапы построения ЗD-модели в SolidWorks 31
3.4 Преимущества использования SolidWorks в проектировании 34
3.5 Результаты моделирования и визуализация 34
3.4 Вывод по главе 35
4 Разработка нечеткого алгоритма управления для точной посадки квадрокоптера 36
4.1 MATLAB Fuzzy Toolbox configuration 36
4.1.1 Разработка нечеткого алгоритма управления движением квадрокоптера с учетом препятствий 38
4.1.2 Разработка нечеткого алгоритма управления движением по углам 44
4.1.3 Компенсация воздействия ветра 49
4.1.4 База правил 53
4.2 MATLAB/SIMULINK 54
4.2.1 Нормализация значений полученных от датчиков 57
4.2.2 Подсистемы на основной схеме 59
4.3 Результаты моделирования в среде MATLAB/Simulink 63
4.4 Вывод по главе 66
5 Сравнение регуляторов LQR и PID с нечётким регулятором (FLC) 67
5.1 Пропорционально-интегрально-дифференцирующем (PID) регулятор 67
5.2 Линейно-квадратичный регулятор (LQR) 69
5.3 Результаты сравнения 71
5.4 Вывод по главе 73
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 77
Беспилотные летательные аппараты (БИЛА), в частности квадрокоптеры, в последние годы приобрели широкое распространение благодаря своей мобильности, манёвренности и способности выполнять разнообразные задачи в условиях, недоступных для традиционных транспортных средств. Их активно применяют в таких областях, как мониторинг окружающей среды, сельское хозяйство, картография, охрана правопорядка и доставка товаров. Однако, несмотря на значительные технологические достижения, управление и особенно точная посадка БПЛА остаются сложной задачей, особенно в условиях внешних возмущений, таких как ветер.
Обеспечение точной и безопасной посадки является критически важной задачей, особенно в автоматизированных системах доставки, при посадке на станции подзарядки или в ограниченном пространстве. В таких условиях традиционные методы управления, основанные на точных математических моделях, требуют высокой вычислительной мощности и не всегда адаптируются к изменениям внешней среды. Это ограничивает их применение в динамических и непредсказуемых условиях реального мира.
Одним из перспективных решений является использование нечеткой логики (Fuzzy Logic) в системах управления, что позволяет заменить сложные математические модели на набор правил, основанных на экспертных знаниях и интуитивных соображениях. Такой подход обеспечивает гибкость, адаптивность и устойчивость управления, особенно в условиях неопределенности и внешних возмущений. Нечеткий регулятор способен учитывать широкий диапазон состояний системы и на основе логических правил формировать управляющее воздействие без необходимости строгого математического описания динамики объекта.
В данной работе предлагается и подробно исследуется архитектура нечеткой системы управления посадкой квадрокоптера, обеспечивающая устойчивое и точное управление по следующим направлениям: коррекция горизонтальных отклонений по осям X и Y, регулирование высоты и ориентации по углам крена, тангажа и рыскания, а также активная компенсация внешних возмущений, включая силу и направление ветра.
Цель исследования — оценить эффективность предлагаемого нечеткого регулятора при различных внешних условиях, включая силу ветра и массу БПЛА, и определить границы применимости данного подхода для точной автоматизированной посадки. Для этого в среде MATLAB/Simulink разработана модель системы управления и проведены моделирования при различных параметрах. В ходе экспериментов оценивались точность посадки и время стабилизации, в том числе при массах дронов от 0.2 до 5 кг и скорости ветра от 1 до 7 м/с.
Результаты показывают, что предложенная система управления обеспечивает точность посадки в диапазоне от 82% до 99.6% в условиях средних ветровых нагрузок. Однако при превышении скорости ветра более 5 м/с эффективность системы снижается, особенно для более тяжелых дронов. Тем не менее, продемонстрированная адаптивность системы и ее устойчивость к внешним возмущениям делает предложенный подход перспективным для дальнейшего практического применения.
Разработанный нечеткий регулятор (Fuzzy) также был подвергнут сравнительному анализу с широко известными классическими регуляторами, такими как LQR и PID, при одинаковых условиях моделирования. Результаты данного сравнения представлены в главе 5 настоящей работы и позволяют наглядно оценить преимущества и особенности применения каждого из рассмотренных подходов.
Настоящая диссертация структурирована следующим образом: в первой главе представлен анализ существующих подходов к управлению квадрокоптерами; во второй главе изложены теоретические основы нечеткой логики и принципов нечеткого управления; в третьей главе разработана 3D модель квадрокоптера; в четвертой главе описана методология разработки нечеткой системы управления, включая выбор архитектуры, определение входных и выходных переменных, формулировку правил, а также представлены результаты моделирования и их анализ; в пятой главе проведено сравнительное исследование эффективности нечеткого регулятора (FLC) по отношению к линейно-квадратичному регулятору (LQR) и классическому PID-регулятору. В заключении подведены итоги работы и определены направления дальнейших исследований, включая возможности оптимизации и практическую реализацию разработанной системы в реальных условиях.
Обеспечение точной и безопасной посадки является критически важной задачей, особенно в автоматизированных системах доставки, при посадке на станции подзарядки или в ограниченном пространстве. В таких условиях традиционные методы управления, основанные на точных математических моделях, требуют высокой вычислительной мощности и не всегда адаптируются к изменениям внешней среды. Это ограничивает их применение в динамических и непредсказуемых условиях реального мира.
Одним из перспективных решений является использование нечеткой логики (Fuzzy Logic) в системах управления, что позволяет заменить сложные математические модели на набор правил, основанных на экспертных знаниях и интуитивных соображениях. Такой подход обеспечивает гибкость, адаптивность и устойчивость управления, особенно в условиях неопределенности и внешних возмущений. Нечеткий регулятор способен учитывать широкий диапазон состояний системы и на основе логических правил формировать управляющее воздействие без необходимости строгого математического описания динамики объекта.
В данной работе предлагается и подробно исследуется архитектура нечеткой системы управления посадкой квадрокоптера, обеспечивающая устойчивое и точное управление по следующим направлениям: коррекция горизонтальных отклонений по осям X и Y, регулирование высоты и ориентации по углам крена, тангажа и рыскания, а также активная компенсация внешних возмущений, включая силу и направление ветра.
Цель исследования — оценить эффективность предлагаемого нечеткого регулятора при различных внешних условиях, включая силу ветра и массу БПЛА, и определить границы применимости данного подхода для точной автоматизированной посадки. Для этого в среде MATLAB/Simulink разработана модель системы управления и проведены моделирования при различных параметрах. В ходе экспериментов оценивались точность посадки и время стабилизации, в том числе при массах дронов от 0.2 до 5 кг и скорости ветра от 1 до 7 м/с.
Результаты показывают, что предложенная система управления обеспечивает точность посадки в диапазоне от 82% до 99.6% в условиях средних ветровых нагрузок. Однако при превышении скорости ветра более 5 м/с эффективность системы снижается, особенно для более тяжелых дронов. Тем не менее, продемонстрированная адаптивность системы и ее устойчивость к внешним возмущениям делает предложенный подход перспективным для дальнейшего практического применения.
Разработанный нечеткий регулятор (Fuzzy) также был подвергнут сравнительному анализу с широко известными классическими регуляторами, такими как LQR и PID, при одинаковых условиях моделирования. Результаты данного сравнения представлены в главе 5 настоящей работы и позволяют наглядно оценить преимущества и особенности применения каждого из рассмотренных подходов.
Настоящая диссертация структурирована следующим образом: в первой главе представлен анализ существующих подходов к управлению квадрокоптерами; во второй главе изложены теоретические основы нечеткой логики и принципов нечеткого управления; в третьей главе разработана 3D модель квадрокоптера; в четвертой главе описана методология разработки нечеткой системы управления, включая выбор архитектуры, определение входных и выходных переменных, формулировку правил, а также представлены результаты моделирования и их анализ; в пятой главе проведено сравнительное исследование эффективности нечеткого регулятора (FLC) по отношению к линейно-квадратичному регулятору (LQR) и классическому PID-регулятору. В заключении подведены итоги работы и определены направления дальнейших исследований, включая возможности оптимизации и практическую реализацию разработанной системы в реальных условиях.
В данной диссертационной работе была разработана и исследована система нечеткого управления (Fuzzy Logic Controller, FLC) для обеспечения высокоточной посадки квадрокоптера в условиях нестабильной окружающей среды. Целью исследования являлось создание адаптивного алгоритма управления, способного обеспечить устойчивую и точную посадку беспилотного летательного аппарата при наличии внешних возмущающих факторов, таких как изменение массы, воздействие ветра, шум сенсоров и другие непредсказуемые условия.
В ходе исследования была предложена структура системы управления, включающая семь нечетких регуляторов: три для позиционирования по координатам X, Y и Z, три для стабилизации углов ориентации (крен, тангаж и рыскание), а также один дополнительный регулятор для компенсации ветровых нагрузок. В качестве функций принадлежности использовались треугольные функции, обеспечивающие простоту вычислений и устойчивость работы системы. Метод дефаззификации по центру тяжести позволил получать сглаженные управляющие сигналы без резких изменений, что положительно сказалось на устойчивости дрона.
Моделирование системы управления проводилось в среде MATLAB/Simulink. В различных сценариях, включая изменение массы квадрокоптера от 0,2 до 5 кг и наличие ветра со скоростью до 7 м/с, нечеткая система управления показала высокую адаптивность и точность посадки в пределах 82-99,6%. Результаты моделирования показали, что разработанный FLC-регулятор обеспечивает эффективную работу при разнообразных внешних воздействиях.
Сравнительный анализ с классическими системами управления, такими как PID и LQR-регуляторы, подтвердил превосходство FLC в условиях неопределенности. PID- регулятор, несмотря на простоту реализации, демонстрировал снижение точности при росте массы и воздействии внешних возмущений — точность посадки составила 78-92%. LQR-регулятор обеспечивал оптимальное управление с минимальными энергозатратами, однако его эффективность снижалась при нелинейных воздействиях — точность составила 80-94%. В то время как FLC превосходил оба метода по точности и устойчивости, особенно при ветровых нагрузках свыше 5 м/с.
Практическая значимость разработанного алгоритма заключается в возможности его интеграции в существующие платформы квадрокоптеров с минимальными аппаратными доработками. Система может быть использована в задачах точной автономной посадки в таких областях, как доставка грузов, мониторинг, точное сельское хозяйство и поисковоспасательные операции.
Перспективы дальнейших исследований включают в себя оптимизацию вычислительной сложности за счёт применения нейро-нечетких сетей и сокращения базы правил, а также реализацию системы на аппаратном уровне с использованием FPGA или специализированных микроконтроллеров. Кроме того, возможно улучшение адаптивности путём динамической настройки функций принадлежности на основе реальных данных с датчиков и создание гибридных схем, объединяющих преимущества FLC с другими методами, такими как P1D и LQR. Дополнительными направлениями развития являются моделирование посадки с учётом препятствий, интеграция с системами компьютерного зрения и проведение натурных испытаний на реальных беспилотных платформах в различных условиях окружающей среды.
Таким образом, проведённое исследование подтвердило, что система нечеткого управления является эффективным инструментом для задач точной посадки БПЛА в условиях внешней неопределенности. Разработанный подход обеспечивает высокий уровень устойчивости, точности и адаптивности, что делает его перспективным для широкого спектра прикладных задач. Данная работа вносит вклад в развитие интеллектуальных систем управления и открывает пути к дальнейшему совершенствованию автономных летательных платформ.
В ходе исследования была предложена структура системы управления, включающая семь нечетких регуляторов: три для позиционирования по координатам X, Y и Z, три для стабилизации углов ориентации (крен, тангаж и рыскание), а также один дополнительный регулятор для компенсации ветровых нагрузок. В качестве функций принадлежности использовались треугольные функции, обеспечивающие простоту вычислений и устойчивость работы системы. Метод дефаззификации по центру тяжести позволил получать сглаженные управляющие сигналы без резких изменений, что положительно сказалось на устойчивости дрона.
Моделирование системы управления проводилось в среде MATLAB/Simulink. В различных сценариях, включая изменение массы квадрокоптера от 0,2 до 5 кг и наличие ветра со скоростью до 7 м/с, нечеткая система управления показала высокую адаптивность и точность посадки в пределах 82-99,6%. Результаты моделирования показали, что разработанный FLC-регулятор обеспечивает эффективную работу при разнообразных внешних воздействиях.
Сравнительный анализ с классическими системами управления, такими как PID и LQR-регуляторы, подтвердил превосходство FLC в условиях неопределенности. PID- регулятор, несмотря на простоту реализации, демонстрировал снижение точности при росте массы и воздействии внешних возмущений — точность посадки составила 78-92%. LQR-регулятор обеспечивал оптимальное управление с минимальными энергозатратами, однако его эффективность снижалась при нелинейных воздействиях — точность составила 80-94%. В то время как FLC превосходил оба метода по точности и устойчивости, особенно при ветровых нагрузках свыше 5 м/с.
Практическая значимость разработанного алгоритма заключается в возможности его интеграции в существующие платформы квадрокоптеров с минимальными аппаратными доработками. Система может быть использована в задачах точной автономной посадки в таких областях, как доставка грузов, мониторинг, точное сельское хозяйство и поисковоспасательные операции.
Перспективы дальнейших исследований включают в себя оптимизацию вычислительной сложности за счёт применения нейро-нечетких сетей и сокращения базы правил, а также реализацию системы на аппаратном уровне с использованием FPGA или специализированных микроконтроллеров. Кроме того, возможно улучшение адаптивности путём динамической настройки функций принадлежности на основе реальных данных с датчиков и создание гибридных схем, объединяющих преимущества FLC с другими методами, такими как P1D и LQR. Дополнительными направлениями развития являются моделирование посадки с учётом препятствий, интеграция с системами компьютерного зрения и проведение натурных испытаний на реальных беспилотных платформах в различных условиях окружающей среды.
Таким образом, проведённое исследование подтвердило, что система нечеткого управления является эффективным инструментом для задач точной посадки БПЛА в условиях внешней неопределенности. Разработанный подход обеспечивает высокий уровень устойчивости, точности и адаптивности, что делает его перспективным для широкого спектра прикладных задач. Данная работа вносит вклад в развитие интеллектуальных систем управления и открывает пути к дальнейшему совершенствованию автономных летательных платформ.
