本发明专利技术提供一种飞行器及其姿态控制模型参数辨识方法、装置及存储介质，创新性地引入遗传算法对特征模型的参数进行辨识，对于飞行器俯仰、滚转、偏航三个姿态角通道分别建立特征模型，分别输入遗传算法辨识过程，达到精度要求指标后输出所需的辨识参数估计结果，可用于控制器设计；可实现在线循环运算，但不再需要进行反复的矩阵运算，因此降低了对硬件算力的要求，提高了参数辨识效率；与传统算法不同，遗传算法同时考虑多个搜索结果，以目标函数作为搜索信息，更加有效，可以避免局部最优解，因此也提高了参数辨识精度；此外，遗传算法对目标函数的限制最小，其并行计算能力提高了它的运行速度。运行速度。运行速度。
【技术实现步骤摘要】
飞行器及其姿态控制模型参数辨识方法、装置及存储介质
[0001]本专利技术涉及飞行姿态控制
，尤其涉及飞行器及其姿态控制模型参数辨识方法、装置及存储介质。
技术介绍
[0002]飞行器的姿态控制研究十分必要，由姿态控制保证快速、精度和鲁棒性。大部分算法都需要依赖于飞行器的精准数学模型，且相关参数的选取没有成熟的规律可循，参数的改变对控制效果的影响比较敏感，存在局限性。
[0003]对于模型的建立以及后续控制器设计，需对特征参数进行在线辨识。常见辨识方法有如最小二乘法、梯度投影法等，在线反复输入姿态状态量循环计算，最终在达到参数要求范围且平稳固定后得到特征模型参数。
[0004]传统的参数辨识算法如最小二乘法、梯度算法是非循环单次算法，将数据进行离线辨识处理，而特征建模过程中与变化状态量相关的辨识，无法获取参数随时间变化情况，因此不能应用于飞行器姿态参数控制建模。
[0005]为了适用于飞行器姿态参数控制建模，目前对传统参数辨识算法进行了改进，例如目前常见特征模型参数辨识方法包括递推最小二乘法在线辨识、含有遗忘因子的递推最小二乘法在线辨识等。
[0006]递推最小二乘辨识：新的参数估计值＝旧的参数估计值+修正项。根据时间顺序，在飞行器运行过程中随每一次的状态量改变进行估计，并随着时间的推进修正数值。
[0007]含有遗忘因子的递推最小二乘辨识：当辨识过程中，因旧数据被新数据替代，为适应时变系统参数变化，在递推最小二乘辨识算法的基础上加入遗忘因子，以降低较前时刻数据的权重，提升新数据的相关度，不断减小旧数据的参考作用。
[0008]但该改进的特征模型参数辨识算法，仍然存在如下问题：
[0009]因为在选择参数辨识方法时需要考虑两个因素：辨识精度和参数辨识所需的时间。而飞行器的姿态控制需要较强的实时性，而特征参数辨识在控制过程中是重要的一环，应尽可能提升辨识速度。但目前常见特征参数辨识方法如递推最小二乘需要较长迭代次数，且每一轮计算估计过程较为复杂，参数收敛速度较慢。
[0010]其二，所辨识特征模型的特征参数对于被控对象的反映不够准确，或者说可能得到的特征模型与对象动态模型的响应输出误差相对较大。
[0011]其三，最小二乘算法中涉及矩阵运算，其中矩阵P(k)运算量较大，对于实际无人机采用的主流ARM架构芯片计算能力是一种挑战。且飞控系统其他并行过程较多，占用过多算力可能会影响实时控制效果。
[0012]其四，带有遗忘因子的递推最小二乘选取合适的遗忘因子较为困难。遗忘因子λ较大时，辨识结果遗忘慢，随辨识数据增多，算法丧失参数估计能力；遗忘因子λ较小时，对己得到的辨识结果遗忘快，随辨识数据增多，辨识结果中的各个元素趋向于无穷，会造成待辨识参数大范围的波动甚至辨识结果发散。
技术实现思路
[0013]本专利技术提供的飞行器及其姿态控制模型参数辨识方法、装置及存储介质，主要解决的技术问题是：如何提高飞行器姿态控制模型参数辨识精度和效率。
[0014]为解决上述技术问题，本专利技术提供一种飞行器姿态控制模型参数辨识方法，包括：
[0015]S10、针对飞行器俯仰、滚转和偏航三个姿态角通道分别建立如下特征模型：
[0016]X(k+1)＝α1(k)X(k)+α2(k)X(k
‑
1)+β0(k)U(k)；
ꢀꢀꢀ
(1)
[0017]其中，X(k+1)为下一时刻估计姿态角，X(k)为当前时刻实际姿态角，X(k
‑
1)为上一时刻实际姿态角，U(k)为控制力矩，α1(k)、α2(k)和β0(k)为待辨识参数；
[0018]S11、根据特征模型误差定义目标函数；
[0019]S12、基于目标函数的倒数构建适应度函数；
[0020]S20、获取上一时刻输出的辨识参数估计,并对其进行二进制编码，以输入遗传算法模型进行基因操作，以生成下一代种群；
[0021]S21、基于所述适应度函数计算该种群的适应度；
[0022]S22、判断该种群的适应度是否满足精度要求；如是，转至步骤S23；如否，转至步骤S24；
[0023]S23、对该种群进行解码操作，以得到所述待辨识参数的参数估计；
[0024]S24、更新进化代数；
[0025]S25、判断是否达到最大进化代；如是，转至步骤S23；如否，转至步骤S26；
[0026]S26、判断当前进化代数是否大于等于2；如是，转至步骤S27；如否，转至步骤S28；
[0027]S27、判断当前种群的适应度是否优于前一代种群的适应度；如是，转至步骤S291；如否，转至步骤S292；
[0028]S28、以第一代种群为父种群，继续进行基因操作；
[0029]S291、以当前种群为父种群，继续进行基因操作；
[0030]S292、以前一代种群为父种群，继续进行基因操作；
[0031]S30、保存所述待辨识参数的参数估计，以用于下一时刻该通道对应姿态参数估计。
[0032]可选的，所述S11、根据特征模型误差定义目标函数包括：
[0033]所述特征模型误差为：
[0034]e＝X
M
‑
X
τ
；
ꢀꢀꢀ
(2)
[0035]其中X
M
为实际姿态角输出，X
τ
为特征模型姿态角估计，采样次数为N，定义目标函数为：
[0036][0037]可选的，所述适应度函数为：
[0038][0039]其中，种群为M为种群规模。
[0040]可选的，所述基因操作包括复制操作、交叉操作和变异操作。
[0041]可选的，所述复制操作选用轮盘选择算法：
[0042][0043][0044]其中，Pc为交叉概率，Pm为突变概率，f
max
、f
avg
为种群中最大适应度和平均适应度，f
′
为两个交叉个体中较大的适应度；
[0045]交叉操作为均匀交叉；
[0046]突变操作选择个体决定法，根据突变概率P
m
在种群中随机选择对应数量的突变个体进行突变操作。
[0047]可选的，所述方法还包括：当不存在上一时刻输出的辨识参数估计时，在设定参数范围内随机生成初始种群，以用于对其进行二进制编码，以输入遗传算法模型进行基因操作，以生成下一代种群。
[0048]本专利技术还提供一种飞行器姿态控制模型参数辨识装置，包括：
[0049]特征模型创建模块，用于针对飞行器俯仰、滚转和偏航三个姿态角通道分别建立如下特征模型：
[0050]X(k+1)＝α1(k)X(k)+α2(k)X(k
‑
1)+β0(k)U(k)；
ꢀꢀꢀ
(7)
[0051]其中，X(k+1)为下一时刻估计姿态角，X(k)为当本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种飞行器姿态控制模型参数辨识方法，其特征在于，包括：S10、针对飞行器俯仰、滚转和偏航三个姿态角通道分别建立如下特征模型：X(k+1)＝α1(k)X(k)+α2(k)X(k
‑
1)+β0(k)U(k)；
ꢀꢀꢀꢀꢀꢀ
(1)其中，X(k+1)为下一时刻估计姿态角，X(k)为当前时刻实际姿态角，X(k
‑
1)为上一时刻实际姿态角，U(k)为控制力矩，α1(k)、α2(k)和β0(k)为待辨识参数；S11、根据特征模型误差定义目标函数；S12、基于目标函数的倒数构建适应度函数；S20、获取上一时刻输出的辨识参数估计,并对其进行二进制编码，以输入遗传算法模型进行基因操作，以生成下一代种群；S21、基于所述适应度函数计算该种群的适应度；S22、判断该种群的适应度是否满足精度要求；如是，转至步骤S23；如否，转至步骤S24；S23、对该种群进行解码操作，以得到所述待辨识参数的参数估计；S24、更新进化代数；S25、判断是否达到最大进化代；如是，转至步骤S23；如否，转至步骤S26；S26、判断当前进化代数是否大于等于2；如是，转至步骤S27；如否，转至步骤S28；S27、判断当前种群的适应度是否优于前一代种群的适应度；如是，转至步骤S291；如否，转至步骤S292；S28、以第一代种群为父种群，继续进行基因操作；S291、以当前种群为父种群，继续进行基因操作；S292、以前一代种群为父种群，继续进行基因操作；S30、保存所述待辨识参数的参数估计，以用于下一时刻该通道对应姿态参数估计。2.如权利要求1所述的飞行器姿态控制模型参数辨识方法，其特征在于，所述S11、根据特征模型误差定义目标函数包括：所述特征模型误差为：e＝X
M
‑
X
τ
；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中X
M
为实际姿态角输出，X
τ
为特征模型姿态角估计，采样次数为N，定义目标函数为：3.如权利要求2所述的飞行器姿态控制模型参数辨识方法，其特征在于，所述适应度函数为：其中，种群为M为种群规模。4.如权利要求1所述的飞行器姿态控制模型参数辨识方法，其特征在于，所述基因操作包括复制操作、交叉操作和变异操作。5.如权利要求4所述的飞行器姿态控制模型参数辨识方法，其特征在于，所述复制操作选用轮盘选择算法：
其中，P...
【专利技术属性】
技术研发人员：杜海铭，孙健，王钢，
申请(专利权)人：北京理工大学重庆创新中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。