【技术实现步骤摘要】
本专利技术涉及四旋翼无人机控制，特别涉及一种基于深度学习的四旋翼无人机故障动态补偿和控制方法。
技术介绍
1、在现代的很多领域中，四旋翼无人机因其灵活性、稳定性以及在多种环境下的适用性而得到广泛应用，特别是在地形勘探、农业监测、物流配送、灾难救援等领域。随着应用范围的拓宽，对四旋翼无人机在复杂环境和极端条件下的飞行控制提出了更高要求，尤其是当电机遭遇不可预见故障时，如何保证无人机能够安全飞行与完成任务成为亟待解决的关键问题。
2、传统的四旋翼无人机控制策略主要基于经典控制理论，比如，pd（proportiondifferentiation比例微分）控制方法，依赖于精确的模型参数和良好的系统辨识，但在面对硬件故障、外部扰动或环境变化时，其控制性能往往显著下降。当单个电机失效或者多个电机产生故障导致飞行器产生自旋，失去稳定性，甚至完全失控。再比如，mpc（modelpredictive control模型预测控制）虽然是一种能够提供前瞻性和较强的适应性的控制策略，但是在电机出现故障的情境下，它的局限性尤为突出。电机故障会引入非预期的动力学变化，如推力不对称、转速波动等，这些变化往往难以被mpc的预设模型准确捕捉。故障状态下电机行为的非线性增加和不确定性，导致基于正常工作模型的预测失准，降低了控制的准确性。电机故障时，系统可能需要更频繁的控制调整以维持飞行稳定，这增加了mpc实时计算的需求。然而，四旋翼无人机搭载的嵌入式计算平台在处理能力和内存方面相对有限，复杂的mpc算法在高计算负载下可能会超出硬件承受极限，导致控制延迟
3、近年来，随着深度学习技术的进步，在四旋翼无人机控制上有着许多优势。首先，四旋翼无人机的动力学模型具有很高的非线性特性，传统的控制方法无法解决这类问题，深度学习尤其是dnn（deep neural networks深度神经网络)，能够学习捕捉到这种非线性关系从而提高飞行的稳定性和动态性能。无人机可以在线学习并适应不同的飞行环境和应对一些故障状况，比如说电机失灵等。系统能够基于实时反馈调整控制策略，大大提高了其在位置和变化条件下的鲁棒性和适应性，同时，四旋翼无人机控制涉及多个输入输出变量，如姿态角、位置、速度、加速度等，传统控制方法在处理多变量间的复杂耦合关系时较为困难，而深度学习产生的模型能够同时处理多个输入信号，自动提取特征并进行综合优化，在深度学习的框架下，无人机的控制模型会通过持续学习不断优化，基于新的数据调整模型参数，使得模型不断进化，提高控制的性能。
4、因此，开发一种基于深度学习的四旋翼无人机控制算法，实时识别并适应各种可能发生的故障情况，使无人机在遇到故障时迅速进行调整，确保无人机能够维持稳定飞行，具有重要意义，可以极大地提高无人机系统的可靠性。
技术实现思路
1、本专利技术所要解决的问题是：提供一种基于深度学习的四旋翼无人机故障动态补偿和控制方法，旨在解决四旋翼无人机系统飞行过程中对于电机产生故障的自适应性控制，保证四旋翼无人机的飞行稳定性。
2、本专利技术采用如下技术方案：一种基于深度学习的四旋翼无人机故障动态补偿和控制方法，包括如下步骤：
3、s1、数据收集：模拟四旋翼无人机不同部位电机出现故障的情况，收集各电机故障状态下四旋翼无人机的飞行状态数据；
4、s2、数据预处理：对收集到的飞行状态数据进行数据清洗，标准化处理；
5、s3、构建动力学模型并整合飞行数据集：基于预处理后的飞行状态数据，结合系统动力学方程得到四旋翼无人机的动力学方程，表示四旋翼无人机真实的动力学行为；
6、s4、构建深度学习模型：通过深度学习算法，得到与电机故障状态无关的深度神经网络模型；引入判别器构建目标函数，通过具有对抗性的元学习框架对目标函数进行优化；
7、s5、进行深度学习模型的迭代优化：包括适应步骤、训练步骤、正则化步骤；
8、s6、在线适应阶段：四旋翼无人机沿设定轨迹飞行时，当检测到电机故障，通过混合控制策略，动态更新控制参数，计算控制输出，确保飞行稳定性以及飞行精度。
9、具体地，步骤s1模拟四旋翼无人机不同部位电机故障，使用被动容错控制器跟踪各电机故障状态下四旋翼无人机沿随机轨迹的飞行状态，收集飞行状态数据；
10、所述随机轨迹包括若干段多项式轨迹，每一段所述多项式轨迹以当前位置为起始航点、以目标位置为结束航点，样条线在起始和结束航点处速度、加速度和加加速度被限制为0，四旋翼无人机到达样条线末端后生成一段新的多项式轨迹，重复训练，获取飞行状态数据；
11、所述飞行状态数据包括：四旋翼无人机位置、速度、飞行姿态、角速度、加速度、电机速度pwm命令、及计算得到的故障补偿力。
12、具体地，步骤s2中数据预处理，包括如下子步骤：
13、s2.1、补充飞行状态数据中的缺失值并进行异常值检测；通过spss的缺失值分析方法找出缺失值，通过均值填充方法进行缺失值填补，通过采用箱线图分析方法找到异常值，对异常值进行删除或使用相邻点平均值进行替换；
14、s2.2、对飞行状态数据进行特征选择和构造，选取飞行控制以及故障分析关键特征，将故障补偿力作为目标标签，将位置、速度、飞行姿态角及姿态角变化率、角速度、加速度作为输入特征，降低飞行状态数据维度；
15、s2.3、对飞行状态数据进行标准化处理，消除不同特征间量纲和尺度差异。
16、具体地，步骤s3中，基于预处理后的飞行状态数据，构建动力学模型，包括如下子步骤：
17、s3.1、将每一段多项式轨迹上的飞行状态数据整合成带有时间戳的数据形式；
18、s3.2、引入系统动力学模型方程；
19、s3.3、将带有时间戳的数据带入系统动力学模型方程，得到代表四旋翼无人机真实动力学行为的动力学方程；
20、s3.4、将每一段多项式轨迹得到的动力学方程进行整合，构建飞行数据集d。
21、具体地，步骤s4基于整合的飞行数据集，构建深度学习模型，包括如下子步骤：
22、s4.1、构建深度神经网络模型，输入为飞行器状态信息，输出为一种故障补偿力，用于捕捉与电机故障相关的动态特性，同时对电机故障状态具有不变性；
23、s4.2、引入判别器，定义目标函数，区分不同故障状态下的表示；
24、s4.3、构建具有对抗性的元学习框架，目标函数进行优化：通过对抗训练机制强化深度神经网络模型学习故障不变性表示的能力，生成使判别器无法区分的特征表示。
25、具体地，步骤s5中，从包含多个不同故障状态条件的数据子集的飞行数据集中随机抽取数据集,从中随机抽取两个互斥的批次作为适应集和训练集，用于解决最小二乘问题，深度学习模型的迭代优化，具体包括如下子步骤；
26、s5.1、适应步骤：在元学习阶段，通过最小化适应集上的损失函数，找到每个故障状态下的最佳线性系数，在不同故本文档来自技高网...
【技术保护点】
1.一种基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，步骤S1模拟四旋翼无人机不同部位电机故障，使用被动容错控制器跟踪各电机故障状态下四旋翼无人机沿随机轨迹的飞行状态，收集飞行状态数据；
3.根据权利要求2所述的基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，步骤S2中数据预处理，包括如下子步骤：
4.根据权利要求3所述的基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，步骤S3中，基于预处理后的飞行状态数据，构建动力学模型，包括如下子步骤：
5.根据权利要求4所述的基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，步骤S4基于整合的飞行数据集，构建深度学习模型，包括如下子步骤：
6.根据权利要求5所述的基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，步骤S4.1中构建深度神经网络模型，方法如下：
7.根据权利要求6所述的基于深度学习的四旋翼
8.根据权利要求7所述的基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，步骤S4.3中，对目标函数进行优化，包括如下子步骤：
9.根据权利要求8所述的基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，步骤S5中，从包含多个不同故障状态条件的数据子集的飞行数据集中随机抽取数据集,从中随机抽取两个互斥的批次作为适应集A和训练集B，用于解决最小二乘问题，深度学习模型的迭代优化，具体包括如下子步骤；
10.根据权利要求9所述的基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，步骤S6中，在四旋翼无人机飞行过程中，当检测到电机故障时，通过混合控制策略，根据卡尔曼滤波器启发自适应更新律，动态更新控制参数；
...【技术特征摘要】
1.一种基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，步骤s1模拟四旋翼无人机不同部位电机故障，使用被动容错控制器跟踪各电机故障状态下四旋翼无人机沿随机轨迹的飞行状态，收集飞行状态数据；
3.根据权利要求2所述的基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，步骤s2中数据预处理，包括如下子步骤：
4.根据权利要求3所述的基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，步骤s3中，基于预处理后的飞行状态数据，构建动力学模型，包括如下子步骤：
5.根据权利要求4所述的基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，步骤s4基于整合的飞行数据集，构建深度学习模型，包括如下子步骤：
6.根据权利要求5所述的基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特...
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。