كنترل ديناميك نامعين هليكوپتر بدون سرنشين به كمك شبكه هاي عصبي چند لايه با قيد اشباع عملگر و جبران ساز اشباع

Approximation-based control of uncertain helicopter dynamics using MLNN with inputs saturation and saturation compensator

عملا كنترل عملگر ها محدود است و اشباع مي تواند رخ دهد، بنابراين ما علاقه مند به بررسي كنترل ديناميك هلي كوپتر بدون سرنشين با ورودي كنترل محدود، جبران ساز اشباع درايو و يك ناظر غير خطي اشباع براي تخمين سرعت بدون اندازه گيري آنها هستيم. رديابي زاويه انحراف و ارتفاع با ورودي هاي گشتاور اشباع براي مدل هليكوپتر بدون سرنشين با غير خطي هايي مانند عدم قطعيت مدل و اتصال پويا بررسي شده است. براي مقابله با عدم قطعيت و طراحي جبران ساز اشباع بدون اندازه گيري سرعت ، تقريب زننده هاي شبكه عصبي چند لايه (MLNN) استفاده شده است. محدوديت وزن NN، عملكرد سيستم سيستم حلقه و محدوديت نهايي يكنواخت نيمه سراسري (SGUUB) خطاهاي رديابي بر اساس پايداري Lyapunov تضمين شده است. كنترل كننده شبكه عصبي تضمين مي كند كه ارتفاع و زاويه انحراف، سيگنال هاي مرجع تحت اشباع ورودي را دنبال مي كنند. اين مقاله مرجع [4] را با در نظر گرفتن (1) مسئله اشباع درايوها (2) محدوديت سيگنال هاي خطا و (3) جبران اشباع عملگر توسط كنترل كننده MLNN تكميل مي كند،.

Practically the control of actuators is limited and saturations can occur, so we are interested to investigate the control of the unmanned helicopter dynamics with bounded control inputs, actuator saturation compensation scheme and a nonlinear saturated observer for estimate the velocities without measuring them. The altitude and yaw angle tracking with saturated torque inputs is considered for an unmanned model helicopter dynamic with the nonlinearities such as high model uncertainties and dynamic coupling. Multi-Layer Neural Network (MLNN) approximators have been employed to deal with the uncertainties and the saturation compensation designing without velocity measurements. The boundedness of the NN weights, the closed-loop system performance and Semi-Global Uniform Ultimate Boundedness (SGUUB) of tracking errors are guaranteed based on the Lyapunov stability synthesis. The designed observer- adaptive Multi-Layer Neural Network controller ensures that the altitude and the yaw angle track the reference signals under the input saturations. This paper completes the reference [4] by (1) considering the saturation problem of actuators, (2) Limit the error signals by utilizing the hyperbolic tangent function and (3) compensate the actuator saturation by MLNN controller.