مدل سازي ديناميكي و كنترل يك كوادروتور با استفاده از روش هاي غيرخطي، بر مبناي داده هاي آزمايشگاهي سنسورهاي ممز

Dynamic modeling and control of a quadrotor using nonlinear approaches based on MEMS sensors’ experimental data

اين مقاله به شبيه‌سازي كنترل يك كوادروتور با استفاده از روش‌هاي غيرخطي و بر اساس تخمين وضعيت بدست آمده از سنسورهاي ممز پرداخته است. در ابتدا، مدل ديناميكي كوادروتور استخراج شده و سپس با استفاده از روش‌هاي غيرخطي مود لغزشي و خطي‌سازي پسخورد، كنترل وضعيت آن در نرم‌افزار متلب شبيه‌سازي شده است. براي واقعي‌تر كردن مدل شبيه‌سازي و نزديك كردن آن به واقعيت، از داده‌هاي آزمايشگاهي سنسورهاي ممز استفاده گرديده است. از آنجاييكه داده‌هاي آزمايشگاهي براي سنسورها نشان از خطا و نويزي بودن آنها دارد از يك فيلتر كالمن براي كاهش نويز سنسورها استفاده گرديد و نتايج عملكرد كنترل‌كننده‌ها با استفاده از خروجي‌ سنسورها و خروجي فيلتر كالمن با هم مقايسه شدند. نتايج بدست آمده نشان از عملكرد خوب فيلتر كالمن و كنترل مناسب مجموعه مي‌باشد. همچنين در اين مقاله پاسخ سيستم به كنترل‌كننده‌هاي مود لغزشي و خطي‌سازي پسخورد بررسي و با يكديگر مقايسه شدند. نتايج نشان داد كه هر دو كنترل‌كننده عملكرد مناسبي دارند ولي تغييرات زوايا در كنترل خطي‌سازي پسخورد هموارتر است. با افزايش نايقيني، عملكرد كنترل خطي‌سازي پسخورد از حيث زمان رسيدن به وضعيت هدف از حالت مطلوب فاصله گرفت در حاليكه در عملكرد مود لغزشي تاثير قابل توجهي ايجاد نشد. از اين نظر براي حفظ وضعيت كوادروتور، كنترل خطي‌سازي پسخورد مجهز به PID مناسب بوده و براي حالت گذار كوادروتور و تغيير وضعيت زاويه‌اي استفاده از كنترل‌كننده مود لغزشي توصيه مي‌شود.

This paper presents the control of a quadrotor using nonlinear approaches based on the experimentally measured sensors data. The main goal is the control and closed loop simulation of a quadrotor using feedback linearization and sliding mode algorithms. First, a nonlinear model of quadrotor is derived using Newton-Euler equations. To have a more realistic simulation the sensors noise performance was measured using a setup. Sensors data was measured under running motors. Since the experimental data for sensor had error and noise, Kalman filter was used to reduce noise effect. Results demonstrate good performance for Kalman filter and controllers. Results showed that feedback linearization and sliding mode controllers performance were good but angles changes were smoother on feedback linearization controller. With increasing uncertainty, feedback linearization performance was far from desired mode. The time to reach the preferred objective while increasing uncertainty had no significant impact on the performance of sliding mode controller. Thus feedback linearization controller added to PID is appropriate to maintain the quadrotor attitude while sliding mode controller has better performance to angle change and transient situations.