طراحي و پياده‌سازي عملي كنترلرهاي هوشمند عصبي و PD تركيبي با بهره‌گيري از شبكه عصبي براي كوادروتور

Design and Implementation of a Neural Intelligent Controller and a Hybrid PD Controller for Quadrotor

كوادروتور يكي از انواع رباتهاي پرنده مي‌باشد كه به دليل ساختار ساده و قابليت عمود پروازي مورد توجه بسياري از محققان قرار گرفته است. پايداري اين سيستم به دليل ديناميك شديدا غير خطي از اهميت ويژه‌اي برخوردار است. براي پايدارسازي اين سيستم در اين مقاله كنترلرهاي تركيبي، كنترلركلاسيك PD و شبكه هاي عصبي طراحي شده‌اند. در اين مقاله ابتدا به طراحي يك شبكه عصبي با توانايي اموزش برخط پرداخته شده است. سپس يك كنترلر كلاسيك PD با استفاده از روش زيگلر نيكولز بيان شده و سپس با استفاده از يك شبكه عصبي كه به صورت انلاين اموزش داده شده، به تنظيم پارامترهاي كنترلي اين كنترلر پرداخته مي‌شود. براي تعيين كارايي اين كنترلرها، شبيه سازي در محيط شبيه سازي متلب انجام گرفت و نتايج به شكل عملي اورده شده است. براي پياده سازي اين كنترلرها روي سيستم واقعي، يك مدل شبيه ساز براي كوادروتور ارائه شده كه با پياده سازي كنترلرهاي طراحي شده روي سيستم كارايي انها بر روي سيستم واقعي مشخص گشته است.

Quadrotor is a type of flying robot which can fly vertically and has a simple structure. This robot is one of the best models of flying robot that is considered by many researchers recently. Because of nonlinear dynamics of the system, Stability of the control process has an important role in this robot. In this paper we design hybrid attitude controllers for quadrotor to track the desired input and robustness efficiency in front of disturbances. First, a Neural Network controller is designed to track the desired state and stabilize the quadrotor. The presented neural network controller is used to stabilize the attitude of the quadrotor that it does not need to training data for learning and adapt its weights and biases. Then we designed a PD controller using Ziegler Nichols method, and then an online learner neural controller is trained for tuning the parameters of this PD controller. Finally, to verify these controllers, first a simulation performed in the Simulink environment of the Matlab. In addition to simulation we have practically implemented these control methods on a quadrotor test bench. Practical implementation results demonstrate the effectiveness of the presented method.