کنترل ردیاب وضعیت بهینه تحمل پذیر عیب کوادروتور در حضور قیود حالت و ورودی با استفاده از یادگیری تقویتی ایمن
Publish place: Aerospace Mechanics، Vol: 20، Issue: 1
Publish Year: 1403
نوع سند: مقاله ژورنالی
زبان: Persian
View: 56
This Paper With 20 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_MEASEJT-20-1_009
تاریخ نمایه سازی: 28 فروردین 1403
Abstract:
در این مقاله، به ارائه روشی جهت طراحی سیستم کنترل وضعیت ردیاب بهینه برای پرنده کوادروتور که در معرض عیوب اجزا و عملگر قرار دارد پرداخته شده است. روش کنترل تحمل پذیر عیب یکپارچه پیشنهادی مبتنی بر یادگیری تقویتی ایمن ارائه شده است و قادر است بدون نیاز به شناخت قبلی از دینامیک پرنده، قیود ورودی و حالات را تضمین نماید. به این منظور، روش بهینه پیشنهادی با ساختار شبکه عصبی دوگانه شامل شبکه های عصبی شناساگر-نقاد ارائه شده است. در قانون به روزرسانی وزن های شبکه شناساگر علاوه بر متغیر در نظر گرفتن ضریب فراموشی از روش پاسخ تجربه استفاده شده که باعث افزایش سرعت همگرایی و مقاومت نسبت به نویز اندازه گیری و کاهش خطای تخمین می شوند. در این روش، حل مسئله کنترل ردیاب وضعیت بهینه تحمل پذیر عیب در حالت مقید با حل مسئله پایدارسازی بهینه نامقید برای یک سیستم افزوده معادل می شود که در آن قیود ورودی کنترلی و حالات به ترتیب با انتخاب تابع هزینه مناسب بر سیگنال ورودی و توابع کنترل مانع مناسب بر حالات، تضمین داده می شوند. همچنین آشکارسازی وقوع عیب بدون نیاز به هیچ گونه بانکی از مدل یا فیلتر و صرفا با مقایسه مقدار باقی مانده معادله همیلتون-ژاکوبی-بلمن با یک آستانه از پیش تعیین شده انجام می پذیرد. پایداری فراگیر یکنواخت وزن های هر دو شبکه و درنتیجه همگرایی قانون کنترل به پاسخ بهینه با استفاده از قضیه لیاپانوف اثبات و با استفاده از نتایج شبیه سازی صحت عملکرد آن نشان داده شده است.
Keywords:
کنترل وضعیت کوادروتور , عیوب اجزا و عملگر , کنترل بهینه تحمل پذیر عیب , آشکارسازی وقوع عیب , یادگیری تقویتی ایمن
Authors
سجاد روشن روان
دانشجوی دکتری، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران
سعید شمقدری
نویسنده مسئول: دانشیار، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :