کنترل پرواز ربات پرنده مولتی روتور با استفاده از روش کنترلی عصبی - فازی

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 762

This Paper With 9 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

NCEEM01_075

تاریخ نمایه سازی: 11 مرداد 1396

Abstract:

مولتی روتور یک پرنده بدون سرنشین با شش درجه آزادی و ازخانواده کوادروتور می باشد. شکل اصلی این پرنده شبیه صلیبمی باشد که با داشتن شش موتور BLDC قابلیت انجام حرکات و مانورهای پیچیده است. درحال حاضر کنترل این دسته ازپرنده ها به وسیله خلبانزمینی که بصورت کنترل دستی می باشد و یا ازطریق سیستم GPS انجام می شود. که این دوساختار کنترلی دارای پایداری مناسب نیستند و اینمسیله باعث می شود تا پرنده کارایی خودرا درمواقع ضرروی از دست بدهد. در این مقاله ابتدا ربات پرنده مولتی روتور به صورت دینامیکی مدلسازیمی شود و سپس ساختار کنترل عصبی-فازی مدلسازی می شود، این ساختار برای کنترل زوایای pitch و Roll در سطح پایین خلبان خودکار استفادهمی شود. با توجه به نتایج به دست آمده از شبیه سازی مشاهده می شود که ساختار کنترل عصبی-فازی باعث می شود میزان چرخش زوایای Pitchو Roll همگرایی پیدا کند و ربات پرنده مولتی روتور در طول مدت پرواز به پایداری می رسد.

Authors

امیر نوفل

دانشجوی کارشناسی ارشد مناترونیک، دانشگاه آزاد اسلامی واحدشهرمجلسی، اصفهان، ایران

صفورا جانوسپاه

عضو هیات علمی دانشنده برق و کامپیوتر، دانشگاه آزاد اسلامی واحدشهرمجلسی، اصفهان، 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 :
  • تشنه لب.م، "سیستم های فازی و کنترل فازی"، انتشارات خواجه ...
  • A. Benallegue and A. Mokhtari, *High-order sliding-mode observer for a ...
  • A. Babaei and M. Mortazavi, ««Classical and fuzzy-genetic autopilot design ...
  • Y. Takeshi, S. Balakrishnan and T. Hiroyuki, *'Integrated guidance and ...
  • R. Sharma, *Fuzzy Q Learning based UAV Autopilot?, Int. Conference ...
  • T Bresciani, *Modelling, identification and control of a quadrotor helicopter?, ...
  • G Spyridon, *Design, performance evaluation and optimization of a UAV?, ...
  • P. Azad, _ identification and diagnostics in partnership flight drone', ...
  • A. Salman, *Intelligent Adaptive Control for Nonlinear Applications _ Force, ...
  • R. Sharma, *Fuzzy Q Learning based UAV Autopilot?, Int. Conference ...
  • Lai, Y. C. and Hsiao, F. B., "Application of fuzzy ...
  • M. Guanjun, D. Haibin and L Senqi. *Improved Ant Colony ...
  • D. Naderi and M. Azizi, _ Planning Optimization of a ...
  • J. Karimi, *Optimal Mane uver-Based Motion Planning over Terrain and ...
  • S. Kurmnaz, *Adaptive Neuro-Fuzzy Inference System Based Autonomous Flight Control ...
  • A Salman, Indirect Adaptive Fuzzy Control of Unmanned Aerial Vehicle?, ...
  • and Ma neuverability Trimء، [17] J.Karimi, Pourtakdoust, H.Nobahari, Analysis of ...
  • J. Kennedy and R. Eberhart, «Particle swarm optimization _ In ...
  • G. Spyridon, *Design, performance evaluation and optimization of a UAV?, ...
  • F. Ruggiero, J. Cacace and H. Sadeghian, ،، Passivity-b ased ...
  • Abdul Nishar, Steve Richards and Dan Breen, ،Thermal infrared imaging ...
  • Pablo Sandoval, Pablo Cornejo and Frank Tinapp, *Evaluating the longitudinal ...
  • J. Gago, C. Douthe and R. Coopman, _ challenge to ...
  • P. Rajendran and H. Smith, «I mplications of longitude and ...
  • T. Chang and H. Yu, *Improving Electric Powered UAVs6 Endurance ...
  • نمایش کامل مراجع