针对四旋翼无人机轨迹跟踪控制器跟踪性能不稳定的问题,提出一种基于非线性模型预测控制(nolinear model predict control,NMPC)的轨迹跟踪算法。首先,建立四旋翼无人机的动力学模型,定义四旋翼无人机的位置和姿态为状态量,螺旋桨转速...针对四旋翼无人机轨迹跟踪控制器跟踪性能不稳定的问题,提出一种基于非线性模型预测控制(nolinear model predict control,NMPC)的轨迹跟踪算法。首先,建立四旋翼无人机的动力学模型,定义四旋翼无人机的位置和姿态为状态量,螺旋桨转速为控制输入量,建立非线性状态空间方程作为控制算法的预测模型。其次,定义最优化函数和四旋翼无人机控制约束,将轨迹跟踪控制问题转换为非线性最优化求解问题。最后,通过多重打靶法求解得到的最优控制量作为四旋翼无人机的输入信号。为验证NMPC算法的跟踪性能,在Matlab中搭建仿真平台进行对比实验,结果表明,与PID和串级模型预测控制(model predict control,MPC)及改进MPC方法相比,NMPC算法能够在满足约束的情况下完成轨迹跟踪任务,误差小、精度高,并具有抗干扰能力。展开更多
针对SI(Spark Ignition)发动机空燃比(AFR:Air-Fuel Ratio)控制精度低、无法自适应等问题,提出了基于NARX(Nonlinear Auto Regressive model with e Xogenous inputs)模型的非线性模型预测控制(NMPC:Nonlinear Model Predict Control)...针对SI(Spark Ignition)发动机空燃比(AFR:Air-Fuel Ratio)控制精度低、无法自适应等问题,提出了基于NARX(Nonlinear Auto Regressive model with e Xogenous inputs)模型的非线性模型预测控制(NMPC:Nonlinear Model Predict Control)方法。利用渐消记忆递推最小二乘(RLS:Recursive Least Squares)算法对NARX模型进行辨识,基于NARX模型对SI发动机的AFR进行非线性模型预测控制。该方法辨识精度高,可通过NARX模型数学结构直接计算最优控制序列,从而提高系统的控制精度。同时,采用Matlab对均值发动机模型(MVEM:Mean Value Engine Model)进行仿真实验,并与采用Volterra模型的PI(Proportional Integral)控制器算法进行对比。仿真结果证明,该算法控制效果比基于Volterra模型和传统的PI控制器的控制效果超调量小,调节时间短,更加具有工程实际应用性。展开更多
文摘针对SI(Spark Ignition)发动机空燃比(AFR:Air-Fuel Ratio)控制精度低、无法自适应等问题,提出了基于NARX(Nonlinear Auto Regressive model with e Xogenous inputs)模型的非线性模型预测控制(NMPC:Nonlinear Model Predict Control)方法。利用渐消记忆递推最小二乘(RLS:Recursive Least Squares)算法对NARX模型进行辨识,基于NARX模型对SI发动机的AFR进行非线性模型预测控制。该方法辨识精度高,可通过NARX模型数学结构直接计算最优控制序列,从而提高系统的控制精度。同时,采用Matlab对均值发动机模型(MVEM:Mean Value Engine Model)进行仿真实验,并与采用Volterra模型的PI(Proportional Integral)控制器算法进行对比。仿真结果证明,该算法控制效果比基于Volterra模型和传统的PI控制器的控制效果超调量小,调节时间短,更加具有工程实际应用性。
