飛機(jī)起落架自適應(yīng)模糊神經(jīng)PID 控制方法的研究

李明鵬，胡俊宏，智鑫

（沈陽工業(yè)大學(xué)機(jī)械工程學(xué)院，遼寧沈陽 110870）

0 前言

目前，無人機(jī)應(yīng)用于日常生活中的許多領(lǐng)域，如軍事偵察、高空攝影、農(nóng)林植保、災(zāi)區(qū)救援等。無人機(jī)最大的優(yōu)點(diǎn)是它能夠進(jìn)入地面環(huán)境較為復(fù)雜的地區(qū)［1］，如發(fā)生地震后的災(zāi)區(qū)、發(fā)生水災(zāi)后的山區(qū)以及溫度環(huán)境惡劣的火災(zāi)現(xiàn)場(chǎng)等。因無人機(jī)在空中具有非常強(qiáng)的機(jī)動(dòng)性且在空中可以實(shí)時(shí)勘察周邊環(huán)境，所以在復(fù)雜環(huán)境中進(jìn)行搜索救援以及在其他相關(guān)戰(zhàn)術(shù)戰(zhàn)略任務(wù)中具有很大的優(yōu)勢(shì)［2］。起落架作為飛機(jī)起飛、降落的重要組成機(jī)構(gòu)，對(duì)于起落架整體機(jī)構(gòu)精準(zhǔn)、快速、穩(wěn)定的控制就顯得尤為重要。

現(xiàn)階段，傳統(tǒng)PID 控制算法廣泛應(yīng)用于大多數(shù)工業(yè)生產(chǎn)之中，但目前的工業(yè)控制系統(tǒng)又往往具有時(shí)變性、大滯后性等特點(diǎn)，使得相當(dāng)一部分控制系統(tǒng)精確的控制模型難以建立，這使得傳統(tǒng)PID 控制在很多時(shí)候無法滿足特定工業(yè)生產(chǎn)的要求。基于此，文獻(xiàn)［2］提出一種利用模糊控制的推理能力對(duì)PID 的比例、積分、微分系數(shù)進(jìn)行自更正調(diào)節(jié)的新型控制方法［3］，其控制效果相較于傳統(tǒng)PID 有了很大的提升，但是其缺乏主動(dòng)學(xué)習(xí)的能力，適應(yīng)環(huán)境的能力比較有限［4］，很難達(dá)到特定工業(yè)的控制要求。基于此，本文作者提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的PID 控制方案，利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力實(shí)現(xiàn)對(duì)模糊規(guī)則的調(diào)整，提高控制系統(tǒng)的響應(yīng)速度以及穩(wěn)定性［5］。

為實(shí)現(xiàn)對(duì)起落架姿態(tài)的精確控制，實(shí)現(xiàn)飛機(jī)的穩(wěn)定降落，本文作者提出了模糊控制＋神經(jīng)網(wǎng)絡(luò)＋PID 控制的組合控制系統(tǒng)，通過MATLAB／Simulink 模塊進(jìn)行數(shù)據(jù)仿真，并與傳統(tǒng)PID 控制和模糊PID 控制進(jìn)行對(duì)比分析，進(jìn)一步驗(yàn)證模糊神經(jīng)網(wǎng)絡(luò)PID 控制系統(tǒng)在起落架結(jié)構(gòu)中的控制效果。

1 飛機(jī)起落架建模

1.1 起落架運(yùn)行原理

該新型飛機(jī)起落架主要由4 個(gè)“腿” 組成，每個(gè)腿均為平面六桿機(jī)構(gòu)［6］，通過樹莓派給出脈沖信號(hào)控制電機(jī)轉(zhuǎn)動(dòng)，之后通過桿之間的傳動(dòng)，進(jìn)而實(shí)現(xiàn)對(duì)起落架各個(gè)腿的位置進(jìn)行調(diào)整，實(shí)現(xiàn)起落架的著陸控制。起落架整體模型如圖1 所示，實(shí)物如圖2 所示，單腿模型如圖3 所示。

圖1 起落架整體模型Fig.1 Overall model of landing gear

圖2 起落架實(shí)物Fig.2 Entity of landing gear

圖3 起落架單腿模型Fig.3 Single leg model of landing gear

當(dāng)無人機(jī)選定降落地點(diǎn)并發(fā)出降落信號(hào)時(shí)，由樹莓派接收信號(hào)并發(fā)出指令驅(qū)動(dòng)電機(jī)轉(zhuǎn)動(dòng)，使得絲杠進(jìn)行直線運(yùn)動(dòng)，通過六桿機(jī)構(gòu)之間的桿傳動(dòng)，實(shí)現(xiàn)起落架腿部桿水平與垂直方向的運(yùn)動(dòng)，從而帶動(dòng)飛機(jī)起落架各個(gè)腿進(jìn)行姿態(tài)調(diào)節(jié)［7］，實(shí)現(xiàn)飛機(jī)著陸前的姿態(tài)預(yù)調(diào)節(jié)。

當(dāng)飛機(jī)進(jìn)入到地形觀測(cè)裝置盲區(qū)范圍之內(nèi)時(shí)，電機(jī)的運(yùn)行由每個(gè)腿底部的足墊開關(guān)進(jìn)行控制［8］。當(dāng)起落架各個(gè)腿均完全著陸時(shí)，制動(dòng)器工作將絲杠剎停，保持機(jī)構(gòu)姿態(tài)，實(shí)現(xiàn)飛機(jī)的平穩(wěn)著陸［9］。

1.2 系統(tǒng)總體數(shù)學(xué)模型建立

文中飛機(jī)起落架進(jìn)給系統(tǒng)的數(shù)學(xué)模型是由位置控制器、速度控制器、直流無刷伺服電機(jī)、絲杠傳動(dòng)系統(tǒng)以及起落架傳動(dòng)機(jī)構(gòu)5 個(gè)部分構(gòu)成的［10］。首先建立起落架位置以及速度控制器的數(shù)學(xué)模型，之后建立絲杠傳動(dòng)以及起落架傳動(dòng)機(jī)構(gòu)的數(shù)學(xué)模型，最后將前者直接應(yīng)用到直流無刷伺服電機(jī)中，創(chuàng)建此控制系統(tǒng)的總運(yùn)動(dòng)模型。

1.2.1 位置控制器與速度控制器

在此系統(tǒng)位置環(huán)中，對(duì)系統(tǒng)設(shè)定的位置D0與實(shí)際的系統(tǒng)反饋值DA進(jìn)行計(jì)算，得到差值信號(hào)（位置誤差）ΔD＝D0-DA，將此差值信號(hào)轉(zhuǎn)換為數(shù)字信號(hào)，通過反饋對(duì)無刷直流電機(jī)的脈沖輸入進(jìn)行調(diào)節(jié)，從而得到最終的速度輸入指令Up。kN為此位置控制單元中所包含比例系數(shù)。由此得到位置控制器的傳遞函數(shù)為

此系統(tǒng)速度環(huán)中，通過對(duì)速度輸入值Up與電機(jī)的反饋值kvω進(jìn)行計(jì)算，得到此時(shí)直流無刷伺服電機(jī)的控制電壓U。kA為此速度控制環(huán)中所包含的比例系數(shù)。故此速度控制器的傳遞函數(shù)為

1.2.2 直流無刷伺服電機(jī)數(shù)學(xué)模型的建立

根據(jù)電機(jī)的力矩平衡方程可得：

其中：J為電機(jī)的轉(zhuǎn)動(dòng)慣量；fa為電樞的阻尼轉(zhuǎn)矩系數(shù)；ML為電機(jī)的負(fù)載轉(zhuǎn)矩。

電機(jī)的電磁轉(zhuǎn)矩表達(dá)式為

其中：kT為電機(jī)的等效轉(zhuǎn)矩系數(shù)；Ia為電機(jī)電樞電流。

聯(lián)立式（3）（4）得：

不考慮電機(jī)的負(fù)載轉(zhuǎn)矩時(shí)，上式可簡(jiǎn)化為

由電樞產(chǎn)生的反電勢(shì)

其中：ke為反電勢(shì)系數(shù)。

電壓平衡方程為

聯(lián)立式（6）（8）并進(jìn)行拉普拉斯變換得：

故電機(jī)的傳遞函數(shù)為

對(duì)上式進(jìn)行簡(jiǎn)化得到：

式中：電機(jī)的增益系數(shù)kM＝kT／（faRa＋kekT）；電機(jī)的機(jī)械時(shí)間常數(shù)TM＝RaJ／（faRa＋kekT）；電機(jī)的電氣時(shí)間常數(shù)TE＝La／Ra。

1.2.3 滾珠絲杠系統(tǒng)數(shù)學(xué)模型的建立對(duì)于圖4，系統(tǒng)的動(dòng)力平衡方程為

圖4 滾珠絲杠運(yùn)動(dòng)模型Fig.4 The motion model of ball screw

驅(qū)動(dòng)執(zhí)行部件的力也就是彈性變形力為

對(duì)上式進(jìn)行拉氏變換后，得到：

聯(lián)立上式，得：

當(dāng)不考慮外載荷F0時(shí)，此時(shí)的傳遞函數(shù)可寫成：

式中：F為滾珠絲杠施加到執(zhí)行部件上的傳動(dòng)力；F0為導(dǎo)軌上傳動(dòng)元件所受到的摩擦力；m為執(zhí)行部件的質(zhì)量；cr為導(dǎo)軌上的黏性阻尼系數(shù)；k為傳動(dòng)剛度系數(shù)，即等效彈簧剛度。

1.2.3 起落架數(shù)學(xué)模型的建立

該新型自適應(yīng)起落架由4 個(gè)腿連接而成，通過控制各個(gè)腿的位置姿態(tài)進(jìn)而對(duì)整體起落架的位置姿態(tài)進(jìn)行調(diào)整。并且該新型起落架每個(gè)腿的結(jié)構(gòu)模型均是相同的，故文中通過對(duì)起落架的單個(gè)腿進(jìn)行運(yùn)動(dòng)控制分析，通過建立單腿數(shù)學(xué)模型，進(jìn)而對(duì)各個(gè)控制系統(tǒng)的性能進(jìn)行分析。

此自適應(yīng)起落架各支腿只有一個(gè)自由度，同時(shí)該起落架運(yùn)動(dòng)范圍是二維平面運(yùn)動(dòng)，因此可將起落架支腿簡(jiǎn)化為由四邊形ABCD及四邊形ABCF組成，如圖5 所示。

圖5 起落架支腿簡(jiǎn)圖Fig.5 Schematic drawing of landing gear outrigger

可以看出：在已知部分桿的長(zhǎng)度以及部分夾角的角度后，通過計(jì)算求解絲杠長(zhǎng)度r6與各桿之間夾角θi（i＝1，2，3，4）之間的關(guān)系，可以獲得起落架支腿的相應(yīng)運(yùn)動(dòng)函數(shù)。起落架桿系參數(shù)如表1 所示。

表1 起落架桿系參數(shù)Tab.1 Landing gear rod system parameters

首先對(duì)四邊形ABCF進(jìn)行分析，由復(fù)數(shù)矢量法得：

將上式在x、y軸上分解得

經(jīng)計(jì)算可得r6與θ3的關(guān)系為

其次對(duì)四邊形ABCD進(jìn)行分析，根據(jù)復(fù)數(shù)矢量法得：

在x、y軸上分解得

得出θ3與θ1的關(guān)系為

θ3與θ4的關(guān)系為

由此可以推出足端點(diǎn)E的運(yùn)動(dòng)軌跡，則起落架豎直方向的變化為

由上述公式即可求出自適應(yīng)起落架絲杠r6變化與足端點(diǎn)E之間的運(yùn)動(dòng)關(guān)系。如圖6 所示，兩者之間的變化接近為線性變化。故其數(shù)學(xué)模型可表達(dá)為

圖6 起落架支腿y 方向運(yùn)動(dòng)軌跡Fig.6 y direction trajectory of landing gear outrigger

式中：DA為最終足端點(diǎn)的位移；kr為比例系數(shù)；x0為絲杠的位移量。

聯(lián)立式（1）（2）（11）（16）（28）同時(shí)考慮到即可求得此結(jié)構(gòu)在豎直方向上的運(yùn)動(dòng)模型。分析得出該系統(tǒng)為一個(gè)五階的傳遞函數(shù)，對(duì)于實(shí)際仿真分析會(huì)帶來很多的不方便，故經(jīng)過分析，將此控制系統(tǒng)中的絲杠傳遞函數(shù)進(jìn)行簡(jiǎn)化處理，絲杠傳動(dòng)部分的數(shù)學(xué)模型可以表示為

最終得到簡(jiǎn)化后的運(yùn)動(dòng)模型為

2 PID 控制器設(shè)計(jì)

2.1 控制原理

文中PID 控制系統(tǒng)選用增量式數(shù)字PID 控制，其控制規(guī)律為

式中：u（k）、u（k-1）分別為第k和k-1 次控制器輸出值；kp為比例系數(shù)；ki為積分系數(shù)；kd為微分系數(shù)；e（k）、e（k-1）、e（k-2）分別為第k、k-1、k-2 次的輸入誤差值。

當(dāng)起落架控制系統(tǒng)采用傳統(tǒng)的PID 控制系統(tǒng)進(jìn)行控制會(huì)發(fā)現(xiàn)最終的控制結(jié)果并不理想，其比例、積分、微分3 個(gè)參數(shù)的值無法實(shí)現(xiàn)實(shí)時(shí)調(diào)節(jié)，故本文作者采用模糊神經(jīng)網(wǎng)絡(luò)對(duì)PID 的3 個(gè)參數(shù)進(jìn)行調(diào)整，實(shí)現(xiàn)對(duì)起落架系統(tǒng)的最優(yōu)控制［11］。模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)原理如圖7 所示。

圖7 模糊神經(jīng)PID 控制原理Fig.7 Fuzzy neural PID control principle

2.2 模糊神經(jīng)網(wǎng)絡(luò)

第一層為輸入層，各個(gè)節(jié)點(diǎn)直接與輸入量相連接［12］。該層也為數(shù)據(jù)的直接傳遞層，不需要對(duì)數(shù)據(jù)進(jìn)行處理［13］，直接對(duì)數(shù)據(jù)進(jìn)行賦值。該層共有兩個(gè)節(jié)點(diǎn)，分別為偏差e和偏差變化率ec。

式中：I、O分別為網(wǎng)絡(luò)層的輸入和輸出，上標(biāo)為網(wǎng)絡(luò)層數(shù)；i＝1，2。

第二層為模糊化層，將來自第一層的輸入量e、ec進(jìn)行模糊化處理，該層的每一個(gè)節(jié)點(diǎn)代表一個(gè)語言變量值，每個(gè)輸入量輸出7 個(gè)神經(jīng)元節(jié)點(diǎn)，故該層共14 個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表一個(gè)語言變量的隸屬度值。

式中：cij為隸屬度函數(shù)的中心；bij為隸屬度函數(shù)的寬度。

第三層為模糊推理層，對(duì)相應(yīng)模糊規(guī)則進(jìn)行匹配，由各個(gè)模糊節(jié)點(diǎn)之間的互相組合得到相對(duì)應(yīng)的模糊規(guī)則適用度γl（l＝1，2，…，49），使得各個(gè)神經(jīng)元節(jié)點(diǎn)之間實(shí)現(xiàn)模糊運(yùn)算。該層共有49 個(gè)節(jié)點(diǎn)，其中每個(gè)節(jié)點(diǎn)均對(duì)應(yīng)一個(gè)模糊規(guī)則。

第四層為輸出層，對(duì)模糊推理獲得的模糊量進(jìn)行求解，得到模糊神經(jīng)網(wǎng)絡(luò)的最終輸出量。該層共有輸出3 個(gè)節(jié)點(diǎn)，分別對(duì)應(yīng)于PID 控制器中3 個(gè)參數(shù)的變化量，即Δkp、Δki和Δkd。

式中：yk為網(wǎng)絡(luò)的輸出量；wkl為模糊化層與輸出層之間的連接權(quán)值；h＝1，2，3。

最終輸出PID 的3 個(gè)參數(shù)的變化量如式（36）所示：

圖8 所示為文中模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

圖8 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.8 Structure of fuzzy neural network

2.3 可調(diào)參數(shù)的修正

系統(tǒng)采用梯度下降法對(duì)可調(diào)參數(shù)進(jìn)行修正。經(jīng)過若干次的學(xué)習(xí)訓(xùn)練，不斷對(duì)權(quán)值whl、中心值cij和基寬bij進(jìn)行修正優(yōu)化，使得輸出結(jié)果更加逼近真實(shí)理想值。

系統(tǒng)誤差函數(shù)為

式中：E（k）為系統(tǒng)的實(shí)際誤差；rin（k）為系統(tǒng)的理想輸出；yout（k）為系統(tǒng)的實(shí)際輸出。

系統(tǒng)權(quán)值whl學(xué)習(xí)算法的公式：

模糊化層隸屬度函數(shù)中心值cij的學(xué)習(xí)算法公式：

模糊化層隸屬度函數(shù)基寬bij的學(xué)習(xí)算法公式：

3 仿真與實(shí)驗(yàn)結(jié)果分析

3.1 基于Simulink 仿真

針對(duì)飛機(jī)起落架控制調(diào)控系統(tǒng)的響應(yīng)狀態(tài)［14］，進(jìn)行軟件仿真分析，以進(jìn)一步分析起落架腿部機(jī)構(gòu)在傳統(tǒng)PID 控制系統(tǒng)、模糊PID 控制系統(tǒng)以及模糊神經(jīng)PID 控制系統(tǒng)下的控制效果，將相關(guān)參數(shù)代入并對(duì)整體模型進(jìn)行優(yōu)化處理得單腿起落架數(shù)學(xué)模型為

在此次試驗(yàn)中選擇階躍信號(hào)作為系統(tǒng)的輸入［15］，通過加入常規(guī)PID 控制與模糊PID 控制，進(jìn)一步驗(yàn)證模糊神經(jīng)PID 系統(tǒng)具有收斂速度快、超調(diào)量小以及控制穩(wěn)定等性能特點(diǎn)［16］。

傳統(tǒng)PID 控制系統(tǒng)：設(shè)定PID 控制系統(tǒng)3 個(gè)參數(shù)kp為3，ki為0.01，kd為0.002，進(jìn)行控制系統(tǒng)的仿真，仿真框圖如圖9 所示，仿真結(jié)果如圖10 所示。結(jié)果表明，在第7.65 s 時(shí)輸出從0 達(dá)到最大值1.005，此時(shí)系統(tǒng)超調(diào)量為0.05%；7～9 s 時(shí)，系統(tǒng)在目標(biāo)值附近震蕩調(diào)整，波動(dòng)逐漸減小；在9～15 s時(shí)，系統(tǒng)趨于穩(wěn)定，數(shù)值完全達(dá)到目標(biāo)設(shè)定值。但很明顯可以看出：傳統(tǒng)PID 控制當(dāng)參數(shù)進(jìn)行一定程度的優(yōu)化調(diào)整，還是可以保證系統(tǒng)運(yùn)行的平穩(wěn)性，但還是會(huì)有一定程度的超調(diào)量，同時(shí)整體系統(tǒng)調(diào)整時(shí)間也較長(zhǎng)。

圖9 傳統(tǒng)PID 仿真框圖Fig.9 Block diagram of traditional PID simulation

圖10 控制系統(tǒng)仿真曲線Fig.10 Control system simulation curves

模糊PID 控制系統(tǒng)：設(shè)定PID 控制系統(tǒng)3 個(gè)參數(shù)kp、ki、kd的值不變，同時(shí)設(shè)定模糊PID 的5 個(gè)比例因子分別為1、0.5、0.15、5、3，仿真框圖如圖11所示，仿真結(jié)果如圖10 所示。在前5.36 s 內(nèi)輸出從0 達(dá)到穩(wěn)定值，無超調(diào)量；5.36～155 s 時(shí)，系統(tǒng)趨于穩(wěn)定，輸出完全達(dá)到目標(biāo)設(shè)定值，無震蕩。將模糊控制與傳統(tǒng)PID 控制系統(tǒng)相結(jié)合，可以明顯看出與單獨(dú)的PID 控制系統(tǒng)相比，系統(tǒng)無超調(diào)，曲線逼近目標(biāo)值的速度更快。

圖11 模糊PID 仿真框圖Fig.11 Fuzzy PID simulation block diagram

模糊神經(jīng)PID 仿真框圖如圖12 所示，模糊神經(jīng)PID 控制器子模塊如圖13 所示，仿真結(jié)果如圖10 所示：在0～3.77 s 內(nèi)系統(tǒng)以較快速度向目標(biāo)值逼近，無超調(diào)，幾乎無震蕩；在3.77～15 s 內(nèi)，系統(tǒng)輸出完全與目標(biāo)值重合，實(shí)現(xiàn)完美逼近。此控制系統(tǒng)整體波動(dòng)量小，無超調(diào)，系統(tǒng)調(diào)整快。

圖12 模糊神經(jīng)PID 仿真框圖Fig.12 Fuzzy neural PID simulation block diagram

圖13 模糊神經(jīng)PID 控制器子模塊Fig.13 Fuzzy neural PID controller sub-module

觀察圖14 可知，模糊神經(jīng)PID 控制系統(tǒng)的誤差從起始的最大誤差以較快的速度逐步向0 逼近，無論是穩(wěn)定性還是趨近速度與傳統(tǒng)PID 控制系統(tǒng)和模糊PID 控制系統(tǒng)相比均有很大的優(yōu)勢(shì)。

圖14 控制系統(tǒng)誤差曲線Fig.14 Control system error curves

在系統(tǒng)平穩(wěn)運(yùn)行后，加入10%的擾動(dòng)進(jìn)一步檢驗(yàn)3 種控制系統(tǒng)的抗干擾能力，仿真結(jié)果如圖15 所示。

圖15 控制系統(tǒng)受擾動(dòng)后仿真曲線Fig.15 Simulation curves of control system after disturbance

分析圖15，模糊神經(jīng)PID 控制系統(tǒng)面對(duì)外來擾動(dòng)相比傳統(tǒng)PID 以及模糊PID 控制可以更快更平穩(wěn)地向目標(biāo)值逼近，且在3 s 內(nèi)實(shí)現(xiàn)對(duì)干擾信號(hào)的處理，實(shí)現(xiàn)系統(tǒng)的再次穩(wěn)定。

3.2 基于樹莓派裝置的實(shí)驗(yàn)分析

在樹莓派裝置中，以Python 作為編程語言進(jìn)行整體裝置的實(shí)驗(yàn)。實(shí)驗(yàn)對(duì)象為起落架的單腿結(jié)構(gòu)。主要實(shí)驗(yàn)設(shè)備如圖16 所示。在此結(jié)構(gòu)中應(yīng)用模糊神經(jīng)PID 控制系統(tǒng)，分析此控制算法在起落架結(jié)構(gòu)中的運(yùn)行狀況。

圖16 起落架主要實(shí)驗(yàn)設(shè)備Fig.16 Landing gear main test equipment：（a）raspberry pie 4B＋；（b）brushless DC servo motors

如圖17 所示，起落架單腿裝置底部足墊距離地面的高度為50 mm，此時(shí)給整個(gè)控制系統(tǒng)啟動(dòng)信號(hào)，起落架開始運(yùn)作，通過速度、位置雙環(huán)控制以及模糊神經(jīng)PID 控制算法的應(yīng)用，實(shí)現(xiàn)腿部精準(zhǔn)運(yùn)動(dòng)250 mm。通過對(duì)起落架足部位移狀況進(jìn)行分析，得到足墊的運(yùn)動(dòng)曲線。

圖17 基于模糊神經(jīng)PID 控制的起落架單腿實(shí)驗(yàn)Fig.17 Experiment of landing gear single leg based on fuzzy neural PID control：（a）single leg landing experiment；（b）single leg retraction experiment

如圖18 所示，單腿起落架在接收信號(hào)之后，電機(jī)開始運(yùn)行，經(jīng)過1.85 s 到達(dá)位移最大值，之后通過短暫調(diào)整，在2.3 s 時(shí)，整個(gè)系統(tǒng)趨于穩(wěn)定。實(shí)驗(yàn)結(jié)果表明：將模糊神經(jīng)PID 控制算法應(yīng)用到起落架控制系統(tǒng)中，在實(shí)現(xiàn)系統(tǒng)運(yùn)行的快速性之外，同時(shí)可實(shí)現(xiàn)起落架單腿位移的精準(zhǔn)控制。

圖18 基于模糊神經(jīng)PID 腿部位移實(shí)驗(yàn)曲線Fig.18 Leg displacement experimental curve based on fuzzy neural PID

4 結(jié)論

針對(duì)傳統(tǒng)PID 控制與模糊PID 控制的飛機(jī)起落架控制系統(tǒng)存在達(dá)不到理想控制精度以及控制速度的問題，為了進(jìn)一步提高起落架系統(tǒng)的控制特性，本文作者提出一種神經(jīng)網(wǎng)絡(luò)與模糊控制相結(jié)合的模糊神經(jīng)PID 控制策略。通過建立飛機(jī)起落架運(yùn)動(dòng)模型以及MATLAB／Simulink 仿真，結(jié)合相關(guān)系數(shù)進(jìn)行參數(shù)調(diào)整，最后對(duì)不同控制的控制系統(tǒng)進(jìn)行比較，分析其控制效果。

研究結(jié)果表明：

（1）相比于傳統(tǒng)PID 控制系統(tǒng)以及模糊PID 控制系統(tǒng)，可以發(fā)現(xiàn)模糊神經(jīng)PID 控制系統(tǒng)的響應(yīng)速度更快，在10 s 內(nèi)達(dá)到穩(wěn)定狀態(tài)，無超調(diào)，系統(tǒng)的穩(wěn)定性更好。

（2）在系統(tǒng)正常運(yùn)行狀態(tài)下，模糊神經(jīng)PID 控制系統(tǒng)的誤差以極快速度趨近于0，且系統(tǒng)運(yùn)行全程幾乎無波動(dòng)。

（3）模糊神經(jīng)PID 控制系統(tǒng)的控制精度更高，系統(tǒng)穩(wěn)定性更好，抗干擾能力更強(qiáng)。

在此飛機(jī)起落架系統(tǒng)中應(yīng)用模糊神經(jīng)PID 控制算法，實(shí)驗(yàn)結(jié)果表明：此智能控制算法在滿足機(jī)構(gòu)運(yùn)動(dòng)的基本要求下，加快了起落架各腿部系統(tǒng)的運(yùn)行速度，可實(shí)現(xiàn)起落架更快的自適應(yīng)著陸，提高整個(gè)系統(tǒng)的抗擾動(dòng)能力，減少系統(tǒng)運(yùn)動(dòng)存在的慣性沖擊，增強(qiáng)了整個(gè)起落架系統(tǒng)的穩(wěn)定性，提高了整個(gè)起落架設(shè)備的使用壽命。