novtexmechМехатроника, автоматизация, управлениеMekhatronika, Avtomatizatsiya, Upravlenie1684-64272619-1253Commercial Publisher «New Technologies»10.17587/mau.25.239-250novtexmech-1552Research ArticleРОБОТЫ, МЕХАТРОНИКА И РОБОТОТЕХНИЧЕСКИЕ СИСТЕМЫROBOT, MECHATRONICS AND ROBOTIC SYSTEMSНейросетевое скользящее управление ориентацией трехосного карданного подвеса, оснащенного камерой, на беспилотном аппаратеNeural Network Sliding Control for Three-Axis Gimbal Orientation with Camera on an Unmanned VehicleКориковА. М.KorikovA. M.

А. М. Коpиков, д-p техн. наук, пpоф.,

Томск.

A. M. Korikov, D. Sc., Professor, Department of Automated Control Systems,

Tomsk, 634050.

anatolii.m.korikov@tusur.ruТранВ. Т.TranV. T.

В. Т. Тран, аспирант,

Томск.

 

V. T. Tran, Postgraduate Student, 

Tomsk, 634050.

att82glass@gmail.comТомский госудаpственный унивеpситет систем упpавления и pадиоэлектpоникиРоссияTomsk State University of Control Systems and RadioelectronicsRussian Federation202407052024255239250Copyright © Commercial Publisher «New Technologies», 20242024Commercial Publisher «New Technologies»Commercial Publisher «New Technologies»https://mech.novtex.ru/jour/about/submissions#copyrightNoticehttps://mech.novtex.ru/jour/article/view/1552

Обсуждается разработка и моделирование алгоритмов нейросетевого скользящего режима (НСР) управления ориентацией трехосного карданного подвеса (ТКП), оснащенного подвесной камерой, беспилотного летательного аппарата (БПЛА). Алгоритмы НСР базируются на кинематических уравнениях, описывающих вращение и взаимодействие трех твердых компонентов ТКП: рамки канала рыскания (РКР), рамки канала крена (РКК) и рамки канала тангажа (РКТ). В математической модели ТКП учтено как взаимодействие трех связанных между собой твердых тел (РКР, РКК и РКТ) — компонентов ТКП, так и влияние на ТКП неизвестных возмущающих факторов. Возмущающие факторы (центробежные силы и моменты инерции, возникающие при вращении асимметричных РКР, РКК и РКТ; гравитация; трение, возникающее на вращающихся подшипниках РКР, РКК, РКТ) существенно усложняют математическую модель ТКП с камерой на БПЛА. Задача в данной постановке решается путем комбинации классического скользящего регулятора и искусственной нейронной сети (ИНС) RBF. В ИНС RBF радиальные базисные функции (гауссоиды) выполняют роль нелинейных функций активации. В описание скользящего режима управления вводятся неопределенные функции, содержащие неизвестные параметры, в числе которых параметры неизвестных возмущений: гравитация, влияющая на рабочий процесс ТКП, центробежные силы и моменты инерции РКР, РКК, РКТ и т. п. Неизвестные параметры неопределенных функций в НСР оцениваются с помощью ИНС RBF. Комбинация скользящего режима управления и нейронной сети RBF реализует нейросетевое скользящее управление ориентацией ТКП БПЛА, оснащенного камерой. Результаты моделирования НСР управления в программной среде MATLAB Simulink доказывают, что система, использующая НСР, обладает большим запасом устойчивости, характеризуется более высоким качеством процессов управления и работает достаточно стабильно в обстановке неизвестных возмущений и случайных помех по сравнению с классическим скользящим регулятором.

The article focuses on development and modeling of neural network sliding mode (NSM) algorithms for controlling three-axis gimbal (TAG) orientation with camera of an unmanned aerial vehicle (UAV). The NSM algorithm is based on kinematic equations that describe the rotation and interaction of three rigid TAG components: yaw channel frame (YCF), roll channel frame (RCF), and pitch channel frame (PCF). The mathematical model of the TAG takes into account the interaction of three rigid components (YCF, RCF and PCF) are the TAG components, and the influence of unknown disturbances on the TAG. Disturbances (centrifugal force, gravity, friction that arise during TAG working) significantly complicate the mathematical model of the TAG. The problems are solved by synthesizing an adaptive sliding mode control (ASMC) using an artificial neural network (ANN) RBF. In RBF ANN, radial basis functions (Gaussoids) serve as nonlinear activation functions. In the description of the sliding control mode, disturbances are introduced that contain unknown parameters: influence of gravity, influence of the centrifugal force of inertia of the frames, etc. Unknown parameters of disturbances in NSM are estimated by using RBF ANN. The combination of sliding mode control and RBF neural network implements neural network sliding control for the TAG orientation. The modeling results of neural network sliding mode control in MATLAB prove that system using NSM has a large stability margin, is characterized by a higher quality of control processes and working quite stably in unknown and random disturbances environment compared to the classic sliding mode controller.

беспилотный летательный аппараттрехосный карданный подвескинематическая модельскользящий режимуправлениеориентациякамераадаптациянейронная сетьмоделированиеunmanned aerial vehiclethree-axis gimbalkinematic modelsliding modecontrolorientationvideo cameraadaptationneural networkmodelingReferencesAltan A., Hacioğlu R. Modeling of three-axis gimbal system on unmanned air vehicle (UAV) under external disturbances // Signal Processing and Communications Applications Conference. 2017. P. 1—4.Altan A., Hacioğlu R. Modeling of three-axis gimbal system on unmanned air vehicle (UAV) under external disturbances, Signal Processing and Communications Applications Conference, 2017, pp. 1—4.Zhou Z., Zhang B., Mao D. MIMO fuzzy sliding mode control for three-axis inertially stabilized platform // Sensors. 2019. P. 1658.Zhou Z., Zhang B., Mao D. IMO fuzzy sliding mode control for three-axis inertially stabilized platform, Sensors, 2019, pp. 1658.Chandra R. S., Breheny S. H., D’Andrea R. Antenna array synthesis with clusters of unmanned aerial vehicles // Automatica. 2008. Vol. 44. P. 1976—1984.Chandra R. S., Breheny S. H., D’Andrea R. Antenna array synthesis with clusters of unmanned aerial vehicles, Automatica, 2008, vol. 44, pp. 1976—1984.Coopmans C., Stark B., Jensen A., Chen Y. Q., McKee M. Cyber-physical systems enabled by small unmanned aerial vehicles. In: K. P. Valavanis, G. J. Vachtsevanos (Eds.), Handbook of unmanned aerial vehicles. Dordrecht; Heidelberg; New York; London: Springer, 2015. P. 2835—2860.Coopmans C., Stark B., Jensen A., Chen Y. Q., McKee M. Cyber-physical systems enabled by small unmanned aerial vehicles, in K. P. Valavanis, G. J. Vachtsevanos (Eds.), Handbook of unmanned aerial vehicles, Dordrecht, Heidelberg, New York, London, Springer, 2015, pp. 2835—2860.Sundaram B., Palaniswami M., Reddy S., Sinickas M. Radar localization with multiple unmanned aerial vehicles using support vector regression // Intelligent sensing and information processing. 2005. P. 232—237.Sundaram B., Palaniswami M., Reddy S., Sinickas M. Radar localization with multiple unmanned aerial vehicles using support vector regression, Intelligent sensing and information processing, 2005, pp. 232—237.Сущенко О. А., Азарсков В. Н. Проектирование робастных систем стабилизации оборудования беспилотных летательных аппаратов // Вестник Самарского государственного аэрокосмического университета. 2014. № 1(43). С.80—90.Sushchenko O. A., Azarskov V. N. Design of robust stabilization systems for unmanned aerial vehicle equipment, Vestnik Samarskogo gosudarstvennogo aerokosmicheskogo universiteta, 2014, no. 1(43), pp.80—90 (in Russian).Кориков А. М., Тран В. Т. Кинематическая модель стабилизации и управления ориентацией подвесной аппаратуры беспилотного летательного аппарата // Мехатроника, автоматизация, управление. 2023. Т. 24, № 7. С. 382—390.Korikov A. M., Tran V. T. Kinematic model of stabilization and orientation control of suspended equipment of an unmanned aerial vehicle, Mekhatronika, Avtomatizatsiya, Upravleniye, 2023, vol. 24, no. 7, pp. 382—390 (in Russian).Челноков Ю. Н. Приложения теории кинематического управления движением твердого тела // Мехатроника, автоматизация, управление. 2017. Т. 18, № 8. С. 532—542.Chelnokov Yu. N. Applications of the theory of kinematic control of rigid body motion, Mekhatronika, Avtomatizatsiya, Upravleniye, 2017, vol. 18, no. 8, pp. 532—542 (in Russian).Гантмахер Ф. Р. Теория матриц. М.: Наука, 1988. 552 с.Gantmakher F. R. Matrix theory, Moscow, Nauka, 1988, 552 p. (in Russian).Емельянов С. В. Системы автоматического управления с переменной структурой. М.: Наука, 1967. 336 с.Emelyanov S. V. Automatic control systems with variable structure, Moscow, Nauka, 1967, 336 p. (in Russian).Теория систем с переменной структурой / Под ред. С. В. Емельянова. М.: Наука. Физматлит, 1970. 592 с.Emelyanova S. V. Theory of systems with variable structure, Moscow, Nauka, 1970, 592 p. (in Russian).Уткин В. И. Скользящие режимы и их применение в системах с переменной структурой. М.: Наука, 1974. 272 с.Utkin V. Sliding modes and their application in systems with variable structure, Moscow, Nauka, 1974, 272 p. (in Russian).Емельянов С. В., Коровин С. К. Новые типы обратной связи: управление при неопределенности. М.: Наука. Физматлит, 1997. 352 с.Emelyanov S. V., Korovin S. K. New types of feedback: control under uncertainty, Moscow, Nauka, 1997, 352 p. (in Russian).Ерофеев А. А. Теория автоматического управления. СПб.: Политехника, 1998. 295 с.Erofeev A. A. Automatic control theory, Saint Petersburg, Politekhnika, 1998, 295 p. (in Russian).Modern control systems / Twelfth Edition by Richard C. Dorf, Robert H. Bishop. Prentice Hall, 2011. 1110 p.Modern control systems. Twelfth Edition by Richard C. Dorf, Robert H. Bishop, Prentice Hall, 2011, 1110 p.Галушкин А. И. Нейронные сети: основы теории. М.: Горячая линия — Телеком, 2010. 496 с.Galushkin A. I. Neural networks: basic theory, Moscow, Goryachaya liniya Telekom, 2010, 496 p. (in Russian).Прикладная информатика: справочник / Под ред. В. Н. Волковой и В. Н. Юрьева. М.: Финансы и статистика; Инфра-М, 2008. 768 с.Volkova V. N., Yuryeva V. N. Applied Informatics: Handbook, Moscow, Finansy i statistika, Infra-M, 2008, 768 p. (in Russian).

The authors declare that there are no conflicts of interest present.