Control robusto de autoaprendizaje PID de un sistema de frenado antibloqueo de aeronaves
Autores: Xu, Fengrui; Liang, Xuelin; Chen, Mengqiao; Liu, Wensheng
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Fuerte no linealidad
Interferencia externa
Algoritmo PID de autoaprendizaje
Optimización por enjambre de partículas
Control robusto
Resultados de simulación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
Para hacer frente a la fuerte no linealidad e interferencia externa en el proceso de frenado, este documento propone un algoritmo PID robusto de autoaprendizaje basado en la optimización por enjambre de partículas, que no depende de un modelo matemático preciso del objeto controlado. La función de autoaprendizaje se utiliza para adaptarse a la diversidad de la fricción de la superficie de la carretera de la pista, el algoritmo de enjambre de partículas se utiliza para optimizar la tasa de autoaprendizaje, y se utiliza el control robusto para hacer frente a la incertidumbre del modelado y a la interferencia externa del sistema. La convergencia de la estrategia de control se demuestra mediante análisis teórico y experimentos de simulación. La superioridad y precisión del método se verifican mediante los resultados de las pruebas en tierra de la NASA. Los resultados de la simulación muestran que el efecto adverso de la interferencia externa se suprime y se sigue la trayectoria ideal.
Descripción
Para hacer frente a la fuerte no linealidad e interferencia externa en el proceso de frenado, este documento propone un algoritmo PID robusto de autoaprendizaje basado en la optimización por enjambre de partículas, que no depende de un modelo matemático preciso del objeto controlado. La función de autoaprendizaje se utiliza para adaptarse a la diversidad de la fricción de la superficie de la carretera de la pista, el algoritmo de enjambre de partículas se utiliza para optimizar la tasa de autoaprendizaje, y se utiliza el control robusto para hacer frente a la incertidumbre del modelado y a la interferencia externa del sistema. La convergencia de la estrategia de control se demuestra mediante análisis teórico y experimentos de simulación. La superioridad y precisión del método se verifican mediante los resultados de las pruebas en tierra de la NASA. Los resultados de la simulación muestran que el efecto adverso de la interferencia externa se suprime y se sigue la trayectoria ideal.