一、引言：无人机故障容错控制 —— 飞行安全的核心保障
四旋翼无人机凭借灵活性高、起降便捷等优势，广泛应用于航拍测绘、电力巡检、应急救援等领域。然而，在复杂作业环境中，无人机易遭遇单臂结构故障（如机臂弯曲、断裂导致的动力学特性突变）与对应电机故障（如电机堵转、推力衰减、完全失效），这类故障会直接破坏无人机的动力学平衡，若控制不当将导致飞行失稳甚至坠毁。
传统控制算法（如 PID、常规滑模控制）难以应对故障带来的非线性扰动与参数突变：PID 控制鲁棒性不足，故障后易出现超调量大、收敛缓慢等问题；常规滑模控制存在'抖振现象'，且终端滑模的奇异值问题会影响控制连续性。本文提出'遗传算法优化非奇异快速终端滑模控制器（GANFTSMC）+RBF 径向基神经网络'的故障容错控制方案：通过 GA 优化 NFTSMC 的控制参数，提升收敛速度与抗抖振能力；利用 RBF 神经网络实时估计故障扰动，动态补偿控制输出，确保无人机在单臂结构与电机故障下仍能稳定飞行。
二、核心基础：四大关键技术的原理与适配逻辑
- 四旋翼无人机故障特性分析
四旋翼无人机通过四个电机的转速差实现姿态与位置控制，单臂结构故障与对应电机故障的核心影响如下：
- 单臂结构故障：机臂长度变化、刚度下降导致电机安装位置偏移，推力矢量方向改变，动力学模型中的惯性矩阵、阻尼矩阵参数突变；
- 电机故障：包括部分推力损失（如推力衰减 30%-70%）、完全失效（推力降为 0），导致总推力不足、力矩不平衡，无人机出现偏航、滚转等姿态失稳；
- 故障共性：均属于'参数摄动 + 外部扰动'的复合故障，需控制算法具备快速响应、强鲁棒性、动态补偿能力。
- 非奇异快速终端滑模控制器（NFTSMC）：故障控制核心框架
NFTSMC 是在传统终端滑模控制（TSMC）基础上的改进算法，解决了 TSMC 的奇异值问题与收敛速度不足的痛点：
- 核心原理：通过设计非奇异终端滑模面，使系统状态在有限时间内收敛至平衡点，且避免滑模面导数趋于无穷大的奇异现象；
- 快速收敛特性：结合快速终端滑模的设计思想，引入指数项加速状态收敛，较常规滑模控制收敛速度提升 40% 以上；
- 抗抖振设计：采用饱和函数替代符号函数，削弱滑模控制固有的'抖振现象'，减少对无人机执行机构（电机）的机械损耗；
- 适配性：非线性控制特性与无人机故障后的强非线性动力学模型高度契合，能快速抑制故障扰动。
- 遗传算法（GA）：NFTSMC 参数的智能优化器
NFTSMC 的控制性能依赖关键参数（如滑模面系数、饱和函数边界、收敛指数）的合理选择，传统试凑法效率低、易陷入局部最优，GA 通过模拟生物进化的'选择 - 交叉 - 变异'机制实现参数全局优化：
- 参数编码：将 NFTSMC 的 3 个核心参数（滑模系数 c、收敛指数 α/β、饱和函数边界 ε）编码为二进制染色体，形成初始种群；
- 适应度函数：以无人机故障后的姿态误差（滚转角、俯仰角、偏航角误差）与控制抖振幅度的加权和为适应度函数，目标是最小化适应度值；
- 优化流程：通过选择算子保留优质个体、交叉算子实现基因重组、变异算子避免局部最优，迭代 50 代后输出全局最优参数组合；
- 优势：较网格搜索、粒子群算法，GA 的全局搜索能力更强，能在复杂参数空间中找到兼顾收敛速度与抗抖振的最优解。
- RBF 径向基神经网络：故障扰动的实时补偿器
RBF 神经网络是一种三层前馈神经网络，具备逼近任意非线性函数的能力，用于估计无人机故障后的未知扰动：
- 核心原理：以无人机的姿态角、角速度、电机转速为输入，故障扰动（如推力损失量、力矩偏差）为输出，通过梯度下降法调整网络权值，实现扰动的实时逼近；
- 补偿机制：将 RBF 估计的扰动值反馈至 NFTSMC 的控制输入端，动态修正控制量，抵消故障对系统的影响；
- 适配性：无需建立精确的故障数学模型，仅通过数据驱动即可实现扰动估计，适配单臂结构与电机故障的不确定性。
三、完整控制流程：故障容错控制的闭环实现
