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







