基于改进灰狼算法的多操纵面...机在线路检测中的可行性研究_杨博.pdf

基于改进灰狼算法的多操纵面无人机在线路检测中的可行性研究*杨 博,陈 鹏,赵庆周,孙成贤(山东电力工程咨询院有限公司,山东 济南2 5 0 0 1 0)摘 要:控制分配是用于解决多操纵面飞行器控制冗余问题的常用方法之一,其目的是在一定的约束条件下,将控制指令合理地分配到各个执行机构,从而提高飞行器的控制性能,且飞行器在工作中会出现操纵面故障的问题。在传统灰狼算法的基础上进行改进,并将其应用于解决控制分配和控制重分配问题,还将其实际应用到高压电塔的线路检修检测中。关键词:改进灰狼算法;控制分配;高压电塔线路检修中图分类号:T P 2 7 3.4 D O I:1 0.1 9 7 6 8/j.c n k i.d g j s.2 0 2 3.0 2.0 4 3F e a s i b i l i t yS t u d yo fM u l t i-C o n t r o l S u r f a c eU A Vi nL i n eD e t e c t i o nB a s e do nI m p r o v e dG r a yW o l fA l g o r i t h m*YAN GB o,CHE NP e n g,Z HAOQ i n g z h o u,S UNC h e n g x i a n(S h a n d o n gE l e c t r i cP o w e rE n g i n e e r i n gC o n s u l t i n gI n s t i t u t eC o r p.,L t d.,J i n a n2 5 0 0 1 0,C h i n a)A b s t r a c t:T h ec o n t r o l a l l o c a t i o n i s o n e o f t h e c o mm o nm e t h o d su s e d t o s o l v e t h ep r o b l e mo f c o n t r o l r e d u n d a n c yo f a i r c r a f tw i t hm u l t i p l ea c t u a t o r s.T h ep u r p o s ei st oa s s i g nc o n t r o li n s t r u c t i o n st oe a c ha c t u a t o rr e a s o n a b l yu n d e rc e r t a i nc o n-s t r a i n t s,s oa s t o i m p r o v e t h e c o n t r o l p e r f o r m a n c eo f t h ea i r c r a f t.T h e t r a d i t i o n a l g r a yw o l f a l g o r i t h mi s i m p r o v e da n da p-p l i e d t o s o l v e t h ep r o b l e mo f c o n t r o l d i s t r i b u t i o na n dc o n t r o l r e d i s t r i b u t i o n,a n d i t i s a l s op r a c t i c a l l ya p p l i e d t o t h e l i n em a-i n t e n a n c e i n s p e c t i o no fh i g h-v o l t a g e t o w e r s.K e yw o r d s:I GWO;c o n t r o l a l l o c a t i o n;m o n i t o r i n gt h eh i g hv o l t a g e t o w e r基金项目:国家自然基金项目(编号5 1 3 0 7 1 2 1)收稿日期:2 0 2 2-0 6-0 9作者简介:杨博(1 9 8 0-),硕士,高级工程师,从事设计高压电力线路方面的工作。0引言随着科学技术的发展,现如今的飞行器不再是仅仅满足于完成几个简单的任务,而是面临着更加错综复杂的挑战。为此,新的飞行器设计突破了传统的操纵面,大力使用新型操纵面,如俯仰襟翼、升降副翼、全动翼尖等1-2。飞行器的控制能力虽然提高了,但是由于操纵面的增加以及复杂化、冗余和耦合程度的加深,有效地完成对各个操纵面的控制,使得飞行器完成飞行任务成为当前飞行器面临的首要问题。控制分配技术在考虑众多约束的前提下,将最优的指令分配到众多舵面上,以提高飞行器的控制能力,该方法已被广泛应用于航空航天领域3-5。控制分配对多操纵面飞行器十分重要,同时控制分配问题又可以看成是一个带有约束问题的目标优化问题,而智能算法是解决目标优化问题的有效方法6-8。目前,智能算法9已经在多个领域得到推广应用。而将智能算法应用于解决控制分配问题1 0-1 1,与传统的解法相比,它能够在受限条件下具有更高的效率,取得更好的结果1 1-1 3。随着技术的发展,传统的优化方法难以有效地解决在实际工程中遇到的问题1 3-1 5,为了取得更好的优化速度和寻优结果,不少专家学者在人工智能优化方法上开辟了新的道路1 6-1 7。本文通过改进传统灰狼算法的种群更新方式9和收敛因子的收敛方式1 8-1 9来加快智能算法的收敛速度,增强算法的开发和探索能力,并将其在仿真软件上进行仿真验证。1多操纵面飞行器的问题描述控制分配技术能使执行器接收到最优控制指令,完成控制命令1 1-1 2。在一般的飞行控制系统中,控制律和控制分配是分开设计的,所以在执行器发生故障时,可不对控制律重新设计,只需考虑怎样将指令重新分配给执行器即可1 3-1 4。带有控制分配环节的姿态控制系统结构如图1所示。1.1多操纵面飞行器的模型本文中所有仿真验证都将采用多操纵面战斗机A D-M I R E进行。它的操纵面主要有左右两个鸭翼、左右两个341系统解决方案 电工技术 图1基本的控制分配的系统结构图外升降副翼、左右两个内升降副翼、前缘襟翼、方向舵等。为了研究方便,只对其中的七个操纵面加以利用进行仿真研究,这七个操纵面包括左右两个鸭翼、左右两个外升降副翼、左右两个内升降副翼和方向舵,如图2所示。图2多操纵面飞行器模型在飞行控制律设计中,动力学模型可以描述为线性形式:x(t)=A x(t)+Buu(t)y=C x(t)(1)式中,x=pqrT、y=pT、u=l cr cl o el i er i er o erT,其中为迎角,为侧滑角,p为滚转角速率,q为俯仰角速率,r为偏航角速率;A为系统矩阵;Bu为输入矩阵;C为输出矩阵。1.2目标函数因为控制律和控制分配是分开设计的,所以可以通过两个步骤实现控制系统的设计。(1)在上层的控制律设计中,通常是为了得到期望力矩,为控制分配模块提供输入,因此控制律可以设计为vc=k(t,x)。(2)控制分配就是在上层控制律设计模块设计好后,所得到的期望力或者力矩,也就是虚拟控制指令v的条件下求解执行器偏转输入指令u。B u(t)=v(t)um i nu(t)um a x(2)式中,um i n和um a x为执行器的位置限制。根据式(1)所示的系统,可以利用基本的L Q R理论与改进的灰狼算法完成控制律的设计,得到的虚拟控制指令v会被用作控制分配模块的输入。其中,改进灰狼算法中选择代价函数的性能指标为:JL Q R=0(xTQ x+uTR u)dt(3)式中,Q为非负定的对称矩阵,DDT=Q,D为任意的非零矩阵;R为正定的对称矩阵。系统完全可控,A,D 完全可观。2基于改进的灰狼算法2.1灰狼算法基础理论(GWO)灰狼算法的灵感源自动物界中的灰狼群体。灰狼算法中,拥有最优适应度值的三匹狼分别被定义为狼、狼和狼,并作为领导群体,影响种群中其他狼的位置的更新,种群中的剩余个体被定义为狼,如图3所示。图3灰狼算法社会阶级示意图为了模拟灰狼群的捕猎行为,种群中个体的狩猎方式为:D=|CXp(t)-X(t)|(4)X(t+1)=Xp(t)-AD(5)式中,t为当前迭代次数;X为搜索空间中任意一个个体;Xp为猎物的位置。A=2ar1-a(6)C=2r2(7)a=2-2t/tm a x(8)式中,r1和r2为0到1间的随机数;a为收敛因子;tm a x为最大迭代次数。猎物的信息是未知的,假设灰狼种群中的领导群体(狼、狼和狼)拥有与猎物相关的更有价值的信息,那么种群中每匹狼的实际位置更新方式为:D=|C1X-X|D=|C2X-X|D=|C3X-X|(9)X1=X-A1DX2=X-A2DX3=X-A3D(1 0)式中,X、X和X分别为狼、狼和狼在搜索空间中的位置。2.2灰狼算法的改进(I GWO)灰狼优化算法探索能力强,且种群中个体位置受领导群体(狼、狼和狼)的共同影响,因此在一定程度上可以防止算法陷入局部最优,但是传统灰狼算法存在搜索方式单一、开发能力不足的问题,当陷入局部最优时,种群中的其他个体将向局部最优靠拢,无法跳出局部最优,因此本文在收敛因子以及种群的迭代更新方式上进行研究。本文在原始的收敛因子a的线性变化的基础上加以改441电工技术 系统解决方案 进,提出了一种新的方式:aa(i)=am a xe(t/tm a x)a(i)=am a xe(t/tm a x)a(i)=a(t)+a(t)2(1 1)利用非线性更新方式代替原始的线性更新方式,使得灰狼狩猎群体搜索的范围更加广泛,保证了搜索能力,既可以有效地避免陷入局部最优,也增加了灰狼算法的精准程度。同时,在三匹头狼(狼、狼和狼)的更新环节进行改进,加入惯性权重系数:X1=X-a(i)r1(D)X2=X-a(i)r1(D)X3=X-a(i)r1(D)(1 2)Xi(t+1)=X1+X2+X33(1 3)式(1 3)的物理意义是用三个最佳狼来搜索猎物,即最优解,具体流程如图4所示。图4改进灰狼算法流程2.3基准测试函数仿真验证为了验证权重灰狼算法的有效性,选择了一个基准测试函数进行仿真,并与传统灰狼算法进行比较。基准测试函数的介绍和仿真如下。F(x)=+2 0+e-2 0 e x p-0.21nni=1(x2i)-e x p1nni=1c o s(2 xi)(1 4)式中,e是自然数。进行仿真验证时tm a x=6 0 0,种群大小为3 0。基准测试函数示意图如图5所示,其由四周收敛到一点。传统灰狼算法和改进的灰狼算法收敛曲线对比如图6所示,可看出改进的灰狼算法收敛曲线比传统灰狼算法收敛曲线更快更精确。图5基准测试函数示意图 图6测试函数精准度结果对比图3基于改进的灰狼算法的控制分配仿真在A DM I R E多操纵面战斗机模型上对所提出的基于改进灰狼算法的控制分配方案进行仿真验证。系统的参考输入信号为r,r=d d pdT,其中,d为迎角指令,d为侧滑角指令,pd为滚装角速度指令。d=0 t0,4 0(1 5)d=0 t0,1 0)2 t1 0,2 5)0 t2 5,4 0(1 6)pd=0 t0,4 0(1 7)设置种群的大小为6 0,最大迭代次数为6 0 0,分别针对粒子群算法、灰狼算法和权重灰狼算法进行控制分配仿真,系统输出响应曲线如图7所示。从迎角可以看出,三种算法得到的仿真曲线只有权重灰狼算法的曲线比较平缓,且很快地趋于稳定;从侧滑角可以看出,粒子群算法的曲线在跟踪输入信号时波动比较大且不稳定,响应速度慢于其他两种算法,而权重灰狼算法与传统灰狼算法相比,前者在1 3.0 5s时出现超调量为5.4%,后者在1 3.0 9s时出现超调量为6.2%,权重灰狼算法的超调量要小于传统灰狼算法,且响应速度更快;从滚转角速度可以看出,在1 01 5s和2 53 0s时出现了波动,只有权重灰狼算法线条波动幅度较小,且跟踪曲线更为平滑。综上所述,利用权重灰狼算法用于解决控制分配问题具有一定