一种基于油电混合的无人机控制方法与流程

本发明主要涉及到无人机的控制领域，特指一种基于油电混合的无人机控制方法。
背景技术：
：随着无人机的普及、自动化程度的提高，越来越多的操作员操作无人机，大多数小型无人机采用电池为动力，存在航时短、航程近的缺陷，而汽油、甲醇等燃料的发动机可靠性比电机低，对操作员的要求高、存在容易熄火、发生事故后易燃易爆等不足。现有的小型无人机一般为单一的动力系统，多为锂电池或者使用汽油、甲醇等燃料的内燃机，油动无人机使用复杂、不易掌握、震动大，对操作员的要求高、存在容易熄火、发生事故后易燃易爆等不足。电动无人机存在航时短、航程近的缺陷的特点，采用燃油给电池供电，电池为电动电机提供动力的方式。有从业者提出同时采用锂电池与汽油两种动力的无人机，其一般采用双电机的结构，既有电动发动机，又有汽油发动机。比如，中国专利申请201610350995.3提出一款以直升机机架为主体结构，以四旋翼结构为辅助的油、电混合动力系统的垂直起降无人机，该系统中既有油动的电机又有电动的电机。又比如，中国专利申请201620277749.5提出一种小型油电混合垂直起降固定翼无人机，同样同时拥有油动的电机和电动的电机。但是，目前的油电混动无人家普遍存在响应速度慢、控制精度低、续航能力差等问题。技术实现要素：本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种控制效果好、可靠性高、巡航能力佳的一种基于油电混合的无人机控制方法。为解决上述技术问题，本发明采用以下技术方案：一种基于油电混合的无人机控制方法，其流程为：s1：无人机接收操作员的指令，采用指令量化的方式对进油量进行控制，不同的指令分别对应不同的进油量；s2：利用操作员指令、电机当前的转速以及无人机的当前载荷，构建多维特征空间样本库；采用基于神经网络训练学习方法，建立与上述信息与进油量之间的映射关系；s3：进油量根据神经网络的输出值，分为两个以上的油量等级，输出后进行控制。作为本发明的进一步改进：在上述步骤s2中，利用操作员指令、电机当前的转速、无人机的当前载荷以及电池电量信息，构建多维特征空间样本库；采用基于神经网络训练学习方法，建立与上述信息与进油量之间的映射关系。作为本发明的进一步改进：在上述步骤s2中，根据指令集的响应速度、任务方式排序，构建不同级别的指令集与进油量之间的关系。作为本发明的进一步改进：在上述步骤s3中，采用低油量、中油量以及高油量三种油量等级，其中低油量维持无人机低载荷低速飞行，高油量可以为无人机提供高速和高载荷飞行。作为本发明的进一步改进：所述无人机是多旋翼机无人机或固定翼无人机。作为本发明的进一步改进：所述神经网络为神经网络神经元节点描述多层前向神经网络，所述多层前向神经网络由一层一层的神经元节点组成；第一层被称为输入层，最后一层被称为输出层，输入层和输出层之间的为隐含层。作为本发明的进一步改进：在所述多层前向神经网络中，首先采集多组静态形式下指令、电机转速、载荷，然后利用多层前向神经网络进行训练，设定网络层数，接着构建相应的神经网络识别，最后用于动态的无人机控制中。作为本发明的进一步改进：当电量低、转速慢时，通过加大发电机输入端动力设备的进油量以提高系统对无人机任务的响应速度。与现有技术相比，本发明的优点在于：1、本发明的基于油电混合的无人机控制方法，是以减少操作员的负担、操作员对无人机的熟悉程度出发，针对油动无人机使用复杂、不易掌握、震动大，电动无人机续航能力弱等特点，采用燃油给电池提供持续供电的方式，所提出一种基于油电混合的无人机控制方法。2、本发明的基于油电混合的无人机控制方法，为了使无人机更好、快速的执行操作员的不同指令，汽油机的进油量根据操作员的指令、电机当前的转速、无人机当前的载荷以及电池的电量来控制；当电量低，转速慢时通过加大汽油机的进油量以提高系统对无人机任务的响应速度，为无人机大范围的任务执行提供可靠的保障。附图说明图1是本发明在具体应用实例中无人机的拓扑结构原理示意图。图2是本发明方法的控制原理示意图。图3是本发明在具体应用实例中所采用的神经网络的原理示意图。图4是本发明方法在另一个具体应用实例中的控制原理示意图。具体实施方式以下将结合说明书附图和具体实施例对本发明做进一步详细说明。如图1所示，为本发明在具体应用实例中无人机的拓扑结构原理示意图。在该应用实例（应用环境）中，油箱为汽油机提供燃油，汽油机通过传动轴控制发电机，发电机输送的交流电通过整流模块为电池充电，电池为飞控和电机运作提供能源。本发明的基于油电混合的无人机控制方法，是一种基于神经网络的油电混合控制方法，主要是用来对能量与动力进行优化控制。即：汽油机的进油量根据操作员的指令、电机当前的转速以及无人机的当前载荷来控制；当电量低、转速慢时，通过加大汽油机的进油量以提高系统对无人机任务的响应速度。如图2所示，本发明基于油电混合的无人机控制方法的具体流程为：s1：无人机接收操作员的指令，采用指令量化的方式对进油量进行控制，不同的指令分别对应不同的进油量。如：飞向a点t2，巡航t1，返航t3，采用与进油量等价的方式，进油量的大小t1>t2>t3。电机当前的转速为v，电池的电量检测为q，载荷n。s2：利用操作员指令、电机当前的转速以及无人机的当前载荷来控制，构建多维特征空间样本库；采用基于神经网络训练学习方法，建立与上述信息与进油量之间的映射关系。s3：进油量根据神经网络的输出值，分为两个以上的油量等级，输出后进行控制。如，在具体应用实例中，可以采用低油量、中油量以及高油量三种油量等级，其中低油量维持无人机低载荷低速飞行，高油量可以为无人机提供高速和高载荷飞行。在其他应用实例中，如图4所示，在上述步骤s2中，可以进一步利用操作员指令、电机当前的转速、无人机的当前载荷以及电池电量信息，来构建多维特征空间样本库；采用基于神经网络训练学习方法，建立与上述信息与进油量之间的映射关系。在上述具体应用实例中，无人机接收操作员的指令，采用指令量化的方式，不同的指令分别对应不同的进油量，其具体的指令如下表1所示。根据指令集的响应速度、任务方式排序，构建不同级别的指令集与进油量之间的关系。如目标攻击的进油量最大，盘旋等待的进油量最小。表1不同指令与进油量之间的关系序号指令序号指令1目标攻击5巡航2目标规避6取消任务3威胁告警7返航4侦察搜索8盘旋等待如图3所示，为在具体应用实例中，本发明采用神经网络的原理示意图，它采用神经网络神经元节点描述多层前向神经网络，是一种反向传播训练学习算法。多层前向神经网络由一层一层的神经元节点组成。第一层被称为输入层，最后一层被称为输出层，输入层和输出层之间的为隐含层。本发明首先采集多组静态形式下指令、电机转速、载荷，然后利用多层前向神经网络进行训练，网络层数为10层，接着构建相应的神经网络识别，最后用于动态的无人机控制中。在具体应用时，本发明的基于油电混合的无人机控制方法，所适用的无人机可以是多旋翼机无人机，也可以是固定翼无人机。可以理解，本发明也不仅适用于汽油作为燃料，还可以适用于甲醇等其他燃料。以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。当前第1页12