كنترل ردياب وضعيت بهينه تحمل ‌پذير عيب كوادروتور در حضور قيود حالت و ورودي با استفاده از يادگيري تقويتي ايمن

در اين مقاله، به ارائه روشي جهت طراحي سيستم كنترل وضعيت ردياب بهينه براي پرنده كوادروتور كه در معرض عيوب اجزا و عملگر قرار دارد پرداخته‌شده است. روش كنترل تحمل ‌پذير عيب يكپارچه پيشنهادي مبتني بر يادگيري تقويتي ايمن ارائه ‌شده است و قادر است بدون نياز به شناخت قبلي از ديناميك پرنده، قيود ورودي و حالات را تضمين نمايد. به اين منظور، روش بهينه پيشنهادي با ساختار شبكه عصبي دوگانه شامل شبكه‌هاي عصبي شناساگر-نقاد ارائه‌شده است. در قانون به‌روزرساني وزن‌هاي شبكه شناساگر علاوه بر متغير در نظر گرفتن ضريب فراموشي از روش پاسخ تجربه استفاده‌شده كه باعث افزايش سرعت همگرايي و مقاومت نسبت به نويز اندازه‌گيري و كاهش خطاي تخمين مي‌شوند. در اين روش، حل مسئله كنترل ردياب وضعيت بهينه تحمل‌پذير عيب در حالت مقيد با حل مسئله‌ پايدارسازي بهينه نامقيد براي يك سيستم افزوده معادل مي‌شود كه در آن قيود ورودي كنترلي و حالات به ترتيب با انتخاب تابع هزينه مناسب بر سيگنال ورودي و توابع كنترل مانع مناسب بر حالات، تضمين داده مي‌شوند. همچنين آشكارسازي وقوع عيب بدون نياز به هيچ‌گونه بانكي از مدل يا فيلتر و صرفاً با مقايسه مقدار باقي‌مانده معادله هميلتون-ژاكوبي-بلمن با يك آستانه از پيش تعيين‌شده انجام مي‌پذيرد. پايداري فراگير يكنواخت وزن‌هاي هر دو شبكه و درنتيجه همگرايي قانون كنترل به پاسخ بهينه با استفاده از قضيه لياپانوف اثبات و با استفاده از نتايج شبيه ‌سازي صحت عملكرد آن نشان داده‌ شده است.