Aktive Störungsregelung optimiert durch chaotische umfassende Lernmethoden, inspiriert von Taubenoptimierung für Flügelschlag-Luftfahrzeuge

Zweck Diese Studie zielt darauf ab, das Problem der aktiven Störungsablehnung (ADRC) von Flügelschlag-Luftfahrzeugen (FWAV) unter dem Einfluss von Windstörungen zu adressieren. Design/Methodik/Ansatz Zunächst wird ein Modell eines Kolibris mit sechs Freiheitsgraden und Modellunsicherheit erstellt, um das FWAV zu beschreiben. Unter Berücksichtigung der Windstörungen in der komplexen Umgebung werden aktive Störungsregelungen entwickelt, um die Störungsresistenz und die Regelgenauigkeit des FWAV zu verbessern. Anschließend wird eine modifizierte, von Tauben inspirierte Optimierung (PIO) vorgeschlagen, die als chaotische umfassende Lern-PIO (CCLPIO) bezeichnet wird, um die entworfenen ADRC-Regler der rotatorischen und translationalen Bewegung des FWAV zu optimieren, mit dem Ziel, optimale Kontrolleffekte zu erzielen und die Schwierigkeiten bei der Parameterabstimmung zu reduzieren. Ergebnisse Die Simulationsergebnisse zeigen, dass die vorgeschlagenen optimierten ADRC-Regler effektiv gewährleisten, dass das FWAV zu den gewünschten Werten konvergiert. Originalität/Wert Diese Studie entwickelt eine optimierte Methode zur aktiven Störungsabwehr, um den stabilen Flug des FWAV bei Vorhandensein von Windstörungen zu realisieren.