本文旨在向国内学术界介绍一篇发表于《组合机床与自动化加工技术》2020年6月第6期的学术论文，题为“基于GD-FNN的四旋翼无人机姿态控制系统设计”。该研究由天津工业大学的潘捷、牛萍娟、韩抒真、毛润以及国网天津市电力公司城南供电分公司的张伟龙共同完成，并获得了国网天津市电力公司科技服务项目、天津市科技计划资助项目及国家自然科学基金的联合支持。

该研究隶属于自动控制与智能系统领域，具体聚焦于四旋翼无人机的飞行姿态控制问题。四旋翼无人机因其结构简单、机动性强等优点，在军事侦察、农业植保、电力巡检、航拍测绘等领域应用广泛。然而，其控制系统本质上是具有6个自由度（6-DOF）的非线性、欠驱动、强耦合系统，这意味着其控制输入（四个旋翼的转速）少于其需要独立控制的姿态和位置自由度，且各通道间相互影响。此外，无人机在实际飞行中极易受到外部风扰、模型参数不确定等因素的影响。传统上，比例-积分-微分（PID）控制器因其结构简单、易于实现而被广泛采用，但其本质是线性控制器，面对非线性、强耦合且存在扰动的系统时，往往面临参数整定复杂、超调量大、响应速度慢、鲁棒性不足等问题。因此，研究能够在线自适应调整、具备强鲁棒性的先进控制算法，对于提升四旋翼无人机的飞行性能至关重要。本研究的目的正是针对上述挑战，设计一种基于广义动态模糊神经网络（Generalized Dynamic Fuzzy Neural Network， GD-FNN）的自适应姿态控制系统，以期实现无人机在复杂、不确定环境下的高精度、快速响应、小超调且稳定的飞行控制。

本研究的工作流程主要包括理论设计、稳定性证明与仿真实验验证三个核心部分。首先，研究团队构建了基于GD-FNN的自适应控制系统架构。GD-FNN是一种融合了模糊逻辑与神经网络优势的智能算法，它具备在线学习能力，能够根据系统性能动态地同时调整网络的结构（如模糊规则数）和参数（如隶属度函数中心、宽度及连接权值），从而避免了传统方法中结构固定或需要离线预定的局限性。文中详细描述了GD-FNN的网络结构，它由四层构成：输入层、隶属函数层（采用高斯函数）、规则层（通过T-范数计算规则触发强度）和输出层（实现去模糊化）。其核心学习算法流程包括：对于每一个输入数据，计算系统输出误差；基于误差和预设的阈值，动态决定是否增加新的模糊规则或修剪现有规则；同时，利用椭圆基函数（Elliptical Basis Function）和模糊ε-完备性准则，自适应调整每条规则中各个输入变量的宽度（σij），以评估其对系统性能的贡献，从而优化网络结构。

其次，研究团队将GD-FNN控制器与一个类比例-微分（PD）控制器并行结合，构成了完整的自适应控制系统。该PD控制器用于提供基础的稳定控制信号，而GD-FNN控制器则在线学习并逼近系统的逆动态模型，以补偿非线性、耦合项及外部扰动，从而生成更精确的控制指令。为了确保整个闭环控制系统的稳定性，研究团队基于李雅普诺夫（Lyapunov）稳定性理论进行了严格的数学证明。他们定义了一个包含跟踪误差和权值估计误差的李雅普诺夫函数，并通过设计特定的权值自适应律（见原文公式(13)和(15)），推导出该函数的时间导数为负定或半负定。结合Barbalat引理，最终证明了系统的全局渐近稳定性，即当时间趋于无穷时，系统的跟踪误差将收敛到零。这一理论证明为所提控制算法的实际应用提供了坚实的数学基础。

最后，研究通过数值仿真实验来验证所设计控制系统的性能。实验对象为一个参数已知的四旋翼无人机动力学模型（具体参数见表1，如质量、转动惯量等）。作为对比基准，研究同时采用了经典的PID控制器，其参数通过Ziegler-Nichols（Z-N）整定法确定（参数见表2和表3）。实验从三个维度展开对比：姿态角控制（滚转角、俯仰角、偏航角）、位置控制（X, Y, Z轴方向）以及鲁棒性测试。在姿态角和位置控制实验中，设定无人机从初始状态跟踪一个阶跃指令。在鲁棒性验证实验中，特意在系统引入了3dB的高斯白噪声作为外部扰动，并观察滚转角控制的抗干扰能力。

实验取得了显著的结果。在姿态角控制方面，如图4至图6所示，基于GD-FNN的自适应控制系统在响应速度上明显快于PID控制，能够更快地达到指令值；同时，其超调量显著小于PID控制器，表现出更平滑、更精确的过渡过程。在位置控制方面，如图7至图9所示，GD-FNN控制系统同样展现了更快的收敛速度和更小的稳态误差，说明其在对空间位置进行跟踪时也具有优越性能。最为关键的是鲁棒性验证实验，结果如图10所示。当存在高斯白噪声干扰时，传统PID控制下的滚转角产生了剧烈且持续的波动，难以稳定在期望值附近；而基于GD-FNN的系统则表现出了极强的抗干扰能力，滚转角响应曲线虽有微小波动，但能迅速稳定并保持在高精度范围内，充分证明了该系统在面对不确定性外部扰动时的强大鲁棒性和自适应性。

本研究的主要结论是：成功设计并验证了一种基于广义动态模糊神经网络（GD-FNN）的四旋翼无人机姿态自适应控制系统。该系统能够在线同步调整控制器的结构和参数，学习速度快，无需依赖精确的无人机数学模型。理论分析和仿真实验均表明，该系统相较于传统的PID控制器，在动态响应速度、控制精度（超调小）、以及抗外部干扰的鲁棒性方面均具有显著优势，能够有效应对四旋翼无人机非线性、欠驱动、强耦合及存在外部扰动的控制难题，实现高精度、高稳定性的自适应飞行姿态控制。

本研究的价值体现在科学价值与应用价值两个方面。在科学价值上，它将先进的智能算法（GD-FNN）与李雅普诺夫稳定性理论相结合，为解决一类复杂的非线性欠驱动系统的控制问题提供了一种具有严格稳定性保证的新思路和方法论框架。在应用价值上，所设计的控制器算法可直接或经过适当修改后，应用于实际四旋翼无人机飞行控制器的嵌入式软件中，提升无人机在复杂环境（如阵风、负载变化）下的自主飞行性能和任务可靠性，对于推动无人机技术在各个工业领域的深化应用具有积极意义。

本研究的亮点突出体现在以下几个方面：第一，方法的创新性：采用了能够在线同时调整结构和参数的GD-FNN，而非固定结构的神经网络或模糊系统，增强了控制器的灵活性和环境适应性。第二，理论的严谨性：不仅提出了控制算法，还基于李雅普诺夫函数完成了系统的稳定性证明，确保了所提方法的理论可靠性。第三，验证的全面性：通过系统的仿真实验，从姿态跟踪、位置跟踪和抗干扰能力三个维度，与经典PID控制器进行了详实的对比，结果直观且具有说服力。第四，明确的工程导向：研究针对四旋翼无人机这一具体且重要的工程对象，解决的问题（响应慢、超调大、抗扰差）具有明确的工程实践意义。

此外，文中还提及了GD-FNN学习算法中采用的“模糊ε-完备性”作为在线参数分配机制，避免了初始化选择的随机性；以及通过马氏距离（Mahalanobis Distance）来表征模糊规则触发强度的方式，这些都是该方法在实现细节上的特色，有助于提高学习效率和泛化能力。这些内容共同构成了该研究在四旋翼无人机智能控制领域的一份扎实且具有参考价值的工作。