Диссертация (Разработка алгоритмов комплексирования навигационных систем летательных аппаратов), страница 16

При скалярной реализациина выходе МГУА получаем модели для каждой переменной состояния,включенной в русло.Для формирования этой модели используются только111переменные состояния из русла.Такимобразом,полученнаяредуцированнаямодельможетиметьследующий вид:[][](4.3)Третья компонента вектора состояния – скорость дрейфа ГСП не включенав русло.

отсутствие информации о скорости дрейфа ГСП при формировании руслане приводит к снижению точности вычисления переменных состояния русла, таккак точность определения скорости дрейфа ГСП является недостаточно высокой,что привело к исключению из русла. Использование этой переменной состоянияпри вычислении русла приведет к снижению точности.Рис.4.5.

Алгоритм работы блока БКС 2.Где АО – алгоритм оценивания; П – алгориитм прогноза; АУ – алгоритмуправления.112Выводы по главе 4Рассмотрен способ формирования моделей алгоритмического обеспеченияНК с переменной структурой, основанный на концепции системного синтеза. ВпроцессефункционированияНКиспользуютсяматематическиемодели,построенные для наиболее эффективных переменных состояния на каждоминтервале работы НК.Разработан подход динамического системного синтеза, на основе которогопостроение моделей погрешностей НК осуществляется в зависимости от режимаполета ЛА. В алгоритмах обработки информации НК использованы модели смаксимальновозможнымистепеняминаблюдаемостииуправляемостипеременных состояния. Разработан алгоритм построения моделей погрешностейИНС с использованием динамического системного синтеза.95Глава 5.

ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ5.1. Результаты математического моделированияДля исследования алгоритмов КОИ использована тестовая математическаямодель погрешностей ИНС [37].Тестовая модель имеет вид [37, 63]:xk  Фk 1 Wk 1zk  Hxk  Vk,(5.1)где xk - n – вектор состояния, n=3,zk - скалярное измерение,Wk  n -вектор входного шума,Vk - измерительный шум,Wk и Vk - дискретные аналоги белого гауссового шума, при любых j и k,M [Wk ]  0, 1Ф  107 0M [Vk ]  0,3600 0 11  ,01 M [V jW T k ]  0 ,k Vk   k  ,  k (5.2)где  Vk - ошибки ИНС в определении скорости,  k - углы отклонения ГСПот сопровождающего трехгранника,  k - скорость дрейфа ГСП.Предположим, что измеряется только одна компонента вектора состояния,т.е.H = [1 0… 0 ]Результаты моделирования будут представлены в основном только дляодной компоненты вектора состояния x1 , так как для остальных компонентмоделирование выполняется аналогично.96На Рис.5.1.-5.3.

Представлены результаты моделирования СИК.Рис5.1. Ошибки ИНС в определении скоростиРис. 5.2 Ошибки ИНС в определении углов отклонения ГСПРис.5.3. Ошибки ИНС в определении скорости дрейфаНа следующих графиках представлены результаты моделирования работыселективного НК при маневрирвоании ЛА.97Рис.5.4. Ошибки ИНС в определении скорости (с маневрированием)Рис.5.5. Ошибки ИНС в определении углов отклонения ГСП (сманеврированием)Результаты математического моделирования селективного навигационногокомплекса представлены на Рис.

5.1 -5.5.Моделирование погрешностей НК с интеллектуальной компонентойпредставлено на Рис. 5.6 - 5.8.98Рис. 5.6. Ошибки ИНС в определении скоростиРис. 5.7. Ошибки ИНС в определении углов отклонения ГСПРис. 5.8. Ошибки ИНС в определении скорости дрейфа99Рис. 5.9. Погрешность ИНС в определении скорости и ее оценкиселективным НК и НК с интеллектуальной компонентой.Изрезультатовматематическогомоделированиявидно,чтоприиспользовании измерительного комплекса с интеллектуальной компонентойудается повысить точность (по сравнению с селективным измерительнымкомплексом) : ошибки в определении скорости (δV) – на 5% Углы отклонения ГСП (φ) – на 7% Скорость дрейфа (ε) – на 10%Результаты моделирования работы НКИ с адаптивным алгоритмомуправления и НКИ с нелинейным алгоритмом управления представлены на Рис.5.10 – 5.13.100Рис.

5.10. НКИ с линейным и адаптивным регуляторамиРис. 5.11. НКИ с линейным и нелинейным алгоритмом управленияРис. 5.12. НКИ с линейным и адаптивным регуляторами101Рис. 5.13. НКИ с линейным и нелинейным алгоритмом управленияИз результатов математического моделирования видно, чтоудается повысить точность в вычислении ошибок в определении скоростина 10%, углов отклонения ГСП на 15%.Результаты работы алгоритмов МГУА в навигационных комплексах синтеллектуальной компонентойРис.5.14.

ошибки в определении углов отклонения ГСП1 – модель ошибок ИНС в определении углов отклонения ГСП; 2 – прогнозс помощью модифицированного алгоритма МГУА; 3 – прогноз при помощиклассического алгоритма МГУАПри использовании модифицированного алгоритма МГУА достигается102повышение точности на 7-12% (по сравнению с классическим алгоритмом МГУА)Результаты математического моделирования моделей с различнойструктуройРис.5.15.

Математическое моделирование углов отклонения ГСП прииспользовании редуцированного вектора состояния1 - Модель ошибок ИНС; 2 - оценка углов отклонения ГСП при измерениискорости и местоположения; 3 - оценка углов отклонения ГСП при измерениискоростиПо результатам математического моделирования в условиях повышенногоуровня измерительного шума использование редуцированного вектора состоянияпозволяет повысить точность в среднем на 5-15%По результатам математического моделирования точность вычисленияошибок в определении скорости с помощью разработанного НК с коррекцией вструктуре ИНС повышается в среднем на 7%, ошибок в определении угловотклонения ГСП повышается на 10%Результаты моделирования по данным лабораторного эксперимента103продемонстрировалидинамическоговысокуюсистемногоэффективностьсинтезаразработанногоКОИ.Точностьподходанавигационныхопределений скорости ЛА в среднем повышается на 8%; угла отклонения ГСП– 10-12%; скорости дрейфа ГСП – 15%.РезультатымоделированияпродемонстрировалипореальнымработоспособностьданнымиспользованногоИНСЦ060Кнелинейногоалгоритма управления, базирующегося на SDC-представлении нелинейноймодели погрешностей ИНС.

С помощью разработанного алгоритма управленияудается существенно повысить точность навигационных определений ЛА.Припроведениимоделированияучитывалось,чтохарактерисследуемого процесса приблизительно известен. Поэтому в качестве опорнойфункции, которая будет усложняться на последующих этапах, выберемгармоническую(синусоидальную)функциювида:Z  p sin( k  wt ) .Напредварительном этапе селекции определяем значение амплитуды и фазыопорной функции следующим образом:-в качестве начального значения амплитуды выбираем среднеезначение измерений, полученных путем отбрасывания максимального иминимального измерения из 20 значений обучающей последовательности;Заметим,чтоисходные данные дляобучающей ипроверочнойпоследовательности будем брать в соотношении 2:1. Считаем, что в качествеисходных данных имеем 30 значений, полученные в период работы системы врежимекоррекцииотспутниковойсистемынепосредственнопередпереключением ее в автономный режим.-в процессе предварительного выбора амплитуда варьируется до 14значений.

При этом значение изменяется на величину до 100% ;-фаза варьируется от 0 до 90% . В результате также получаем 14значений: 7 положительных и 7 отрицательных.С помощью критерия минимума среднеквадратичного отклонениявыбираем на обучающей последовательности единственную модель, которуюбудем усложнять. Назовем ее опорной функцией или первым приближением.104На первых рядах селекции исходный базис включает линейнуюy1игармоническую функцию y2 .

У каждой из функций варьируются основныепараметры (например, для гармонической функции это амплитуда и фаза).Получаем множество функций, которые затем «скрещиваются» с опорной.На следующий этап селекции для усложнения переходит функция, котораянаилучшим образом соответствует критерию выбора.описанная выше процедура повторяется на первых трех рядах селекции. Вдальнейшем (для четвертого ряда селекции и далее) из исходного базисаисключается линейная функции, так как процесс носит явно гармоническийхарактер.Вкачествекритериевотборавыбранкритерийминимума2M2среднеквадратичного отклонения  ( B)   ( yt  yt )  min и ограничение поtNвременипостроенияпрогноза.Адекватностьфункциипроверяетсянапроверочной последовательности – среднеквадратическое отклонение должноуменьшаться.

Таким образом, ограничимся пятью рядами селекции и будемсчитать, что полученная на последнем этапе функция является близкой коптимальной, что устраивает нас из-за ограничения по времени. В случаеотсутствия такого ограничения признаком получения оптимальной функциибыло бы нахождение глобального минимума критерия селекции [13].Будем считать, что результатом прогноза модели являются 30 значений,полученные после подачи на вход исходных данных.На Рис. 5.16 – 5.17 представлены результаты моделирования после пяти рядовселекции.105Рис.

5.16. Прогнозирование компоненты вектора состояния по первым 30точкам12345Рис.5.17. Последовательное приближение трендовПараметры опорной функции: амплитуда p  4, 48 106 ; фаза w  2,618 101 рад значениесреднеквадратичногопоследовательности E  1, 776отклонениянапроверочной106Параметры прогноза: амплитуда p  11, 241106 фаза w  1,12 101 рад значение среднеквадратичного отклонения на проверочнойпоследовательности после пяти шагов селекции E  3,361101Видно,чтоскаждымрядомселекциимодельпоследовательноприближается к оптимальной.

Уменьшение ошибки представлено в Таблице 3.Таблица 3.Значение ошибок по рядам селекцииРяд селекцииЗначение ошибки15,647 10125,173 10134,562 10143,825 10153,361101Уже после пяти рядов селекции функция имеет очень хорошееприближение к прогнозируемой модели. ошибка прогноза (значения на графике с 31по 60 секунду) небольшая.Для дальнейшего прогноза воспользуемся трендом, полученным напоследнем ряду селекции, и будем его усложнять. Т. е. тренд, полученный врезультатепредыдущегопрогноза,являетсяпервымприближениемдляпоследующего.