Диссертация (Разработка алгоритмов комплексирования навигационных систем летательных аппаратов), страница 17

Построение осуществляется на точках, полученных с 31 по 60секунду. Из них первые 20 точек входят, как и ранее, в обучающуюпоследовательность, а 10 – в проверочную. Результаты прогноза после пяти шаговселекции представлены на Рис. 5.18.107Рис. 5.18. Прогнозирование компоненты вектора состояния на основепредыдущего прогноза.Значение среднеквадратического отклонения для первого приближения напроверочной последовательности: E  1,067 102 .Значение среднеквадратического отклонения после пяти шагов напроверочной последовательности: E  1,383 101 .Видно, что использование в качестве первого приближения тренда,полученного в результате предыдущего прогноза, позволяет добиться оченьхорошего приближения к прогнозируемой модели. ошибка уменьшается на 99 %.

Вто время как в результате прогноза, представленном на графиках ошибкауменьшается на 81 %.Будем полагать, что в результате краткосрочного прогноза мы получаемоценки следующих 30 значений. Тогда суммарная ошибка прогноза по этимзначениям - среднеквадратичное отклонение, составляет для первого тренда (см Рис. 5.16, 5.17) - E  1, 25 ; для второго тренда (см Рис. 5.18) - E  3, 2 102 .5.2.Результатыэкспериментамоделированияподаннымлабораторного108Припроверкеразработанныхработоспособностиалгоритмовикачестваиспользованыфункционированиярезультатыполунатурногомоделирования реальной ИНС Ц060.Определение точностных характеристик системы в статике осуществлялосьпри установке ИНС на основании стенда. Так как система установлена нанеподвижном основании, выходная информация о местоположении и скоростиявляется ошибками ИНС.

Навигационная информация снималась с блокавывода и индикации визуально через 5 минут.При моделировании по данным лабораторного эксперимента в алгоритмеоцениванияиалгоритмесамоорганизациивкачествеизмеренийVиспользовались ошибки системы по скорости V x , y .На выходе алгоритма оценивания получаем оценки ошибок ИНС поскорости, углы отклонения ГСП от плоскости горизонта и горизонтальныедрейфы ГСП.ДляпроверкидостоверностиполученныхоценокошибокИНСиспользована специальная методика [37].описание методики:ошибки ИНСв определении местоположения, полученные в течениелабораторного эксперимента, необходимо сравнить с расчетными ошибками вопределении широты и долготы, которые рассчитываются по оценкам ошибокИНС , полученным с помощью генетического алгоритма.ошибки ИНС , установленной на неподвижном основании, обусловлены восновном дрейфами гироскопов.

однако учитывая, что азимутальный дрейфслабонаблюдаем, т.е. оценки его, полученные моделированием при помощиМГУА, не соответствуют реальности, а также, что влияние его становитсясоизмеримым с влиянием горизонтальных дрейфов только на болеедлительных временных интервалах функционирования ИНС, проведем расчетошибок системы, обусловленных горизонтальными дрейфами ГСП.109Исходя из сделанных заключений, воспользуемся для расчета ошибок ИНСв определении пройденного пути выражением:t sinx*Rt*Это выражение получено в предположении, что дрейф постоянен  const.Поэтому для того чтобы воспользоваться им необходимо провести осреднениезначений оценок дрейфа на выбранных интервалах времени. Характеризменения с течением времени оценок горизонтальных дрейфов ГСП***позволяет провести осреднение на трех интервалах:  1 на t1 ,  2 на t 2 ,  3 на t 3 ,t1=100 мин, t2=200 мин, t3=300 мин.Таким образом погрешность ИНС в определении пройденного пути будетиметь вид: ttttsintsinsi*****12xRttttt1211322  Далее для определения широты и долготы воспользуемся формулами:k yR ;xRcos,k Где - широта местоположения; - долгота местоположения;x, y - оценки северной и восточной составляющих ошибок в определениипути системой Ц060.Расчетные значения ошибок по широте и долготе сравним с ошибкамиреальной И-II в определении местоположения, полученными при проведениилабораторного эксперимента.Моделирование по данным лабораторного эксперимента проводилось сиспользованием нелинейного фильтра Калмана.

Результаты моделирования110представлены на Рис.5.19 – 5.21.Рис. 5.19. Результат моделирования погрешности ИНС в автономномрежиме и с коррекцией, полученной посредством алгоритма управления1 – погрешность ИНС в определении скорости в автономном режиме (безкоррекции);2 – погрешность ИНС в определении скорости после коррекции с помощьюразработанного нелинейного алгоритма управленияРис.5.20.

Результат оценивания углы отклонения ГСП1 – углы отклонения ГСП реальной системы; 2 – оценки углов отклоненияГСП111Рис.5.21. Результат оценивания скорости дрейфа ГСП1 – скорость дрейфа ГСП реальной системы; 2 – оценки скорости дрейфаГСП5.3.Анализ результатов моделированияРезультаты математического моделирования селективного НК и НК синтеллектуальнойкомпонентойпродемонстрировалипреимуществапоследнего. Точность определения навигационных параметров ЛА с помощьюНК с интеллектуальной компонентой по результатам математическогомоделирования в среднем на 5% выше чем с помощью селективного НК.

Этообъясняется тем, что при краткосрочном прогнозе классический тренд можетопределить тенденцию исследуемого процесса на минимальном интервале судовлетворительной точностью. При увеличении длительности прогнозалинейные тренды в чистом виде использовать не удается. Необходимапостоянная модификация линейных трендов нелинейной комбинацией,которая подбирается методом самоорганизации. особенно на таких участках,на которых появляются существенно нелинейные характеристики (во время112работы объекта). При такой модификации (методом самоорганизации) удаетсяповысить точность прогноза, в то время как за счет использования скудногонабора базисных функций при селекции вычислительные затраты БЦВМ повремени и машинной памяти увеличиваются незначительно.В итоге величины погрешностей, прогнозируемые модифицированнымалгоритмом являются самыми близкими к истинным величинам.Результатымоделирования НК с интеллектуальной компонентой икоррекцией в структуре ИНС подтверждают эффективность применениямодифицированногоалгоритмасамоорганизациидляпостроенияпрогнозирующих моделей.

Модификация алгоритма с помощью критериевстепени наблюдаемости и управляемости позволяет использовать в НК моделис улучшенными качественными характеристиками. Точность улучшенныхмоделей превышает точность моделей классического МГУА в среднем на 5%.Точностные характеристики зависят от характера реального процессаизменения погрешностей НК. Чем больше отличие процесса от априорноймодели погрешностей ИНС, тем выше отностительная точность разработанныхКОИ НК.Метод самоорганизации, как один изалгоритмов построения моделей,может быть использован для эффективного построения прогнозирующихмоделейпогрешностейнавигационныхсистемпослемодификации.Разработанный алгоритм используется для получения прогнозных значенийошибок измерительных систем и для выбора рациональной структуры НК.Алгоритм отличается высокой точностью и достаточно прост в реализации наборту ЛА.ПредставленырезультатыматематическогомоделированияКОИразличных НК.

Для проверки работоспособности алгоритмов использованаматематическая модель ошибок ИНС.Прииспользованиидлямоделированияданныхполунатурногоэксперимента выводы, полученные при анализе результатов математическогомоделирования подтверждаются.113Результаты моделирования по данным лабораторного экспериментапродемонстрироваливысокуюэффективностьразработанногоподходадинамического системного синтеза КОИ. Эффективность подхода объясняетсятем, что априорная модель погрешностей реальной ИНС отличается отреального процесса изменения погрешностей.

Построение этой модели впроцессефункционировпнияИНСпозволяетповыситьточностьнавигационных определений скорости ЛА в среднем на 10%; угла отклоненияГСП – 15%; скорости дрейфа ГСП – 25%.Выводы по главе 5.Приведены результаты моделирования и проведен анализ результатовмоделирования. На основе анализа результатов моделирования алгоритмовселективного НК, НК с интеллектуальной компонентой, НК с коррекцией вструктуре ИНСсформированы выводы об эффективности разработанныхКОИ.

Продемонстрированы преимущества разработанных КОИ с помощьюматематического моделирования и моделирования по данным полунатурногоэксперимента.Модифицированныйалгоритмсамоорганизациипредпочтительно использовать для коррекции измерительных систем прикраткосрочном исчезновении сигналов от внешних измерителей и в условияхжестких ограничений на время построения прогнозирующей модели.Общие выводы и заключение1.

Проведен системный анализ существующих структур НК ЛА. Выявленынедостатки и намечены пути совершенствования структур алгоритмическимпутем с использованием элементов теории интеллектуальных систем,концепциисистемногосинтезаиметодовкомплексированияс114использованием в ансамблекритериев селекции критериев степенинаблюдаемости и управляемости.2.

Разработана структура НК с интеллектуальной компонентой, способнаяизменять свой рабочий контур в зависимости от уровня помех и условийполета ЛА. Алгоритмическое обеспечение НК ЛА дополнительно включаеталгоритм самоорганизации, критерий сравнения прогноза и текущегосостояния комплекса.3. Разработаналгоритмкомплексирования,включающийрасширенныйансамбль критериев селекции, позволяющий формировать оптимальнуюструктуру ИК, а также строить модели с желаемыми характеристикаминаблюдаемости и управляемости.4. Разработан комплекс алгоритмов для ИК, функционирующего длительноевремябезкоррекцииотстационарныхнавигационныхстанций,включающий нелинейный алгоритм управления, который использован длякомпенсации погрешностей в структуре ИНС.

При синтезе алгоритмауправления использован метод SDC-представления нелинейной модели.5. Предложен и разработан подход динамического системного синтезаалгоритмов обработки информации НК перспективного ЛА, позволяющийизменять конфигурацию ИК, алгоритмов и моделей в полете.6. Работоспособностьиэффективностьразработанныхалгоритмовпродемонстрированы с помощью математического моделирования имоделирования по данным полунатурного эксперимента с системой Ц060.115СПИСОК ЛИТЕРАТУРЫ1. Агеев В.М., Павлова Н.В. Приборные комплексы летательных аппаратов иих проектирование. М.: Машиностроение, 1990. 432 с.2.