Диссертация (785777), страница 30
Текст из файла (страница 30)
Значения соответствующих параметров и характеристик для этих ЛА, требуемые длямоделирования в качестве исходных данных, были взяты из работ [44] (самолет F-16), [46](ГЗЛА X-43), [47] (ГЗЛА NASP) и [22] (БПЛА).4. Для перечисленных летательных аппаратов был осуществлен вычислительный эксперимент, позволяющий судить о свойствах рассматриваемого класса НС-моделей. Примерырезультатов проведенных экспериментов показаны на рис. 3.4, 3.5 для X-43, F-16, соответственно, а также 3.6 и 3.7 для БПЛА.На рис.
3.4a, 3.5a, 3.6a и 3.7a показаны примеры обучающих выборок, использованныхдля обучения НС-моделей. Из них видно, что для формирования каждой из выборок реализуется очень активная работа органом управления продольным движением (элевоны для X-43и БПЛА, управляемый стабилизатор для F-16), выражающаяся в частом изменении значения командного сигнала at привода органа управления при существенных перепадах между соседними значениями (этот командный сигнал формировался случайным образом). Цельприменения такого способа формирования обучающего набора состоит в том, чтобы обеспечить возможно большее разнообразие состояний моделируемой системы (чтобы покрытьпо-возможности равномерно и плотно все пространство состояний системы), а также воз158Training data for NN plant modelα, deg40200−201020304050607080901001020304050t, sec60708090100actφ , deg20100−10−20−30(a)ViClosed NN model testing500 êì=10÷α, deg50NN model outputTarget−50102001020304050304050310αe , deg2−1−2−3t, sec(b)РИС.
3.4. Формирование нейросетевой модели для ГЗЛА X-43A, режим полета с числомМахаM= 6: (a) обучающая выборка для НС-модели; (b) проверка работоспособности за- — угол атаки, град.; e — ошибка (расхождение углов атакидля объекта и НС-модели), град.; at — командный сигнал привода органа управления; tмкнутой НС-модели. Здесь— время, с; Target — выход объекта; NN model output — выход НС-модели159Training data for NN plant modelα, deg40200−201020304050607080901001020304050t, sec6070809010020φ , deg10act0−10−20−30(a)50500 êì=40÷TargetInet outputVi30α, deg20100−10−2001020304050607080901003error2∆α, deg10−1−2−301020304050t, sec60708090100(b)500 êì=÷РИС.
3.5. ФормированиеViнейросетевой модели объекта управления (самолет F-16, режим= 500 км/ч): (a) обучающая выборка для НС-модели;(b) проверка работоспособности замкнутой НС-модели. Здесь — угол атаки, град.; полета с индикаторной скоростью Vi— ошибка (расхождение углов атаки для объекта и НС-модели), град.; at — командныйсигнал привода органа управления;t— время, с; Target — выход объекта; Inet output —выход НС-модели; Error — ошибка отслеживания160ТАБЛИЦА 3.1.
Основные данные, использованные при проведении компьютерных экспериментов по синтезу нейросетевых моделей движения БПЛАUVWXWVYZ[\] X^^X_XW`XabV[cdX[aVeX_XfWV_agWafacj[XkV[aVlhiaf_cmn o Up«003»la[amn o Up Xm04o cYVW[Xw bXggX fy,m0.154.162lcbV[Wa[V_aa,2fybIz0.001570.629o YcXZf_\YX b2,S0. 1350.45p f_\YX b,bA0.2120.225ycYXWXfa[YVdc]^cVb[c] gaY\,_XcaaV[WbcbV[WXWX[yXX^_a C0ya !W[cgaWVYZ[Xwhfcc_a[XWXV[W_XbXggmz¤¥¦§¨©¥ª«¬¦®§§¯ °±©¦¥ ²§¯³¨m00.097m0.0970.07m00.150.3xF0.230.42·°§©¸¹§±¦®Cya3. 1644.276·°§©¸¹§±¦®m !¿z 1.2 18 1.068·°§©¸¹§±¦®m" zz 1.587Â8.30xможно большее разнообразие перепадов соседних по времени состояний (чтобы максимальнодостоверно отразить в НС-модели динамику моделируемой системы).Поскольку целью управления в рассматриваемой задаче является максимально точное отслеживание требуемых значений угла атаки, то, соответственно, оценка точности формируемой модели осуществляется сопоставлением поведения по этой величине для исходного объекта управления, описываемого системой дифференциальных уравнений (3.13) или (3.14) и161Closed loop NN model test10α, deg50−5NN outputTargets−10−1500.511.522.533.5400.511.52t, sec2.533.540.3eα, deg0.20.10−0.1−0.2(a)Closed loop NN model test10α, deg50−5NN outputTargets−10−1500.511.522.533.5400.511.52t, sec2.533.540.3eα, deg0.20.10−0.1−0.2(b)РИС.
3.6. Формирование нейросетевой модели микро-БПЛА «003» как объекта управления, режим полета с индикаторной скоростью км/ч: (a) — обучающая выборка дляНС-модели; (b) — проверка работоспособности замкнутой НС-модели. Здесь— уголатаки, град.; e — ошибка (расхождение углов атаки для объекта и НС-модели), град.;at — командный сигнал привода органа управления, град.; t — время, с; Targets — выходобъекта; NN output — выход НС-модели162Closed loop NN model testNN outputTargets1510α, deg50−5−10−15012345678910012345t, sec67891010.5eα, deg0−0.5−1−1.5−2(a)Closed loop NN model testNN outputTargets1510α, deg50−5−10−15012345678910012345t, sec67891010.5eα, deg0−0.5−1−1.5−2(b)РИС.
3.7. Формирование нейросетевой модели мини-БПЛА X-04 как объекта управления,режим полета с индикаторной скоростью км/ч: (a) — обучающая выборка для НС-модели; — угол атаки, град.; e— ошибка (расхождение углов атаки для объекта и НС-модели), град.; at — командныйсигнал привода органа управления, град.; t — время, с; Targets — выход объекта; NN(b) — проверка работоспособности замкнутой НС-модели. Здесьoutput — выход НС-модели163сформированной НС-модели. Точность модели оценивается ошибкой e , вычисляемой какразность углов атаки для объекта управления и НС-модели в один и тот же момент времени.Из приводимых примеров видно, что предлагаемый подход дает возможность строить довольно точные НС-модели (значение e в пределах(0:5 0:7 град.), однако в ряде случаевточность ухудшается, что впоследствии является причиной получения неудовлетворительныхадаптационных свойств синтезированных нейроконтроллеров.
Пути преодоления этих затруднений рассматриваются ниже, в разд. 5 и 6.1644 Нейросетевая реализация адаптивных динамических системприменительно к управлению полетом ЛАОдним из важнейших классов динамических систем являются летательные аппараты различных видов. Управление движением современных и перспективных ЛА приходится обеспечивать, как уже отмечалось в разд. 1.1.2, в условиях значительных и разнообразных неопределенностей в значениях их параметров и характеристик, режимов полета, воздействий внешней среды.
Кроме того, в ходе полета могут возникать разнообразные нештатные ситуации, вчастности, отказы оборудования и повреждения конструкции, последствия которых в значительной части случаев можно парировать за счет реконфигурации системы управления ЛА.Наличие значительных и разнообразных неопределенностей является одним из наиболеесерьезных факторов, осложняющих решение всех трех задач (анализ, синтез, идентификация) для динамических систем, одним из важнейших видов которых являются летательныеаппараты. Проблема здесь состоит в том, что текущая ситуация, в которой оказывается ДС,может меняться резко, значительно, а также, из-за наличия неопределенностей, непредсказуемо. Чтобы обеспечить нормальное функционирование системы в таких условиях, она должнауметь оперативно приспосабливаться к изменениям ситуации, т.
е. она должна быть адаптивной. Как уже отмечалось в разд. 1.7, под адаптивной понимается такая система, котораяможет оперативно подстраиваться к меняющейся ситуации за счет изменения каких-то из своих элементов. При этом принимается, что такими элементами, как правило, являются законыуправления, реализуемые ДС, а также модель ДС как объекта управления. Большей частью,изменения в этих элементах могут затрагивать как значения параметров, так и структурузаконов управления и/или моделей.Анализ возможностей алгоритмов адаптивного управления применительно к движениюЛА осуществляется в следующих подразделах применительно к таким основным видам адаптивных систем (АС), как АС с прогнозирующей моделью, АС с эталонной моделью, АС синверсной моделью и АС на основе обратной задачи динамики.Все эти схемы адаптивного управления требуют наличия модели объекта управления.Как было показано в разд.
1.7.4 и 1.7.5, принятая в качестве основной нейросетевая реализация данных схем, обладающая высокой вычислительной эффективностью, требует нейросетевой реализации и модели объекта управления. Вопросы формирования нейросетевой моделиобъекта управления, требуемой в проводимых исследованиях, подробно рассматривались в165разд.
2.Схемы адаптивного управления часто основываются на использовании некоторой эталонной модели (ЭМ), задающей требуемый характер поведения рассматриваемой системы; именно этот вариант реализован в проведенных исследованиях. В системах адаптивного управления, реализующих такую схему, параметры регулятора (t) корректируются согласно алгоритму, реализуемому законом адаптации. Это вычисление основывается непосредственно назначении ошибки слежения"(t) = ym (t)y (t), где ym (t) — выход эталонной модели, y (t)— выход объекта управления. Соображения, на основе которых выбиралась эталонная модель, требуемая для выполнения исследований, излагаемых в данной главе, приводятся вразд.
4.4.2.1.Опыт использования упомянутых схем адаптивного управления показал, что выбор параметров ЭМ существенно влияет на характер получаемых результатов: некорректный выборэтих параметров может привести к тому, что система управления становится неработоспособной. В то же время, при адекватных значениях параметров ЭМ удается получить, как это будетпоказано ниже, систему управления, которая хорошо справляется с поставленными перед нейзадачами. Результаты анализа влияния параметров ЭМ на работоспособность синтезируемойсистемы управления представлены в разд. 4.4.2.1.Изучаемые схемы адаптивного управления существенным образом основаны на использовании НС-модели объекта управления в качестве источника информации о поведении этогообъекта.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
