ЗАДАЧА КОРРЕКЦИИ ИНЕРЦИАЛЬНЫХ НАВИГАЦИОННЫХ СИСТЕМ С ИСПОЛЬЗОВАНИЕМ САМООРГАНИЗУЮЩЕЙСЯ ПРОГНОЗИРУЮЩЕЙ МОДЕЛИ

THE PROBLEM OF THE INERTIAL NAVIGATION SYSTEM CORRECTION USING A SELF-ORGANIZATION PREDICTIVE MODEL

Maria Selezneva

post-graduate student of Bauman Moscow State Technical University,

Russia, Moscow

Konstantin Neusypin

doctor of Technical Sciences, Professor of “Automated Control Systems” Department, Bauman Moscow State Technical University,

Russia, Moscow

Kai Shen

post-graduate student of Bauman Moscow State Technical University,

Russia, Moscow

Andrei Proletarskii

doctor of Technical Sciences, Professor, Dean of “Informatics and Operating Systems” Department, Bauman Moscow State Technical University,

Russia, Moscow

АННОТАЦИЯ

Исследована задача коррекции инерциальных навигационных систем с помощью алгоритмов прогноза. Построение прогнозирующей модели осуществляется методом самоорганизации. Использован метод построения нелинейной модели с априорным выбором классов базисных функций. Результаты математического моделирования погрешностей инерциальной навигационной системы и алгоритмов прогноза продемонстрировали высокую эффективность использованного алгоритма.

ABSTRACT

The problem of inertial navigation systems correction using prediction algorithms is investigated. Building of the predictive model is carried out by self-organization algorithm. The method of constructing a non-linear model with a classes of basis functions priori choice is used. The results of mathematical modeling for inertial navigation system and prediction algorithms errors demonstrated the high efficiency of the used algorithm.

Ключевые слова: инерциальная навигационная система, алгоритм коррекции, прогнозирующая модель, алгоритм самоорганизации, априорный выбор класса базисных функций, результаты моделирования.

Keywords: inertial navigation system, correction algorithm, predictive model of the self-organizing algorithm, a priori choice of the basic functions class, modeling results.

Повышение точности управления летательными аппаратами (ЛА) в большой степени зависит от качества измерительной информации. Измерение параметров ЛА осуществляется с помощью различных навигационных систем. Базовой навигационной системой, как правило, является инерциальная навигационная система (ИНС) [1]. ИНС имеют погрешности, которые компенсируются с помощью алгоритмической коррекции и использования дополнительных измерительных систем [3; 2]. В случае, когда ЛА попадает в зону, где сигналы дополнительных систем недоступны, используется схема коррекции с алгоритмом прогноза [5; 8].

Для осуществления прогноза применяется алгоритм построения прогнозирующей модели, с помощью которого строится модель погрешностей ИНС с использованием измерительной выборки, полученной на интервале устойчивой работы дополнительных измерительных систем.

Для построения прогнозирующей модели использован метод самоорганизации [3].

При использовании подхода самоорганизации возможно минимизировать априорную информацию об объекте исследования. Также возможно усложнять модели без учета ряда существенных факторов. В основе подхода самоорганизации лежит допущение о том, что вся информация о системе содержится в измерительной выборке и критериях селекции модели.

При самоорганизации прогнозирующих моделей используется случайный генератор моделей-претендентов. С помощью ансамбля критериев проводится селекция математических моделей. В дальнейшем происходит постепенное усложнение модели с оценкой её посредством ансамбля критериев селекции.

При функционировании ИНС в стохастических условиях объём априорной информации, как правило, минимален. В таком случае целесообразно использовать для экстраполяции подход самоорганизации.

При использовании метода самоорганизации прогнозирующая модель имеет вид [4]:

,                                                 (1)

где: n – число базисных функций в модели; μ_n – базисные функции из параметризованного множества базисных функций F_p; F_p = {a_iμ_i(f_ix)│i=1, L} – набор базисных функций. Каждой базисной функции ставится в соответствие двухмерный вектор параметров (а, f)^Т, где а – амплитуда, f – частота.

Для решения задачи в общем виде введем некоторое множество непрерывно дифференцируемых базисных функций. Каждой базисной функции соответствует вектор параметров, например двумерный вектор параметров (a,f)^T.

Селекция моделей проводится с использованием взвешенного ансамбля критериев вида [5]:

,                                                             (2)

где: w – веса соответствующих критериев.

Для сокращения объема вычислений на борту ЛА при прогнозировании погрешностей ИНС использованы базисные функции из тригонометрического класса: комбинация синусов и косинусов.

Алгоритм самоорганизации с таким априорным выбором базисных функций требует меньшего объема машинной памяти, вследствие чего происходит ускорение получения модели за счет уменьшения перебора моделей претендентов.

С помощью полученных прогнозирующих моделей сделан прогноз погрешностей навигационной системы в определении скорости, который используется для коррекции выходного сигнала навигационной системы. При моделировании использована тестовая математическая модель ошибок ИНС [1; 7].

Результаты моделирования подтверждают эффективность применения модифицированного алгоритма самоорганизации для построения прогнозирующих моделей при решении задачи коррекции ИНС в автономном режиме [6].

Выводы. Исследована задача алгоритмической компенсации погрешностей ИНС, функционирующей в автономном режиме (при условии, что автономному режиму работы предшествовал корректируемый режим – коррекция от внешних датчиков навигационной информации). Для коррекции автономных ИНС использована нелинейная прогнозирующая модель. В алгоритме самоорганизации для упрощения и ускорения процесса построения модели погрешностей ИНС использован ограниченный набор базисных функций.

Список литературы:

1. Агеев В.М., Павлова Н.В. Приборные комплексы летательных аппаратов и их проектирование. – М.: Машиностроение, 1990. – 375 с.
2. Буй Ван Кыонг, Неусыпин К.А. Алгоритмический способ повышения точности навигационных систем. // Автоматизация и современные технологии. 2005. № 7. С. 11–15.та.
3. Ивахненко А.Г., Мюллер Й.Я. Самоорганизация прогнозирующих моделей – Киев, Техника, 1985. – 362 с.
4. Неусыпин К.А., Вайс Ю.Л. Модификация нейронной сети Вольтерра методом самоорганизации. // Автоматизация и современные технологии. 2007. № 1. С. 30–34.
5. Неусыпин К.А., Пролетарский А.В., Власов С.В. Методы повышения точности автономных навигационных систем. // Автоматизация и современные технологии. 2011. № 2. С. 14–18.
6. Неусыпин К.А., Селезнева М.С. Измерительный комплекс с интеллектуальной компонентой для летательного аппарата. // Автоматизация. Современные технологии. 2016. № 9. С. 27–30.
7. Селезнева М.С., Неусыпин К.А. Разработка измерительного комплекса с интеллектуальной компонентой // Измерительная техника. 2016. № 9. С. 10–15.
8. Шэнь Кай, Пролетарский А.В., Неусыпин К.А. Исследование алгоритмов коррекции навигационных систем летательных аппаратов // Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение, 2016, № 2. С. 28–39.