АДАПТИВНОЕ УПРАВЛЕНИЕ ЛЕТАТЕЛЬНЫМИ АППАРАТАМИ

ADAPTIVE CONTROL OF AIRCRAFT

Alexander Ermilov

Postgraduate student of the Peoples' Friendship University of Russia,

Russia, Moscow

АННОТАЦИЯ

Цель статьи — определить возможности адаптивного управления летательными аппаратами с использованием нейронных сетей в качестве аппроксимирующих моделей неизвестных нелинейностей для повышения точности и эффективности систем управления. Приведена классификация нейронного управления, включая автономные и онлайн-схемы, рассмотрены различные типы нейронных сетей Вывод: интеграция нейронных сетей необходима для оптимизации эксплуатационных характеристик и безопасности летательных аппаратов.

ABSTRACT

The purpose of the article is to determine the possibilities of adaptive control of aircraft using neural networks as approximating models of unknown nonlinearities to improve the accuracy and efficiency of control systems. The classification of neural control, including autonomous and online circuits, is given, various types of neural networks are considered Conclusion: the integration of neural networks is necessary to optimize the operational characteristics and safety of aircraft.

Ключевые слова: адаптивное управление; АУ; летательный аппарат; нейронные сети, нейронный контролер.

Keywords: adaptive control; AC; aircraft; neural networks, neural controller.

За последнее десятилетие в области адаптивного управления (АУ) летательными аппаратами проведено достаточно большое количество исследований. Структура АУ выбирается на основе теорий линейных систем, при этом адаптивные алгоритмы, которые отвечают за глобальную функциональность всей системы, опираются на ее ключевые свойства. Благодаря высокой аппроксимации нелинейных функций в адаптивном управлении чаще используются нейронные сети [5]. Нейронный контроллер с возможностью онлайн-обучения может адаптироваться к изменениям в динамике системы, что делает его идеальным для адаптивного управления в условиях неопределенных внешних воздействий. [4]. В АУ нейронные сети используются как аппроксимационные модели неизвестных нелинейностей. Корректировка значений параметров моделей нейронной сети формирует входной и выходной отклик АУ. В качестве аппроксиматоров функций могут использоваться полиномы, тригонометрические ряды и ортогональные функции, тем не менее нейронные сети оказались очень эффективными для управления неопределенными, нелинейными и сложными системами.

В данной статье рассматриваются различные классификации нейронного управления. Это управление можно в общих чертах разделить на автономные и онлайновые схемы в зависимости от того, как настраиваются параметры сети. Автономное управление основано на том, что параметры сети определяются из неизвестных обучающих пар, а затем эти параметры фиксируются в целях управления [7]. Соответственно, на работе нейронного контролера, работающего в режиме on-line базируются онлайновые схемы управления. В этом случае параметры сети обновляются по мере распознавания входных – выходных данных в связи с тем, что нейронный контролер не имеет априорных знаний об управляемой системе.

Другие классификации АУ подразумевают разделение по характеру изменений в самом устройстве управления: самонастраивающиеся и самоорганизующиеся. В самонастраивающихся системах меняется только значение параметров контролера, а в самоорганизующиеся – структура самого контролера.

Известна классификация АУ, которая делится в зависимости от метода изучения объекта на поисковые, которые используются для поддержания системы в точке экстремума статических характеристик объекта, и системы без поиска.

В свою очередь, системы АУ без поиска делятся на системы с эталонной моделью (ЭМ) и с настраиваемой моделью (НМ).

Системы АУ с ЭМ включают в себя динамическую модель системы с регламентированным качеством.

Системы AУ с НМ являются системами с идентификатором и классифицируются по способу управления на прямые и непрямые. Непосредственная оценка и коррекция параметров контроллера в прямых системах без этапа идентификации параметров объекта имеет свои преимущества перед АУ в непрямых системах в виде сокращения времени обработки сигнала. В непрямых системах первоначально оцениваются параметры объекта, затем определяются нужные значения параметров контроллера и в последнюю очередь происходит корректировка параметров. Следовательно, требуется гораздо больше времени на адаптацию полета летательного аппарата к различным воздействиям.

Известна классификация систем АУ по способу достижения эффекта самонастройки на системы с сигнальной, где только с помощью компенсирующих сигналов достигается самонастройка без изменения параметров устройства, а также параметрической, алгоритмической и структурной адаптацией. Если в системе сочетаются несколько типов АУ, то такие системы называются комбинированными.

В алгоритмической адаптации на вход в систему АУ подается специальное внешнее идентифицирующее воздействие, например, в виде изменения задания контроллеру, затем происходит адаптация в соответствии с заданными алгоритмами [2].

Параметрическая адаптация системы АУ заключается в изменении настроек и параметров непосредственно в контроллере.

Исследование возможностей биологически мотивированных алгоритмов, включающих в себя: нечеткие множества, нейронные сети, а также генетические алгоритмы для решения сложных задач оптимизации адаптивного управления является ключевым среди научного сообщества [1]. Эти алгоритмы демонстрируют значительный потенциал в улучшении точности и эффективности АУ. Помимо проведенной классификации нейронного управления летательными аппаратами, предложена схема, показывающая применение нейронной сети в управлении полетом.

Рисунок 1. Применение нейронной сети в управлении полетом

Нелинейные уравнения самолета линеаризуются при нескольких равновесных условиях полета в желаемом диапазоне полета. Затем коэффициент усиления управления рассчитывается для этих различных условий полета. Оптимальные изменения на каждом этапе планирования должны обеспечивать стабильность и высокую производительность, близкую к расчетному равновесию. Поскольку усиление обратной связи планируется заранее, автоматические корректирующие меры для смягчения последствий закона управления, который больше не подходит. В системах адаптивного управления применяется несколько типов нейронных сетей:

- Многослойные персептроны (MLP): базовый тип сети, подходящий для задач классификации и регрессии. Возможность моделировать сложные нелинейные зависимости, универсальные для адаптивного управления являются преимуществами этой сети. А также, обучение на основе большого объема данных, способность работать с новыми, раннее не встречавшимися данными очень важны для адаптивного управления в динамических средах. Тем не менее, несмотря на их возможности для применения в АУ летательными аппаратами, эти нейронные сети требуют значительных вычислительных ресурсов и тщательной настройки, а также большого объема качественных данных [8].

- Рекуррентные нейронные сети (RNN): сети с обратными связями, применяемые для обработки последовательностей данных. Они могут эффективно обрабатывать временные последовательности данных: телеметрию полета, изменения в динамических характеристиках, погодные условия и отказ оборудования. RNN могут быть интегрированы с традиционными методами управления, например, с PID-контролерами. Но обучение этих нейронных сетей достаточно сложное и ресурсозатратное, они чувствительны к шуму в данных, что может приводить к ошибкам, а также, из-за явления затухающих градиентов при обработке данных с долгосрочными зависимостями снижается их эффективность [5].

- Сверточные нейронные сети (CNN): сети, эффективные для обработки многомерных данных, таких, как анализ и обработка данных о местности, препятствиях и других объектах в полете. Благодаря своим архитектурным особенностям CNN более устойчивые к шумам и искажениям в данных, интегрируются с данными других сенсоров. С другой стороны, проектирование и настройка этой нейронной сети может быть сложной, а сбор и обработка данных – трудоемкой и дорогостоящей [3].

Работоспособность летательных аппаратов во многом зависит от возможностей систем навигации и управления. Чтобы максимизировать производительность, система адаптивного управления должна быть интеллектуальной.

Потенциальные преимущества применения нейронной сети IFCS в летательных аппаратах включают: снижение затрат на проектирование/разработку системы управления полетом, снижение затрат, связанных с необходимостью разработки большой базы аэродинамических данных, уменьшение аварийности, связанной с управлением, и сохранение ходовых качеств сразу после отказов и повреждений, улучшение и повышение предсказуемости характеристик адаптивного управления и возможность устранения необходимости испытаний.

Список литературы:

1. Chernyshev, S.L., Lyapunov, S.V. and Wolkov, A.V. Modern problems of aircraft aerodynamics. Advances in Aerodynamics, 2019,1(1), p.7.
2. Hernandez, Eufronio, Oscar Castillo, and Jose Soria. "Optimization of fuzzy controllers for autonomous mobile robots using the grey wolf optimizer." 2019 IEEE international conference on fuzzy systems (FUZZ-IEEE). IEEE, 2019.
3. Julian, Kyle D., Mykel J. Kochenderfer, and Michael P. Owen. "Deep neural network compression for aircraft collision avoidance systems." Journal of Guidance, Control, and Dynamics 42.3, 2019: 598-608.
4. Lopez-Sanchez, Ivan, Jerónimo Moyrón, and Javier Moreno-Valenzuela. "Adaptive neural network-based trajectory tracking outer loop control for a quadrotor." Aerospace Science and Technology, 129, 2022,  107847.
5. Marino, F. and Guglieri, G. Beyond Static Obstacles: Integrating Kalman Filter with Reinforcement Learning for Drone Navigation. Aerospace, 2024, 11(5), p.395.
6. Melin, Patricia, and Oscar Castillo. "Adaptive intelligent control of aircraft systems with a hybrid approach combining neural networks, fuzzy logic and fractal theory." Applied Soft Computing 3.4, 2003, 353-362.
7. Wong, Shen Yuong, et al. "On equivalence of FIS and ELM for interpretable rule-based knowledge representation." IEEE transactions on neural networks and learning systems, 26.7 (2014): 1417-1430.
8. Zhu, R., Xie, M., Liao, D., Tang, G. and Gai, W. Nonlinear L 1 adaptive control of stagnation pressure in a cryogenic wind tunnel. Advances in Aerodynamics, 2, 2020, pp.1-17.