автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Нейросетевая система десантирования грузов транспортного вертолета в сложных погодных условиях

На правах рукописи

Лэ Хи Фонг

НЕИРОСЕТЕВАЯ СИСТЕМА ДЕСАНТИРОВАНИЯ ГРУЗОВ С ТРАНСПОРТНОГО ВЕРТОЛЕТА В СЛОЖНЫХ ПОГОДНЫХ

УСЛОВИЯХ

Специальность 05.13.01 - системный анализ, управление и обработка

информации

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Москва - 2004 г.

Работа выполнена на кафедре "Системы автоматического и интеллектуального управления летательными аппаратами" в Московском авиационном институте "МАИ" (государственный технический университет).

Научный руководитель:

Официальные оппоненты:

доктор технических наук, профессор, заслуженный деятель науки РФ Лебедев Г.Н.

доктор технических наук, профессор, Певзнер Л.А.

кандидат технических наук, доцент Мишулина О.Н.

Ведущая организация:

МНПК "Авионика" г. Москва

Защита состоится.

г. в

час. на заседании

диссертационного совета Д.212.125.11 в Московском авиационном институте (Государственном техническом университете) по адресу: Москва, 125993, Волоколамское шоссе, дом 4, зал заседания Ученого Совета.

С диссертацией можно познакомиться в библиотеке МАИ.

Автореферат разослан

2004 г.

Ученый секретарь диссертационного совета к.т.н., доцент

Горбачев Ю.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. В настоящее время объем монтажных работ с помощью вертолетов и объем перевозок грузов на внешней подвеске непрерывно увеличивается. Однако, в целом, как показывает практика, управление вертолетом на режиме висения и при малых перемещениях на монтаже остается сложным процессом. Существующие бортовые системы автоматического управления вертолетом на режиме висения и над заданной точкой монтажа пока еще не в полной мере отвечают необходимому для этого вида работ уровню точности. Поэтому необходимо совершенствовать систему управления вертолетом разработкой технического средства, позволяющего автоматически стабилизировать груз на внешней подвеске (демпфировать его колебания) и десантировать груз на заданную точку. Оказывается, что нейронная сеть прямого распространения (CUP) с простой архитектурой может выполнить разные законы управления. Для выполнения каждой задачи необходимо выбрать ее соответственные предварительно выбранные параметры.

Из вышесказанного следует, что разработка СПР — унифицированного контроллера, позволяющего повысить эффективность эксплуатации вертолета, является весьма актуальной задачей (см. рис. 1).

Целью данной диссертационной работы является создание унифицированного нейроконтроллера, позволяющего управлять вертолетом или системой лебедки-тележки при демпфировании колебания груза, его десантировании, а также определять субоптимальный маршрут разновысотного полета вертолета в конкретных условиях транспортировки грузов.

В соответствии с указанной целью определены следующие задачи исследований:

1. Проанализировать возможность использовать нейронный подход для решения задачи маршрутизации разновысотного полета вертолета при заданном составе обслуживаемых пунктов.

2. На основе уравнений движения вертолета с грузом, используя методы теории оптимального управления, определить оптимальные законы демпфирования колебаний груза при управлении продольным движением вертолета.

3. На основе уравнений движения системы лебедки — тележки определить оптимальные законы демпфирования колебаний груза при изменении положения тележки и при десантировании груза с помощью лебедки.

4. На основе найденных законов управления, создать примеры для обучения нейроконтроллеров, имеющих возможность выполнения этих законов с нужным качеством.

5. На основе найденных нейроконтроллеров определить тип унифицированного нейроконтроллера, имеющего одинаковую структуру для всех перечисленных задач и проанализировать возможность его использования на практике.

Методы исследования. Решение поставленных в диссертационной работе задач проводилось на основе использования основных разделов автоматического и оптимального управления, теории нейронных сетей, а также методов имитационного моделирования.

Научная новизна. В результате проведенных исследований:

1. Впервые показана возможность нейросетевого подхода для маршрутизации разновысотного полета, при этом в случае расположения объектов назначения в определенной трубке маршрут определяется с помощью сети прямого распространения.

2. На основе построенных уравнений движения систем "вертолет-груз" и "лебедка-тележка-груз" найдены законы оптимального демпфирования колебаний груза и его десантирования на палубу судна в сложных погодных условиях.

3. Показана высокая эффективность сети прямого распространения для- демпфирования колебаний груза и его десантирования и предложена единая структура унифицированного нейроконтроллера для последовательного решения некоторых транспортных задач. Практическая значимость результатов:

1. Разработанные нейросетевые алгоритмы планирования разновысотного полета вертолета позволяют резко уменьшать время, требуемое комбинаторными алгоритмами (например, алгоритм ветвей и границ) для получения маршрута при большом числе объектов назначения.

2. Возможность решения разных задач управления унифицированным нейроконтроллером облегчает реализацию на борту и сводит к минимуму массогабаритные характеристики устройства при относительно невысокой стоимости.

3. Показана высокая эффективность нейросетевого решения транспортных задач в сложных погодных условиях, обеспечивая мягкое десантирование груза на подвижную палубу судна. Реализация результатов. Разработанные нейросетевые процедуры демпфирования колебания груза и его десантирования внедрены в МНПК "Авионика" при проектировании перспективных систем проведения монтажных работ с помощью транспортного вертолета, о чем имеется акт о внедрении.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на:

1. Международных научно-технических семинарах "Современные технологии в задачах управления, автоматики и обработки информации", Алушта 2002г., Алушта 2003 г.

2. IV всероссийской научно-технической конференции "Нейроинформатика", МИФИ-2002, Москва.

Публикации. Основные результаты диссертационной работы опубликованы в 6 печатных и двух рукописных работах, в том числе 2 статьи в журнале "Авиакосмическое приборостроение", рекомендуемом ВАК РФ при защите кандидатских диссертаций.

Структура и объем работы. Диссертация состоит из введения, пяти глав, заключения и списка литературы. Объем диссертации 128 страниц текста, включает 57 рисунков, 14 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность решаемых задач, сформулированы цель работы и задачи исследований, охарактеризована их научная новизна, практическая ценность и приведены краткие сведения о реализации полученных результатов.

В первой главе представлены математическая модель "свободного" вертолета, вертолета с грузом и математическая модель системы лебедки-тележки с грузом.

Уравнения продольного движения вертолета с грузом имеют вид (т + т1 + mtb cb. + т,19 = Xg,

- mfiV^ +{l:g + mlb1)w1 + mlblQ = Mlg + m,gb{Q-9), (1)

VkXg+bv>, + lQ = -gü,

где т, - масса вертолета и груза соответственно; V^g - проекция

линейной скорости вертолета на ось OXg нормальной системы координат; ог - проекция угловой скорости вертолета на ось OZg нормальной системы координат; Ö - угол отклонения груза относительно вертикали; b -расстояние между центром масс вертолета и верхним концом троса; l -длина троса; I:g — момент инерции вертолета относительно оси OZg нормальной системы координат; - проекции на ось

суммарной силы и момента, действующих на вертолет соответственно; g — ускорение свободного падения.

Уравнения системы лебедки-тележки с грузом имеют вид (2)

(т1+т1 - Ь3)х + т,/в cosQ+m,/ sinS-яг,/92 sin9+2mI/0cose-6ji = 6l£/I • mJxcosO+mJ1 9+2w1// 9+w,g/sin9 = 0 m,5csin9+(w, -a3)l -аг1 -mtl92-m,gcos9 = alU1,

где x - горизонтальное отклонение верхнего конца троса относительно

точки, на которую груз должен опускаться; ти тг - масса груза и тележки

соответственно; - параметры двигателя постоянного тока

тележки и лебедки соответственно; - напряжение, подаваемые

двигателю тележки и лебедки соответственно.

На основе этих уравнений, используя методы оптимального управления, в следующих главах приведены законы демпфирования колебаний груза и его десантирования.

В этой главе также приведены некоторые подходы к нейроуправлению, включая нейронные сети (НС) прямого распространения и алгоритмы прямого распространения ошибки, а также обоснована целесообразность применения унифицированной НС для решения разных транспортных задач.

Во второй главе приведена формула определения влияния высоты на рентабельность полета. Соотношение суммарных затрат топлива на перелет из пункта назначения А в пункт В, находящихся на разной высоте, к затратам топлива на перелет из пункта А в пункт В, если бы они находились на одной высоте, имеет вид

= Лхл-хвУ +(у.<-У*У >

■ .г. (3)

Ул.в =Ч^л.в 1--}-7}- -

^ Ьл.в'вэ ,

где х, у, к - координаты пунктов назначения; Уу^э, Угэ - экономичная вертикальная и горизонтальная скорость вертолета; к - коэффициент, характеризующий распределение мощности двигателя вертолета при изменении высоты; q - километровый расход топлива.

Для решения задачи планирования разновысотного полета сначала представлен алгоритм ветвей и границ. Было показано, что с помощью этого алгоритма можно получить достаточно хорошие маршруты. Однако время его выполнения быстро возрастает при увеличении числа пунктов назначения. Поэтому, необходимо использовать другие подходы, в том числе - нейронный подход. Часть этой главы посвящена применению сети Хопфилда, сети Хопфилда в сочетании с сетью Кохонена и сетью прямого распространения для решения задачи планирования полета. Показано, что

чем больше размер сети, тем. больше число локальных минимумов функции "энергии", поэтому сеть Хопфилда можно использовать при небольшом числе пунктов назначения.

Для устранения недостатка сети Хопфилда при планировании полета, в диссертации предложен подход, по которому сеть Кохонена используется в сочетании с сетью Хопфилда или сетью прямого распространения. Самоорганизующаяся НС Кохонена имеет возможность группирования входных векторов и определения группы входного вектора в зависимости от "расстояния " между этим вектором и векторами весовых коэффициентов нейронов в сети. Это свойство используется для выбора оптимального маршрута полета при большом числе пунктов. Предложенный подход реализуется в виде трех этапов:

на первом этапе все начальные пункты разделяются на группы с помощью сети Кохонена. В эти группы входят близко расположенные пункты. Число групп равно числу нейронов в сети: на втором этапе на основе векторов координат центров групп используется сеть Хопфилда, чтобы определить оптимальный маршрут между группами;

на третьем этапе определяется оптимальный маршрут в одной группе с помощью сети Хопфилда, сети Кохонена или сети прямого распространения.

Представленная в этой главе процедура определения оптимального маршрута с помощью только сети прямого распространения, используемой в построении унифицированного контроллера, основана на ее возможности определения минимального значения среди некоторых заданных значений. Пусть координаты (х, у, к) пунктов в группе удовлетворяют частным условиям нахождения в "трубке"

{тах(й,) -<-< тах(у() чч тах(;с()

Эта процедура реализована в виде следующих шагов:

Шаг 1: Определить 4 ближайших пункта по координате х к настоящему

текущему пункту назначения.

Шаг 2: Определить с помощью НС первый пункт субоптимального маршрута с настоящего до последнего (по х) пункта. Это последующий пункт маршрута.

Шаг 3: Заменить настоящий пункт пунктом, найденным на шаге 2. Исключить его от дальнейшего рассмотрения, и если число оставшихся пунктов меньше 4 - добавить новый виртуальный пункт на основе координат конечного пункта изменением его координаты х на маленькое значение.

Шаг 4: Проверить полноту маршрута (число пунктов в маршрута), перейти к шагу 1 или 5.

Шаг 5: Вычислить длину маршрута и закончить задачу.

Пример маршрута в одной группе (в пространстве), определенного с помощью сети прямого распространения, изображен на рис. 2.

Рис. 2. Маршрут разновысотного полета, определенный с помощью НС прямого распространения 10

Третья глава посвящена решению задач нейросетевого управления демпфированием колебания груза, подвешенного под вертолетом, путем перемещения верхнего конца троса либо с помощью системы лебедки-тележки, либо непосредственным управлением положением центра масс вертолета. Для конструирования нейроконтроллера в диссертационной работе предложена процедура с двумя этапами. На первом этапе законы управления определены с помощью метода АКОР. На втором этапе эти законы используются для создания примеров обучения НС с определенной архитектурой.

Линеаризованное уравнение системы лебедки-тележки, используемое при демпфировании колебания груза имеет вид (2) или

векторный вид Х = АХ+В1/,, где

А =

(5)

0 1 0 0 0 X

0 *2 0 ; в= X

; х = 0

0 0 0 1 0

0 к А2 0 Л. ё

Ьг А, =- Щ8 . к-, — .

т1-Ьг

/я 2 —¿з

¿1 =

Ьг

-• а _ (т2+щ д Ь1

Функционал оптимизации, представленный для этой задачи, есть

'=\\{ч\*2 + чг*2+чз е2+щА ё2+и? о

На основе уравнения системы (5) и функционала (6), используя метод АКОР, определено управление:

Щ=кхх+к2х+къв+кАв. (7)

Найденное управление и, является линейной функцией вектора состояния системы, поэтому оно легко выполняется простой НС прямого распространения.

Примеры обучения НС разработаны на основе этого закона управления. По результатам моделирования работы системы с разными начальными условиями определены пределы изменения координат х, х, в, &. Эти пределы разделены на равные части и на основе этих значений созданы примеры обучения. Один пример состоит из набора 4 значений входных сигналов и одного значения выходного сигнала. Некоторые примеры обучения приведены в таблице 1.

Табл. 1. Некоторые примеры обучения НС

Наименование сигналов Значение сигналов

Входные сигналы X (м/с) -4 -4 -3 3 4 4

X (м) -5 -4 -3 3 4 5

6 (рад/с) -0,2 -0,2 -0,1 0 0,1 0,2

0 (рад) -0,2 0 0,1 -0,2 0 0,2

Выходной сигнал И\ -664 -68,7 594,3 129,1 -596 664

После обучения НС, архитектура которой предварительно выбрана, получены определенные значения ее весовых и пороговых коэффициентов. Результаты моделирования работы НС при начальных условиях л:о=5(м), 9о=0.2(рад) изображены на рис. 3, где видно, что нейроконтроллер хорошо решает задачу демпфирования колебаний груза и при существовании случайных шумов в измерениях датчика линейного ускорения ( шах(Дх)= 5%тах(х)).

Проанализировав недостатки системы лебедки-тележки при демпфировании колебания груза с большой массой, в этой главе также показана возможность использования вертолета для этой цели.

2>-1-I-1-1-1-1-1-1-1--» 41$!-1-1-1-1-1-1-1-1-1_--»

оюзолвяюговоююощ оюаавяютою»™,^

Рис. 3. Демпфирования колебания груза системой лебедки-тележки 1 - при отсутствии возмущения измерения.

2^ учетом возмущения измерения.

Найденные по методу АКОР законы управления автоматом перекоса и отдельно - общим шагом вертолета при демпфировании колебания груза продольным движением вертолета имеют вид:

+ к39 + кА3 + к50 + кйв,

(8)

<р = А, х& + й2хх + И39 + Иа9 + + /^Э

Поступив как и раньше, были найдены две НС (одна управляет автоматом перекоса, а другая - общим шагом). Результаты моделирования работы системы в этом случае при начальных условиях *о=5(м), ио=0.2(рад), 0о=О.2(рад) изображены на рис. 4, где видно, что они хорошо решают задачу демпфирования колебаний груза и при существовании случайных шумов в измерениях датчика линейного ускорения и датчика угла тангажа ( тах(Дх)= 5%тах(х), тах(д£)= 5%тах(5)).

Рис. 4. Результаты демпфирования колебания груза вертолетом

1 - при отсутствии возмущения измерения.

2-е учетом возмущения измерения.

Кроме того, для устранения влияния измерительного и атмосферного возмущения на качество управления, в диссертационной работе исследована возможность использования нейроконтроллера в сочетании с фильтром Калмана. Было также показано, что погрешность управления, проявляющаяся при линеаризации нелинейного объекта управления, может уменьшаться с помощью схемы нейроуправления "с эталонной моделью".

В четвертой главе решается задача нейросетевого управления десантированием груза с вертолета на палубу судна в простых и сложных погодных условиях. Законы управления определены с помощью принципа максимума Понтрягина или метода А.А. Колесникова.

Уравнение системы лебедки-тележки при десантировании груза было представлено в виде

где т - масса груза; у - высота груза относительно палубы; Н, к — абсолютная высота вертолета и палубы судна соответственно; а\, (¡2, аз -

параметры двигателя постоянного тока лебедки; g - ускорение свободного падения; и - напряжение, подаваемое двигателю лебедки. Для определения управления по принципу максимума Понтрягина в простых погодных условиях (при нулевых Н, Н, А, А), необходимо построить линию переключения (ЛП) в фазовой плоскости системы. Рассмотрена процедура построения этих ЛП в двух случаях, когда стратегией оптимизации является минимум времени и одновременно -времени и затрат управления. В первом случае ЛП состоит из двух веток (см. рис. 5.а), и управление может принимать два значения (±и), а во втором случае - из четырех веток (рис. 5.6) и управление может принимать три значения (±и и 0).

Рис. 5. ЛП в фазовой плоскости системы лебедки-груза

а - при минимизировании времени управления б - при минимизировании времени и затрат управления Было показано, что каждая ветка описывается уравнением второго

порядка у = 01)? +а2У + аз, где коэффициенты а, определены в зависимости от параметров системы и ограничений сигнала управления.

На основе полученных ЛП были созданы примеры обучения НС, состоящей из предварительно выбранных двух слоев. Результат обучения НС отображен в диссертации приведенными весовыми и пороговыми

коэффициентами, а моделирование работы системы выполнено с результатами, изображенными на рис. 6.а, где видно, что десантирование груза произошло достаточно мягко.

Рис. 6. Десантирование груза с помощью НС, обученной с помощью а - принципа максимума Понтрягина, б - метода А.А. Колесникова В сложных погодных условиях (при ненулевых H,H,h,h), закон управления десантированием груза был определен с помощью метода А.А. Колесникова. Функционал оптимизации в этом случае имеет вид

СО

0= ^

eV+^ivJ2)*,

(10)

где у = Р\у+Ргу; с,, сг, Д, р2 - константы.

На основе этого функционала и уравнения системы (9) найдено линейное управление:

(И)

В этой главе приведена процедура определения коэффициентов С1 > с2 > А > Рг в зависимости от требуемого качества управления (вид и время переходного процесса), которое отражается, в результате моделирования работы системы на рис. 6.б. Видно, что независимо от колебания высоты вертолета и палубы судна груз мягко опустился в заданный период времени (15 с).

В завершении четвертой главы рассмотрена процедура конструирования НС с учетом возможности самоторможения лебедки и приведен порог переключения управления.

В пятой главе диссертационной работы представлена унифицированная архитектура нейроконтроллера в виде НС прямого распространения, позволяющая поочередно решать задачи планирования полета вертолета, демпфирования колебания груза и его десантирования (см. рис. 7).

НС имеет два слоя - скрытый и выходной. В скрытом слое содержатся 10 нейронов с функцией активации гипербольного тангенса (функция//), а в выходном - 2 линейных нейрона. Число входов НС - 15, а выходов - 2.

Для конкретных задач в этой главе приведены соответствующие параметры НС и результат моделирования ее работы. Вообще, эти результаты не отличаются от вышеприведенных результатов. Это подтверждает работоспособность полученного унифицированного нейроконтоллера.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Основные результаты могут быть сформулированы в виде следующих положений:

1. Показана возможность применения нейросетевого подхода для сокращения времени планирования разновысотного полета.

2. На основе построенных уравнений движения систем "вертолет-груз" и "лебедка-тележка-груз" найдены законы оптимального демпфирования колебаний груза и его десантирования и получены примеры обучения НС прямого распространения для решения транспортных задач.

3. Доказана возможность построения унифицированного нейроконтроллера для планирования полета, демпфирования колебаний груза и его десантирования, что облегчает его реализацию на борту вертолета.

4. Результаты моделирования на ЭВМ работы нейроконтроллера, содержащего 12 нейронов, подтвердили высокую эффективность предложенного подхода с учетом реальных уровней шумов в датчиках и ветровых возмущений.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Лебедев Г.Н., Лэ Хи Фонг. Планирование маршрута разновысотного полета с помощью искусственной НС. // Докл. IV всероссийская НТК "Нейроинформатика", МИФИ-2002, Москва. -С. 179-182.

2. Лэ Хи Фонг, Лебедев Г.Н. Маршрутизация разновысотного полета с помощью многослойной нейронной сети. // Тез. докл. Алушта, 2002. С. 30.

3. Лэ Хи Фонг. Управление десантированием грузов с вертолета на палубу в сложных погодных условиях. // Тез. докл. Алушта, 2003.-С. 28-29.

4. Лебедев Г.Н., Лэ Хи Фонг. Демпфирование колебаний и десантирование груза с вертолета на палубу судна в сложных погодных условиях с помощью НС. // Науч. техн. сб. Воен. Акад. РВСН им. Петра Великого "Информатизация управления сложными объектами". -М., 2003.-Т.230.-С.47-59.

5. Лэ Хи Фонг. Нейросетевое управление десантированием грузов с помощью тросовой системы с вертолета на палубу судна в сложных погодных условиях: // Авиакосмическое приборостроение. -М. 2003. №3.-С.31-35.

6. Лэ Хи Фонг. Демпфирование колебаний груза, подвешенного под вертолетом, при управлении его продольным движением с помощью нейронной сети. // Авиакосмическое приборостроение. -М. 2003.- №10.-С.54-60.

7. Лебедев Г.Н., Лэ Хи Фонг и др. Разработка технологии автоматического получения знаний об интеллектуальном управлении полетом на основе моделирования и оценки эффективности принимаемых решений. // Отчет МАИ о НИР, тема 1.6.01, этап 4, М., 2001г.

8. Лебедев Г.Н., Лэ Хи Фонг и др. Разработка методологии построения интеллектуальных систем управления. // Отчет МАИ о НИР, тема 1.5.01, этап 1, М., 2002г.

»-6813

Введение.

Глава 1. Анализ функционирования системы управления вертолетом и общая постановка задачи.

1.1. Математическая модель системы вертолет-груз.

1.1.1. Уравнения движения "свободного" вертолета.

1.1.2. Уравнения движения вертолета с грузом.

1.2. Математическая модель системы лебедка-тележка-груз.

1.3. Введение о нейроконтроллерах.

1.3.1. Искусственный нейрон и нейронные сети (НС).

1.3.2. НС прямого распространения и алгоритм обучения обратного распространения ошибки.

1.3.3. Подходы к нейронному управлению.

1.4. Общая постановка задачи.

1.5. Выводы к главе 1.

Глава 2. Планирование разновысотного полета с помощью НС.

2.1. Решение задачи планирования разновысотного полета с помощью алгоритма "ветвей и границ".

2.1.1. Влияние высоты на рентабельность полета.

2.1.2. Алгоритм "ветвей и границ".

2.2. Решение задачи планирования разновысотного полета с помощью

2.2.1. Применение сети прямого распространения для решения задачи планирования.

2.2.2. Применение сети Хопфилда для решения задачи планирования.

2.2.3. Применение сети Кохонена в сочетании с сетью Хопфилда для решения задачи планирования.

2.3. Выводы к главе 2.

Глава 3. Демпфирование колебания груза подвешенного под вертолетом с помощью НС.

3.1. Демпфирование колебания груза с помощью системы лебедки-тележки.

3.1 Л. Демпфирование колебания груза с помощью обычного контроллера.

3.1.2. Повышение точности управления с помощью фильтра Кальмана.

3.1.3. Демпфирование колебания груза с помощью нейроконтроллера.

3.2. Демпфированием колебаний груза продольным движением вертолета.

3.2.1. Определение оптимального управления с помощью метода АКОР.

3.2.2. Оценка погрешности управления при линеаризации уравнений движения системы.

3.2.3. Выполнение оптимального управления нейронной сетью.

3.3. Выводы к главе 3.

Глава 4. Десантирование груза с вертолета на палубу судна с помощью НС.

4.1. Десантирование груза нейроконтроллером, построенным по принципу максимума Понтрягина.

4.1.1. Определение оптимального управления по принципу максимума.

4.1.2. Выполнение оптимального управления НС.

4.1.3. Конструирование нейроконтроллера при минимизировании времени и затрат на управление.

4.2. Десантирование груза нейроконтроллером, построенным по методу А.А. Колесникова.

4.2.1. Определение оптимального управления.

4.2.2. Выполнение оптимального управления НС.

4.3. Выводы к главе

Глава 5. Экспериментальное моделирование на ЭВМ работы нейросетевого контроллера.

5.1. Планирование разновысотного полета вертолета с помощью НС.

5.2. Демпфирование колебаний груза с помощью НС.

5.3. Десантирование груза с помощью НС.

5.4. Выводы к главе 5.

В настоящее время объем монтажных работ с помощью вертолетов и объем перевозок грузов на внешней подвеске непрерывно увеличивается. Вертолетный монтаж - один их самых сложных и зрелищных видов авиационных работ, где можно увидеть, как гигантский кран за считанные минуты собирает мачту сотовой связи, устанавливает многотонный купол храма или десантирует хрупкие вещи на палубу судна в сложных погодных условиях (см. рис. 1).

Рис. 1. Монтаж мачты сотовой связи с помощью вертолета Однако эти работы являются не только сложными, но и опасными. Предугадать все, что может произойти при их выполнении невозможно, но можно максимально снизить степень риска. По мнению экспертов [1], существенную роль в уменьшении степени риска играет человеческий фактор. Монтажные работы, выполняемые на большой высоте или в сложных погодных условиях, требуют от летчика особого внимания при управлении, что создает дополнительные психофизиологические нагрузки, кардинально отличающиеся от нагрузок, переносимых им в обычном полете. Заметно разгрузить летчика и освободить его от функций автостабилизатора углового положения вертолета позволяет дифференциальное включение автопилота в основную проводку управления. Однако, в целом, как показывает практика, управление вертолетом на режиме висения и при малых перемещениях на монтаже остается сложным процессом. Существующие бортовые системы автоматического управления вертолетом на режиме висения и над заданной точкой монтажа пока еще не в полной мере отвечают необходимому для этого вида работ уровню точности. Поэтому их применение для этой цели без совершенствования системы управления не может считаться эффективным.

Из вышесказанного следует, что разработка технического средства, позволяющего автоматически стабилизировать груз на внешней подвеске-(демпфировать его колебания) и десантировать груз на заданную точку, является весьма актуальной задачей.

Целью диссертационной работы является создание унифицированного нейроконтроллера, позволяющего управлять вертолетом или системой лебедки-тележки при демпфировании колебания груза, его' десантировании, а также определять субоптимальный маршрут разновысотного полета вертолета в конкретных условиях транспортировки грузов.

В соответствии с указанной целью определены следующие задачи исследований:

1. Проанализировать возможность использовать нейронный подход для решения задачи маршрутизации разновысотного полета вертолета при заданном составе обслуживаемых пунктов.

2. На основе уравнений движения вертолета с грузом, используя методы теории оптимального управления, определить оптимальные законы демпфирования колебаний груза при управлении продольным движением вертолета.

3. На основе уравнений движения системы лебедки - тележки определить оптимальные законы демпфирования колебаний груза при изменении положения тележки и десантирования груза с помощью лебедки.

4. На основе найденных законов управления, создать примеры для обучения нейроконтроллеров, имеющих возможность выполнения этих законов с нужным качеством.

5. На основе найденных нейроконтроллеров определить тип унифицированного нейроконтроллера, имеющего одинаковую структуру для всех перечисленных задач и проанализировать возможность его использования на практике.

Методы исследования. Решение поставленных в диссертационной работе задач проводилось на основе использования основных разделов теории автоматического и оптимального управления, теории нейронных сетей, а также методов имитационного моделирования.

Научная новизна. В результате проведенных исследований:

1. Впервые показана возможность нейросетевого подхода для маршрутизации разновысотного полета вертолета, при этом в случае расположения объектов назначения в определенной "трубе", маршрут определяется с помощью сети прямого распространения.

2. На основе построенных уравнений движения системы "вертолет-груз" и "лебедка-тележка-груз" найдены законы оптимального демпфирования колебаний груза и его десантирования на палубу судна в сложных погодных условиях.

3. Показана высокая эффективность сети прямого распространения при выполнении законов оптимального демпфирования колебаний груза и его десантирования и предложена единая структура унифицированного нейроконтроллера для последовательного решения всех транспортных задач.

Практическая значимость результатов:

1. Разработанные нейросетевые алгоритмы планирования разновысотного полета вертолета позволяют резко уменьшать время, требуемое комбинаторными алгоритмами (например, алгоритм ветвей и границ) для получения маршрута при большом числе объектов назначения.

2. Возможность решения разных задач управления унифицированным нейроконтроллером облегчает реализацию на борту и сводит к минимуму массогабаритные характеристики устройства при относительно невысокой стоимости.

3. Показана высокая эффективность нейросетевого решения транспортных задач в сложных погодных условиях, обеспечивая мягкое десантирование груза на подвижную палубу судна.

Реализация результатов. Разработанные нейросетевые процедуры демпфирования колебания груза и его десантирования внедрены в МНГТК "Авионика" при проектировании перспективных систем проведения монтажных работ с помощью транспортного вертолета, о чем имеется акт о внедрении.

Публикации. Основные результаты диссертационной работы опубликованы в 6 печатных и 2 рукописных работах, в том числе 2 статьи в журнале "Авиакосмическое приборостроение", рекомендуемом ВАК РФ при защите кандидатских диссертаций.

Структура и объем работы. Диссертация состоит из введения, пяти глав, заключения и списка литературы. Объем диссертации 128 страниц текста, включает 57 рисунков, 14 таблиц.

5.4. ВЫВОДЫ К ГЛАВЕ 5

1. Были определены общая архитектура унифицированного нейроконтроллера и его параметры для конкретных задач.

2. Результаты моделирования работы унифицированного нейроконтроллера доказывают его возможности при решении разных транспортных задач.

ЗАКЛЮЧЕНИЕ

На основании проведенных теоретических и экспериментальных исследований можно сделать следующие выводы:

1. Показана возможность применения нейросетевого подхода для сокращения времени планирования разновысотного полета.

2. На основе построенных уравнений движения систем "вертолет-груз" и "лебедка-тележка-груз" найдены законы оптимального демпфирования колебаний груза и его десантирования и получены примеры обучения НС прямого распространения для их выполнения.

3. Доказана возможность построения унифицированного нейроконтроллера для поочередного решения разных транспортных задач. Параметры НС выбраны до полета и фиксированы в процессе работы. В самом полете достаточно лишь переключать наборы весовых коэффициентов сети, хранящихся в памяти бортового вычислительного комплекса, и входы, выходы сети в зависимости от решаемой задачи. Это облегчает его реализацию на борту вертолета.

4. Результаты моделирования на ЭВМ работы нейроконтроллера, содержащего 12 нейронов, подтвердили высокую эффективность предложенного подхода с учетом реальных уровней шумов в датчиках и ветровых возмущений.

1. Паршенцеп С.А. Риск можно исключить. // Вертолет, М., 2003, № 3, С. 16-19.

2. Кожевников В.А. Автоматическая стабилизация вертолета. М., "Машиностроение", 1977.

3. Демидович Б.П. Марон И.А. Основы вычислительной математики. М., "Наука", 1966.

4. Трошин И.С. Динамика вертолета. М., Издательство МАИ, 1975.

5. Добронравов В.В. Курс теоретической механики. М., "Высш. школа", 1974.

6. Терехов ЕЛ., Ефимов ДБ. Нейросетевые системы управления.

7. Сигеру Омату, Рубия Юсоф. Нейроуправление и его приложения. М.: ИПРЖР, 2000.

8. М.Т. Hagan, H.B. Demuth, М.Н. Beale. Neural Network Design. PWS Publishing Company, Boston, MA 1996.

9. Cybenko, G. Approximation by superpositions of sigmoidal funtion. // Matematics Control, Signal & system, vol. 2, pp. 303-314,1989.

10. Funahashi, K.I. On the approximate realization of continuos mappings by neural networks. // Neural Networks, vol. 2, pp. 183-192, 1989.

11. Hornik, К, M. Stinchcomb. Multilayer feedforward networks are universal approximators. //Neural Networks, vol. 2, pp. 359-366, 1989.

12. Saerens, M. And A.Soquet. A neural controller based on back propagation algorithm. // Proc. of First IEE Int. Conf. on Artificial Neural Networks, London, pp. 211-215, 1989.

13. Iiguni, H. Sakai. A non-linear regulator design in the presence of system uncertainties using multi-layered neural networks. // IEEE Trans, on Neural Networks, vol. 2, pp. 410-417, 1991.

14. Narendna, K.S. and K. Parthasarathy. Identification and control of dynamical systems using neural networks. // IEEE Trans, on Neural Networks, vol. 1, pp. 4-27, 1990.

15. Levin, E., R. Gewirtzman. Neural Network architecture for adaptive system modelling and control. // Proc. of Int. Joint Conf. on Neural Networks, Washington D.C., vol. 11, pp. 311 -316, 1989.

16. Браверман A.C., Лаписова С. В. Балансировка одновинтового вертолета. М., "Машиностроение", 1975.

17. J.J. Hopfield and D.W. Tank. "Neural" computation of decisions in optimization problems. //Biol. Cybern. vol. 52, pp. 141-152,1985.

18. G. V. Wilson and G.S. Pawley. On the stability of the traveling salesman problem algorithm of Hopfield and Tank. // Biol. Cybern. vol. 58, pp. 6370, 1988.

19. Behzad Kamgar-Parsi and Behrooz Kamgar-Parsi. On problem solving with Hopfield neural network. // Biol. Cybern. Vol. 62, pp. 415-423, 1990.

20. X.Xu and W.T. Tsai. Effective neural algorithms for the traveling salesman problem. // Neural Networks. Vol. 4, pp. 193-205, 1991.

21. Shigeo Abe and Andrew H.Gee. Global convergence of the Hopfield neural network with nonzero diagonal element. // IEEE trans. II. Vol. 42, pp. 39-45, 1995.

22. Toshio.Tanaka. Study on the Hopfield neural networks for solving combinatorial optimization problems. // Researches of the electro-technical laboratory № 987, Tokio 1999.

23. B.C. Медведев, В.Г. Потемкин. Нейронные сети. М., Изд. ДИАЛОГ-МИФИ, 2002.

24. Н.Д. Егупов. Синтез регуляторов и теория оптимизации систем автоматического управления. М.: Изд. МГТУ им. Н.Э. Баумана, 2000.

25. Grimble, M.J., Robust industrial control: Optimal design approach for polinomial systems. Prentice Hall, pp. 433-456, 1994.

26. Howard K., Itzhak В., Kennith S. Direct adaptive control algorithms: Theory and applications. Springer-Verlag 1998.

27. Лэ Xu Фонг. Демпфирование колебаний груза, подвешенного под вертолетом, при управлении его продольным движением с помощью нейронной сети. // Авиакосмическое приборостроение. -М. 2003.- №10. -С. 54-60.