автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Нейросетевая система снижения транспортного вертолета с грузом

Введение.,

Глава 1. Постановка задачи автоматического снижения транспортного вертолета при непрерывном наблюдении посадочных ориентиров.

1.1. Уравнения движения "свободного" вертолета.

1.2. Выбор метода решения задачи автоматического снижения на базе нейронных сетей.

1.2.1. Искусственный нейрон (базовый процессорный элемент - БПЭ) и НС.

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

1.2.3. Подходы к нейронному управлению,.

1.3. Выводы к главе 1.

Глава 2. Выбор программной траектории снижения, обеспечивающей непрерывное слежение за посадочным местом.,

2.1. Анализ условий непрерывного слежения и возможностей управления продольным движением вертолета.

2.1.1. Анализ условий непрерывного слежения.

2.1.2. Анализ возможностей управления продольным движением вертолета.

2.1.2.1. Уравнения продольного движения вертолета.

2.1.2.2. Синтез оптимального управления.

2.2. Предварительные расчеты участков пологого и вертикального снижения.;.,

2.3. Уточнение требований к основным параметрам телевизионной камеры.

2.4. Выводы к главе 2.,

Глава 3. Нейросетевой алгоритм вертикального снижения транспортного вертолета при управлении общим шагом винта.

3.1. Определение управляющего сигнала с помощью схемы наблюдения посадочных ориентиров.

3.2. Формирование управления общим шагом винта и оценка его работоспособности с помощью моделирования на ЭВМ.

3.3. Получение примеров обучения нейросетевого регулятора и определение параметров его структуры.

3.4. Выводы к главе 3.

Глава 4. Нейросетевой алгоритм пологого снижения при управлении автоматом перекоса.,

4.1. Определение управляющего сигнала при пологом снижении.

4.2. Формирование алгоритм пологого снижения при управлении автоматом перекоса и оценка его работоспособности с помощью моделирования на ЭВМ.

4.3. Синтез комбинированного управления автоматом перекоса и общим шагом винта при пологом снижении.

4.4. Примеры обучения нейронной сети, реализующей комбинированное управление, и определение основных параметров сети.

4.5. Выводы к главе 4.

Глава 5. Нейросетевое распознавание посадочных ориентиров.

5.1. Формирование примеров обучения при классификации посадочного места.

5.2. Обучение нейросетевого классификатора распознаванию посадочных ориентиров и его основные параметры.

5.3. Анализ возможности надежного наблюдения посадочных ориентиров с помощью двух телевизионных камер.

5.4. Выводы к главе 5.

Глава 6. Экспериментальное моделиролвание на ЭВМ нейросетевого контроллера.

6.1. Вертикальное снижение вертолета с помощью

НС прямого распространения.

• 6.1.1. Создание примеров для обучения.

6.1.2. Результат обучения и архитектура НС.

6.2. Пологое снижение вертолета с помощью v НС прямрго распространения.

6.3. Обнаружение посадочного места с помощью з НС прямого распространения.

6.4. Распознавание посадочных ориентиров с помощью

НС прямого распространения.

6.5. Комплексное моделирование процесса вертикального снижения вертолета на ЭВМ.

6.6. Выводы к главе 6.

В настоящее время объем десантных и посадочных работ вертолета непрерывно увеличивается (см. рис.1). Кроме этого, осуществление наблюдения с воздуха наземных объектов является одной из наиболее эффективных форм использования в народном хозяйстве малоразмерной авиации. Снижение вертолета на палубу судна - один их самых сложных и зрелищных видов авиационных работ, где можно увидеть, как гигантский кран за считанные минуты десантирует груз или "живых людей" на палубу судна в сложных погодных условиях.

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. 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. Можно заметно разгрузить летчика и освободить его от функций автостабилизатора углового положения вертолета с помощью дифференциального включения автопилота в основную проводку управления. Однако, в целом, как показывает практика, управление снижением вертолета остается сложным процессом. Существующие бортовые системы автоматического управления снижением вертолета на палубу судна 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 решать задачи снижения вертолета, обнаружения и распознавания посадочного места с помощью установленных на борту телевизионных камер и десантирования груза на палубу судна, является весьма актуальной задачей.

Целью диссертационной работы является разработка нейросетевых алгоритмов обнаружения и распознавания посадочного места, а также управления общим шагом винта и автоматом перекоса при снижении вертолета в точку зависания над посадочным местом.

К основным положением, выносимым на защиту, относятся:

1. Схема расположения посадочных ориентиров на палубе судна, обеспечивающая надежный контроль посадочного места при наличии помех.

2. Нейросетевые процедуры автоматического обнаружения и распознавания посадочных ориентиров.

3. Схема расположения двух телевизионных камер, закрепленных к корпусу вертолета и наблюдающих посадочное место с противоположных сторон.

4. Нейросетевые алгоритмы управления общим шагом винта и автоматом перекоса для пологого и вертикального снижения вертолета.

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. Показано, что при выбранной конфигурации посадочных ориентиров в виде креста нейросетевой алгоритм надежно распознает посадочное место как при маскирующем действии помех, мешающем видимости одного из ориентиров, так и при появлении новых контрастных атмосферных точек в телевизионном кадре. Это достигается путем подачи на вход специально обученной нейронной сети дополнительного кода, определяющего общее число контрастных точек и позволяющего отселектировать влияние помех на анализ оставшихся надежных ориентиров.

2. Найдена программная траектория посадки, состоящая из участков пологого и вертикального снижения, исходя из условия невыхода из поля зрения телевизионной камеры посадочного места.

3. Показано, что для устранения отклонений от программы посадки при вертикальном снижении достаточно управлять общим шагом винта, а при пологом снижении необходимо комбинированное управление общим шагом винта и автоматом перекоса.

4. Получены структуры обучаемых нейронных сетей прямого распространения, реализующих оба режима снижения вертолета.

5. Доказана возможность построения унифицированного контроллера, реализующего в конвеерном режиме решение задач обнаружения, распознавания, вертикального и пологого снижения, что позволяет в самом полете лишь переключить наборы весовых коэффициенты нейронов и входы и выходы сети в зависимости от решаемой задачи. Практическая ценность работы определяется тем, что предложенные схемы расположения посадочных ориентиров и закрепления к корпусу вертолета двух телевизионных камер обеспечивают повышенную надежность слежения за посадочным местом с учетом влияния атмосферных помех в плохую погоду и маскирующего действия раскачивающегося на тросе груза. Кроме того, применение унифицированного нейроконтроллера на борту вертолета снижает массогабаритные характеристики и стоимость управляющего устройства в целом.

Достоверность результатов работы обусловлена применением научно обоснованных методов теории оптимального управления, динамического программирования, искусственного интеллекта. Оценка эффективности предложенных алгоритмов подтверждена экспериментальными результатами цифрового моделирования на ЭВМ.

Апробация работы. Результаты диссертации докладывались на 5 международных и общероссийских научно-технических конференциях: "Современные технологии в задачах управления, автоматики и обработки информации" (XIII международный научно-технический семинар, Алушта 2004г.; XIV международный научно-технический семинар Алушта 2005г), Восьмая научная сессия "Аэрокосмические приборы и системы" (ГУАП 2005, Санкт-Петербург), IV-я Международная конференция "Авиация и космонавтика"( МАИ 2005, Москва), Научный симпозиум "Неделя горняка" (МГГУ 2006, Москва). Основные результаты диссертационной работы опубликованы в научно-техническом отчете по НИР, а также в статье в журнале "Авиакосмическое приборостроение", 2006, №2. Всего по результатам работе имеется 9 публикаций.

Структура и объем работы. Диссертация состоит из введения, шести глав, заключения, списка литературы и приложения. Объем диссертации 113 страниц текста, включает 55 рисунков, 5 таблиц. В работе обоснована возможность нейросетевого подхода к задачам обнаружения и распознавания посадочных ориентиров и последующего слежения за ними при управлении снижением вертолета к посадочному месту.

6.6 ВЫВОДЫ К ГЛАВЕ 6

Определена общая архитектура унифицированного нейроконтроллера и его параметры для конкретных задач.

Результаты моделирования работы унифицированного нейроконтроллера доказывают его возможность успешного применения при решении разных транспортных задач.

105

ЗАКЛЮЧЕНИЕ

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

1. Показана возможность применения нейросетевого подхода для решения задачи обнаружения и распознавания посадочного места на палубу судна при снижении транспортного вертолета с целью десантирования подвешенного на тросе груза.

2. На основе построенных уравнений продольного движения вертолета найдены алгоритмы вертикального и пологого снижения транспортного вертолета при управлении общим шагом винта и автоматом перекоса и получены примеры обучения НС прямого распространения для их выполнения.

3. С целью уменьшения влияния помех предложено наблюдение посадочного места с помощью двух телевизионных камер. Это обеспечивает надежность работы нейронной сети, имеющей на входе информацию с двух камер одновременно и управляющей процессом десантирования груза.

4. 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 и снижает массогабаритные характеристики и стоимость управляющего устройства в целом.

5. Полученные результаты использованы на кафедре №301 МАИ при разработке новой лабораторной работы по курсу "Экспертные системы и нейронные сети" по учебной специальности 210100, что подтверждается актом внедрении в учебный процесс МАИ.

106

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 КС. Динамика вертолета. М., Издательство МАИ, 1975.

5. Терехов В.А., Ефимов Д.Б. Нейросетевые системы управления.

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

7. М.Т. Hagan, Н.В. Demuth, М.Н. Beale. Neural Network Design. PWS Publishing Company, Boston, MA 1996.

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

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

10. 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.

11. ХЪ.Боднер.В.А. Системы управления летательными аппаратами. "Машиностроение". Москва, 1973.

12. Лебедев Г.Н., Выонг Ань Чунг. Нейросетевое управление автоматическим снижением транспортного вертолета при непрерывном наблюдении посадочных ориентиров. Авиакосмическое приборостроение. -М. 2006,-№2. -С. 36-41.

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

14. Красовский А.А, Поспелов Г. С. Основы автоматики и технической кибернетики. ГЭИ, 1962.

15. Ю. П. Доброленский, В.И. Иванова, Г. С. Поспелов. Автоматика управляемых снарядов.-М, Оборонгиз, 1963г.

16. Ле Хи Фонг. Нейросетевая система десантирования грузов транспортного вертолета. Отчет о научно-исследовательской работе. МАИ, 2003.

17. Поспелов Д. А. Искусственный интеллект. Книга 2 "модели и методы". Москва "радио и связь", 1990.

18. Лебедев Г.Н., Гришанин Ю.С., Липатов А.В., Степаньянц Г.А. Теория оптимальных систем. Изд. МАИ, 1999.

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

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

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

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

23. А.А. Колесников. Последовательная оптимизация нелинейных агрегированных систем управления. М., Изд. Энергоатомиздат, 1987.

24. Г.Н. Лебедев, Выонг Ань Чунг. Управлением десантированием грузов с вертолета на судно с помощью нейронных сетей.//Докл. Научного симпозиума "Неделя горняка" МГГУ-2006, Москва.

25. Лебедев Г.Н., Лэ Хи Фонг. Планирование маршрута разновысотного полета с помощью искусственной нейронной сети. // Докл. IV всероссийская научно-техническая конференция "Нейроинформатика", МИ-ФИ-2002, Москва. С. 179-182.

26. 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.

27. 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.

28. Выонг Ань Чунг. Нейросетевое управление автоматической посадкой транспортного вертолета на судно при наблюдении специальных ориентиров. // Докл. VIII Научная сессия "Аэрокосмические приборы и системы", ГУАП-2005, Санкт-Петербург.