автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Выбор оптимальной стратегии полета транспортного вертолета с помощью методов искусственного интеллекта

Введение

Глава 1. I Анализ функционирования системы управления транспортным вертолетом и общая постановка задачи планирования маршрутного полета.

1.1.Общая концепция выбора стратегии маршрутной авиагеологической разведки в сложных погодных условиях.

1.2.Анализ динамики движения транспортного вертолета.

1.3.Общая постановка задачи.

1.3.1 .Сведения об объекте управления.

1.3.2.Сведения о возмущениях и ограничениях на движение вертолета в горной местности.^

1.3.3.Сведения о критериях качества полета и эффективности авиагеологической разведки.

1.3.4,Основные требования к решению задачи выбора стратегии полета. ^

1.4.Предлагаемый подход к решению поставленной задачи выбора стратегии полета.

1.5.Вывод по главе I. ^

Глава2. Формирование процедуры нейросетевого планирования маршрута полета транспортного вертолета с учетом погодных условий.

2.1. Принцип действия искусственных нейронных сетей и методы их обучения задаче планирования полета.

2.2.Выбор оптимального маршрута полета с помощью метода ветвей и границ.

2.3.Результаты обучения нейронной сети задаче маршрутизации при использовании вместо матриц расстояний географических координат объектов геологической разведки с учетом действия ветровых возмущений.

2.4 Выводы по главе 2.

Глава 3. Определение критериальной базы и условий вынужденной посадки транспортного вертолета при ухудшении погодных условий.

3.1 Формирование минимизируемого интегрального функционала и прямых ограничений, определяющих критериальную базу задачи выбора стратегии полета.

3.2.Коррекция критериальной базы в оценке экономичности и безопасности полета при действии ветровых возмущений.

3.3.Приближенная оценка эффективности полета, исходя из условий рентабельности авиагеологической разведки.

3.4.Определение условий вынужденной посадки с учетом ветровых возмущений с помощью метода динамического программирования.

3.5.Оценка возможности реализации стратегического уровня на основе нейронной сети.

3.6. Выводы по главе 3.

Глава 4. Экспериментальная часть

4. ¡.Экспериментальное моделирование на ПЭВМ полномасштабного планирования разведки большого числа геологическоких объектов.

4.2. Оценка эффективности полученных результатов для проведения авиагеологической разведки.

4.3. Результаты предложенного подхода для их использования в практике работы ГОСНИИГА.

4.4. Выводы.

Задача выбора рационального поведения при возникновении чрезвычайных ситуаций, в частности, при проведении авиагеологической разведки полезных ископаемых в горной местности в плохих погодных условиях, является актуальной проблемой управления полетом. Требования по устойчивости и безопасности полета вступают в противоречие с желанием обеспечить экономичность и рентабельность разведки. В этом случае целесообразным является подход, когда минимизируются оцениваемые определенным образом затраты при обеспечении заданного запаса устойчивости и требуемого уровня безопасности движения, исключающего превышение некоторого значения риска возникновения аварийного состояния.

Технические особенности задачи принятия ответственных решений в полете при авиагеологической разведке можно сформулировать следующим образом. Пусть транспортный вертолет с подвешенным на тросе блоком геологического разведывательного оборудования должен выполнить облет заданного числа геологических объектов, как это показано на рис.1 , и осуществить при зондировании получение необходимой информации.

Рис. 1 Иллюстрация маловысотного маршрутного полета при авиагеологической разведке

Полет происходит в горах, например, при разведке полезных ископаемых Ирана. Показанный на рисунке маршрут соответствует полетному заданию, намеченному при благоприятных погодных условиях. План маршрута отвечает критерию экономичности и длительности проведения разведки. Отдельные участки движения является труднодоступными, и к ним нужно относиться в полете с особой осторожностью, летя на определенной для разведки высоте. При этом есть угроза опасного приближения к складкам местности, рельеф которой мешает прямолинейному движению.

Однако при ухудшении погодных условий возникает встречный и, что особенно опасно, поперечный ветер, который раскачивает тросовую систему и приводит к сносу вертолета от намеченного курса. Это приводит к дополнительным потерям энергии на усилия сохранения движения в нужном коридоре безопасности и непрерывно требует ответа на вопрос: возможно ли вообще выполнение намеченного плана полета или стоит от него отказаться во имя безопасности движения.

Таким образом, в чрезвычайных ситуациях при наличии сильных ветровых возмущений затрагивается стратегическая задача перепланирования полета, переучета расходуемых ресурсов топлива и времени движения и коррекции важности различных факторов. Уже сам механизм перепланирования представляет собой сложную, трудно формализуемую процедуру численного, в первую очередь, расчета. Поэтому в данной работе возникла необходимость отказаться от традиционного подхода аналитического решения и обосновать применимость методов искусственного интеллекта, позволяющего принимать решения в реальном масштабе времени. [1,10] Но прежде чем говорить о методике перепланирования, необходимо убедиться в его целесообразности.

Очевидные примеры поведения экипажа свидетельствуют о том, что при появлении сильного ветра целесообразно изменить тактику облета препятствий в виде рельефа местности, облетая их с подветренной стороны. Далее, чувствуя, что летательному аппарату не удается справиться со сносом в опасную сторону, человек выбирает участки с малым поперечным ветром и тем самым меняет план полета. В крайнем случае, если и этот маневр не помогает, то экипаж ищет ближайшее место вынужденной посадки. Значит, налицо интуитивная (не основанная на количественных расчетах), но оперативная и полностью оправданная реакция на изменение полетной ситуации. Покажем на примерах, что и количественные расчеты демонстрируют перспективность процесса оптимального перепланирования стратегии полета при ухудшении погодных условий.

Рассмотрим возможную ситуацию в полете, когда внезапно изменились сила и направление ветра и возникает вопрос, стоит ли следовать намеченному плану облета пунктов назначения или изменить его. Это особенно важно, если условия полета ухудшились, что грозит безопасности движения и требует искать не только более экономичный и быстрый путь движения, но и исключать наиболее опасные участки выхода летательного аппарата из заданного коридора.

Для предварительной оценки выгоды от возможного перепланирования на очередном этапе полета рассмотрим три простых примера, которые могут иллюстрировать фрагменты более сложного маршрута. В качестве первого примера исследуем вариант кольцевого маршрута облета трех пунктов, когда направление появившегося ветра с силой совпадает с направлением одного из элементов пути, как это показано на рис.2

Рис.2.Случай кольцевого маршрута полета при малой поперечной оставляющий ветра. Для простоты расчетов будет считать отрезки 812 и 8 о равными величине 8, а угол 01 вместе с величиной пути 8 определит геометрические условия ж задачи. Оценим при этих условиях лишь один показатель качества планирования: длительность полета 1;, поскольку поперечная составляющая ветра \¥СО80, определяющая безопасность движения в заданном коридоре, мала,а экономичность при постоянной продольной скорости вертолета V в первом приближении зависит от длительности I. Рассмотрим три случая полета по наилучшему варианту маршрута: с длительностью ^ при \¥=0, с длительностью ^ при появившемся ветре по маршруту 1-2-3-1, и полет с длительностью Х2 при появившемся ветре по маршрту 1-3-2-1 . Тогда, исходя из простой геометрической картины рис. 1.,получим оценки о =

2я 2£со8<9, V V

25

2,УС08#

К-Жсоб*?, У + Ж

1 ;

2$

25X08(9,

У + ЖсоБв, Г-Ж

2$ Ж

Введя следующие обозначения :— = с; — = а ; соБб?, = Ъ , получим

1 Ъ

0=с(1 + Ь) ; -г + :-) 1 Ъ ч

Ч = 7 +:-)

1)

Л-аЪ 1 + а 1 + аЬ 1 -а

С окольным участком, как показали численные оценки, величина ^ превышает величину ,(выгоднее двигаться по маршруту 3-2 против ветра), и поэтому выгоду от перепланирования можно оценить через Л1=12-11 , а относительный положительный эффект через Э - ———,поскольку величина 12 минимальна. Тогда оценки эффективности имеют вид

Д/ =

2саъЪ{\-Ъ2) с(1-а + Ь + аЬ2)

-а2)(\-а2Ь2) 2~ (1-а)(\ + аЬ) э= 2агЪ{\-Ъ2)

1 + ¿0(1 - аЬ)( 1 - а + Ь + аЬг)

Можно убедиться что, выигрыш от перепланирования непрерывно Ж увеличивается с ростом а = — ,т.е. с ростом силы ветра, и достигает некоторого максимума при b = cos 9Х = .Поэтому оценку максимальной л/3 эффективности перепланирования можно произвести по формуле;

4а3

Э =

1 + я)(л/3-а)[3 + л/3-2а]

В частности, при Ъ = -^=;а = — величина Э составлет примерно (5-6)% , л/3 2 что можно сформулировать так: при ухудшении погодных условий, когда сила ветра достигает 50% от скорости V, эффект перепланирования в рассмотренном примере может достигнут 5-8 %.3аметим при этом, что общая длительность полета характеризуется отношением — , которая увеличилась на Ч

25% при появлении ветра, поэтому можно считать, что непредвиденные расходы удается сократить почти вдвое.

Рассмотрим теперь второй пример, когда направление ветра перпендикулярно одному из участков кольцевого маршрута, как это показано на рис.3. Поэтому участок 1-3 можно считать наиболее опасным, а перепланирование может повлиять в данной конфигурации лишь на длительность перелета остальных двух участков

2 гэсс^ з

Рис.3.Случай кольцевого маршрута полета при максимальной поперечной составляющей ветра В этом случае времена и и Х2 движения по маршрутам 1-2-3-1 и 1-3-2-1 равны

5 2 БСОБв, ^ = — +-— +

V V + ЖЯЛГ0, Г - ЖС08(90 - 26»,) 5 +-— +

V V- Г + ЖСОБ (90 - 26»,)

2£ Ж введя обозначения — = с; — = а ; СОЗвх = Ь , получаем с[0.5 + 12 = с[0.5 + Ь

0.5

1 + а^1-Ь2 \-2аЪл1\-Ь2 Ъ 0.5

-ал!\-Ь2 1 + 2аЪ4\ - Ь2 В результате определяемые значения Д1 и величина , меньшая из двух значений таковы

1 1

М = 2аЪсл1\-Ъ2[

-]

4 =

-а2(\ - Ь2) 1 - 4а2Ь2(1 - Ь2)'

0.5с(1 - ал/1 - Ъ2 )(1 + 2аЪ4\ -Ъ2) + Ъс(\ + 2аЬ4\ -Ъ2) + 0.5с(1 - а41 - Ъ2)

1 - ал1\-Ь2)(\ + 2аЬл/1-Ь2)

1 0.5с(1 + а41 - Ъ2 )(1 - 2аЪ4\ -Ъ2) + Ъс(\ - 2аЬл1\ -Ъ2) + 0.5с(1 + ал1\ - Ъ2)

1 + а^\-Ъ2)(\ - 2аЬл1\ -Ь2)

Численные расчеты показали, что максимальная выгода А1 Ж перепланирования достигается при увеличении а = — ,но величина Э мала и при а<0.5 не превосходит 1-2 % . Значит, выигрыша по длительности полета от появления нового маршрута при данной простой конфигурации нет, но зато в любом случае в план маршрута попадает опасный участок 1-3 с максимальной поперечной составляющей "\У возникающего ветра.

Поэтому необходимо предусмотреть меры к исключению такого рода факторов в составляемый вновь план маршрута, учитывая, что безопасность полета имеет максимальную важность.

В заключение рассмотрим третий пример планирования разомкнутого маршрута, как это показано на рис.4, при учете большего, чем в первых двух примерах, числа пунктов назначения

J d k / Г./0. \ 03 . .\.с.. i d k / S / 1 е/ y i r \ W \ \e, d ^^s

Рис.4.Случай разомкнутого маршрута полета при возникновении поперечного ветра между начальным и конечным пунктами назначения В исследуемом варианте маршрут симметричен относительно оси, проходящей через пункт 3, и вдоль этой оси направлено ветровое возмущение. Параметрами этого маршрута являются длина 8 каждого из участков, высота с1 и определяемые углы 01,62,63 для оценки влияния силы ветра на том или ином участке полета, определяемые по формулам cosa=— SI№=~=b

COS03 = d

35

В свою очередь при обозначениях = а; ^ = с рассмотрим два варианта движения: маршрут 1-2-3-4-5 либо маршрут 1-2-4-3-5, каждый из которых, кстати, может дать лучший результат и при отсутствии ветра в зависимости от Б и 11 . Можно показать, что значения 1^2,835 определяются из формул

S35 = Jd2 + (VS2 - 4d2 + л/xS2 - d2 У = S-Jb + (л/l - 4b2 + vi - b2 )2

1 = v - wcose, + v + wcose, v - wsme2 9 c( 1 1 1

1-2 ab 1 + 2 ab 1 - аЫ 1 - b

2 = • БШв, V

35

V + УУСО$вг У-ЖСОБв, 1 2\\-Ь + ^¡(1 - Ь )(\ - ЛЬ )] с(2л]1-4Ь +

1 + 2аЪ д/2-^1 -Ь2 + ->/(1 - б2 (1 - 4&2) -аЬ

Нетрудно убедиться, что условие ^^ при а=\¥=0 выполняется лишь в определенных случаях, в частности, если по крайней мере Ь < 0.45

At = tl -г2 = 2л1\-4Ь7 +т]Ь2 +(л/\-4Ь2 +У1\-Ь2)2 -2>0

Неравенству соответствует физически понятное условие, когда при Ь—> 0 маршрут 1-2-3-4-5 стремится к прямой линии, и тогда выгоднее вариант 1 , а при увеличении величины Ь лучше вариант 2, поскольку вариант 1 маршрута сильно изрезан.

Приведем результаты расчета. Пусть соблюдается условие оптимальности варианта 1 при Ь=0.45 . Тогда величину Л^^г можно

2 2 вычислить по формуле А? =

1-0.9 а

-0.9л/2а

А/ Ж

При а=0.4 величина Э = — составляет 19 % ,а при а = — = 0.5 величина и V

Э достигает 30 % ,т.е. имеет место существенный выигрыш.

На основании проведенных предварительных расчетов можно сделать следующее выводы:

• расчеты длительности полета при простых конфигурациях расположения малого числа пунктов назначения показали, что выигрыш от планирования как кольцевых, так и разомкнутых маршрутов полета прежде Ж всего зависит от силы ветра. При отношении — < 0.5 этом выигрыш может составить 10%-30%

• В зависимости от направления ветра в маршруте полета могут быть удачные ситуации его совпадения с продольным движением по одному из участков, при которых возникает наибольшая выгода от учета ветра.

• Из маршрута целесообразно исключить участки, для которых направление ветра поперечно, чтобы тем самым избежать аварийного вылета вертолета из требуемого коридора безопасности горизонтального движения.

При увеличении рассматриваемого числа пунктов назначения и усложнении их конфигурации растет трудоемкость аналитических расчетов основных показателей планируемого полета, таких как длительность, экономичность и безопасность. Поэтому вместо аналитического решения задачи выбора оптимального маршрута целесообразно использовать другие подходы, в частности, с помощью элементов искусственного интеллекта. К числу таких элементов относится искусственная нейронная сеть, которая должен быть обучена с условием, что в полете будет обеспечен минимальный риск, если регулировать относительную важность показателей качества полета и многократно перепланировать маршрут и программную траекторию при изменении погодных условий.

При маловысотном полете в горной местности не менее важной является задача выбора программной траектории облета препятствий рельефа местности при перелете из одного пункта в другой, что также является чрезвычайно трудоемкой в вычислительном отношении процедурой.

Таким образом, общая идея подхода к решению перепланирования полета с помощью искусственной нейронной сети состоит в последовательном решении следующих задач:

1. При резком изменении погодных условий необходимо корректировать важность показателей качества движения, прежде всего безопасности полета, чтобы избежать включения в план маршрута участков с большим поперечным ветром;

2. В зависимости от силы и направления ветра необходимо периодически перепланировать маршрут полета, а при возникновении аварийной ситуации изменить конечный пункт посадки;

3. При облете препятствий во время маловысотного полета необходимо по свертке частных критериев выбрать альтернативу программного движения между заданными пунктами авиаразведки. Выбранная программная траектория должна определять коридор безопасного полета,а движение внутри коридора нужно осуществить с учетом неровностей рельефа местности при облете препятсвий с подветренной стороны .

Темой настоящей диссертационной работы является две первых задачи, посвященные проблеме выбора критериев, маршрута полета транспортного вертолета и условий вынужденной посадки с учетом ветровых возмущений при авиагеологической разведке.

Проблема оптимального планирования широко известна, ей посвящено множество работ и их можно разбить на ряд отдельных направлений. К первой группе относится аналитические и численные методы параметрической оптимизации [23,28], решающие задачу однократного выбора параметров на одном шаге принятия решений. К ней относится и известный метод Лагранжа [29,30], решающий задачу на условный экстремум, учитывающую дополнительные ограничения. Однако эти подходы не используют знания о динамике поведения на множестве шагов принятия решений, как это должно осуществляться при выборе маршрута полета через множество пунктов назначения. Ко второй группе относятся методы многошаговых оптимизационных задач, основанных на дискретных моделях [21]. В частности, известны методы целочисленного программирования [28], осуществляющие процесс направленного перебора вариантов, и наиболее эффективным из них является метод ветвей и границ. Достоинством этого метода является относительная простота получения первой версии маршрута, найденной на основе приближенной оценки его длины снизу. К числу недостатков относятся два важных обстоятельства: это неучет динамических свойств управляемого объекта и, что особенно важно, высокая трудоемкость вычислений.

К третьей группе относятся методы оптимального управления [21,22,31], основанные на сведениях о динамике управляемого объекта. Среди них особое место занимает динамическое программирование [21], преимуществом которого является получение в виде многошаговой процедуры принятия решений закона управления. Это позволяет синтезировать структуру регулятора в виде функции координат текущего состояния системы, что удобно для реализации на борту летательного аппарата.

Дискретная форма динамического программирования определяет весьма рациональный способ численного решения задач многошаговой оптимизации, а представление функции Беллмана в непрерывной форме позволяет применить математической аппарат дифференциальных уравнений, описывающих движение летательного аппарата [22].

Полученные в данной диссертации результаты предполетного планирования и получения знаний по выбору стратегии полета показали, что использование известных в литературе методов целочисленного и динамического программирования достаточно для решения поставленной задачи, но за одним решающим исключением. Их трудоемкость не позволяет реализовать полученные процедуры в реальном масштабе времени, и требует также на борту дорогостоящих вычислительных средств. В то же время эти процедуры можно с успехом применить для обучения элементов искусственного интеллекта.

В связи с этим весьма актуальным является выбор соответствующей технологии искусственного интеллекта. С этой целью произведем краткий литературный обзор различных методов интеллектуального управления.

К сфере искусственного интеллекта относятся те задачи, в которых не существует точных методов решения, либо аналитический путь решения из-за высокой вычислительной трудоемкости неосуществим в реальном масштабе времени. При этом исходная информация в виде множества факторов и правил представляется не в числовой, а в символьной форме, а принятие решений предполагает выбор между множеством альтернатив.

В связи с этим в задачах искусственного интеллекта используется ряд новых понятий, учитывающих человеческий опыт поведения в сложных ситуациях на основе накопленных знаний. [1,2,6,9] К ним относятся такие элементы, как экспертные системы, устройства нечеткой логики и нейронные сети.

Экспертная система-это основанная на знаниях экспертов-специалистов система принятия решений в данной предметной области, с использованием фактов о конкретной ситуации и механизма вывода для получения необходимого ответа, его объяснения и общения с пользоватеям [4,56,14,24,25].

Однако неудобство экспертных систем для управления полетом состоит в том, что для использования логических правил необходимо предварительно преобразовать количественные значения параметров (такие, как высота и скорость полета, географические координаты геологических объектов, уровень риска безопасности и расходования ресурсов и т.д.) в качественные оценки, да и сами правила поведения до конца неясны в такой сложной задаче, как маршрутизация.

Устройства нечеткой логики как элемент искусственного интеллекта используются в условиях значительной неопределенности на базе так называемых лингвинистических переменных [9,19,20]. В рамках решаемой задачи планирования полета исходная неопределенность мала и определяется в основном случайностью ветровых возмущений. Гораздо более существенна неопределенность получаемого альтернативного ответа на вопросы: куда лететь и что в первую очередь учитывать при оценке качества движения, но эта энтропия есть лишь следствие невыполненного расчета доходов и потерь. Поэтому если вычисления провести заранее и составить как бы меню готовых ответов для различных ситуаций, но в целом процесс выбора можно считать детерминированным. Этой идее альтернативного поведения наиболее отвечают искусственные нейронные сети. [7,15,16,17,18]Популярность нейросетевых структур обусловлена высоким быстродействием и универсальностью.

Различная структура связей между нейронами определяет архитектуру искусственной нейронной сети.

В наиболее распространенном семействе сетей первого класса, называемых многослойными персептронами, нейроны расположены слоями и имеют однонаправленные связи, образующие, в частности, сети прямого распространения [17]. Однако эти сети является статическими в силу отсутствия в них обратных связей. Другой класс самоорганизующихся нейронных сетей, например сети Кохонена [18], обладает благоприятным свойством сохранения топологии и воспроизводят столько альтернативных ответов, сколько требует текущая ситуация. Создания новых альтернатив при самообучении является определенным достоинством ,но в решаемой задаче планирования число альтернатив, определяемое количеством геологических объектов или вариантами различной важности критериев качества полета, предопределено и не требует процесса кластеризации .

Наиболее популярной является полносвязная сеть Хопфилда [7,16] как динамически устойчивая структура, в которой ее элементы.-нейроны модифицируются на решение нужной задачи классификации в процессе обучения [8]. Обучение с помощью специально составленной группы примеров (задачника) правильного поведения может быть проведено до полета, что весьма удобно. Поэтому в качестве наиболее подходящего элемента искусственного элемента для определения стратегии полета в данной работе выбрана искусственная полносвязная нейронная сеть. При этом было учтена одна особенность: из-за большого количества настраиваемых весовых коэффициентов у полносвязной сети при значительном числе классифицируемых альтернатив сложность обучения растет. Важно также постоянство этого числа. Поэтому в данной работе использовалась мало размерная нейронная сеть и, как показали экспериментальные исследования, удается эффективно реализовать нейросетевую процедуру планирования.

Целью данной диссертационной работы является разработка нейросетевой процедуры планирования маршрута транспортного вертолета при авиагеологической разведке с учетом изменения относительной важности таких показателей, как безопасность, длительность и экономичность полета, при появлении ветровых возмущений, что в целом определяет стратегию поведения в сложных погодных условиях. Предметом исследования является оценка возможности применения для этой цели искусственной нейронной сети,позволяющей решить автоматическим путем сложную задачу планирования без аналитических и численных методов ее решения на борту летательного аппарата.

На защиту данной диссертационной работы выносятся следующие основные положения:

1. Разработана нейросетевая процедура маршрутизации полета с учетом географических координат пунктов назначения, точки конечной посадки и текущего положения летательного аппарата, а также ветровых возмущений.

2. Предложена коррекция критериальной базы оценки качества маловысотного полета в зависимости от влияния ветра, уточняющая относительную важность безопасности, длительности и экономичности движения вертолета в горной местности.

3. Сформулировано правило прекращения полета и вынужденной посадки при ухудшении погодных условий,с учетом рентабельности авиагеологической разведки.

4. Получены результаты моделирования на ЭВМ разработанных многослойных нейронных сетей управления стратегией маршрутного полета, подтверждающие эффективность оперативного планирования на борту транспортного вертолета в зависимости от погодных условий.

Научная новизна полученных результатов заключается в следующем:

1. Задача маршрутизации впервые реализована на искусственной нейронной сети вместо трудоемкого целочисленного метода ветвей и границ, что позволяет автоматически выбирать в текущей момент времении очередной пункт назначения.

2. Вместо матриц расстояний, определяющих функцию штрафов по критерию минимального риска, в разработанной нейросетевой процедуре исходными данными являются географические координаты ЛА, объектов геологической разведки и конечного пункта посадки, что исключает проведение трудоемких предварительных расчетов.

3. Нейронная сеть позволяет провести ее обучение процессу перепланирования маршрута с учетом меняющейся силы и направления ветра.

4. На основе метода динамического программирования найдены пороговые значения поперечного ветра, требующие соответственно внесения поправок:

• в планирование программной траектории облета препятствий с учетом ограниченного поперечного ускорения горизонтального движения при отклонении вертолета по крену;

• в коррекцию коэффициентов важности, безопасности и экономичности полета внутри заданного коридора движения;

• в условие вынужденной посадки при превышении риска возникновения аварии над выгодой продолжения авиагеологической разведки.

5. Предложена трехслойная нейронная сеть, верхние слои которой в зависимости от силы и направления ветра,величины ограничения на поперечное ускорение вертолета при его отклонении по крену и величины коридора безопасности предопределяет альтернативу критериальной базы и место посадки,а нижний слой осуществляет выбор очередного пункта геологической разведки с учетом данных верхнего уровня и конфигурации расположения всех пунктов на местности.

Достоверность полученных результатов подтверждается, во-первых, использованным при обучении нейронной сети научно обоснованных методов теории оптимизации и управления: целочисленного метода ветвей и границ и динамического программирования. Во-вторых, проводилось сравнение результатов нейросетевого планирования с теоретически строгими оптимальными решениями, что подтвердило эффективность предложенного подхода. Кроме того, проведенное цифровое моделирование на ЭВМ показало соответствие полученных результатов физическому смыслу характера поведения экипажа в полете при ухудшении погодных условий.

Практическая значимость предложенного подхода состоит в том, что нейросетевая процедура обеспечивает высокое быстродействие перепланирования маршрута полета при изменении погодных условий, повышая при этом длительность авиагеологической разведки на 10-20 % при неблагоприятных ветровых возмущениях, при сохранении требуемой безопасности полета. Важно также, что верхние слои нейронной сети способны предупредить экипаж об повышения риска и необходимости изменить стратегию поведения вплоть до решения о вынужденной посадке. Основные результаты были переданы в ГОСНИИГА согласно совместному договору проведения НИР с МАИ и имеют определенную практическую ценность.

Основные научные результаты опубликованы в 2 статьях (Межвузовский сборник научных трудов "Управление и проектирование на базе интеллектуальных технологий", МИРЭА 1999; Московский государственный горный университет, "Горный информационно-аналитический бюллетень" 1999 г.№5), в двух научно-технических отчетах МАИ и докладывались на 6 международных и российских научных конференциях (Московского государственного инженерно-физического института "Нейроинформатика-99" , Московского государственного технического университета гражданской авиации "Современные научно-технические проблемы гражданской авиации" , , Вологодского государственного технического университета "Перспективные технологии автоматизации", Московского государственного авиационного института совместно с Государственным научно-исследовательским институтом авиационных систем "Проблемы совершенствования робототехнических и интеллектуальных систем ЛА " ,Санкт-Петербург "Экстремальная роботехника-99", Алушта-99 "Современные технологии в задачах управления, и автоматики и обработки информации".

Работа содержат 4 главы, заключение и список используемой литературы. В первой главе проводится анализ функционирования системы управления транспортным вертолетом, исследуется динамика его движения и формулируется общая постановка задачи выбора стратегии авиагеологической разведки в сложных погодных условиях. Во второй главе изучается принцип действия искусственной нейронной сети, выбирается в качестве метода ее обучения целочисленное программирование и разрабатывается нейросетевая процедура планирования маршрута полета. Третья глава посвящена задаче коррекции коэффициентов относительной важности трех показателей качества движения: безопасности, длительности и экономичности полета, в зависимости от силы и направления ветровых возмущений. В четвертой главе приведены результаты цифрового моделирования на ЭВМ и дается оценка эффективности предложенного подхода при авиагеологической разведке.

В заключении по работе делается основной вывод о целесообразности нейросетвого планирования на борту летательного аппарата.

4.4. Выводы по главе 4

Полученные результаты экспериментальных исследований позволяют сделать следующие выводы:

1. Полномасштабное моделирование процесса облета 15 геологических объекта показало, что применение малоразмерной нейронной сети позволяет эффективно перестраивать маршрут движения с целью исключения опасных участков с большим поперечным ветром.

2. Соблюдение условия рентабельности полета при его перепланировании позвало повысить эффективность авиагеологической разведки на (10-15)% при ухудшении погодных условий, исключив при этом риск создания аварийной ситуации и обеспечив максимальную безопасность полета.

3. Предложенная трехслойная нейронная сеть стратегического планирования имеет малую размерность и однородную структуру, что обеспечивает возможность ее простой реализации на борту транспортного вертолета.

Заключение

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

1. Показана принципиальная возможность планирования оптимального маршрута полета на базе искусственной нейронной сети с учетом координат местоположения пунктов назначения и ветровых возмущений.

2. С помощью методов оптимального управления разработана процедура коррекции критериальной базы, уточняющая относительную важность безопасности, длительности и экономичесности движения транспортного вертолета в зависимости от влияния ветра.

3. Сформулировано правило прекращения полета и выбора места посадки при ухудшении погодных условий, исходя из условия рентабельности авиагеологической развелки.

4. На основе разработанных процедур принятия решений сформирована трехслойная структура малоразмерной нейронной сети стратегического планирования полета, удобная для реализации на борту летательного аппарата.

5. Экспериментальное моделирование на ЭВМ показало эффективность оперативного нейросетевого планирования в полете при ухудшении погодных условий, что подтверждается оценкой эффективности предложенного подхода за счет исключения опасных участков полета с сильным поперечным ветром.

1. Поспелов Д.А. Ситуационное управление. Теория и практика.- М.: Наука, 1986.

2. Лебедев Г.Н., Лохин В.М., Макаров И.М., Мадыгулов Р.У., Манько C.B. Развитие технологии экспертных систем для управления интеллектуальными роботами. Известия РАН, Техническая кибернетика, 1994, №6.

3. Захаров В.И. Интеллектуальные системы управления. Основные понятия и определения. Известия РАН, Теория и системы управления, М., 1997, №3.

4. Мартин Д. Организация баз данных в вычислительных системах.-М.: Мир, 1980.

5. Бойко В.В., Савинов В.М. Проектирование информационной ба-зы автоматизированной системы на основе СУБД. М.: Финансы и статистика, 1982.

6. Попов Э.В. Экспертные системы. М.: Наука, 1987.

7. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск; Наука, 1996.

8. Горбань А.Н. Обучение нейронных сетей. М.: СП Параграф, 1990.

9. Заде Л. А. Понятие лингвинистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976.

10. Искусственный интеллект. Применение в интегрированных производственных системах/Под ред. Кьюсиака.М: Машиностроение, 1991. 544 с.

11. Лебедев Г.Н. и др. Новый тип обратных связей в интеллектуальной системе управления полетом. Теория и системы управления. Известия РАН, 1998, No 4.

12. Лебедев Г.Н. Методы принятия оперативных решений в задачах управления и контроля. М.: Изд-во МАИ, 1992.

13. Лебедев Г.Н. Принятие оперативных редений в задаче управления и контроля. Известия РАН. - Автоматика и телемеханика, 1976, № 6 .

14. Левин Р., Дранг Д., Эделсон Б. Практическое введение в технологию искусственного интеллекта и экспертных систем с иллюстрациями на Бейсике. Пер. с англ. - М.: Финансы и статистика, 1991.-239 с.

15. Нейрокомпьютеры и интеллектуальные роботы/Под ред. Н.М.Амсова. Киев : Наукова думка, 1991. - 272 с.

16. Гордиенко Ё.К., Лукьяница A.A. Искусственные сети. Основные определения и модели. Известия РАН,Техническая кибернетика, 1994, № 5.

17. Розенблатт.Ф. Принципы нейродинамики. Персептроны и теория механизмов мозга. М.,МИР, 1965г.

18. Ежов .A.A., Шумский С.А. Нейрокомпьютинг и его приложение в экономике и бизнесе. М.,МИФИ,1998г

19. Васильев В.И., Ильясов 5.Г. Интеллектуальные системы управления с использованием нечеткой логики. Уфа: УГАТУ, 1995. -80 с.

20. Гусев Л.А., Смирнова И.М. Нечеткие множества. Теория и приложения. Известия РАН. - Автоматика и телемеханика, 1993, № 5.

21. Беллман Р. Динамическое программирозание. М.: ИИЛ, 1961.

22. Летов А.М. Динамика полета и управления М.,Наука,1969г

23. Моисеев.Н.Н, Иванилов.Ю.П., Столяров.Е.М. Методы оптимизации. М.: Наука, 1978.

24. Лохин В.М., Мадыгулов Р.У., Тюрин К.В. Формирование зна-ний для экспертного регулятора на основе сравнения методов синтеза САУ. Управление и моделирование в сложных технических систе-мах. МИРЭА, 1995.

25. Макаров И.М., Лохин В.М., Мадыгулов Р.У., Тюрин К.В. Применение экспертного регулятора для систем управления динамическими обьектаж. Известия РАН, Теория и системы управления,1151995, №1.

26. Макаров И.М., Лохин В.М., Еремин Д.М., Мадыгулов Р.У., Манько C.B., Романов М.П., Тюрин К.В. Новое поколение интеллектуальных регуляторов. Приборы и системы управления, 1997, № 3.

27. Володко А.М Основы летной эксплуатации вертолетов, динамика полета Москва, Транспорт 1986 г.

28. Новиков А.Н. и др. Сборник задач по теории оптимальных систем. Учебное пособие, МАИ, 1994 г.

29. Кузин JI.T. Основы кибернетики том 1,2,М.Энергия, 1973

30. Гельфанд И.М. , Фомин C.B. Вариационное исчисление, М., Физматгиз, 1961г.

31. Понтрягин JI.C. и др. Математическая теория оптимальных процессов. М., Наука, 1969г.

32. Отчет МАИ по НИР "Разработка теории и математических моделей перспективных вычислительных и управляющих систем летательных аппаратов на базе новых информационных технологий 1998 г.

33. Этап 1 : Разработка методов и алгоритмов принятия интеллектуальных решений при управлении в экстремальных ситуациях, разработка программно-инструментальных средств интегрированной толерантной ИВС ЛА.

34. Научно-технический отчет МАИ по договору № 301/3 с ГОСНИИГА , "Исследование возможностей оптимального управления маршрутным полетом транспортного вертолета с помощью элементов искусственного интеллекта" ,1999 г.

35. Описание программы KLEN 35. Толуи А." Применение нейронных сетей для маршрутизации полета в сложных погодных условиях ",Всероссийская научно-техническая конференция МИФИ","Нейроинформатика-99 " Сборник научных трудов 1999 г. часть 2 стр 251-260

36. Толуи А. "Формирование решения о вынужденной посадке вертолета, исходя из условия рентабельности авиагеологической разведки" Межвузовский сборник научных трудов "Управление и проектирование на базе интеллектуальных технологий",МИРЭА 1999,стр 41-45

37. Толуи А. "Планирование критериев полета и места посадки вертолета при авиагеологической разведке". Сборник трудов Конференции Вологодского государственного технического университета., 1999г.