Автоматизация системы автономного управления беспилотным летательным аппаратом Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

Прокопьев И.В. АВТОМАТИЗАЦИЯ СИСТЕМЫ АВТОНОМНОГО УПРАВЛЕНИЯ БЕСПИЛОТНЫМ ЛЕТАТЕЛЬНЫМ АППАРАТОМ

В статье рассматриваются особенности системы автоматического управления беспилотным летательным аппаратом для решения возложенных на него задач. Рассматривается аналитическая модель нечёткого нейросетевого управления.

Эффективное функционирование беспилотного летательного аппарата (БПЛА) например, в составе аэромобильного комплекса, предполагает безопасное управление БПЛА, при отсутствии оператора.

БПЛА сам по себе сложный объект управления, которому добавляются возложенные на него задачи в составе АМК.

Такими задачами могут быть:

1. Мониторинг оперативной обстановки (визуализированный, дозиметрический, радио и т. д.), и одновременное доведение информации до наземного пункта управления (лица принимающего решение).

2. Инспектирование, слежение за объектом с распознаванием образов, ситуаций и передачи оперативной информации наземному пункту управления.

3. Ретрансляция служебной информации по каналу связи.

Решить эти и другие задачи можно с помощью двухуровневой организации управления, при которой второй уровень управления адаптирует первый уровень к конкретным условиям. Эту адаптацию можно представить как некоторую перестройку параметров или переход к новой структуре системы управления первого уровня.

Существует несколько современных информационных технологий, позволяющих создавать данные системы управления (СУ): экспертные системы, искусственные нейронные сети, нечеткая логика, генетические алгоритмы и ряд других информационных технологий.

В инженерном контексте интеллектуальное управление БПЛА должно обладать следующими свойствами: во первых- надёжностью (устойчивостью к внешним возмущениям); во вторых - способностью к обучению

и адаптации; в третьих - способностью к включению новых компонентов; в четвертых - автономностью

(при этом учитывается возможность потери связи с оператором), обеспечивается надёжностью (СУ) .

Системой управления БПЛА обладающей свойствами необходимыми для применения её в системах управления более сложного порядка, могут быть интеллектуальные системы управления, построенные на нечётких нейроконроллерах.

На рис. 1 приведена функциональная схема системы управления БПЛА на основе нейронечёткого управления.

Рис.1. Функциональная схема двухуровневой системы управления беспилотным летающим аппаратом.

П - приводы; МС - механическая система

Система управления второго уровня в соответствии с заданной программой и на основании поступающей информации от навигационной системы, сенсорных датчиков, измерительных приборов, формирует управляющий вектор х для первого уровня управления (автопилота).

Автопилот (АП) решает задачу управления механическими системами БПЛА. Обеспечивает перемещение БПЛА из одной точки пространства в другую по координатам, выдаваемым вторым уровнем управления. АП по сути автоматический регулятор, выполненный по схеме нечёткого нейроэмулятора и нейроконтроллера с обратной связью (рис.2).

В схеме используется контроллер обратной связи выполненный на нечёткой сети НС обучающийся через индификатор НС2. Обучение через индификатор необходимо, чтобы не мешать нормальному функционированию объекта пробными воздействиями, использующимися для обучения. Кроме того такая схема позволяет реализовать предикатное управление и повышает безопасность БПЛА.

Данная схема управления (рис.2), повышает вероятность выполнения задачи. Схема напоминает структурное дублирование, однако мы здесь имеем дело с временным резервированием. Помимо быстродействия системы, в

счет чего создается резерв времени, этот резерв времени может быть использован для контроля, поиска неисправностей и восстановления работоспособности и других операций, рассчёт новых траекторий, направленных на обеспечение безопасного функционирования системы при воздействии дестабилизирующих факторов.

Безопасность, как правило, не является целью операции, в которой используется БПЛА. Однако свойство безопасного функционирования БПЛА создает необходимые условия для достижения цели операции. Во многих случаях получение полезного эффекта операции может обеспечиваться только при выполнении требований к показателям ее безопасности.

Отсюда следует, что требования к значениям показателей безопасности БПЛА вытекают из требований к показателю эффективности операции, в которой она используется.

Среди состояний сложной технической системы обычно выделяется подмножество опасных состояний, переход в которые считается недопустимым. Для БПЛА, например, к их числу могут относиться: нарушение газодинамической устойчивости работы силовой установки БПЛА, получение БПЛА в результате внешних воздействий повреждений определенного типа и размера и т.д.

В задачах безопасного использования БПЛА можно рассматривать интенсивность воздействия как некоторую характеристику возмущений внешней среды, например, полет БПЛА:

- степень турбулентности атмосферы;

- величину дополнительной подъемной силы (момента тангажа, момента крена и т.д.), которую будет испытывать летательный аппарат в данной точке пространства;

- величину дополнительной перегрузки (боковой или вертикальной);

- величину дополнительных углов атаки, скольжения или угловых скоростей и т.д.

Все эти возмущения и другие составляют управляющий вектор х

и если интенсивность воздействия будет больше заданной величины, в системе управления (СУ) сработают правила восстановления, составляющие базу знаний системы управления.

Рис. 2 Схема нечёткого нейросетевого управления.

Модель нечёткого нейросетевого управления.

Модель нечёткого нейросетевого контроллера показана на рис.3

Нечёткий нейросетевой контроллер, это радиальная четырёхслойная нейросеть. На аналогичных контроллерах строится система управления БПЛА.

Слой 1 осуществляет фаззификацию. Все входные данные разбиваются на области (кластеры) близких значений. Определяются численные значения цгj (xj) для чётко заданных входных ззначений xj , где г- номер продукционного правила, номер компоненты входного вектора х . Настраиваемые параметры данного слоя - параметры используемых функций принадлежности.

Нечёткие продукционные правила-база знаний, формируемая для входного вектора х .

Слой 2 осуществляет вычисление результирующих функций принадлежности предпосылок нечётких правил. Этот слой не имеет настраиваемых параметров.

Слой 3 состоящий в данной модели из нейронов, представляющих нечёткие выводы из правил слоя 2. Этот слой осуществляет суммирование и взвешенное суммирование выходных сигналов слоя 2. Настраиваемыми параметрами данного слоя являются весовые коэффициенты ¥г.

Слой 4 реализует операцию деления z = 1:1^2 и не содержит настраиваемых параметров.

Рис. 3. Модель нечёткого нейросетевого контроллера.

Если в модели функции принадлежности реализуют соотношение:

,2"

V] ( X] )= еХР

(х] Сг])

2Я2

(1.1)

где

11 (х.) гауссова типа с настраиваемыми параметрами с^ и , а для вычисления результиру-

ющих функций принадлежности предпосылок правил (слой 2) применяется умножение, тогда можно в аналитическом виде выразить градиент функции ошибки от параметров сети, что позволяет для её обучения использовать метод обратного распространения, применяющийся в многослойных персептронах.[2] Первый слой данной сети состоит из радиальных нейронов, где определяются численные значения

V](X]) •

Второй надлеж

п ( \ аг = ПЯ](Х]) •

Второй слой модели может состоять из одного нейрона, в котором находят результирующие функции принадлежности каждого правила, применяем операцию «произведение»:

п

(1.2)

Г1 \ ~~ ./ /

] = 1

г = 1, 2, т,

где т число продукционных правил.

Продукционные правила в рассматриваемом алгоритме имеют следующий вид: если при конкретных

входных значениях х0 мы получаем ^ ,

то 2 = /г(х.х^х), (1-3)

2 = £ >'">Х ) - обычная четкая функция,

где

гХ** и^2 п/

г - текущий номер правила В качестве функции /кх) используем полином 0-го порядка:

/X?)=•*,' (1-4)

тогда нечёткий вывод имеет следующий вид:

если при конкретных входных значениях х0 мы получаем г , то 2 = Wг, (1.5)

где wг - const•

В слое три осуществляется взвешенное суммирование выходных сигналов первого слоя. Для определения выходного сигнала (слой четыре) используем формулу:

т Г “I

Е Wrфr |_Я1( х)--рт(хп)]

2 =—т— -------------------------- ; (1.6)

Ефг 1^г1(Х1).....Мгп (Хп)]

1

т

ЕWг аг

_ г=1_____

2о_ т ' (1.7) где т- число нейронов первого слоя; w ~ постоянные параметры.

Е^г г

г=1

Допустим, что обучающая выборка состоит из N пар значений — I I

<х, у

> , 1= 1, 2, ... , В простейшем случае при обучении формируется радиальный слой из

—I 1

т=И нейронов с параметрами Сг = X ' а паРаметРЬ1 выходного слоя выбираются из условия М?Г = У * ®

описанном алгоритме обучение сети происходит практически мгновенно (один такт). Однако сеть получается достаточно громоздкой, поэтому разработаны алгоритмы обучения сети, в которых число радиальных нейронов меньше числа элементов обучающей выборки (т< Ы) [2].

В общем случае процесс обучения радиальной сети сводится к определению ряда параметров:

1. числа нейронов радиального слоя т;

2. координат центров с и отклонений Д радиальных базисных функций (см. формулу (1.1);

3. значений весов нейронов выходного слоя wr (см. формулу (1.6)).

Настройка параметров сети сг , ^ , Wг может осуществляться

методом обратного распространения ошибки, аналогично тому, как это происходит в сигмоидальных НС, например, градиентным методом [7].

Однако особенности радиальных сетей позволяют выработать более эффективные алгоритмы настройки данных параметров.

Веса нейронов выходного слоя , обычно входят линейно в выражение для выходного сигнала сети

(см. формулу (1.6)), и их настройку можно осуществить с помощью формул для определения коэффициентов линейной регрессии по методу наименьших квадратов.

В заключении следует отметить, что современная теория интеллектуального управления объектами в случае наличия неопределённости, связанной со сложностью системы, невозможностью её описания традиционными методами, и наличием случайных внешних возмущений, должна быть дополнена исследованиями алгоритмов самоорганизации нечётких нейронных сетей, настраивающих в процессе обучения не только параметры, но и структуру сети.

ЛИТЕРАТУРА

1. Н.А.Северцев, А.Н.Катулев. Исследование операций: принципы принятия решений и обеспечение

безопасности. Тверь 1999.

2. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002.

3. Хайкин, Саймон. Нейронные сети: полный курс, 2-е издание.: Пер. англ. М. Издательский дом

"Вильямс", 2006. 1104 с.: ил. Парал. тит. англ.

4. В.Г.Курбанов. Математические методы в теории управления. Санкт-Петербург 2009.

5. В.А.Чулюков, И.Ф.Астахова, А.С.Потапов, И.Л.Каширина, Л.С.Миловская, М.В.Богданова, Ю.В.Просветова. Системы искусственного интеллекта. Практический курс. М.: Бином. Лаборатория знаний .2008.

6. Т.Кохонен. Самоорганизующиеся карты. Перевод 3-го издания В.Н.агеева М.: Бином. Лаборатория знаний. 2 0 0 8.

7. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечёткая логика и искусственные нейронные сети. М.: Физматлит, 2001.