CC BY
59
УДК 681.51.011
ОБЕСПЕЧЕНИЕ ПОВЫШЕНИЯ КАЧЕСТВА УПРАВЛЕНИЯ ДВИЖЕНИЕМ ЛЕТАТЕЛЬНОГО АППАРАТА С НЕСТАЦИОНАРНЫМИ ПАРАМЕТРАМИ МОДЕЛИ
ОБЪЕКТА УПРАВЛЕНИЯ
А.В.Семенов
Статья посвящена вопросам управления движением летательного аппарата с нестационарными параметрами объекта управления за счет учета дополнительной измерительной информации при решении задачи идентификации параметров двигательной установки
Ключевые слова: управление, летательный аппарат, идентификация
Одним из способов повышения качества управления движением летательного аппарата на внеатмосферном участке является применение твердотопливного ракетного двигателя с глубоким регулированием тяги. Уменьшение отклонений при совершении пространственного маневра происходит за счет перехода двигателя на пониженный режим тяги. Однако данное техническое решение вносит сложности при проектировании летательного аппарата (ЛА). Они заключаются в сложности ракетного двигателя на твердом топливе (РДТТ) как объекта управления, вызванную существенной нестационарностью процессов, протекающих в его камере сгорания и неполнотой идентификации математической модели в силу того, что характеристики двигателей даже одной серии могут иметь существенный разброс и многие из них имеют случайный характер.
К системе управления летательного аппарата (СУ ЛА) предъявляются требования с одной стороны - сокращения энергетических затрат при условии минимизации времени функционирования и повышения точности доставки элементов с другой.
Применение твердотопливного ракетного двигателя позволяет выполнить
вышеуказанные требования за счет возможности его функционирования в двух режимах:
- для сокращения времени полета, движение на прямолинейных участках траектории осуществляется на маршевом режиме тяги;
- для обеспечения заданной точности отделения элементов и минимизации ошибки
Семёнов Александр Владимирович - ВАРВСН, канд. техн. наук, преподаватель, e-mail: semalvikap@mail.ru
центра масс ЛА в боковом направлении при совершении пространственных маневров двигательная установка (ДУ) должна работать на пониженном режиме тяги.
Однако, использование РДТТ, вызывает достаточные сложности, вызванные особенностями двигателя, который
многомерным, нелинейным, нестационарным.
Для всех режимов работы двигательной установки характерна сильная нелинейная зависимость параметров двигателя от времени.
Претерпевает усложнение также и система управления, так как помимо решения задач управления движением на нее возлагается также задача стабилизации давления в камере сгорания двигательной установки.
Для компенсации нелинейности и нестационарности РДТТ предполагается введение в тракт системы управления нейросетевого регулятора.
Методика проектирования нейросетевого регулятора в общем виде может в себя включать:
- анализ объекта управления и задач, возлагаемых на систему управления;
- выбор структуры НС-регулятора;
- выбор режима функционирования и обучения нейронной сети;
- анализ полученных результатов и вывод о достижении целей.
Представляется на рассмотрение следующая методика построения нейросетевой системы управления:
- выбор схемы движения, т.е. способа
разведения полезной нагрузки
(последовательный способ, индивидуальный, индивидуально-последовательный и др.);
- выбор конструкторско-компоновочной схемы двигателя, наиболее соответствующей выбранной схеме движения;
- синтез нейросетевой СУ:
- выбор структуры сети;
- выбор способа обучения.
- анализ результатов и вывод о достижении поставленных задач.
На основе анализа принципов построения систем управления был осуществлен выбор структуры НС системы управления [1]. Данная структура представлена на рис. 1 и представляет собой наиболее общую структуру системы управления с использованием нейросетевого регулятора и эталонной модели.
Для формирования нейросетевой эталонной модели необходимо наиболее полно осуществить идентификацию параметров математической модели объекта управления. Полная математическая модель объекта управления является весьма сложной и ёмкой.
Нейросетевая эталонная модель должна являться полным аналогом объекта управления, что по сути и является
процедурой идентификации объекта управления. В связи с тем, что при
математическом моделировании появляется методическая, а на этапе реализации
неизменно возникает инструментальная ошибка, эталонная модель, построенная по вышеописанной математической модели, будет иметь некоторые отклонения от объекта управления. Исходя из этого формулируются требования к нейросетевой эталонной модели.
1. Модель изначально должна содержать наиболее полную информацию об объекте управления.
2. Учитывать наличие несоответствия между моделями.
Структура НС системы управления
3. Изменять (обучаться) в ходе работы свое состояние, максимально приближая его к состоянию объекта управления.
4. Минимизировать время обучения.
Известно, что при решении задач синтеза систем управления ключевой информацией является математическая модель объекта управления, которая строится на основании фундаментальных физических законов. Данные физические законы определяют структуру модели. В рассматриваемом объекте структура модели известна с достаточно высокой степенью точности, но неизвестен её главный параметр: скорость горения топлива при режимах перехода с повышенной тяги на пониженную, который меняется в процессе управления движением.
Таким образом, задачу идентификации можно рассматривать как уточнение по экспериментальным данным параметров реального объекта. Учитывая известность структуры модели рассматриваемого объекта, мы имеем дело с параметрической идентификацией системы. Под
параметрической идентификацией понимается возможность определения параметров математической модели объекта или процесса по результатам измерения определенных величин в течение некоторого интервала времени.
В рассматриваемой задаче принимается следующая модель объекта управления:
' у) + С¥Угг-Си8 = 0;
Тспё + 3 = ёком.
Здесь С у- коэффициент эффективности управления рулевых органов, Тсп - постоянная
времени сервопривода, ком - командные сигналы, вырабатываемые с определенной частотой. Она получается при следующих условиях: объект представляет собой твердое несимметричное тело переменного состава, движущееся в безвоздушном пространстве при отсутствии аэродинамических сил.
Регулируемая ТРДУ, соединенная с неподвижными соплами, работает непрерывно до выгорания топлива, обеспечивая движение летательного аппарата в пониженном, промежуточном и повышенном режимах тяги. Действием толкающих сопел обеспечивается поступательное движение ЛА в направлении продольной оси в толкающей схеме, тянущие сопла реализуют движение в обратном направлении (тянущая схема). Вращательное движение вокруг ЦМ реализуется в моментной схеме созданием управляющего момента разностью сил тяг ОУ.
При анализе данных уравнений видно, что на угловое и продольное движение центра масс влияют коэффициенты эффективности, при расчете которых участвует член РК -давление в камере сгорания, который в свою очередь зависит от величины скорости горения топлива, которая изменяется в ходе работы двигателя.
Таким образом задача идентификации в данном случае выглядит следующим образом: необходимо организовать эксперимент, в ходе которого по значению вектора состояния
X = (Ч* Ч* V системы ^ ’ ■> г ■> ) определить
значение давления в камере сгорания РК. Этот
процесс организуется за счет применения
нейросетевого идентификатора. При
определении регрессионного вектора
возможно получение и использование
информации о предыдущих состояниях
системы и значение искомого параметра. В
этом случае для решения данной задачи
целесообразно использовать рекуррентный
многослойный персептрон. Рекуррентные
нейросети передают сигналы в обратном
направлении по каналам обратной связи.
Рекуррентный многослойный персептрон
(РМП) это динамическая сеть,
характеризующаяся запаздыванием входных и
выходных сигналов, объединяемых во входной
вектор сети.
В окончательном виде алгоритм обучения сети методом градиентного спуска можно сформулировать следующим образом:
1) выполнить инициализацию случайным способом весов нейронов скрытого и выходного слоев;
2) для каждого момента £при заданном
возбуждении в виде вектора х рассчитать состояние всех нейронов сети;
3) определить значения производных для всех значений соответствующих весам сети с изначально выбранной структурой;
4) актуализировать веса после чего вернуться к п.2 настоящего алгоритма.
Представленный алгоритм функционирует в режиме "он-лайн", принимая поступающие входные данные и соответствующие им значения ожидаемого вектора и оперативно корректируя значения весов, что особенно важно для задач управления.
Необходимо отметить, что обучение нейросетевого регулятора предполагается проводить в режиме реального времени, безусловно с использованием априорной информации о математической модели объекта управления и процессов управления, что позволит учитывать в процессе полета индивидуальные характеристики конкретной двигательной установки, а также более полно учитывать эксцентриситет центра масс. Однако реализация такого способа обучения, проводимого одновременно с решением задач управления движением и стабилизации давления в камере сгорания, порождает многопараметрический оптимизационный процесс. Исходя из этого, особый интерес представляет рассмотрение вопросов достижимости цели управления и устойчивости работы рассмотренной системы управления.
Формулировка требований к
нейросетевому регулятору будет повторять некоторые пункты требований, предъявляемых к эталонной модели. При рассмотрении системы стабилизации основной задачей регулятора является формирование
управляющего воздействия по удержанию состояния ЛА в заданных границах. Для формирования выходных сигналов
нейросетевой регулятор использует входную информацию, поступающую по двум каналам: от нейросетевой эталонной модели и от реального объекта управления. Основным (достоверным) источником является
информация от реального объекта, а
информация от НС эталонной модели позволяет предсказывать поведение реального объекта в будущем, а также осуществлять изменение весовых коэффициентов
нейросетевого регулятора в соответствии с заданным оптимальным управлением.
Основной проблемой данного подхода в построении систем управления
динамическими объектами является крайне малое время их функционирования, что предъявляет повышенные требования к скорости обучения нейросетевых структур СУ. Данную проблему предполагается решать путем задания максимума адекватной априорной информации и использование бортового вычислителя.
Военная академия Ракетных войск стратегического назначения имени Петра Великого (г. Москва)
PROVIDING IMPROVED CONTROL OF AIRCRAFT MOTION WITH NONSTATIONARY PARAMETERS OF CONTROL OBJECT MODEL
A.V. Semenov
Article is devoted to motion control of the aircraft with time-varying parameters of the control object by taking into account additional measurement information to solve the parameter identification of engine problem
Key words: control, aircraft, identification
