Раздел IV. Управление аэрокосмическими системами
УДК 629.7 DOI 10.23683/2311-3103-2019-7-170-181
Г.С. Вересников, Д.Е. Гуцевич, А.В. Скрябин
РАЗРАБОТКА МАТЕМАТИЧЕСКОЙ МОДЕЛИ ДЛЯ ИССЛЕДОВАНИЯ АЛГОРИТМОВ ОЦЕНКИ И ПРОГНОЗА ТЕХНИЧЕСКОГО СОСТОЯНИЯ
СЕРВОПРИВОДА БЛА
Отечественные разработки беспилотных летательных аппаратов (БЛА) в значительной степени сфокусированы на объектах класса «Микро», «Мини», «Ближнего», «Малого» и «Среднего» радиусов действия. Характерной особенностью данных объектов является использование в первичной системе управления электромеханических рулевых сервоприводов (СП) с полосой пропускания не менее /ср. =0,7 Гц. Подобные СП широко применяются в авиамодельном спорте, тем не менее, в области БЛА их использование ограничено требованиями к качеству регулирования, полезной мощности и надежности. АО «КБПА» разработало и изготовило опытный образец рулевого СП для БЛА среднего радиуса действия взлетным весом 400 кг. Для оценки соответствия техническим требованиям были проведены экспериментальные исследования образцов СП. На основании проектных характеристик компонентов и по результатам испытаний СП в среде Simulink разработана его математическая модель, которую предполагается использовать для моделирования динамики замкнутого контура «БЛА - система управления - рулевой СП». Верификация модели проводилась на основании статических и динамических характеристик натурного образца. Детализация созданной модели в дальнейшем позволит внедрить алгоритмы ранней диагностики неисправностей СП, которые разрабатываются в настоящее время в ЦАГИ и ИПУ РАН. Энергетическая эффективность СП является основой для построения подобных алгоритмов. Изменение энергоэффективности является недетерминированным параметром, существенно зависящим от режима функционирования привода и факторов внешнего воздействия и влияет в том числе и на тепловые потери СП. Поэтому представляется целесообразным проведение комплексного анализа в том числе и с использованием алгоритмов интеллектуального анализа данных. Особым целевым свойством разрабатываемой системы диагностики является ее способность определять техническое состояние СП на недетерминированных режимах.
Сервопривод; БЛА; электромеханический привод; система управления полетом; диагностика неисправностей.
G.S. Veresnikov, D.E. Goutsevyich, A.V. Skryabin
THE DEVELOPMENT OF MATHEMATICAL MODEL FOR INVESTIGATING THE ALGORITHMS OF ESTIMATION AND PREDICTION OF UAV ELECTROMECHANICAL ACTUATOR TECHNICAL STATE
Russian development of unmanned aerial vehicles (UAV) is largely focused on objects of the "Micro", "Mini", "Middle-", "Small-" and "Medium-" range class. A characteristic feature of these objects is the use of servoactuators (SA) in the primary control system with a passband of at least fdb = 0.7 Hz. Such SA are widely used in aircraft modeling, however, in the UA V field, their use is limited by the control quality requirements, power and reliability. KBPA JSC has developed and manufactured a 400 kg average radius UAVs SA prototype. To assess technical requirements compliance, SA samples experimental studies were conducted. Based on the components design characteristics and tests results SA mathematical model has been formed in Simulink, which is supposed to be used to simulate the closed
loop dynamics of the "UAV - control system - SA". M odel validation was carried out on the basis of the static and dynamic characteristics of the SA natural sample. Detailization of such model in the future will make it possible to introduce algorithms for SA early failure diagnosis, which are currently being developed at TsAGI and ICS RAS. The basis for such algorithms is the SA energy efficiency. The energy efficiency changing is a non-deterministic parameter that substantially depends on its functioning mode and the external influence factors and affects among other things the SA heat loss. Therefore, it seems appropriate to conduct a comprehensive analysis including the use of data mining algorithms. A special target property of the developed diagnostic system is its ability to determine the SA technical condition in non-deterministic modes.
Servo actuator; UAV; electromechanical actuator; flight control system; failure diagnostics.
1. Введение. В настоящее время беспилотные летательные аппараты (БЛА) взлетным весом до 400 кг являются наиболее быстро развивающимся видом авиационной техники. В данную категорию попадают объекты классов «Микро», «Мини», «Ближнего, Малого и Среднего радиусов действия» по классификации UVS International [1]. Инициация значительного количества разработок таких БЛА во многом вызвана заимствованием общепромышленных компонентов и открытых технологий из авиамодельного спорта и любительской робототехники. Тем не менее, использование готовых общедоступных решений в ряде случаев не гарантирует безопасной эксплуатации, в частности для такого критически важного элемента системы управления полетом, как рулевой сервопривод (СП) системы управления полетом [2].
Анализ динамики подобных БЛА и условий эксплуатации позволил сформулировать технические требования к характеристикам СП, определяющим энергетические показатели, динамику и качество регулирования. Как правило подобные приводы обладают малой мощностью (менее 50 Вт), типовой полосой пропускания &р=0,7 Гц и точностью позиционирования ~1°.
АО «КБПА» (г. Саратов) разработало и изготовило опытный образец рулевого СП для БЛА среднего радиуса действия взлетным весом 400 кг. Для оценки соответствия техническим требованиям были проведены экспериментальные исследования образцов СП. Результаты исследований также позволили определить параметры СП для построения его математической модели [3], которую предполагается использовать для моделирования динамики замкнутого контура «БЛА - система управления - рулевой СП».
В связи с одноканальным исполнением привода были также сформированы требования по обеспечению безотказного длительного функционирования рулевого привода в течение полета. Отказы рулевого привода могут наступать как по случайным причинам, так и вследствие развития деградаций, имеющих различную физическую природу в одной из его подсистем: блок электроники, электромотор и прямозубый редуктор. Существует ряд подходов в области выявления деградаций СП и прогнозирования отказов [4-6]. Внедрение системы ранней диагностики неисправностей СП позволит повысить безопасность полета и снизить затраты на техническое обслуживание БЛА. Инициативная разработка подобной системы в настоящее время выполняется ЦАГИ совместно с ИПУ РАН [7, 8].
2. Сервопривод рулевой поверхности БЛА. Разработанный СП состоит из бесколлекторного электродвигателя, управляющего блока силовой электроники и 6-ступенчатого прямозубого редуктора, интегрированных в один корпус (табл. 1, рис. 1).
Таблица 1
Характеристики опытного образца СП
Мномин., кгссм Mmax, кгссм П(М=0), °/с фтах, о ипит., В 1номин., А Поддержка интерфейсов Масса, кг
35 50 100 ±60 27 0,85 RS-485, CAN, ШИМ 0,36
Рис. 1. Внешний вид опытного образца СП
В приводе используется блочный (трапециевидный) алгоритм коммутации обмоток (рис. 2). Коммутация обмоток осуществляется по сигналу датчика Холла, установленного на валу ротора. Подобный алгоритм характеризуется простотой реализации и позволяет ограничить количество используемой элементной базы.
Рис. 2. Функциональная схема СП - входной сигнал управления положением вала фои1:- сигнал датчика обратной связи выходного вала, Увс - источник питания постоянного тока, 1А, 1В, 1с - токи в обмотках электродвигателя)
3. Экспериментальные исследования сервопривода. Для подтверждения заявленных характеристик, а также получения дополнительных данных для создания математической модели СП были проведены его экспериментальные исследования. В качестве основы для проверки качества регулирования была использована методика проведения испытаний электромеханических приводов, разработанная в отделения динамики полета и систем управления ЦАГИ [9]. Силовое нагру-жение вала было реализовано в двух конфигурациях в зависимости от видов испытаний: с использованием муфты трения (динамические режимы) и грузов (статические режимы) (рис. 3). _
Рис. 3. Проведение испытаний под нагрузкой (слева) и термограмма СП после 2 ч
функционирования (справа)
На определенных режимах функционирования СП (напр. при длительном воспроизведении двигателем момента выше номинального) потери энергии значительно возрастают, что может увеличивать темп развития деградации системы и приводить к отказам. Поэтому, для изучения процессов развития неисправности в ходе испытаний осуществлялся контроль температуры корпуса СП.
Особый интерес представляют неисправности редуктора, отказ которого может приводить к заклиниванию рулевой поверхности в произвольном положении или ее отсоединению от выходного звена привода и переводу органа управления во флюгирующий недемпфированный режим. Характер и величины потерь энергии в редукторе в большей степени зависят от трения в контактирующих парах, опорах и уплотнениях. Данные потери имеют нелинейный характер и зависят от скорости, внешней нагрузки и температуры окружающей среды [10].
На рис. 4 показан способ определения обобщенного момента трения на основании сигнала датчика положения выходного звена при выбеге ротора.
Отключение питания
Рис. 4. Определение инерционного момента ротора и редуктора на выбеге (е - угловое ускорение выходного вала, 3 - момент инерции редуктора и ротора, приведенный к выходному валу, ш - угловая скорость выходного вала)
При задании входного сигнала привода, соответствующего максимальному значению сигнала рассогласования, вал привода разгоняется и, при достижении максимальной скорости, осуществляется отключение силового электропитания. Величина ускорения е определяет инерционный момент и вращающихся узлов СП, который, в свою очередь, по абсолютному значению равен диссипативному моменту ТБ. Уравнение баланса моментов [11, 12], действующих на электродвигатель при выбеге, выглядит следующим образом:
где ТЕМ - электромагнитный момент; TExt - внешняя нагрузка; ТС - упругая деформация редуктора.
Определяемый данным способом диссипативный момент, позволяет оценить порядок обобщенных потерь энергии на трение при отсутствии нагрузки. Данный способ не позволяет оценить момент страгивания, измерение которого требует измерения активного тока в обмотках статора при воспроизведении квазистиче-ских сигналов различной скорости.
4. Разработка и экспериментальное подтверждение математической модели. На основании проектных характеристик компонентов СП и по результатам экспериментальных исследований в среде Simulink была разработана его матема-
тическая модель (рис. 5). В качестве исходных данных для построения модели была использована конструкторская документация на подсистемы СП. Основным звеном, определяющим динамику функционирования СП, является бесколлекторный электродвигатель (рис. 6).
Рис. 5. Блок-схема математической модели в среде БтиНпк
Vl'lijH СаГБ(ЗГН Г'Л'Грт] г у tQ-rpm
Рис. 6. Блок-схема модели электродвигателя
Характерной особенностью разработанной модели является её низкий уровень детализации, позволяющий обеспечить ее отработку в контуре с системой управления и динамикой объекта с относительно крупным шагом интегрирования (0,01 с). Подобная особенность обуславливает использование упрощенных моделей управляющей электроники и редуктора, что незначительно снижает точность моделирования динамики управления выходным звеном СП. Верификация модели проводилась на основании статических и динамических характеристик натурного образца (рис. 7, 8).
-90 -105
TT"
1,0 J'
......
----
-Авх,=2 град, М=0кгс*см -* V. '■Х ч
Эксперимент ----
Авх.=4 град, М=0кгс*см
Эксперимент
— — Авх,=2 град, М=0кгс*слл
Модель ХЧЛ
— — Аех.=4 град, М=0кгс*см
Модель
Рис. 7. Сравнение расчётных (пунктир) и экспериментальных (сплошная линия)
частотных характеристик
-^йф, * (эксперимент)
.....й(р,6 (модель без зоны нечувств.)
-й(р, * (модель с зоной нечувсге.) -•-1, А (эксперимент)
>
Г -Г Л
10 15 20 25 30 35 30 м, кп см
Рис. 8. Сравнение расчётных (пунктир) и экспериментальных (сплошная линия) механической характеристики (слева) и статической жесткости (справа)
Характеристики динамики, точность позиционирования и скорость соответствуют экспериментальным с точностью не менее 10 %. Различия в характеристиках статической жесткости и потребяемого тока, определяющего входную мощность, вызваны пренебрежением потерями энергии, учет которых с одной стороны требует дополнительных экспериментальных исследований, с другой стороны обуславливает малые шаги расчета модели (~10-5 с и менее).
5. Разработка подхода диагностики технического состояния сервопривода. Созданная модель является основой для построения модели высокой степени детализации, с помощью которой можно провести отработку и анализ алгоритмов ранней диагностики неисправностей СП. Основой разработки алгоритмов является изменение энергетической эффективности СП в зависимости от режима его функционирования (воспроизведения заданных угловых скоростей вала под действием нагрузки) и параметров внешнего воздействия (напр. температуры окружающей среды, влажности и т.д.).
Для комплексного исследования развития деградаций должен проводиться анализ потерь энергии различной физической природы, возникающих в подсистемах СП [13]. Например, деградации инвертора в значительной степени вызваны потерями в силовой электронике в запертом/открытом состоянии и при переключении. Прогрессирующие неисправности электродвигателя характеризуются изменением электромагнитных рассеиваний в меди и стали и трением в опорах ротора. Кроме потерь на трение, часть энергии в редукторе тратится на упругую деформацию сопряженных элементов.
Таким образом, из-за множества возможных комбинаций действующих факторов характер тепловых потерь является недетерминированной величиной. Поэтому представляется целесообразным проведение комплексного анализа в том числе и с использованием алгоритмов интеллектуального анализа данных (ИАД). Особым целевым свойством разрабатываемой системы диагностики является ее способность определять техническое состояние СП на недетерминированных режимах.
Задача построения алгоритма оценки состояния СП с использованием методов ИАД может быть сформулирована, как задача классификации следующим образом. На основе известного конечного множества описаний состояния СП {(^иЮ, -I Е X % е У- требуется построить алгоритм оценки
состояния СП Ф: X —> У- позволяющий для произвольного вектора % Е X получить
вектор ^ £ у, где X - множество векторов значений контролируемых параметров
СП (признаков), У - множество меток классов, отражающих агрегированные состояния СП, в отношении которых могут приниматься одинаковые решения.
В общем случае X = Япх(1, У =Ят, где п - количество контролируемых параметров СП; q - количество последовательных моментов времени, в которые рассматриваются значения контролируемых параметров СП; т - количество вещественных чисел, необходимое для представления меток классов, соответствующих агрегированным состояниям СП.
Использование методов ИАД для построения алгоритма Ф может быть недостаточно эффективным, вследствие:
♦ высокой размерности исходных данных;
♦ наличия закономерностей в данных, которые не могут быть эффективно найдены этими методами без предварительного анализа;
♦ недостатка данных о СП и т.д.
В связи с этим предлагается комплексная схема формирования и анализа данных (рис. 9), в которой для построения алгоритма Ф интегрируются методы снижения размерности (общего назначения и учитывающие особенности функционирования СП) с методами ИАД.
Преобразование вектора значений контролируемых параметров (признаков)
Рис. 9. Схема формирования и анализа данных для построения алгоритма оценки
технического состояния СП
В рамках этой схемы для успешного применения методов ИАД требуется сформировать базу прецедентов, наиболее полно отражающую взаимосвязи между параметрами и оценкой состояния СП. Если сбор информации о штатных режимах работы СП не вызывает затруднений, то достаточно сложной задачей является получение данных о редко встречающихся состояниях СП, например, связанных с нарастающими деградациями его элементов, нештатными и аварийными ситуациями и т.д.
Предлагается формировать базу прецедентов на основе эмпирических данных, экспертных данных, результатов моделирования СП, априорной информации.
Эмпирические данные. Накопленные в результате исследования СП данные, содержащие измерения параметров СП, являются основным источником формирования базы прецедентов. Организация сбора статистики и пополнения базы прецедентов позволяет обеспечить процесс совершенствования алгоритма Ф.
Алгоритм Ф может создаваться при зафиксированных значениях части контролируемых параметров СП, что в некоторых случаях позволяет снизить трудоемкость сбора эмпирических данных и размерность вектора X , упростить алгоритм Ф, повысить его точность. Однако при использовании построенного при таких условиях алгоритма требуется обеспечить те же значения зафиксированных параметров СП, которые имели место при формировании эмпирических данных.
Полученные эмпирические данные систематизируются и дополняются информацией, сформированной другими способами, рассматриваемыми ниже.
Экспертные данные. Метод получения дополнительных данных с использованием опыта и интуиции высококвалифицированных специалистов-экспертов является эффективным для учета неформализованной информации о СП.
Результаты моделирования СП. Способ формирования прецедентов на основе моделирования СП является эффективным, если для известных оценок состояния СП существуют математические модели для определения значений контролируемых параметров СП с учетом внутренних и внешних факторов. Посредством внесения изменений в параметры модели СП имитируются различные варианты функционирования СП и формируются значения параметров, которые используются для создания прецедентов.
Априорная информация. Если разработчик имеет знания о СП до сбора эмпирических данных, это позволяет сформировать значения параметров СП для дополнения базы прецедентов. В качестве примера можно привести информацию о предельно допустимых значениях контролируемых параметров СП.
Перечисленные способы формирования базы прецедентов могут использоваться совместно или дополнять друг друга, как на этапе создания алгоритма Ф, так и на этапе его дальнейшего совершенствования.
Алгоритм Ф реализуется в виде совокупности двух последовательно выполняющихся алгоритмов: Q - выделения информативных признаков и Л - классификации состояний СП на основе выделенных информативных признаков. Такой подход обусловлен тем, что наличие предварительно найденных информативных признаков позволяет во многих случаях значительно повысить эффективность применения методов ИАД.
В результате выбора метода/совокупности методов проекции признаков формируется алгоритм выделения информативных признаков Q \ X ^ H, где H - множество векторов информативных признаков. В рамках схемы на рис. 9 алгоритм Q применяется, чтобы множество состояний СП {(jclfyi),...,
xt G X % G Y, '=l-k преобразовать в множество {(ft^yj,..., (hh,ykJ\- he E И - i=l..k, которое является входной информацией для методов ИАД.
В качестве методов проекции контролируемых параметров предлагается использовать методы позволяющие учитывать особенности функционирования СП (расчет производных и интегральных параметров, спектральный анализ) и методы проекции общего назначения (для линейных преобразований - метод главных компонент [14], для нелинейных преобразований - ядерный метод главных компонент [15] и специальный вид нейронных сетей «автокодировщик» [16]).
В случае необходимости снизить вычислительные затраты при оптимизации подмножества информативных признаков используются известные методы «фильтрации» для отбора признаков: t-тест, хи-квадрат-тест; показатель IG (Information Gain) [17]. В результате применения этих методов сокращается количество элементов вектора .
Перед включением множества {(ft-j^yi),(й^Уь)} в базу прецедентов,
формируемую для применения методов ИАД:
1. Выполняется поиск и исключение векторов h j , i=1..k которые содержат избыточную информацию. С целью выполнения этой процедуры могут применяться различные метрики сходства векторов и методы кластеризации, позволяющие снизить размер обучающей выборки [18].
2. Производится нормирование оставшихся векторов из множества (Я j, , hk } на единичный интервал для исключения влияния разрядности чисел на
результат работы алгоритма Л.
Далее с использованием выбранного разработчиком метода ИАД выполняется поиск и формализация закономерностей (строится алгоритм классификации состояний СП на основе информативных признаков Л: Н —> У), содержащихся в базе прецедентов, в интеграции с методом, выполняющим оптимизацию подмножества информативных признаков (wrapper methods [19, 20]), что позволяет дополнительно сократить количество элементов вектора и повысить точность алгоритма Л.
Нельзя дать однозначные рекомендации по выбору метода ИАД для построения алгоритма Л, т.к. точность оценки состояния СП не всегда является единственным важным критерием при разработке СП. В работе [21] предлагаются критерии, которые используются для формирования требований к методам ИАД в зависимости от условий и целей решения задачи оценки технического состояния СП.
После того как алгоритм Ф построен, он применяется, чтобы для произвольного вектора (значений контролируемых параметров) получить вектор (оценку технического состояния СП).
Заключение. Разработан и изготовлен отечественный сервопривод (СП) для отклонения рулевых поверхностей БЛА взлетным весом до 400 кг. Характеристики СП исследованы экспериментально и соответствуют требованиям к приводу органа управления БЛА данного типа.
В ходе работы разработана и экспериментально подтверждена математическая модель динамики СП органа управления БЛА с учетом характеристик, полученных при натурных испытаниях образца СП. Созданная модель позволяет проводить исследования контура системы управления БЛА с шагом интегрирования 0,01 с.
Полученную модель также предполагается детализировать и использовать для исследования алгоритмов выявления прогрессирующих в СП деградаций, развитие которых в ходе эксплуатации приводит к наступлению отказов. Подготовлены исходные данные, уточняющие математическую модель СП для моделирования прогрессирующих деградаций и отработки алгоритмов интеллектуального анализа данных. Предложена схема формирования и анализа данных для построения алгоритма оценки технического состояния СП, в которой методы ИАД интегрируются с методами, обеспечивающими снижение размерности вектора значений контролируемых параметров (используемых при диагностике СП).
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. P. van Blyenburgh. Unmanned Aircraft Systems. The Current Situation // EASA UAS Workshop, Paris, France Paris, France, 2008. - URL: https://www.easa.europa.eu/sites/default/ files/dfu/ws_prod-g-doc-Events-2008-February-1-Overview-of-the-UAV-Industry-(UVS).pdf (дата обращения 19.12.2016).
2. Mare J.-C. Aerospace actuators 2. Signal-by-Wire and Power-by-Wire // ISTE Ltd. And John Wiley & Sons Inc. - 2017. - 169 p - ISBN 978-184821-942-7.
3. Bilyaletdinova L., Steblinkin A. Simulation of Direct Drive Electromechanical Actuator with Ballscrew // Procedia Engineering. - 2017. - Vol. 176. - P. 85-95.
4. Скрябин А.В. Системы контроля технического состояния и прогнозирования неисправностей электромеханических рулевых приводов летательного аппарата. Современный уровень развития // Общероссийский научно-технический журнал «Полет». - 2018. - № 2.
- C. 50-64.
5. Glison E., Kopp J.D., Manzanares D. MOOG next generation control and actuation // R3ASC.
- Toulouse, 2014. - P. 43-54.
6. F. Van Der Linden, Dreyer N., Dorkel A. EMA Health monitoring: an overview // R3ASC Proceedings. - Toulouse, 2016. - P. 21-26.
7. Veresnikov G., Skryabin A. The Electromechanical Actuator Technical Condition Monitoring System Based on Data Mining Methods // Proceedings of 2018 11th International Conference Management of Large-Scale System Development, MLSD 2018. - М., 2018.
8. Veresnikov G., Skryabin A. The Health Assessment and Prediction Algorithms Development for Electromechanical Flight Control Actuator Using Data Mining Methods // Proceedings of 2019 12th International Conference Management of Large-Scale System Development, MLSD 2019. - М., 2019.
9. Erofeev E., Skryabin A., Steblinkin A., Khaletskiy L. Methodologies and test-rig configurations for the experimental improvement of flight control actuation systems // Recent Advances in Aerospace Actuation Systems and Component 2018 Conference proceedings, Toulouse, France, 2018. - P. 109-116.
10. Mare J.-C. Friction modeling and simulation at system level: a practical view for the designer. // Proc ImechE Part I: Journal of systems and control engineering 226(6) ImechE 2012.
- P. 728-741.
11. Калачёв Ю.Н. Векторное регулирование (заметки практика). - М.: ЭФО, 2013. - 63 с.
12. Kowalski R., Möller F., Gallun P., Bierig A. Test facility for electro-mechanical actuation systems // Proceedings of the 7th International Workshop on Aircraft Systems Technologies, Hamburg, Germany, 2019. - P. 133-142.
13. Jian F., Mare J.-C., Yongling F. Modelling and simulation of flight control electromechanical actuators with special focus on model architectecting, multidisciplinary effects and power flows // Chinese Journal of Aeronautics. - 2017. - No. 30 (1). - P. 47-65.
14. Bengio Y. et al. Representation Learning: A Review and New Perspectives // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2013. - Vol. 35 (8). - P. 1798-1828.
15. Schölkopf B. Nonlinear Component Analysis as a Kernel Eigenvalue Problem // Neural Computation. - 1998. - Vol. 10 (5). - P. 1299-1319.
16. Hinton G.E., Salakhutdinov R.R. Reducing the Dimensionality of Data with Neural Networks // Science. - 2006. - Vol. 313, Issue 5786. - P. 504-507.
17. Chuang L.-Y., Ke C.-H., Yang C.-H. A Hybrid Both Filter and Wrapper Feature Selection Method for Microarray Classification // Proceedings of International MultiConference of Engineers and Computer Scientists. - 2008. - P. 146-150.
18. Le-Khac N.-A., Bue M., Whelan M., Kechadi M.-T. A Clustering-Based Data Reduction for Very Large Spatio-Temporal Datasets // International Conference on Advanced Data Mining and Applications. ADMA 2010: Advanced Data Mining and Applications, Chongqing, China.
- P. 43-54.
19. Soufan O., Kleftogiannis D., Kalnis P., Bajic V.B. DWFS: a wrapper feature selection tool based on a parallel genetic algorithm // PLoS ONE. - 2015. - Vol. 10 (2). - P. e0117988.
20. Panthong R., Srivihok A. Wrapper Feature Subset Selection for Dimension Reduction Based on Ensemble Learning Algorithm // The Third Information Systems International Conference: Procedia Computer Science. - 2015. - Vol. 72. - P. 162-169.
21. Veresnikov G.S., Skryabin A.V. The development of data mining methods criteria to identify failures of aircraft control surface actuator // Procedia Computer Science. - 2017. - Vol. 112.
- P. 1007-1014.
REFERENCES
1. P. van Blyenburgh. Unmanned Aircraft Systems. The Current Situation, EASA UAS Workshop, Paris, France Paris, France, 2008. Available at: https://www.easa.europa.eu/sites/default/ files/dfu/ws_prod-g-doc-Events-2008-February-1-Overview-of-the-UAV-Industry-(UVS).pdf ((accessed 19 December 2016).
2. Mare J.-C. Aerospace actuators 2. Signal-by-Wire and Power-by-Wire // ISTE Ltd. And John Wiley & Sons Inc., 2Qi7, 169 p. ISBN 978-i8482i-942-7.
3. Bilyaletdinova L., Steblinkin A. Simulation of Direct Drive Electromechanical Actuator with Ballscrew, Procedia Engineering, 2Qi7, Vol. Пб, pp. 85-95.
4. Skryabin A.V.Sistemy kontrolya tekhnicheskogo sostoyaniya i prognozirovaniya neispravnostey elektromekhanicheskikh rulevykh privodov letatel'nogo apparata. Sovremennyy uroven' razvitiya [Systems for monitoring the technical condition and predicting malfunctions of Electromechanical steering drives of the aircraft. Modern level of development], Obshcherossiyskiy nauchno-tekhnicheskiy zhurnal «Polet» [All-Russian scientific and technical magazine "Flight"], 2Qi8, No. 2, pp. 5Q-64.
5. Glison E., Kopp J.D., Manzanares D. MOOG next generation control and actuation, R3ASC. Toulouse, 2Qi4, pp. 43-54.
6. F. Van Der Linden, Dreyer N., Dorkel A. EMA Health monitoring: an overview, R3ASC Proceedings. Toulouse, 2Q16, pp. 21-26.
7. Veresnikov G., Skryabin A. The Electromechanical Actuator Technical Condition Monitoring System Based on Data Mining Methods, Proceedings of 2018 11th International Conference Management of Large-Scale System Development, MLSD 2018. Moscow, 2Qi8.
8. Veresnikov G., Skryabin A. The Health Assessment and Prediction Algorithms Development for Electromechanical Flight Control Actuator Using Data Mining Methods, Proceedings of 2019 12th International Conference Management of Large-Scale System Development, MLSD 2019. Moscow, 2Qi9.
9. Erofeev E., Skryabin A., Steblinkin A., Khaletskiy L. Methodologies and test-rig configurations for the experimental improvement of flight control actuation systems, Recent Advances in Aerospace Actuation Systems and Component 2018 Conference proceedings, Toulouse, France, 2018, pp. 1Q9-116.
iQ. Mare J.-C. Friction modeling and simulation at system level: a practical view for the designer, Proc ImechE Part I: Journal of systems and control engineering 226(6) ImechE 2012, pp. 728-74i.
11. Kalachev Yu.N. Vektornoe regulirovanie (zametki praktika) [Vector regulation (practice notes)]. Moscow: EFO, 2Qi3, 63 p.
12. Kowalski R., Möller F., Gallun P., Bierig A. Test facility for electro-mechanical actuation systems, Proceedings of the 7th International Workshop on Aircraft Systems Technologies, Hamburg, Germany, 2019, pp. i33-i42.
13. Jian F., Mare J.-C., Yongling F. Modelling and simulation of flight control electromechanical actuators with special focus on model architectecting, multidisciplinary effects and power flows, Chinese Journal of Aeronautics, 2Qi7, No. 3Q (i), pp. 47-65.
14. Bengio Y. et al. Representation Learning: A Review and New Perspectives, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2Qi3, Vol. 35 (8), pp. i798-i828.
15. Schölkopf B. Nonlinear Component Analysis as a Kernel Eigenvalue Problem, Neural Computation, i998, Vol. iQ (5), pp. i299-i3i9.
16. Hinton G.E., Salakhutdinov R.R. Reducing the Dimensionality of Data with Neural Networks, Science, 2QQ6, Vol. 3i3, Issue 5786, pp. 5Q4-5Q7.
17. Chuang L.-Y., Ke C.-H., Yang C.-H. A Hybrid Both Filter and Wrapper Feature Selection Method for Microarray Classification, Proceedings of International MultiConference of Engineers and Computer Scientists, 2QQ8, pp. i46-i5Q.
18. Le-Khac N.-A., Bue M., Whelan M., Kechadi M.-T. A Clustering-Based Data Reduction for Very Large Spatio-Temporal Datasets, International Conference on Advanced Data Mining and Applications. ADMA 2010: Advanced Data Mining and Applications, Chongqing, China, pp. 43-54.
19. Soufan O., Kleftogiannis D., Kalnis P., Bajic V.B. DWFS: a wrapper feature selection tool based on a parallel genetic algorithm, PLoS ONE, 2Qi5, Vol. iQ (2), pp. eQii7988.
2Q. Panthong R., Srivihok A. Wrapper Feature Subset Selection for Dimension Reduction Based on Ensemble Learning Algorithm, The Third Information Systems International Conference: Procedia Computer Science, 2Qi5, Vol. 72, pp. i62-i69.
2i. Veresnikov G.S., Skryabin A.V. The development of data mining methods criteria to identify failures of aircraft control surface actuator, Procedia Computer Science, 2Qi7, Vol. ii2, pp. iQQ7-iQi4.
Статью рекомендовал к опубликованию д.т.н. Ю.Г. Оболенский.
Вересников Георгий Сергеевич - Институт проблем управления им. В.А. Трапезникова Российской академии наук; e-mail: veresnikov@mail.ru; 117997, г. Москва, ул. Профсоюзная, 65; тел.: 84953348910.
Гуцевич Денис Евгеньевич - АО «Конструкторское бюро промышленной автоматики»; e-mail: den2538i@yandex.ru; 410005, г. Саратов, ул. Большая Садовая, 239; тел.: 88452478670.
Скрябин Алексей Валерьевич - ФГУП «Центральный аэрогидродинамический институт»; e-mail: aleksey.skryabin@tsagi.ru; 140180, г. Жуковский, ул. Жуковского, 1, тел.: 84955564288; аспирант.
Veresnikov Georgiy Sergeevich - V.A. Trapeznikov Institute of Control Sciences of Russian Academy of Scienses; e-mail: veresnikov@mail.ru; 65, Profsoyuznaya street, Moscow, 117997, Russia; phone: +74953348910.
Goutsevyich Denis Evgen'evich - JSC Industrial Automation Design Bureau; e-mail: den2538i@yandex.ru; 239, Bolshaya Sadovaya street, Saratov, 410005, Russia; phone: +78452478670;
Skryabin Alexey Valer'evich - Affilated brunch "Strela" of Moscow Aviation Institute; e-mail: aleksey.skryabin@tsagi.ru; 1, Zhukovsky, Zhukovsky street, 140180, Russia; phone: +74955564288; postgraduate student.
УДК 629.735.33.015.075 DOI 10.23683/2311-3103-2019-7-181-188
Ю.Б. Дубов, М.В. Желонкин
ОСОБЕННОСТИ СИСТЕМЫ ИНФОРМАЦИОННО-ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ЛЕТЧИКА НА РЕЖИМЕ СВЕРХМАНЕВРЕННОСТИ И ИХ РЕАЛИЗАЦИЯ НА КОМПЛЕКСЕ
МОДЕЛИРОВАНИЯ
Применение режимов сверхманевренности предъявляет определенные требования к бортовому информационному обеспечению, системе управления и эргономическому обеспечению. Эксплуатация современных высокоманевренных самолетов, обладающих режимом сверхманевренности, показывает, что применение данного режима при решении целевых задач без «поддержки летчика» оказывается малоэффективным. Следует также отметить то обстоятельство, что в условиях современного быстротечного воздушного боя летчику достаточно сложно определить необходимость и своевременность использования режима сверхманевренности. В статье рассматриваются задачи, которые должна решать бортовая система информационно-интеллектуальной поддержки летчика (СИИПЛ) на режимах сверхманевренности с целью формирования и выдачи рекомендаций в процессе ведения воздушного боя. Для решения задач бортовая система должна располагать текущей информацией о положении и параметрах движения участников воздушного боя («своих» и «чужих»), что должно обеспечиваться как бортовыми, так и внешними средствами. На основе этой информации решается задача прогноза развития ситуации. На основе этих данных решается задача по оценке наиболее уязвимого противника и рекомендуется противник для «атаки» или «обороны» от него. В соответствии со сложившейся ситуацией рекомендуется применение режима сверхманевренности и вырабатываются рекомендации по предварительному снижению скорости до значений, при которых этот маневр может быть выполнен, рекомендации по изменению дальности до цели за счет смещения центра виража. После выполнения этих рекомендаций, в соответствии со вторым пунктом, при совпадении параметров относительного движения противников с областью эффективного применения режимов сверхманевренности бортовая СИИПЛ выдает сигнал на выполнение режима сверхманевренности и атаку цели. Приводятся результаты исследований по отработке принципов формирования бортовой системы информационно-