CC BY
20
ВЕСТНИК ИНЖЕНЕРНОЙ ШКОЛЫ ДВФУ. 2012. № 3 (12)
ПРОЕКТИРОВАНИЕ И ПРОИЗВОДСТВО ЛЕТАТЕЛЬНЫХ АППАРАТОВ
УДК 62-50:621.391 Т. В. Безручко
БЕЗРУЧКО ТАРАС ВЛАДИМИРОВИЧ - ассистент кафедры самолето- и вертолетостроения филиала в г. Арсеньеве (Дальневосточный федеральный университет).
E-mail: bezruchko1984@mail.ru
СИСТЕМА ПРОГНОЗИРУЮЩЕГО ИНВЕРСНОГО НЕЙРОУПРАВЛЕНИЯ ПНЕВМОПРИВОДОМ
Представлен ход разработки инверсного нейроуправления пневмоприводом и анализ применимости в создаваемой конструкции беспилотного аэромобильного комплекса, предназначенного для маловысотного обслуживания объектов в труднодоступных районах Дальнего Востока и азиатско-тихоокеанского зарубежья.
Ключевые слова: пневмопривод, инверсное нейроуправление, нейронная сеть, задающий сигнал.
The forecasting system to control the neuro control pneumatic drive. Taras V. Bezruchko -Branch in Arsenyev (Far Eastern Federal University, Vladivostok)
Presented is the progress in the development of the inverse neuro control pneumatic drive and the analysis of its applicability when designing unmanned airmobile complex intended for low-level facilities in remote areas of the Far East and Asia-Pacific countries.
Key words: pneumatic, inverse neyroupravlenie, neural network, giving the signal.
Применение пневмопривода как полноценной альтернативы гидро- и электроприводу затруднено ввиду сложности обеспечения стабильной скорости движения выходного звена при переменной внешней нагрузке и его фиксации в промежуточном положении. Данное ограничение может быть устранено путем применения комбинированных пневмоэлектриче-ских или пневмогидравлических приводов либо использованием специальных алгоритмов управления, в большинстве случаев требующих наличия явного математического описания объекта управления. Настоящая работа посвящена описанию модификации методики прогнозирующего инверсного нейроуправления (ПИН).
Прогнозирующее инверсное нейроуправление
Методика прогнозирующего инверсного нейроуправления основана на использовании широко известного подхода прогнозирующего управления с моделью - Model Predictive Con-
© Безручко Т.В., 2012
(MPC). В основе ПИН лежит прогнозирующая инверсная модель, использование которой возможно в качестве регулятора. В качестве структуры модели используются нейронные сети. Вследствие этого одним из ключевых аспектов создания прогнозирующей инверсной модели является этап получения информации об объекте и обучения нейронной сети. Рисунок 1 демонстрирует процесс получения информации с целью создания прогнозирующей инверсной модели динамики объекта и схему обучения прогнозирующей инверсной модели.
Рис. 1. а - пояснение к процессу получения информации для обучения прогнозирующей инверсной модели динамики объекта, б - схема обучения нейросетевой структуры
б
а
Как свидетельствует рис. 1, текущее и желаемое состояние объекта отстоят друг от друга на время X, являющееся в данном случае горизонтом прогноза.
В замкнутом контуре в качестве желаемого состояния объекта управления может быть использован непосредственно сигнал задания либо выход эталонной модели объекта.
Реализация стратегии ПИН в составе исследуемого пневмопривода
В рамках текущего исследования был проведен ряд экспериментов, выполненных на примере промышленного пневмопривода, состоящего из пневмоцилиндра двустороннего действия Camozzi 61M3P032A0300 (ход штока 300 мм; внутренний диаметр 32 мм); пропорционального пневмораспределителя Festo MPYE-5-M5-010-B; потенциометрического датчика положения Midory Precisions Co. LP-500F. Все натурные эксперименты проводились при давлении в системе 3,5-4 технических атмосфер. Интервал дискретизации систем управления во всех случаях принимался равным 0,001 с.
С целью сравнения исследования описанной системы управления были проведены сравнительные эксперименты с ПИД-регулятором, настройка каналов которого была выполнена экспериментально, по критерию максимального быстродействия. Аналогично проводи-
лась настройка прогнозирующего инверсного нейрорегулятора. На рис. 2 представлены частотные характеристики замкнутых систем управления пневмоприводом.
Рис. 2. ЛАЧХ и ЛФЧХ замкнутого контура Рис. 3. Временные характеристики прогнози-
системы управления. 1 - с ПИН-регулятором; рующего инверсного нейрорегулятора.
2 - с П-регулятором. 1 - с малым горизонтом прогноза; 2 - с боль-
шим горизонтом прогноза
Как свидетельствуют графики, при повышении частоты задающего сигнала система управления, созданная на основе ПИН, дольше сохраняет свою работоспособность.
О влиянии горизонта прогноза на качество управления
Основными параметрами, влияющими на горизонты прогноза свойства ПИН, можно считать горизонт прогноза 1 и число задержанных значений п (рис. 1, б). Рассмотрим влияние
первого из этих двух факторов на свойства системы управления более подробно. Численные эксперименты выполним на примере астатического звена второго порядка:
Пусть замкнутому контуру с ПИН-регулятором необходимо обеспечить отработку как траекторной, так и позиционной задачи управления. Произведем настройку ПИН с различными значениями горизонта прогноза и сравним работу получившихся систем. Результат этого сравнения представлен на рис. 3.
Как свидетельствует рис. 3, ПИН-регулятор, настроенный на отработку траекторного сигнала задания, дает существенное перерегулирование при отработке позиционных задач, а ПИН-регулятор, настроенный на отработку позиционных задач, весьма посредственно справляется с задачами траекторными. Происходит это вследствие того, что отработку изменения сигнала задания ПИН-регулятор стремится произвести за время горизонта прогноза. Следовательно, при большом значении А регулятор не успевает вовремя отработать быстро-изменяющийся траекторный сигнал задания, что ведет к возникновению ошибки управления (см. рис. 3, кривая 2). При малом значении X регулятор «разгоняет» объект управления, но не успевает вовремя остановить его, чтобы вывести в заданное значение.
Расширение базовой стратегии ПИН путем введения регенерируемого эталонного фильтра желаемой траектории
Данная проблема может быть устранена путем введения механизма, задающего эталонную траекторию для системы.
Зададим динамику регенерируемого эталонного переходного процесса в виде дифференциального уравнения
ТХ(т) + х(т) = г(), (1)
где Т - постоянная времени эталонной модели, г(1;) - сигнал задания. Предполагая, что задание г(1;) на горизонте прогноза остается постоянным, решив (1) относительно начального состояния х(0)=у(^), найдем желаемый выход системы управления через время X:
Принимая во внимание, что выражение г — у (г) является ошибкой управления и обозначив ее символом г((), получим
А
- ф)е т .
V.- . (3)
Зададимся целью корректировки значения желаемого выхода системы управления в зависимости от текущей ошибки управления. Для этого введем дополнительный механизм, представляющий собой функцию изменения значения ошибки управления /(£(^)}. В этом случае выражение (3) примет следующий вид:
где к представляет собой набор коэффициентов:
И
( X X- At X-пАА\
е "Т,е " ,е " ~
V У,
где А/ - интервал дискретизации САУ, п - число задержанных значений в векторе прогнозируемого состояния.
Рис. 4. Общий вид схемы управления: т"(0 - задающий сигнал; ПИН- прогнозирующий инверсный нейроконтроллер; ОУ — объект управления; ДОС — датчики обратной связи; 1г - эталонный фильтр; ТОЬ — линия задержки сигналов; /(г(0)- блок, реализующий функцию изменения значения ошибки управления
Функция изменения ошибки /(е(О) для данного класса объектов (пневмоприводы) была получена путем численной оптимизации на основании данных, снятых с реального объекта управления. Графическое представление данной функции отражено на рис. 5.
Величина ошибки
Рис. 5. График изменения поправочного коэффициента в зависимости от текущей ошибки
Графики соответствуют экспоненциальной зависимости f(e(£)) = е Значение
коэффициента а в показателе степени подбирается исходя из динамики конкретного объекта
управления индивидуально, на основании графика переходного процесса разомкнутой системы автоматического регулирования.
На рис. 6 представлено сравнение временных характеристик предлагаемой в работе системы управления и системы управления, реализованной на базе ПИН.
Рис. 6. Временные характеристики исследуемых систем управления: 1 - ПИН-регулятор,
2 - предлагаемая система управления
Как свидетельствует рис. 6, предлагаемая система управления позволяет, исходя из значения перерегулирования, получить более качественную переходную характеристику, нежели регулятор на основе ПИН.
Итак, предложенный метод дает возможность при неизменном горизонте прогноза одинаково корректно решать как позиционную, так и траекторную задачи управления таким классом объектов, как пневмопривод. Ряд натурных экспериментов, проведенных в рамках настоящего исследования, на примере промышленного пневмопривода подтверждает, что предложенный метод имеет ряд преимуществ перед базовой реализацией ПИН.
ВЕСТНИК ИНЖЕНЕРНОЙ ШКОЛЫ ДВФУ. 2012. № 3 (12)
ПРОЕКТИРОВАНИЕ И ПРОИЗВОДСТВО ЛЕТАТЕЛЬНЫХ АППАРАТОВ
УДК 53.072
И.А. Шипитько, В.И. Богданов
ШИПИТЬКО ИЛЬЯ АЛЕКСАНДРОВИЧ - кандидат технических наук, доцент кафедры самолето- и вертолето-строения филиал в г. Арсеньеве (Дальневосточный федеральный университет).
E-mail: ilya_shipitko@mail.primorye.ru БОГДАНОВ ВЛАДИМИР ИВАНОВИЧ - студент пятого курса, филиал в г. Арсеньеве (Дальневосточный федеральный университет).
E-mail: eantx@list.ru
^^MA УПРАВЛЕНИЯ
МАЛОВЫСОТНЫМ АЭРОМОБИЛЬНЫМ КОМПЛЕКСОМ С ФУНКЦИЯМИ УЧЕБНОГО ТРЕНАЖЕРА
Представлена система для наземной станции управления беспилотным летательным аппаратом с функциями учебного тренажера, предназначенная для подготовки и повышения квалификации персонала, которая сокращает затраты на его обучение.
Ключевые слова: маловысотный аппарат, беспилотный аппарат, учебный тренажер.
The remote control system for the specific type of an unmanned aerial vehicle. Ilya A. Shipitko, Vladimir I. Bogdanov - Branch in Arsenyev (Far Eastern Federal University).
The article deals with the ground control station system intended to control an unmanned aerial vehicle and having the functions of a training simulator designed to train the staff and perfect their qualification, which reduces the cost of the staff’s instruction.
Key words: low-altitude machine, drone, training simulator.
Актуальность развития беспилотных летательных аппаратов (БПЛА) для нужд различных отраслей народного хозяйства Российской Федерации требует непрерывного совершенствования методов и средств систем бортового управления БПЛА, аппаратной и программной части вычислительных средств систем управления, комплексов и средств обучения и повышения квалификации персонала - операторов аэромобильных комплексов и систем. Квалификация оператора оказывает решающее влияние на эффективность применения БПЛА, несмотря на достаточно высокий уровень автономности его бортовых систем, особенно в ситуациях экстренного принятия решения.
© Шипитько И.А., Богданов В.И., 2012
В работе предлагается создание наземной станции управления маловысотным аэромобильным комплексом (МВАК) для обработки труднодоступных рабочих зон, одновременно являющейся тренажером для подготовки и повышения квалификации будущих операторов МВАК.
МВАК [1] представляет собой перспективную аэромобильную платформу, сочетающую свойства аппарата с аэростатической подъемной силой со свойствами винтокрылых аппаратов. Это придает БПЛА на основе МВАК способность к точному маневру на малых скоростях в труднодоступных рабочих зонах при обеспечении простоты управления и существенно более высокой грузоподъемности по сравнению с БПЛА вертолетного типа.
Для реализации таковых преимуществ пульт оператора МВАК должен обладать существенной информационной насыщенностью, обеспечивая оператору полноту информации о состоянии и характеристиках полета аппарата, а также об окружающей обстановке. Совмещение функций станции управления с функциями учебного тренажера позволяет при некотором увеличении требований к вычислительным ресурсам компьютерной системы станции наземного управления существенно сократить затраты на тренировку операторов, снизить стоимость оборудования и сократить объемы, занимаемые оборудованием.
На рисунке представлена структурная схема наземной станции управления с функциями тренажера-симулятора. Для достижения заявленных характеристик в качестве модульной программной платформы для системы оперативного управления принят программный комплекс с открытыми исходными кодами OpenPilot [2].
Рис. 1. Структурная схема наземной станции управления МВАК с функциями учебного стенда-тренажера. МООПИ - мониторы оперативного отображения полетной информации, ООУП -органы оперативного управления полетом, ПООУП - компьютер № 1, программное обеспечение оперативного управления полетом, ПОТС - компьютер № 2, программное обеспечение, тренажера-симулятора, МРК - блок радиоканала
Модуль ОУП представлен программным обеспечением OpenPilot GCS (Ground Control System), осуществляющим по протоколу UAVTalk через модуль радиоканала МРК передачу команд управления и получение данных телеметрии от бортового вычислительного комплекса МВАК, оснащенного программным обеспечением открытыми исходными кодами PilotOS.
Функции обучения в составе комплекса реализуются модулем ПОТС, состоящим из программного симулятора Microsoft Flight Simulator с модулем поддержки протокола
UAVTalk, содержащего полетную модель МВАК. Для достоверности имитации полетных режимов в настоящее время уточняются аэродинамические свойства программной модели МВАК для целей симуляции. Программный симулятор полета МВАК позволяет оператору через штатные органы оперативного управления отрабатывать необходимые навыки по управлению маневрами МВАК, не прибегая к помощи дополнительного оборудования.
В настоящее время лабораторией при кафедре самолето- и вертолетостроения филиала ДВФУ в г. Арсеньеве производится разработка опытного экземпляра МВАК и предлагаемой наземной станции управления, обладающей функциями тренажера-симулятора.
СПИСОК ЛИТЕРАТУРЫ
1. Летательный аппарат. Пат. РФ на полезную модель №109094 от 10.10.2011г. / Ю.Ф. Огнев, О.Ш. Бердиев. Заявл. 29.03.2011, опубл. 10.10.2011. Бюл. № 28.
2. The Next Generation Open Source UAV Autopilot. URL: http://www.openpilot.org (дата обращения: 25.08.2012).
