Содержание к диссертации
Введение 4
Глава 1. Постановка задачи автоматического снижения транспортного
вертолета при непрерывном наблюдении посадочных ориентиров. 10
Уравнения движения "свободного" вертолета, 10
Выбор метода решения задачи автоматического
снижения на базе нейронных сетей 19
1.2.1. Искусственный нейрон (базовый процессорный элемент - БПЭ)
и НС 21
1.2.2. НС прямого распространения и алгоритм обучения
обратного распространения ошибки 25
1.2.3. Подходы к нейронному управлению, 27
1.3. Выводы к главе 1 35
Глава 2. Выбор программной траектории снижения,
обеспечивающей непрерывное слежение за посадочным местом ,36
2.1. Анализ условий непрерывного слежения и возможностей
управления продольным движением вертолета, 37
Анализ условий непрерывного слежения 37
Анализ возможностей управления продольным
движением вертолета 38
Уравнения продольного движения вертолета 38
Синтез оптимального управления, 40
2.2. Предварительные расчеты участков пологого и
вертикального снижения ; ,43
2.3. Уточнение требований к основным параметрам
телевизионной камеры 45
2.4. Выводы к главе 2 ,47
2 Глава 3. Нейросетевой алгоритм вертикального снижения
транспортного вертолета при управлении общим шагом винта 48
Определение управляющего сигнала с помощью схемы наблюдения посадочных ориентиров 48
Формирование управления общим шагом винта и оценка его работоспособности с помощью моделирования на ЭВМ 53
Получение примеров обучения нейросетевого
регулятора и определение параметров его структуры. 58
3.4. Выводы к главе 3 62
Глава 4. Нейросетевой алгоритм пологого снижения
при управлении автоматом перекоса ,63
Определение управляющего сигнала при пологом снижении 63
Формирование алгоритм пологого снижения при управлении автоматом перекоса и оценка
его работоспособности с помощью моделирования на ЭВМ 66
4.3. Синтез комбинированного управления автоматом перекоса
и общим шагом винта при пологом снижении 69
4.4. Примеры обучения нейронной сети, реализующей
комбинированное управление, и определение основных
параметров сети 72
4.5. Выводы к главе 4 75
Глава 5. Нейросетевое распознавание посадочных ориентиров 76
Формирование примеров обучения при классификации посадочного места 76
Обучение нейросетевого классификатора распознаванию посадочных ориентиров и его основные параметры 82
Анализ возможности надежного наблюдения посадочных ориентиров с помощью двух телевизионных камер. 86
Выводы к главе 5 91
Глава 6. Экспериментальное моделиролвание на ЭВМ
нейросетевого контроллера 93
6.1. Вертикальное снижение вертолета с помощью
НС прямого распространения 93
Создание примеров для обучения 93
Результат обучения и архитектура НС 94
6.2. Пологое снижение вертолета с помощью
НС прямрго распространения 96
6.3. Обнаружение посадочного места с помощью
НС прямого распространения 97
6.4. Распознавание посадочных ориентиров с помощью
НС прямого распространения 98
6.5. Комплексное моделирование процесса вертикального
снижения вертолета на ЭВМ. 99
6.6. Выводы к главе 6 104
Заключение 105
Список литературы 106
Приложение 109
Введение к работе
В настоящее время объем десантных и посадочных работ вертолета непрерывно увеличивается (см. рис.1). Кроме этого, осуществление наблюдения с воздуха наземных объектов является одной из наиболее эффективных форм использования в народном хозяйстве малоразмерной авиации. Снижение вертолета на палубу судна - один их самых сложных и зрелищных видов авиационных работ, где можно увидеть, как гигантский кран за считанные минуты десантирует груз или "живых людей" на палубу судна в сложных погодных условиях.
Рис. 1. Монтаж мачты сотовой связи с помощью вертолета
Однако, эти работы являются не только сложными, но и опасными.
Предугадать все, что может произойти при их выполнении невозможно, но
можно максимально снизить степень риска. По мнению экспертов [1],
существенную роль в уменьшении степени риска играет человеческий
фактор. Работы, выполняемые на большой высоте или в сложных погодных
условиях, требуют от летчика особого внимания при управлении, что создает
дополнительные психофизиологические нагрузки, кардинально
отличающиеся от нагрузок, переносимых им в обычном полете. Можно заметно разгрузить летчика и освободить его от функций автостабилизатора углового положения вертолета с помощью дифференциального включения автопилота в основную проводку управления. Однако, в целом, как показывает практика, управление снижением вертолета остается сложным процессом. Существующие бортовые системы автоматического управления снижением вертолета на палубу судна пока еще не в полной мере отвечают необходимому для этого вида работ уровню точности. Поэтому их применение для этой цели без совершенствования системы управления не может считаться эффективным.
Из вышесказанного следует, что разработка технического средства, позволяющего автоматически решать задачи снижения вертолета, обнаружения и распознавания посадочного места с помощью установленных на борту телевизионных камер и десантирования груза на палубу судна, является весьма актуальной задачей.
Целью диссертационной работы является разработка нейросетевых алгоритмов обнаружения и распознавания посадочного места, а также управления общим шагом винта и автоматом перекоса при снижении вертолета в точку зависания над посадочным местом.
К основным положением, выносимым на защиту, относятся:
Схема расположения посадочных ориентиров на палубе судна, обеспечивающая надежный контроль посадочного места при наличии помех.
Нейросетевые процедуры автоматического обнаружения и распознавания посадочных ориентиров.
Схема расположения двух телевизионных камер, закрепленных к корпусу вертолета и наблюдающих посадочное место с противоположных сторон.
Нейросетевые алгоритмы управления общим шагом винта и автоматом перекоса для пологого и вертикального снижения вертолета.
Методы исследования. Решение поставленных в диссертационной работе задач проводилось на основе использования основных разделов автоматического и оптимального управления, теории нейронных сетей, а также методов имитационного моделирования.
Научная новизна. В результате проведенных исследований:
Показано, что при выбранной конфигурации посадочных ориентиров в виде креста нейросетевой алгоритм надежно распознает посадочное место как при маскирующем действии помех, мешающем видимости одного из ориентиров, так и при появлении новых контрастных атмосферных точек в телевизионном кадре. Это достигается путем подачи на вход специально обученной нейронной сети дополнительного кода, определяющего общее число контрастных точек и позволяющего отселектировать влияние помех на анализ оставшихся надежных ориентиров.
Найдена программная траектория посадки, состоящая из участков пологого и вертикального снижения, исходя из условия невыхода из поля зрения телевизионной камеры посадочного места.
Показано, что для устранения отклонений от программы посадки при вертикальном снижении достаточно управлять общим шагом винта, а при пологом снижении необходимо комбинированное управление общим шагом винта и автоматом перекоса.
Получены структуры обучаемых нейронных сетей прямого распространения, реализующих оба режима снижения вертолета.
Доказана возможность построения унифицированного контроллера, реализующего в конвеерном режиме решение задач обнаружения, распознавания, вертикального и пологого снижения, что позволяет в самом полете лишь переключить наборы весовых коэффициенты нейронов и входы и выходы сети в зависимости от решаемой задачи. Практическая ценность работы определяется тем, что предложенные
схемы расположения посадочных ориентиров и закрепления к корпусу
вертолета двух телевизионных камер обеспечивают повышенную надежность слежения за посадочным местом с учетом влияния атмосферных помех в плохую погоду и маскирующего действия раскачивающегося на тросе груза. Кроме того, применение унифицированного нейроконтроллера на борту вертолета снижает массогабаритные характеристики и стоимость управляющего устройства в целом.
Достоверность результатов работы обусловлена применением научно обоснованных методов теории оптимального управления, динамического программирования, искусственного интеллекта. Оценка эффективности предложенных алгоритмов подтверждена экспериментальными результатами цифрового моделирования на ЭВМ.
Апробация работы. Результаты диссертации докладывались на 5 международных и общероссийских научно-технических конференциях: "Современные технологии в задачах управления, автоматики и обработки информации" (XIII международный научно-технический семинар, Алушта 2004г.; XIV международный научно-технический семинар Алушта 2005г), Восьмая научная сессия "Аэрокосмические приборы и системы" (ГУАП 2005, Санкт-Петербург), IV-я Международная конференция "Авиация и космонавтика"( МАИ 2005, Москва), Научный симпозиум "Неделя горняка" (МГГУ 2006, Москва). Основные результаты диссертационной работы опубликованы в научно-техническом отчете по НИР, а также в статье в журнале "Авиакосмическое приборостроение", 2006, №2. Всего по результатам работе имеется 9 публикаций.
Структура и объем работы. Диссертация состоит из введения, шести глав, заключения, списка литературы и приложения. Объем диссертации 113 страниц текста, включает 55 рисунков, 5 таблиц. В работе обоснована возможность нейросетевого подхода к задачам обнаружения и распознавания посадочных ориентиров и последующего слежения за ними при управлении снижением вертолета к посадочному месту.
В первой главе представлены математическая модель "свободного" вертолета. В этой главе также приведены некоторые подходы к нейроуправлению, включая нейронные сети (НС) прямого распространения и алгоритмы прямого распространения ошибки, а также обоснована целесообразность применения унифицированной НС для решения разных транспортных задач.
В завершении главы сформулированы задачи диссертационной работы.
Во второй главе на основе уравнений продольного движения вертолета, построена математическая модель вертолета, которую можно использовать для синтеза оптимального управления с помощью метода АКОР. Проведен анализ возможности управления вертолетом снижения высоты с помощью автомата перекоса и изменения общего шага винта. Определены расчеты участков пологого и вертикального снижения при условии, что посадочное место не выходит из поля зрения телевизионной камеры, жестко закрепленной к корпусу вертолета.
Третья глава посвящена решению задач нейросетевого
управления общим шагом винта при вертикальном снижении транспортного вертолета.
Для выполнения функций обычного контроллера можно использовать НС прямого распространения. Нейроконтроллеры этого типа могут обеспечивать нужное качество вертикального снижения транспортного вертолета при управлении общим шагом винта
В четвертой главе решается задача нейросетевого управления автоматом перекоса при пологом снижении транспортного вертолета. Пологое снижение транспортного вертолета при управлении автоматом перекоса не может во всех случаях обеспечить надежное наблюдение ориентиров бортовой телевизионной камерой, поэтому надо добавить управление общим шагом винта. Сформированы алгоритм управления одновременно общим шагом винта и автоматом перекоса и получены структуры обучаемых нейронных сетей, реализующих пологое снижение.
В пятой главе предложена схема обнаружения посадочных ориентиров с помощью нейронной сети, когда анализируемых кадр разбивается на 9 секторов и из них выбирается один, который содержит максимальное число контрастных точек. Распознавание посадочных ориентиров с помощью нейронной сети показало, что наблюдение в выбранном секторе одного экрана камеры не менее 3 ориентиров обеспечивает надежный сигнал слежения за посадочным местом при снижении. При зависании вертолета над трюмом судна раскачивающийся груз создаёт помеху для наблюдения посадочного места, поэтому предложено закрепить на корпусе вертолета две камеры, наблюдающие трюм с противоположных сторон. Это обеспечивает надежность работы нейронной сети, повышенной имеющей на входе информацию с двух камер одновременно.
В шестой главе представлена унифицированная архитектура нейроконтроллера в виде НС прямого распространения, позволяющая поочередно решать задачи снижения вертолета, обнаружения и распознавания посадочного места на палубу судна. Для этих задач были приведены соответствующие параметры НС и результаты моделирования ее работы.
В заключение исследований было проведено комплексное моделирование на ЭВМ работы унифицированного нейросетевого устройства на режимах классификации контрастных ориентиров при вертикальном снижении вертолета при следующих условиях. Считалось, что в телевизионном кадре случайным образом возникают дополнительные ложные яркие точки, а посадочные ориентиры вращаются вместе с судном, которое еще дрейфует в одном направлении. Результаты моделирования подтвердили высокую эффективность предложенного нейросетевого подхода.
В заключении приведены основные выводы по результатам диссертационной работы.
