Содержание к диссертации
Введение
Глава 1. Современные навигационные комплексы ЛА 19
1.1. Структуры навинационных комплексов ЛА 19
1.2. Методы комплексирования 37
1.3. Перспективные подходы и алгоритмы обработки информации в НК 43
1.4. Постановка задачи диссертационного исследования. 48
Выводы по главе 1 51
Глава 2. Разработка измерительных комплексов высокоточных ЛА 52
2.1. Измерительный комплекс с интеллектуальной компонентой 52
Метод Группового Учета Аргументов ( МГУА ) 61
2.2. Алгоритмы КОИ НК 69
2.3. Ансамбль критериев селекции КОИ 76
Выводы по главе 2 81
Глава 3. Разработка алгоритмов коррекции в структуре ИНС 83
3.1. Измерительный комплекс с линейным редуцированным регулятором 83
3.2. Разработка нелинейного алгоритма управления для коррекции ИНС 87
3.3. Разработка нелинейного алгоритма коррекции погрешностей ИНС 91
Выводы по главе 3 94
Глава 4. Динамический системный синтез НК ЛА 95
4.1. Системный синтез НК 95
4.2. Динамический системный синтез НК 101
4.3. Разработка алгоритма построения модели погрешностей ИНС 108
Выводы по главе 4 112
Глава 5. Экспериментальные исследования 95
5.1. Результаты математического моделирования 95
5.3. Анализ результатов моделирования 111
Выводы по главе 5 113
Общие выводы и заключение 113
Список литературы 115
- Методы комплексирования
- Алгоритмы КОИ НК
- Разработка нелинейного алгоритма управления для коррекции ИНС
- Разработка алгоритма построения модели погрешностей ИНС
Введение к работе
Актуальность темы исследования.
Эффективность применения современных высокоманевренных и сверхманевренных многофункциональных летательных аппаратов (ЛА) определяется не только их летно-техническими характеристиками и вооружением, но и возможностями бортового оборудования по информационному обеспечению боевых действий, управлению оружием и защите ЛА.
Точность измерений параметров ЛА, зависит от условий эксплуатации, конструктивных особенностей измерительных систем и их алгоритмического обеспечения. Алгоритмическое обеспечение измерительных систем ЛА включает алгоритмы оценивания, управления, прогнозирования и комплексирования. Наиболее точную информацию удаётся получить при комплексировании измерительных систем, основанных на разных физических принципах. Например, навигационные комплексы комплексы (НК) малогабаритных беспилотных ЛА состоят из инерциальных навигационных систем (ИНС) и приёмников спутниковых систем ГЛОНАСС/GPS, а возвращающиеся в атмосферу аппараты многоразового действия снабжены ИНС, ГЛОНАСС, радиолокационными, лазерными измерительными системами, астрокорректорами, сигналы которых подвергаются совместной обработке.
Другим примером, являются прицельно-навигационные комплексы (ПНК) ряда боевых самолетов, в частности - Су-27СМ, Су-30СМ, Су-34, МиГ-29К, которые построены по принципу комплексирования измерительных систем вокруг бортовой цифровой вычислительной системы (БЦВС) для решения комплексных задач, задач навигации, управления и взаимодействия с сохранением независимости работы отдельных входящих в комплекс систем.
Большой вклад в создание современных ПНК и их алгоритмического обеспечения внесли Агеев В.М., Джанджгава Г.И., Парусников Н.А., Салычев О.С., Сотников В.И., Степанов О.А., Харин Е.Г., John W. Gichton, Lance Sherry, Giarratano Joseph C., Piley Gary D. Требования, предъявляемые к точности, помехо- и отказоустойчивости, диапазону применения измерительных систем и НК в целом, постоянно возрастают, поэтому разработка новых подходов, алгоритмов обработки информации измерительных систем является актуальным и важным комплексом задач. Одним из перспективных направлений модернизации алгоритмического обеспечения НК является использование интеллектуальных технологий, которые базируются на трудах Васильева В.И., Макарова И.М., Поспелова Д.А., Пупкова К.А., Федосова Е.А., Ke Fang, Alan S. Morris, Reza Langari, Chin L., Grewal S.M., Weill L.R., Andrews A.P. и других ученых. При
реализации алгоритмического обеспечения одной из актуальных задач является определение оптимальных структур моделей исследуемых процессов. Решению задачи построения модели системы с неопределенным порядком посвящены труды Красовского А.А., Микрина Е.А., Зубова Н.Е., Ивахненко А.Г., Курдюмова, Копысова О.Ю., Лайона П.М., Крайссельмайера и др. Разработка структур НК, алгоритмического обеспечения с интеллектуальными компонентами для НК представляет собой сложный комплекс задач, решение которого позволит повысить точность навигационных определений современных и перспективных ЛА.
Объект исследования. В качестве основного объекта исследования в диссертации рассматривается НК атмосферных ЛА.
Предметом исследования служат структуры НК, алгоритмы обработки информации навигационных систем на борту ЛА.
Целью работы является разработка и исследование перспективных структур НК ЛА, а также алгоритмов комплексирования на борту ЛА.
Для достижения постановленной цели решаются следующие основные задачи:
-
Исследование особенностей структур НК современных и перспективных ЛА.
-
Разработка алгоритмов комплексирования измерительных систем ЛА.
-
Разработка алгоритмов обработки информации НК, функционирующих длительное время в условиях отсутствия коррекции от РСБН, РСДН.
-
Разработка структуры и алгоритмов обработки информации перспективных НК высокоточных ЛА.
Методы исследования. При решении сформулированных задач использовались методы теории автоматического управления, навигационных систем, интеллектуальных систем, методы системного синтеза и самоорганизации, математического и полунатурного моделирования и программный пакет MATLAB.
Научная новизна диссертационной работы заключается в следующем:
-
Результаты системного анализа существующих структур НК ЛА. Выявлены недостатки и намечены пути совершенствования структур алгоритмическим путем.
-
Разработана структура НК с интеллектуальной компонентой для ЛА, способная изменять свой рабочий контур в зависимости от уровня помех и условий полета ЛА. Алгоритмическое обеспечение НК ЛА дополнительно включает алгоритм самоорганизации, алгоритм прогноза, критерий сравнения прогноза и текущего состояния комплекса.
-
Разработан алгоритм комплексирования, включающий расширенный ансамбль критериев селекции, позволяющий формировать оптимальную структуру НК, а также строить модели с желаемыми характеристиками наблюдаемости и управляемости.
-
Разработан комплекс алгоритмов для НК, функционирующего длительное время без коррекции от стационарных навигационных станций, включающий алгоритм управления, который использован для компенсации погрешностей в структуре ИНС.
-
Предложен и разработан подход динамического системного синтеза алгоритмов обработки информации НК перспективного ЛА, позволяющий изменять конфигурацию НК, алгоритмов и моделей в полете.
Практическая значимость результатов исследования.
Использование разработанного алгоритма комплексирования позволило выбирать наилучшую структуру НК на всех интервалах полета.
В условиях длительных полетов без коррекции от стационарных наземных станций модели погрешностей платформенных ИНС становятся неадекватны реальному процессу (углы отклонения ГСП увеличиваются), поэтому разработан алгоритм коррекции в структуре ИНС,
обеспечивающий сохранение малости углов отклонения ГСП относительно выбранной системы координат.
Разработанный подход динамического системного синтеза позволяет использовать в алгоритмическом обеспечении НК компактные модели, что существенно упрощает реализацию алгоритмов в БЦВС.
Результаты диссертации использованы в учебном процессе кафедр «Системы автоматического управления» и «Технологии приборостроения» МГТУ им. Н.Э. Баумана.
Достоверность и обоснованность научных положений и результатов подтверждены корректным использованием методов и алгоритмов теории управления, результатов теории интеллектуальных систем, достаточным объемом математического и полунатурного моделирования, а также полученными непротиворечивыми результатами, которые согласуются с известными данными, опубликованными в открытой печати.
Основные положения диссертационной работы, выносимые на защиту. Комплекс алгоритмов обработки информации НК ЛА, реализующий подход динамического системного синтеза и включающий алгоритм комплексирования с ансамблем критериев селекции, адаптивный фильтр Калмана, алгоритм самоорганизации, алгоритм управления для компенсации погрешностей в структуре ИНС.
Комплекс алгоритмов перспективного НК ЛА, позволяющий изменять конфигурацию комплекса, основанный на элементах теории интеллектуальных систем.
Апробация работы. Результаты исследований докладывались и обсуждены на: второй международной научно-практической конференции «Теоретические и практические исследования XXI века» (Дедовск, 2016г.); второй международной научно-практической конференции «Достижения вузовской науки» (Дедовск, 2016г.); международной научно-практической конференции «Наука сегодня: проблемы и пути решения» (Вологда, 2016г.); Всероссийской конференции молодых ученых и специалистов «Будущее машиностроения России» (Москва, 2015); втором международном симпозиуме «Современные аспекты функдаментальных наук» (Дедовск, 2015); международной научной конференции «Актуальные вопросы фундаментальных наук» (Дедовск, 2014); первом международном симпозиуме «Современные аспекты фундаментальных наук» (Дедовск, 2013); международной конференция. «Бъдещите изследвания» (София, 2014); международной конференции. ИСТ-2014 (Нижний Новгород, 2014); международной конференции. ИСТ-2015 (Нижний Новгород, 2015).
научном семинаре кафедры «Системы автоматического управления» МГТУ им. Н.Э. Баумана.
Публикации. По теме диссертации опубликовано 23 научных работы, из них 4 статьи в журналах, входящих в Перечень ВАК Минобрнауки РФ, 2 статьи в журналах, входящих в перечень Scopus, общий объемом 4.5 п.л.
Структура и объем работы. Диссертационная работа состоит из введения, пяти глав, заключения, списка литературы. Текст диссертации изложен на 143 машинописных страницах, содержит 43 рисунка. Список литературы содержит 102 источника.
Методы комплексирования
Датчики информации, входящие в ПНК, осуществляют измерение и первичную обработку исходных данных, а общие задачи интегральной обработки решает БЦВС.
ИНС в составе ПНК решают задачи непрерывного определения и выдачи потребителям пилотажно-навигационных параметров. Полное резервирование ИНС, являющихся базовыми навигационными системами комплекса, и цифровых вычислительных машин обеспечивает высокую надежность работы комплекса во всех режимах и условиях применения.
Системы воздушных сигналов (СВС) в составе ПНК измеряют и выдают потребителям текущие значения высотно-скоростных параметров.
Системы спутниковой навигации (СНС) в составе ПНК измеряют и выдают потребителям точные значения текущих координат и скорости в глобальных системах координат (ПЗ-90 или WGS-84). Радиотехнические системы ближней навигации (РСБН) обеспечивают решение задач зональной навигации и захода на посадку.
Управление режимами работы комплекса осуществляется с кнопочного обрамления МФИ, МФПИ и КАИ. Индикаторы МФИ и ИКШ также обеспечивают индикацию пилотажно-навигационных и иных параметров.
Несколько интерфейсных блоков (БКТС – блок коммутации телевизионных сигналов, УСК – устройство сопряжения и коммутации и др.) решают задачи преобразования и коммутации принимаемых и выдаваемых сигналов от информационных систем ПНК и других систем самолетов.
ПНК, общая структура которого показана на Рис. 1.4 работает в двух основных режимах – подготовка к вылету и рабочий режим.
В режиме подготовки и в каждую ЦВС посредством устройств ИУП вводится полетное задание, содержащее, в числе прочего, априорную информацию (i = ИНС, ВДС, РСБН, СНС, ДИСС, РЗП, ОПС) о параметрах геофизических полей (рельефа земной поверхности, объектового состава и др.), модели Земли, отражающих свойствах подстилающей поверхности, радиомаяках, созвездиях навигационных спутников систем ГЛОНАСС и GPS, об ориентирах и параметрах целей.
В рабочем режиме в каждую ЦВС в реальном времени от соответствующих систем поступает измерительная информация о параметрах движения ЛА (i = ИНС-1, ИНС-2, СВС, РСБН, СНС, ДИСС, РВ), об относительных координатах цели (i = ОЛС, РЛС), а также команды и оперативные данные от экипажа – посредством устройств ИУП, или пункта управления или командира группы – посредством КСС. В ЦВМ-Н осуществляется обработка измерительной информации основных навигационных датчиков (ИНС, СВС, ДИСС, СНС, РСБН) и априорной информации.
Далее сопоставлением (вычитанием) двух векторов состояния, полученным по информации разных датчиков, строится невязка между ними, путем обработки которой для каждого k-того момента времени формируется оценка вектора погрешностей i-го измерительного канала.
Эти оценки затем используются при расчете значений навигационных параметров ЛА, при этом предпочтение отдается наиболее точному значению оценки, имеющей наименьшую погрешность. НК СУ-27П состоит из ПНК-10, включающего информационный комплекс ИК-ВК-80, радиотехническую систему А-317 (Урон), комплекс высотноскоростных параметров ИК-ВСП-2-10, который оснащен алгоритмами комплексной обработки информации.
Введение в состав ПНК алгоритмов комплексной оценки обеспечивает коррекцию информации основных автономных систем – ИНС, СВС, а также эффективный контроль информации ДИСС и РСБН по более точным данным СНС и адаптацию измерителей к условиям полета. При этом достигается максимально возможная точность решения основных задач комплекса во всех режимах работы и условиях полета.
Комплексная обработка информации ИИБ, установленного в вынесенной точке вблизи от антенной системы РЛС, и основных резервированных ИНС обеспечивает формирование параметров движения этой точки и высокую степень разрешения при распознавании целей и высокое качество решению задачи прицеливания и применения средств поражения.
Традиционно, за базовую систему в НК принимают ИНС. Она снабжается несколькими внешними системами и датчиками навигационной информации, а также алгоритмическим обеспечением (алгоритмы комплексирования, оценивания). Под алгоритмами комплексирования понимаются алгоритмы обработки сигналов от применяемых датчиков и систем. Теоретически, при увеличении числа измерительных систем, входящих в состав комплекса, удается добиться большей точности при получении информации о навигационных параметрах ЛА. Но в практических приложениях использование большого количества измерительных систем с различными точностными характеристиками и несовершенство алгоритмического обеспечения снижают точность навигационных определений. Таким образом, при помощи алгоритмов комплексирования выделяют системы, которые позволяют получать наиболее достоверную информацию о навигационных параметрах ЛА. Также наиболее достоверная информация выделяется при совместной обработке сигналов от различных систем. Примером алгоритма комплексирования , который является простейшим и в то же время одним из популярных, может служить алгоритм усреднения показаний различных систем, измеряющих один и тот же параметр.
Пилотажно-навигационное оборудование, выпускаемое в настоящее время включает в себя интегрированные комплексы бортового оборудования. Данные комплексы строятся на универсальных вычислительных системах, в которых предусмотрена обработка пилотажно-навигационной информации на нескольких последовательных уровнях. Программно-математическое обеспечение современных комплексов позволяет осуществлять комплексную обработку информации, которая поступает от различных систем и датчиков. Информация, поступающая от менее точных измерительных систем подвергается коррекции (при наличии корректоров). Такого рода подход позволяет обеспечить автономность, надежность и помехозащищенность навигационных комплексов. Дальнейшее развитие НК направлено на интеллектуализацию управления ЛА.
Алгоритмы КОИ НК
В селективном комплексе предполагается определении наиболее точной информации и ее последующей обработки при помощи алгоритма оценивания. С выхода алгоритма оценивания оценка вектора состояния поступает в выходную информацию комплекса. Таким образом происходит коррекция последней. В качестве алгоритма оценивания обычно используют фильтр Калмана и его модификации [37, 102]. Для упрощения реализации алгоритма оценивания воспользуемся скалярным подходом [37].
Скалярные алгоритмы представляют собой формулы с переменными коэффициентами, при помощи которых возможно оценивание отдельно каждой компоненты вектора состояния. При синтезе скалярных алгоритмов оценивания необходимо сформировать скалярное уравнение модели для конкретной компоненты вектора состояния и приведенные измерения.
Пусть объект описывается уравнением вида; xk =G jci_1+Gwi_1: (2.4) где xk-1 - вектор состояния; wk-1 - вектор входного шума, который является дискретным аналогом белого гауссового шума с нулевым математическим ожиданием; Ф(n m) - матрица системы; G - (n l) - матрица входного шума.
Часть вектора состояния измеряется: zk = Hxk + vk (2.5) где zk - m-мерный вектор измерений; Н - (m n) - матрица измерений; vk -m-мерный вектор измерительного шума, который является дискретным аналогом белого гауссового шума с нулевым математическим ожиданием, причем v и w некоррелированы между собой (т.е М[v,V] = 0).
Не теряя общности постановки задачи, предположим, что измеряется одна компонента вектора состояния, т.е. Я = [1 0 0]. Разобьем каждый шаг измерений на п подтактов и выразим эти измерения через вектор состояния на первом подтакте измерений. z =Sx1+v (2.6)
Для упрощения реализации СИК целесообразно использовать адаптивную модификацию фильтра Калмана в скалярном виде [37, 93]: Xnk+1 aiiXn(k-1)+1 + Sk + Un(k-1)+1 + ""Аг+1 \Zk+1 аиХп(к-1)+1 Sk Un(k-1)+1 РІ = РІ-АК-Ш) і Рк к к,к-1 к р к,к-1+К р к =(1-k k)pl,k_1 к=№-р,„М2 р -1 , к,к-1 где s[ = a1z k1 + ai2z k2 +... + amz kn; аi - это i-я строка матрицы S-1; ЗІ- обновляемая последовательность в адаптивном скалярном алгоритме фильтрации получена по формуле = -««4-1-4-1- -1 . Представленный алгоритм оценивания способен функционировать в условиях отсутствия априорной информации о дисперсиях входного и измерительного шумов.
В СИК, при изменении режима функционирования ЛА, периодически проводится анализ степеней наблюдаемости переменных состояния и осуществляется автоматический: выбор наилучшей структуры комплекса. Измеряемые посредством выбранных датчиков сигналы используются в алгоритме оценивания для формирования оценок погрешностей базовой ИНС. А затем оценки погрешностей используются для коррекции навигационной информации.
Таким образом, использована концепция построения интеллектуальных систем при синтезе НИК. Принятие решения о выборе структуры комплекса сопровождается формированием программы действия с одновременным прогнозом результата. Это важнейший феномен интеллектуальных систем - когда в конце процесса получается результат, который уже в начале этого процесса имелся в ее представлении.
Использование НИК вместо СИК несколько усложняет алгоритмическое обеспечение. Необходимо дополнительно реализовать алгоритм самоорганизации, прогноза и динамическую базу данных, состоящую из предсказанных характеристик погрешностей базовой измерительной системы, а также алгоритм сравнения получаемой информации с прогнозированной. Навигационный комплекс с повышенными характеристиками наблюдаемости и управляемости Исследован НК с интеллектуальной компонентой, который функционирует длительное время без коррекции от стационарных навигационных станций и системы ГЛОНАСС. Алгоритмическое обеспечение комплекса сформировано в рамках функциональных систем П.К.Анохина. То есть, с применением алгоритма оценивания, алгоритма управления, модифицированных трендов, критериев степени наблюдаемости и управляемости переменных состояния. В алгоритмах обработки информации НК используются модели с повышенными степенями наблюдаемости и управляемости переменных состояния.
Для управления ЛА используется информация от НК. В состав НК включены разнообразные навигационные системы, объединенные посредством информационного процесса. Исследуемый тип НК состоит из максимально возможного количества навигационных систем и алгоритмического обеспечения. Алгоритмическое обеспечение современных НК ЛА, как правило, включает алгоритмы комплексирования, оценивания, управления и прогнозирования [37]. Базовой навигационной системой НК является ИНС. Все другие навигационные системы НК являются внешними, по отношению к ИНС, источниками информации. В условиях активного противодействия, полетов над территорией противника использование стационарных навигационных систем (РСБН, РСДН) и ГЛОНАСС не представляется возможным. В таких условиях для высокоточного вычисления навигационных определений предложено использовать структуру НК с интеллектуальной компонентой НКИ [73, 101], снабженную контуром коррекции ИНС в структуре системы посредством алгоритма управления. В основу способа комплексирования положены критерии селекции информации: численный критерий степени наблюдаемости и критерий степени управляемости переменных вектора состояния, включающего погрешности ИНС. В качестве интеллектуальной компоненты НКИ используются акцептор действия интеллектуальных систем [37], включающий модифицированный тренд, алгоритм прогноза и сравнение прогноза с апостериорным результатом [101].
Разработка нелинейного алгоритма управления для коррекции ИНС
Если на первом этапе функционирования НКИ некоторые компоненты вектора состояния были слабонаблюдаемыми и не подвергались оцениванию, то с течением времени появляется возможность использовать более подробную модель исследуемого процесса и степень наблюдаемости этих компонент может увеличиться. В этом случае слабонаблюдаемые компоненты переходят в разряд оцениваемых компонент вектора состояния. По мере накопления полезной информации с помощью алгоритма самоорганизации строится более подробная модель исследуемого процесса.
Если использование более подробной модели приводит к тому, что степень наблюдаемости конкретного параметра увеличивается, то оцениваемый вектор состояния расширяется и в конечном итоге (в случае, когда все параметры НКИ становятся «хорошо» наблюдаемыми) осуществляется переход от редуцированного к обычному полному вектору состояния. Синтез нелинейной модели проводится, в соответствие с концепцией системного синтеза, относительно переменных состояния, выбранных для линейной модели. Эти переменные состояния являются ключевыми или определяющими для исследуемого процесса в линейном представлении. Ансамбль критериев селекции при синтезе нелинейной модели не содержит критериев степени наблюдаемости, так как эти критерии справедливы только для линейного случая.
Разработка алгоритмического обеспечения НКИ основано также на принципе рациональной унификации [101]. Повышение степени унификации алгоритмического обеспечения уменьшает стоимость системы, снижает алгоритмические погрешности и вычислительные ошибки, поэтому является важной и актуальной задачей при синтезе алгоритмического обеспечения НКИ ЛА. В соответствие с концепцией системного синтеза необходимо рациональное сокращение числа параметров используемой модели. осуществить такое сокращение можно путем выделения переменных с различными темпами изменения. обычно выделяют «медленные», «нормальные» и «быстрые» переменные [94]. При изменении ситуации обработка информации осуществляется следующим образом: медленные переменные заменяются константами, быстрые переменные - их осредненными значениями. В случае если быстрые переменные не оказывают существенного влияния на описание процесса, то их целесообразно вообще исключить из рассмотрения. Далее происходит уточнение переменных.
Иерархия переменных состояния моделей представлена на Рис. 4.1.
На Рис.4.2. из определяющих параметров моделей выделяются доминирующие параметры с помощью критериев степени наблюдаемости с низкими пороговыми значениями. Далее, в зависимости от режима функционирования ЛА, осуществляется формирование различных видов моделей. Для режима интенсивного маневрирования отбираются параметры с помощью численных критериев степени наблюдаемости, но уже с высокими пороговыми значениями. Такой концептуальный подход позволяет отбирать только эффективно определяемые параметры.
При движении ЛА в крейсерском режиме доминирующие параметры выбираются с помощью критериев степени наблюдаемости с пороговыми значениями несколько меньшими, чем в режиме интенсивного маневрирования. Это объясняется тем, что имеется возможность получить большие измерительные выборки, достоверно отражающие исследуемый процесс. В этом случае целесообразно увеличить количество параметров, участвующих в описании исследуемого процесса, так как имеется возможность построения более полной и точной модели. Таким образом, продемонстрирован способ использования концепции системного синтеза для разработки НК ЛА. Предложено использовать в качестве ключевых параметров НК только переменные состояния с повышенными характеристиками наблюдаемости и управляемости. Взаимосвязи этих переменных состояния определяются при помощи алгоритма построения линейных трендов и подхода самоорганизации. Использование системного синтеза и способа рациональной унификации для разработки алгоритмического обеспечения НИК ЛА позволяет реализовать алгоритмическое обеспечение в современных серийных БЦВМ.
Рассмотрим способ формирования алгоритмического обеспечения НК с переменной структурой, который основан на концепции системного синтеза. Во время функционирования комплекса выбирается его приборный состав, на каждом интервале работы НК строятся модели для наиболее эффективных переменных состояния. Именно они и используются для коррекции в алгоритмическом обеспечении. Определение переменных состояния, которые будут использоваться происходит при помощи ансамбля критериев селекции на основании данных предполетной подготовки. Системный синтез моделей осуществляется в зависимости от планируемого режима полета ЛА. В алгоритмах обработки информации комплекса использованы модели с максимально возможными степенями наблюдаемости и управляемости переменных состояния.
Реализация алгоритмического обеспечения НК осуществляется на борту ЛА, поэтому для упрощения алгоритмического обеспечения и в тоже время повышения точности навигационных определений использована концепция системного синтеза [31]. Применение системного синтеза в системах управления ЛА и в НК предполагает анализ априорной информации и на его основе определение наилучшей конфигурации структур исследуемых объектов [94].
Разработка алгоритма построения модели погрешностей ИНС
Модель ошибок ИНС; 2 - оценка углов отклонения ГСП при измерении скорости и местоположения; 3 - оценка углов отклонения ГСП при измерении скорости
По результатам математического моделирования в условиях повышенного уровня измерительного шума использование редуцированного вектора состояния позволяет повысить точность в среднем на 5-15%
По результатам математического моделирования точность вычисления ошибок в определении скорости с помощью разработанного НК с коррекцией в структуре ИНС повышается в среднем на 7%, ошибок в определении углов отклонения ГСП повышается на 10%
Результаты моделирования по данным лабораторного эксперимента продемонстрировали высокую эффективность разработанного подхода динамического системного синтеза КОИ. Точность навигационных определений скорости ЛА в среднем повышается на 8%; угла отклонения ГСП - 10-12%; скорости дрейфа ГСП - 15%.
Результаты моделирования по реальным данным ИНС Ц060К продемонстрировали работоспособность использованного нелинейного алгоритма управления, базирующегося на SDC-представлении нелинейной модели погрешностей ИНС. С помощью разработанного алгоритма управления удается существенно повысить точность навигационных определений ЛА.
При проведении моделирования учитывалось, что характер исследуемого процесса приблизительно известен. Поэтому в качестве опорной функции, которая будет усложняться на последующих этапах, выберем гармоническую (синусоидальную) функцию вида: Z = psin(y/k + wt). На предварительном этапе селекции определяем значение амплитуды и фазы опорной функции следующим образом: в качестве начального значения амплитуды выбираем среднее значение измерений, полученных путем отбрасывания максимального и минимального измерения из 20 значений обучающей последовательности;
Заметим, что исходные данные для обучающей и проверочной последовательности будем брать в соотношении 2:1. Считаем, что в качестве исходных данных имеем 30 значений, полученные в период работы системы в режиме коррекции от спутниковой системы непосредственно перед переключением ее в автономный режим. в процессе предварительного выбора амплитуда варьируется до 14 значений. При этом значение изменяется на величину до 100%; фаза варьируется от 0 до ±90%. В результате также получаем 14 значений: 7 положительных и 7 отрицательных.
С помощью критерия минимума среднеквадратичного отклонения выбираем на обучающей последовательности единственную модель, которую будем усложнять. Назовем ее опорной функцией или первым приближением.
На первых рядах селекции исходный базис включает линейную ух и гармоническую функцию у2. У каждой из функций варьируются основные параметры (например, для гармонической функции это амплитуда и фаза). Получаем множество функций, которые затем «скрещиваются» с опорной.
На следующий этап селекции для усложнения переходит функция, которая наилучшим образом соответствует критерию выбора. описанная выше процедура повторяется на первых трех рядах селекции. В дальнейшем (для четвертого ряда селекции и далее) из исходного базиса исключается линейная функции, так как процесс носит явно гармонический характер.
В качестве критериев отбора выбран критерий минимума среднеквадратичного отклонения A2(B) = (yf -yt)2 — min и ограничение по teN времени построения прогноза. Адекватность функции проверяется на проверочной последовательности - среднеквадратическое отклонение должно уменьшаться. Таким образом, ограничимся пятью рядами селекции и будем считать, что полученная на последнем этапе функция является близкой к оптимальной, что устраивает нас из-за ограничения по времени. В случае отсутствия такого ограничения признаком получения оптимальной функции было бы нахождение глобального минимума критерия селекции [13].
Будем считать, что результатом прогноза модели являются 30 значений, полученные после подачи на вход исходных данных.
Уже после пяти рядов селекции функция имеет очень хорошее приближение к прогнозируемой модели. ошибка прогноза (значения на графике с 31 по 60 секунду) небольшая.
Для дальнейшего прогноза воспользуемся трендом, полученным на последнем ряду селекции, и будем его усложнять. Т. е. тренд, полученный в результате предыдущего прогноза, является первым приближением для последующего. Построение осуществляется на точках, полученных с 31 по 60 секунду. Из них первые 20 точек входят, как и ранее, в обучающую последовательность, а 10 – в проверочную. Результаты прогноза после пяти шагов селекции представлены на Рис. 5.18.
Значение среднеквадратического отклонения для первого приближения на проверочной последовательности: Е = 1,067 102. Значение среднеквадратического отклонения после пяти шагов на проверочной последовательности: Е = 1,3 83 10_1. Видно, что использование в качестве первого приближения тренда, полученного в результате предыдущего прогноза, позволяет добиться очень хорошего приближения к прогнозируемой модели. ошибка уменьшается на 99 %. В то время как в результате прогноза, представленном на графиках ошибка уменьшается на 81 %.