DOI: https://doi.org/10.20998/2522-9052.2017.2.09

Збільшення ефективності польоту безпілотних літальних апаратів з використанням штучних нейронних мереж

T. Kurdi Saadi, Hameed Reja Ahmed, Fathi Hussein Al-Ashmati Akram

Анотація


Мета. Відомо, що політ безпілотного літального апарату (БПЛА) здійснюється за допомогою датчиків, які передають роботу БПЛА, і на основі цієї інформації БПЛА контролюється і дає їм замовлення, необхідні для виконання завдання польоту БПЛА. Несправності в управлінні відбуваються під час польоту БПЛА, відповідно до концепцій авіації - критична ситуація, яка впливає на завершення місії. Ці несправності викликані головним чином збоєм в датчиках, які можна розділити на ситуації з польотом – про політ літальних апаратів (напрямок, висота, повітряна швидкість, вертикальна швидкість і кут атаки) і ситуація з управлінням польотом, це стосується поверхонь управління польотом, таких як кермо, елерон, кермо відхилення і датчики перемикача і регулятора висоти. У цій статті представлений ефективний метод, що дозволяє датчикам працювати з високою ефективністю. Методи. У цій роботі використовуються два різних підходи. Перший підхід заснований на інструменті на основі нейронної мережі для моделювання, симуляції та аналізу літаків, збою датчиків; виявлення, ідентифікації і рішення проблем. Другий підхід - нейронна мережа, що навчається за допомогою алгоритмів, представляє собою набір умов, які визначають, як структура мережі повинна бути адаптована, щоб краще відповідати даним навчання. Результати. Результати моделювання та аналізу датчиків літальних апаратів показали, що інструменти на основі нейронної мережі і алгоритми здатні показувати результати з високою роздільною здатністю щодо поведінки датчиків і, отже, поведінки БПЛА. Висновки. Можливості інструмента є наслідком великої модульності всієї системи моделювання. Це дозволяє легко міняти безпілотні літальні апарати, закони динаміки і контролю зворотнього зв'язку, а також оцінки нейронної мережі.


Ключові слова


безпілотний літальний апарат; виявлення несправностей датчиків; діагностика несправностей; моделювання та симулювання літальних апаратів

Повний текст:

PDF

Посилання


Stevens, B.L. and Lewis, F.L. (1987), Aircraft Control and Simulation, John Wiley & Sons, New York.

Kerr, T.H. (1982), “False Alarm and Correct Detection Probabilities over a Time Interval for Restricted Classes of Failure Detection Algorithms”, IEEE Transactions of information Theory, IT-28, No. 4, pp. 619-631.

Powell, M.J.D. (1987), “Radial Basis Function for Multivariable Interpolation: a Review”, Algorithms for approximation. J.C. Mason and M.G. Cox, Eds. Oxford U.K. Oxford Univ. Press, pp. 143-167.

Vemuri, A., Polycarpou, M. and Diakourtis, S. (1998), “Neural Network Based Fault Detection and Accommodation in Robotic Manipulators”, IEEE Transaction on Robotic sand Automation; Vol. 14, No. 2, pp. 342-348.

Napolitano, M.R.Y. and Seanor, B. (2000), “A fault tolerant flight control system for sensor and actuator failure using neural networks”, Aircraft Design, Vol. 3, pp. 103-128.

Polycarp, M. (1998), “On-Line Approximates for Nonlinear System Identification: A Unified Approach", Control and Dynamic Systems Series, Vol. 7, Neural Network Systems Techniques and Applications (Academic Press, January 1998).

Frank, P.M. (1987), "Fault diagnosis in dynamic systems using analytical and knowledge-based redundancy. A survey and some new results", Automatic, pp. 459-474.

Chow, E.Y. and Willsky, A.S. (1984), “Analytical redundancy and the design of robust detection systems”, IEEE Trans. Automat.Contr., Vol. 29, pp. 603-614.

Patton, R.J. Frank, P.M. and Clark, R.N. (1989), “Fault diagnosis in dynamic systems, theory and application,” London, Control Engineering Series, Prentice Hall.

Platt, J.C. (1991), “Resource Allocation Network for Function Interpolation”, Neural Computation, 2, pp. 213-225.

Sundararajan, Y.Li, N and Saratchandran, P. (2000), “Analysis of minimal radial basis function network algorithm for real time identification of nonlinear dynamic systems,” IEEE Contr. Theory and Application, Vol. 4, pp. 476-484.

Fravolini, M.L Campa, G.M., Napolitano and Song, Y. (2001), “Minima resource allocating networks for aircraft SFDIA” Advanced Intelligent Mechatronics, Vol. 2, pp. 1251-1256.

Frank, P.M. and Ding, X. (1997), “Survey of Robust Residual Generation and Evaluation Methods in Observer-Based Fault Detection Systems”, Journal of Process Control, Vol. 7, No 6, pp. 403-424.

Isermann, R. (1984), "Process fault detection based on modeling and estimation methods, Automatics, pp. 387-404.

Zhang, Q. and Zhang, Y. (1996), "A method for fault detection and isolation using neural Networks," IEEE International Conference on Neural Networks.

Cai, G., Lum, K.-Y., Chen, B.M. and Lee, T.H. (2010), “A Brief Overview on Miniature Fixed-Wing Unmanned Aerial Vehicles,” Proc. 8th IEEE International Conf. on Control and Automation, Xiamen, Chinapp, pp. 285-290.

Alessandri, A. and Parisini, T. (1998), "Neural state estimators for direct model-based fault Diagnosis", Proceedings of the American Control Conference.

MATLAB Help Documentation (2011), Math works, available at: www.mathworks.com (last accessed May 11, 2017)..

Rauw, M.O. (1993), A Simulink Environment for Flight Dynamics and Control analysis - Application to the DHC-2 “Beaver” (MSc-thesis, Delft University of Technology, Faculty of Aerospace Engineering, Delft, the Netherlands, 1993).

Esposito, F., Accardo, D., Moccia, A., Ciniglio, U., Corraro and Garbarino, L. (2007), “Real-Time Simulation and Data Fusion of Navigation Sensors for Autonomous Aerial Vehicles”, Advances and Innovations in Systems, Computing Sciences and Software Engineering; Elleithy, K., Ed.; Springer: Dordrecht, The Netherlands, pp. 127-136.

Nasuti, F.E. and Napolitano, M.R. (2000), "A learning approach to the SFDIA problem using radial basis function networks" Proceedings of the IEEE International Symposium on Intelligent Control.

Alessandri, A., Baglietto, M. and Parisini, T. (1998), "Robust model-based fault diagnosis using neural nonlinear estimators," Proceedings of the 37th IEEE Conference on Decision and Control.

Alessandri, A. and Parisini, T. (1998), "Neural state estimators for direct model-based fault Diagnosis", Proceedings of the American Control Conference.

Li, Yan, Sundararajan, N. and Saratchandran, P. (2000), “Dynamically Structured Radial basis Function Neural Networks for robust aircraft flight control”, Proc. American Control Conference, Chicago, pp. 3501-3505.

Junge, T.F. and Unbehauen, H. (1996), “Off-Line Identification of Nonlinear Systems Using Structurally Adaptive Radial Basis Function Networks”, (1982), Proceedings of the 35th Conference on Decision and Control, Kobe, Japan, pp. 943-948.

Junge, T.F. and Unbeaten, H. (1997), “On-Line Identification of Nonlinear Time-Variant Systems Using Structurally Adaptive Radial Basis Function Networks”, American Control Conference, pp. 1037-1041, Albuquerque, New Mexico.




Copyright (c) 2020 T. Kurdi Saadi, Hameed Reja Ahmed, Fathi Hussein Al-Ashmati Akram