Многошаговый алгоритм терминального наведения с интеллектуальной адаптацией к ветровым возмущениям
Авторы: Клишин А.Н., Колесникова Д.С.
Опубликовано в выпуске: #1(133)/2023
DOI: 10.18698/2308-6033-2023-1-2247
Раздел: Авиационная и ракетно-космическая техника | Рубрика: Динамика, баллистика, управление движением летательных аппаратов
Представлен качественно новый подход к реализации терминального наведения на конечном участке траектории летательного аппарата класса поверхность — поверхность. Предложена структура адаптивной системы управления летательного аппарата на основе многошагового терминального алгоритма наведения. Вычисление адаптивных поправок к коэффициентам управления осуществляется с помощью разработанной методики идентификации ветровых возмущений на основе моделей машинного обучения. Изложена методика формирования интеллектуального алгоритма распознавания интенсивности и направления ветровой нагрузки, действующей на летательный аппарат в процессе полета. Исследованы варианты моделей машинного обучения, используемых в интеллектуальном блоке системы наведения, представлены результаты их работы и проведен сравнительный анализ. Процедура работы адаптивной системы наведения продемонстрирована на примере типовой модели движущегося в атмосфере летательного аппарата при наведении на неподвижную цель. Приведены результаты численного моделирования и продемонстрирована возможность использования подобного алгоритма и реализации описанной системы.
Литература
[1] Клишин А.Н. Управление коэффициентами усиления системы стабилизации летательных аппаратов для ком¬пенсации ее нестационарности. Тезисы докладов XXVII Гагаринских чтений. Москва, 2002, с. 106.
[2] Klishin A.N., Kolesnikova D.S. High-precision aircraft guidance system with axial acceleration self-tuning. Herald of the Bauman Moscow State Technical University, Series Mechanical Engineering, 2022, no. 4 (143), pp. 60–76. https://doi.org/10.18698/0236-3941-2022-4-60-76
[3] Кузин С.А. Адаптивная система управления продольным движением многорежимного самолета. Ученые записки ЦАГИ, 2005, № 1–2, с. 79.
[4] Зайцев А.В., Канушкин С.В., Волков А.В., Тов Вэй Тун. Алгоритм оптимального управления летательного аппарата с учетом влияния внешних возмущений. Транспортное дело России, 2015, № 5, с. 158.
[5] Галаев С.А. Научно-методический подход к оцениванию состояния сложных объектов в условиях разнородности измерительной информации. Образовательные ресурсы и технологии, 2018, № 1 (22), с. 44–48.
[6] Буков В.Н. Адаптивные прогнозирующие системы управления полетом. Москва, Наука, 1987, 232 с.
[7] Лысенко Л.Н. Наведение баллистических ракет. Москва, Изд-во МГТУ им. Н.Э. Баумана, 2016, 445 с.
[8] Сихарулидзе Ю.Г. Баллистика и наведение летательных аппаратов. Москва, Наука, 2013, 407 с.
[9] Жерон О. Прикладное машинное обучение с помощью Scikit-Learn и Tensor-Flow: концепции, инструменты и техники для создания интеллектуальных систем. Санкт-Петербург, ООО «Альфа-книга», 2018, 688 с.
[10] Миронов А.М. Машинное обучение. Часть 1. Москва, МАКС Пресс, 2018, 90 с.
[11] Шитиков В.К., Мастицкий С.Э. Классификация, регрессия, алгоритмы Data Mining с использованием R. URL: https://github.com/ranalytics/data-mining (дата обращения 12.12.2021).