Расчет безопасных параметров начала маневра спортивных самолетов с использованием нейронной сети

Введение
Анализ летных происшествий со спортивными самолетами свидетельствует о том, что основная причина заключается в потере управления при выполнении фигур высшего пилотажа.
Существуют определенные проблемы выполнения маневров, связанные с пикированием, переворотом, поворотом на вертикали, петлей Нестерова и т.п. [8] [1]. Цифра надо начинать с [1]
Отсутствие систем предупреждения или специальных требований для обеспечения безопасности полета делает его существенно опасным и рисковым для осуществления [4].[2].
в этом исследовании, было разработка методики расчета параметров начала безопасного маневрирования спортивных самолетов с использованием нейронных сетей, в частности – применение модели многослойного персептрона и повышение безопасности выполнения маневров для простых спортивных самолетов, которые не оснащены сложными системами и автопилотом.
Для моделирования нейронной сети необходимо получить уравнения, связывающие безопасность полета и ошибки пилотирования.
Традиционно нейронные сети используются для решения задач распознавания образов, обработки и идентификации сигналов, классификации и др. Признанными преимуществами нейронных сетей являются эффективность решения задач при неполных, зашумленных или противоречивых данных, возможность моделирования параллельных процессов. Основными проблемами построения и использования нейронных сетей являются сложности процесса их обучения и поиск примеров для обучения, адекватных реальности.
Во-первых, нейронные сети обладают легко перенастраиваемой архитектурой, что чрезвычайно удобно при внесении дополнений в структуру моделей при появлении новых влияющих факторов. Во-вторых, представления об объектах движения, с точки зрения стороннего наблюдателя и о среде движения, особенно в условиях противодействия, всегда объективно неполные и неточные [53, 94]. А преимущество нейронных сетей состоит также и в том, что они обладают способностью восстанавливать совокупную информацию по отдельной ее части, что важно при отсутствии или потере информации об объекте, либо при обработке неполной информации. В-третьих, при помощи нейросетей можно рассматривать сложные ситуации, образуемые под влиянием факторов различной природы и размерности, и использовать разнородную информацию, что существенно для моделей определения движения в условиях неопределенности. Используя такие сети можно объединять статистические данные и экспертные оценки, обрабатывать информацию с различной степенью достоверности и др. [42].
В работе рассматривалось влияние ошибок пилота на возникновение критических ситуаций при выполнении конкретных маневров [35].
Целью настоящей работы является поиск уравнения связи между потерей высоты и скоростью выхода из манёвра с ошибками пилотирования любого маневра. Для достижения поставленной цели из-за сложности традиционных методов расчета большого количества маневров используется моделирование нейронных сетей.
Литературный обзор
Сегодня на различных летательных аппаратов используются специальные инструментальные средства предупреждения критических режимов полета (СПКР). Общий принцип их действия основан на слежении за определенными пилотажными параметрами и скоростями их изменения. При превышении определенных заданных значений СПКР сигнализирует об этом и формирует рекомендации для экипажа по устранению опасной ситуации, а в случае бездействии летчика - вычисляет необходимые корректирующие и управляющие сигналы в систему автоматического управления (САУ), то есть стабилизирует ЛА в автоматическом режиме.
Для предотвращения столкновений с землёй используется система предупреждения о близости земли (Ground Proximity Warning System, GPWS) - система воздушного судна, предназначенная для предупреждения пилотов об угрозе столкновения с землёй в управляемом полёте или с иным препятствием.
Современные системы предупреждения приближения земли (СППЗ) предназначены для установки на все типы самолетов. Предупреждение осуществляется путем выдачи речевой, световой, звуковой и текстовой сигнализации, а также путем формирования визуальной информации о характере подстилающей поверхности на экране [76].
Предыдущие исследования систем предупреждения были основаны на использованией нейронных сетей в авиации [17], а также научные разработки нейронных сетей [42], [68], [79], [810]. В работе также использовались зарубежные разработки теории нейронных сетей [1011], [1112].
Существующие системы дают защиту в основном при наличии систем автоматического управления и неприменимы для спортивного самолета. Спортивный самолет как правило имеет только штурвальное управление, поэтому для коррекции управления при выполнении маневров целесообразно использовать систему предупреждения пилота, на основе которой, он мог бы сам выполнять корректирующие маневры.
Существует определенный недостаток исследований для обеспечения спортивного самолета системой, позволяющей повысить безопасность полетов во время учений, отсутствуют четкие инструкции для безопасного выполнения манёвров [68].
Существует определенная необходимость создания устойчивой системы, которая повышает безопасность полетов для этого типа самолета.
Практическое решение задачи
Представляется полезным рассмотреть возможность использования для решения задач определения движения маневрирующих объектов такую разновидность математического аппарата семантических сетей, как нейронные сети

.
В задачах компьютерного моделирования искусственных нейронных сетей возникает необходимость использования специальных наборов данных для представления структуры сети и параметров составляющих ее элементов. Оставляя за рамками настоящей статьи вопросы обучения и использования нейронных сетей, рассмотрим структуру многослойного персептрона. Он состоит из слоя входных элементов (рецепторов), одного или нескольких слоев ассоциативных элементов (нейронов), слоя выходных (реагирующих) элементов. Каждый элемент имеет функцию активации (передаточную функцию), которая в простейшем случае представляет собой алгебраическую сумму всех сигналов, поступающих на вход элемента [94, 1011]. Элементы сети связаны между собой послойно. Каждая связь имеет весовой коэффициент, на который умножается сигнал при переходе из одного элемента в другой. Число входов, как и число нейронов в каждом слое, может быть любым. Число слоёв тоже может быть любым.
Рассмотрим на примере практическое решение поставленной задачи. Изучение безопасности выполнения 600 маневров на авиасимулятора X-Plane 11 (300 переворот, 100 пикирование, 100 петля Нестерова, 100 поворот на вертикали) рис. 1-4, которые определяются одинаковой скоростью начала вывода из маневра 210 км/ч,
Путем получения массивов данных при выполнении разных маневров можно использовать сети нейронного программирования для разработки способа расчета безопасных высот любого маневра.
А в
С д
В этом случи как формировать названии статья
Рис. 1 –а Схема сил, действующих на самолет при пикировании;
в – Схема сил, действующих на самолёт при выполнении петли;
с – Схема сил, действующих на самолет при выполнении переворота;
д – Схема сил, действующих на самолет при выполнении переворота на вертикали.
Для моделирования использовался спортивный пилотажно-акробатический самолет Як-55М, который предназначен для тренировки и участия в соревнованиях по самолетному спорту летчиков-спортсменов.
Полученные данные были разделена на входные, представляющие из себя ошибки пилотирования:
1- время действия до значения угла отклонения руля (X1);
2- значение угла отклонения руля (X2);
3- запаздывание на выход из манёвра (X3)
И выходные :
максимальная потеря высоты при достижении рекомендуемой скорости выход из манёвра (Y1);
скорость при выходе из манёвра (Y2);
максимальная перегрузка (Y3).
Так как исходные обучающие данные представляют из себя сложные функциональные зависимости с числом переменных более двух, использование традиционных методов аппроскимации затруднено, поэтому для решения задачи было использовано нейросетевое моделирование.
Параметры были получены из Инструмент X-Plane Connect (XPC) - это инструмент для исследований с открытым исходным кодом, используемый для взаимодействия с программным обеспечением X-Plane для имитатора полета. XPC позволяет пользователям управлять самолетами и получать информацию о состоянии с самолетов.
Рис. 2 – График зависимости потери высоты при достижении рекомендуемой скорости выхода из манёвра.
Рис. 3 – График зависимости потери высоты при достижении запаздывания при выходе из маневра.
Основу нейронного представления параметров траекторий полета ЛА (в контексте определения движения – для ЛА, в контексте обнаружения – для средств обнаружения и слежения) составляет понятие нейрона. Нейрон – это формальный элемент, выходная активность которого определяется уровнем входного возбуждения и меняется в интервале от 0 до 1. На вход же подаются возбуждения от других аналогичных нейронов.
Цикл обучения сети многослойного перспептона (на множестве примеров) представлен таким образом:
– Предъявление сети очередного примера (входного и выходного векторов);
– Вычисление фактического выходного вектора (прямое распространение сигналов);
– Изменение веса связей с целью минимизации ошибки на выходе.
Изменение веса – итерационный процесс.
Критерий остановки – исчерпание лимита количества итераций или достижение заданной величины ошибки E.
IV. Построение нейросети
Нейронная сеть будет иметь 3 входа, 3 выхода, несколько скрытых слоев, и функцию активации вида f(x)= 21+ e-2x-1. Для определения компоновки скрытых слоев был проведен статистический анализ следующих параметров: среднеквадратичное отклонение прогноза нейросети от ожидаемых значений по каждому выходу (S= 1n(1n(in-out)2)), где in – ожидаемое значение, out – прогноз нейросети, а также количество слоев, необходимое для обучения. Также среднеквадратичное отклонение этих величин. Для каждой компоновки скрытых слоев проводилось 100 обучений, затем рассматриваемые параметры усреднялись и бралось среднеквадратичное отклонение всех результатов. Результаты испытаний приведены в таблице.
отклонение и среднеквадратичное отклонение в зависимости от компоновки слоев
компоновка слоев
3-5-3 3_10_3 3_15_3
отклонение по 1-му выходу (среднеквадратичное отклонение результатов) 43.053(14.497) 41.056(3.121) 41.134(4.088)
отклонение по 2-му выходу (среднеквадратичное отклонение результатов) 13.577(8.094) 12.606(0.711) 12.603(0.929)
отклонение по 3-му выходу (среднеквадратичное отклонение результатов) 0.982(0.182) 1.042(0.171) 1.089(0.341)
эпох
12.650 (4.758) 11.900 (4.227) 12.130 (4.150)
3_20_3 3_5_5_3 3_5_10_3 3_10_10_3 3_10_20_3 3_5_5_5_3
41.273(3.961) 42.128(11.708) 40.485(2.267) 40.823(2.879) 40.540(3.631) 40.371(1.892)
12.357(0.618) 13.047(2.141) 12.584(0.527) 12.823(1.270) 12.567(0.944) 12.624(0.450)
1.076(0.167) 1.036(0.221) 1.083(0.206) 1.205(0.249) 1.373(0.230) 1.007(0.140)
11.330 (2.598) 12.020 (5.365) 11.960 (3.808) 10.730 (2.247) 11.180 (2.739) 12.180 (3.605)
3_5_10_5_3 3_10_20_10_3
41.614(3.504) 40.384(2.668)
12.761(0.747) 12.718(0.999)
1.027(0.191) 1.238(0.275)
11.460 (3.239) 11.070 (2.544)
Как видно из таблицы, чтобы добиться наиболее точных и стабильных прогнозов нейросети, при этом чрезмерно не увеличивая количество связей, достаточно взять 2 скрытых слоя в 5 и 10 нейронов.
Рис