Нейросетевой полуэмпирический подход к моделированию продольного движения и идентификации аэродинамических характеристик маневренного самолета

Математическое моделирование, численные методы и комплексы программ


Авторы

Егорчев М. В. *, Тюменцев Ю. В. **

Московский авиационный институт (национальный исследовательский университет), Волоколамское шоссе, 4, Москва, A-80, ГСП-3, 125993, Россия

*e-mail: mihail.egorchev@gmail.com
**e-mail: yutium@gmail.com

Аннотация

Рассматривается проблема моделирования продольного движения маневренного самолета и идентификации таких его аэродинамических характеристик, как коэффициенты аэродинамических продольной и нормальной сил, а также момента тангажа. Данная проблема решается в классе модульных полуэмпирических динамических моделей, объединяющих возможности теоретического и нейросетевого моделирования. Работоспособность и перспективность таких моделей подтверждается результатами вычислительных экспериментов.

Ключевые слова

нелинейная динамическая система, продольное движение самолета, идентификация аэродинамических характеристик, полуэмпирическая нейросетевая модель, обучение нейронной сети

Библиографический список

  1. Егорчев М.В., Тюменцев Ю.В. Идентификация аэродинамических характеристик летательного аппарата: нейросетевой полуэмпирический подход // Вестник Московского авиационного института. 2014. Т. 21. № 4. С. 13–24.

  2. Egorchev M.V., Tiumentsev Yu.V. Learning of semi-empirical neural network model of aircraft three-axis rotational motion // Optical Memory and Neural Networks (Information Optics), 2015, vol. 24, no. 3, pp. 210–217.

  3. Егорчев М.В., Тюменцев Ю.В. Нейросетевые полуэмпирические модели управляемых динамических систем // Сборник научных трудов XV Всероссийской научно-технической конференции "Нейроинформатика-2013".— М.: Изд-во МИФИ. Ч. 2, 2013. — С. 22–31.

  4. Егорчев М.В., Козлов Д.С., Тюменцев Ю.В., Чернышев А.В. Нейросетевые полуэмпирические модели управляемых динамических систем // Вестник информационных и компьютерных технологий. 2013. № 9. С. 3–10.

  5. Егорчев М.В., Тюменцев Ю.В. Обучение полуэмпирической нейросетевой модели управляемого движения самолета // Сборник научных трудов XVI Всероссийской научно-технической конференции "Нейроинформатика-2014".— М.: Изд-во МИФИ. Ч. 2, 2014. —С. 263–272.

  6. Берестов Л.М., Поплавский Б.К., Мирошниченко Л.Я. Частотные методы идентификации летательных аппаратов. — М.: Машиностроение, 1985. — 184 с.

  7. Klein V., Morelli E.A. Aircraft system identification: Theory and practice, Reston, VA: AIAA, Inc., 2006, 498 p.

  8. Tischler M.B., Remple R.K. Aircraft and rotorcraft system identification: Engineering methods with flight-test examples, Reston, VA: AIAA, Inc., 2006, 558 p.

  9. Верещиков Д.В., Кузнецов А.Д. Способ адаптивного управления военно-транспортным самолетом при беспарашютном десантировании моногруза // Труды МАИ. 2016. № 89. URL: http://trudymai.ru/published.php?ID=72913

  10. Niewald P.W., Parker S.L. Flight-test techniques employed to successfully verify F/A-18E in-flight lift and drag // Journal of Aircraft, 2000, vol. 37, no. 2, pp. 194–200.

  11. Mulder J.A., van Sliedregt J.M. Estimation of drag and thrust of jet-propelled aircraft by non-steady flight-test maneuvers. Delft Univ. of Technology, Memorandum M-255, Dec. 1976, 32 p.

  12. Cybenko G. Approximation by superposition of a sigmoidal function // Mathematics of Control, Signals and Systems, 1989, vol. 2, pp. 303–314.

  13. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators // Neural Networks, 1989, vol. 2, pp. 359–366.

  14. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики. 1998. Т. 1, № 1. С. 11–24.

  15. Haykin S. Neural networks: A comprehensive foundation: 2nd Edition, Prentice Hall, 2006, 823 p.

  16. Бочкарев А.Ф. Аэромеханика самолета: Динамика полета. — М.: Машиностроение, 1985. — 360 с.

  17. Nguyen L.T., Ogburn M.E., Gilbert W.P., Kibler K.S., Brown P.W., Deal P.L. Simulator study of stall/post-stall characteristics of a fighter airplane with relaxed longitudinal static stability, NASA TP-1538, Dec. 1979, 223 p.

  18. Muja M., Lowe D.G. Scalable nearest neighbor algorithms for high dimensional data // IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, vol. 36, no. 11, pp. 2227–2240.


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2021

Вход