Анализ интеллектуальной системы управления летательным аппаратом



Под интеллектуальной системой понимается объединенная информационным процессом совокупность технических средств и программного обеспечения, работающая во взаимосвязи с человеком (коллективом людей) или автономно, способная на основе сведений и знаний при наличии мотивации синтезировать цель, принимать решение к действию и находить рациональные способы достижения цели [1, с. 12].

Структурная схема интеллектуальной системы приведена на рис. 1 [1, с. 12].

Рис. 1. Структурная схема интеллектуальной системы

Динамические свойства интеллектуальной системы могут быть описаны в пространстве состояний. Интеллектуальные операторы, реализующие восприятие, представление, формирование понятия, суждения, умозаключения и цели в процессе познания, являются формальным средством обработки сведений и знаний, а также принятия решения. Все эти аспекты должны быть положены в основу построения интеллектуальной системы, функционирующей в реальном времени и в реальном мире.

Динамическая экспертная система есть некоторое комплексное образование, способное оценивать состояние системы и среды, сопоставлять параметры желаемого и реального результатов действия, принимать решение и вырабатывать управление, способствующее достижению цели. Для этого, динамическая экспертная система должна обладать запасом знаний и располагать методами решения задач.

Главной отличительной особенностью технологии экспертных систем является возможность работы с формами явного представления знаний, включая продукционные правила, предикаты, семантические сети и фреймообразные структуры. Выраженная структурированность этих форм обусловливает применимость формализованных логических методов для анализа и уточнения знаний, а также вывода заключений по совокупности исходных данных. При этом собственно процесс вывода на основе знаний сводится к последовательному сопоставлению заданного описания начальной посылки с категориями той многоуровневой классификации, которая заложена в имеющейся иерархии системы продукционных правил, семантических сетей или других представлений [8, с. 16].

Проблемой моделирования интеллектуальной системы является не только сложность построения собственно ее модели, но необходимость верификации значительного объема программного обеспечения, таких компонентов как синтез цели, принятие решения, базы знаний, динамическая экспертная система.

По существу, эта технология объединяет несколько близких направлений, поскольку принятые методы логической обработки для каждой из форм явного представления знаний существенно различаются между собой.

Смежное направление в развитии интеллектуальных систем основано на применении технологии нечеткой логики, ориентированной на обработку логико-лингвистических моделей представления знаний. Модели такого типа предназначены для формализации неточных, размытых в смысловом отношении суждений и строятся с использованием обобщенных категорий, задающих классификацию исходных понятий на уровне нечетких множеств. Следует отметить, что соответствующие методы нечеткого логического вывода позволяют обеспечить параллельную интерпретацию имеющихся знаний с помощью специализированных средств аппаратной поддержки, обладающих высоким быстродействием.

Один из перспективных подходов к организации обработки неявных форм представления знаний связан с применением технологии нейросетевых структур, аккумулирующей и воспроизводящей основные функциональные особенности биологических прототипов. Эта технология построения интеллектуальных систем предполагает формирование однородных структур, состоящих из множества взаимосвязанных элементов с заданной характеристикой преобразования сигналов. Совокупность знаний, закладываемых в процессе обучения такой структуры, определяется настройкой коэффициентов межэлементных связей и позволяет обеспечить надежную классификацию предъявляемых примеров. При этом важнейшей особенностью нейросетевых структур является их высокое быстродействие, достигаемое за счет параллельности обработки информации при их аппаратной реализации.

Поиски альтернативных путей построения быстродействующих систем обработки знаний привели к развитию технологии ассоциативной памяти. Эта технология предполагает использование механизмов восстановления целостных образов по их отдельным элементам и сводится к работе с многомерными массивами данных. Хранящиеся в памяти знания имеют неявную форму представления и задают классификацию понятий некоторой предметной области в виде сочетания признаков, присущих каждой качественной категории. Главные преимущества такого подхода связаны с простотой как программного, так и аппаратного воплощения ассоциативной памяти, которая обеспечивает высокое быстродействие, определяемое временем обращения к отдельной ячейке.

Сравнительный анализ различных интеллектуальных технологий позволяет выделить ряд общих для них черт (табл. 1, [8, с. 18]), главная из которых связана с использованием классификации тех или иных понятий в качестве средства для установления связей между отдельными явлениями рассматриваемой предметной области [8, с. 17].

Сложность, а в ряде случаев и невозможность формализации задач управления обусловливают целесообразность и необходимость их решения с привлечением методов и технологий искусственного интеллекта [8, с. 19].

Процесс разработки системы управления начинается с определения цели и задач, которые должна решить система автоматического управления (САУ). Следующим шагом является, формирование концептуальной модели системы. При этом важную роль играет опыт предшествующих разработок и результаты поисковых научно-исследовательских работ (НИР). Затем разрабатывается техническое задание, в котором приводятся исходные данные для проектирования и технические предложения. Проектирование включает в себя эскизный проект, включающий технико-экономическое обоснование, техническое и рабочее проектирование. На этапе технического проекта разрабатывается проект специализированной технологической оснастки, если это необходимо, или специального технологического оборудования. На этих этапах разработки осуществляется математическое и физическое моделирование. Далее осуществляется создание опытного образца, как правило, выпускается несколько образцов, чтобы распараллелить их отработку. [1, 3]

Затем осуществляется отработка опытного образца. Это делается с помощью стендовых испытаний (механических, гидравлических, тепловых и т. д.), испытаний на летающих лабораториях и натурно-математического моделирования. Поскольку такие испытания и моделирование, как правило, проводятся на «разнесенных» компонентах системы управления, вводится этап комплексной наземной отработки, позволяющий выяснить такие эффекты, как электромагнитная совместимость аппаратуры и т. п. На этих этапах используется математическое и натурно-математическое моделирование, с учетом части реальных элементов системы управления. Следующий этап отработки системы управления сопряжен с проведением натурных испытаний, то есть летно-конструкторских испытаний (ЛКИ), ЛКИ составляют наиболее ответственный и сложный этап. Если на ЛКИ показаны характеристики системы, удовлетворяющие требованиям технического задания, то решается вопрос о проведении государственных испытаний (ГИ), по результатам которых система может быть принята в серийное производство. На этапах испытаний осуществляется сопровождающее моделирование, которое включает все виды моделирования [1, с. 10].

Рассмотрим трехконтурную систему стабилизации летательного аппарата (ЛА), приведенную в [1, с. 10] (см. рис. 2).

Рис. 2. Структурная схема трехконтурной системы стабилизации летательного аппарата

На этом рисунке  — угол поворота руля, — угловая скорость вектора скорости ЛА- v , - скорость тангажа, a — линейное ускорение, F — ограничение скорости рулевого привода.

В блоках на рис. 2 приведены передаточные функции элементов системы и корректирующих устройств. В блоках приведены передаточные функции элементов системы и корректирующих устройств. Здесь три контура: обратная связь рулевого привода, обратная связь по и a . К _дг и К _длу — передаточные коэффициенты демпфирующего гироскопа и датчика линейных ускорений соответственно. Необходимость моделирования определяется в данном случае наличием нелинейного элемента F [1, с. 10].

Передаточная функция звена — это отношение выходной величины звена к его входной величине, преобразованных по Лапласу, при нулевых начальных условиях и при отсутствии прочих возмущений [6, с. 16].

Здесь три контура: обратная связь рулевого привода, обратная связь по и a . К _ДГ и К _ДЛУ — передаточные коэффициенты демпфирующего гироскопа и датчика линейных ускорений соответственно. Необходимость моделирования определяется в данном случае наличием нелинейного элемента F .

Структура системы интеллектуального управления сложным динамическим объектом, должна соответствовать иерархическому принципу построения и включать стратегический, тактический и исполнительный (приводной) уровни, а также комплекс необходимых измерительно-информационных средств. Корректность замыкания отдельных контуров иерархии управления определяется тем составом функциональных элементов, которые обеспечивают требуемую адекватность информационной поддержки в процессе сбора и обобщения сенсорных данных о текущем состоянии и воздействиях внешней среды. Таким образом, организация каждого уровня интеллектуального управления предполагает использование уникальной совокупности собственных моделей представления знаний, информационной поддержки, описания контролируемого объекта и т. д. [8, с. 383].

Результаты теоретических и экспериментальных исследований показывают, что применение интеллектуальных технологий позволяет создать новое поколение высокоэффективных быстродействующих регуляторов для широкого класса следящих приводов, обладающих высокой степенью адаптивности, надежности и качества функционирования в условиях случайных возмущений, неопределенности внешней нагрузки и т д.

Применения интеллектуальных систем управления также связано с перспективами развития автономных манипуляционных и транспортных роботов. В этой связи особую актуальность приобретает проблема разработки автономных безэкипажных мобильных средств различных назначений и видов базирования. Уровень современных достижений в области искусственного интеллекта, позволяет обоснованно говорить о возможности разработки комплекса бортовых средств, способных на основе уже известных методов и технологий обработки знаний обеспечить решение задач планирования перемещений, управления движением и целесообразным поведением в условиях неизвестной среды, при наличии препятствий, с учетом случайных возмущений внешней среды, погрешностей измерений и вычислений, а также нечеткости поставленных задач [8, с. 19].

Литература:

1. Пупков К. А. Моделирование и испытание систем автоматического управления: Учебное пособие. — М.: Изд-во МГТУ им. Н. Э. Баумана, 2012. — с.илл.
2. 2.Терехов В. А. Т35 Локальные системы управления: Учеб. пособие. СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2011. 148 с.
3. Основы математического моделирования: учебное пособие/ С. В. Звонарев. — Екатеринбург: Изд-во Урал. ун-та, 2019. — 112 с
4. Каляев И. А., Гайдук А. Р. Однородные нейроподобные структуры в системах выбора действий интеллектуальных роботов. М.: Янус-К, 2000. С.280. — М.: Наука, 1990.
5. Солодовников В. В., Плотников В. Н., Яковлев А. В. Основы теории и элементы систем автоматического регулирования. Учебное пособие для вузов. — М.: Машиностроение, 1985, 536c.
6. Павловская О. О. Теория автоматического управления. — Ч.1. Линейные системы. Учебное пособие. — Челябинск: Изд. ЮУрГУ, 2020. — 60 с.
7. Пупков К А., Егупов Н. Д. и др. Методы классической и современной теории автоматического управления: Учебник в 3-х т. Т.З: Методы современной теории автоматического управления /Под ред. Н. Д. Егупова. — М.: Изд-во МГТУ им. Н. Э. Баумана, 2000. — 748 с, ил.
8. Интеллектуальные системы автоматического управления / Под ред. И. М. Макарова, В. М. Лохина — М ФИЗМАТЛИТ, 2001–576 с — ISBN 5–9221–0162–5.