طراحي سيستم تقويت كننده كنترل هواپيما با استفاده از وارون‌ديناميك و شبكه‌عصبي

Aircraft control augmentation system Design Using Dynamic Inversion and Neural Network

در اين مقاله سيستم تقويت كننده كنترل بر پايه ساختار وارون ديناميك و شبكه‌ي‌عصبي براي هواپيما با مانور‌پذيري بالا بيان مي‌شود. سيستم كنترل پرواز عصبي استفاده شده، كنترل پرواز تطبيقي را بدون نياز به جدول‌بندي بهره يا شناسايي سيستم فراهم مي‌كند. شبكه‌ي عصبي همزمان جهت جبران خطاي معكوس‌سازي ناشي از مدل‌سازي ناقص، تخمين معكوس يا تغييرات ناگهاني در ديناميك هواپيما استفاده مي‌شود. قانون سازگاري وزنهاي پايدار براي شبكه عصبي همزمان از طريق تئوري پايداري لياپانوف به‌دست مي‌آيند. در انتها، نتايج شبيه سازي با معادلات شش درجه آزادي غيرخطي براي مدل هواپيماي F-18 نشان داده شده است تا تاثير عملكرد CAS پيشنهاد شده اثبات شود.

This paper presents a control augmentation system (CAS) based on the dynamic inversion (DI) and neural networks for a highly maneuverable aircraft. A neural flight control system is used to provide adaptive flight control, without requiring gain-scheduling or system identification. Neural networks on-line is used to compensate for inversion error which arise from imperfect modeling, approximate inversion, or sudden change in aircraft dynamics. A stable weights adjustment rule for the on-line neural network is derived by the Lyapunov stability theorem. Finally, nonlinear six-degree-of-freedom simulation results for an F-18 aircraft model are presented to demonstrate the effectiveness of the proposed CAS.