Синтез системы параметрической идентификации и адаптивного оценивания вектора состояния летательного аппарата тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Азаров, Михаил Михайлович

• Азаров, Михаил Михайлович
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Азаров, Михаил Михайлович

Введение.

1 Принципы построения адаптивных информационно-измерительных систем летательных аппаратов.

1.1 Особенности функционирования авиационных систем с дистанционно управляемыми летательными аппаратами.

1.2. Бортовые информационно-управляющие системы дистанционно-управляемых летательных аппаратов.

1.3 Общая структура адаптивной информационно-измерительной системы дистанционно-управляемого летательного аппарата и предъявляемые к ней требования.

1.4 Обзор адаптивных информационно-измерительных систем дистанционно-управляемых летательных аппаратов.

1.5 Недостатки существующих адаптивных информационно-измерительных систем летательных аппаратов.

1.6 Структура адаптивной информационно-измерительной системы на основе обобщенного настраиваемого объекта измерений.

Выводы к разделу 1.

2 Математическая модель движения самолета.

2.1 Упрощения и допущения, принятые при синтезе математических моделей движения самолета.

2.2 Упрощенная модель продольного движения самолета.

2.3 Упрощенная модель бокового движения самолета.

2.4 Математическая модель движения самолета с учетом влияния турбулентных возмущений атмосферы.

2.4.1 Внешние атмосферные возмущения, действующие в полете на летательный аппарат.

2.4.2 Учет влияния турбулентных возмущений атмосферы в математической модели продольного короткопериодического движения самолета.

2.5 Построение дискретных моделей продольного и бокового движений.

3 Методика синтеза информационно-измерительной системы самолета на основе структуры обобщенного настраиваемого объекта измерения.

3.1 Синтез структуры обобщенного настраиваемого объекта измерений на основе параметрического идентификатора и адаптивного фильтра.

3.2 Параметрическая идентификация математической модели движения объекта.

3.3 Адаптивное оценивание вектора состояния объекта.

3.3.1 Обзор методов адаптивного оценивания.

3.3.2 Адаптивное оценивание на основе минимизации неявного функционала, зависящего от регистрируемых данных.

3.3.2.1 Общая постановка задачи.

3.3.2.2 Адаптивное оценивание вектора состояния нестационарного объекта.

3.3.2.3 Адаптивное оценивание вектора состояния стационарного объекта.

3.3.3 Адаптивный фильтр Калмана.

3.3.3.1 Адаптивный фильтр Калмана. Идентификация Q и R.

3.3.3.2 Адаптивный фильтр Калмана. Идентификация Q.

Выводы к разделу 3.

Глава 4. Синтез адаптивных информационно-измерительных систем самолетов. Математическое моделирование и оценки сходимости и точности.

4.1 Синтез адаптивной информационно-измерительной системы для продольного короткопериодического движения самолета и ее математическое моделирование.

4.1.1 Синтез обобщенного настраиваемого объекта измерений для модели продольного короткопериодического движения самолета.

4.1.2 Математическое моделирование адаптивной информационно-измерительной системы дистанционно-управляемого самолета DragonFly.

4.1.3 Математическое моделирование адаптивной информационно-измерительной системы дистанционно-управляемого самолета MAFV.

4.1.4 Математическое моделирование обобщенного настраиваемого объекта измерений с адаптивным фильтром Калмана.

4.1.5 Синтез адаптивной информационно-измерительной системы для короткопериодического продольного движения самолета при наличии основного контура системы автоматического управления.

4.2 Синтез и моделирование адаптивной информационно-измерительной системы для модели бокового движения скольжения гипотетического самолета.

4.3 Исследование сходимости процессов идентификации.

4.3.1 Исследование влияния числа измерений координат вектора состояния на точность оцениваемых параметров.

4.3.2 Исследование влияния среднеквадратических отклонений шумов измерений на оценки параметров.

4.4 Сравнение свойств сходимости процессов идентификации обобщенного настраиваемого объекта измерений и алгоритма расширенного фильтра Калмана.

4.5 Оценка качества методов адаптивного оценивания.

4.5.1 Сравнение точности адаптивных фильтров.

4.5.2 Сравнение точности адаптивного фильтра с минимизацией неявного функционала и оптимального фильтра Калмана.

Выводы к разделу 4.

Введение диссертации (часть автореферата) на тему «Синтез системы параметрической идентификации и адаптивного оценивания вектора состояния летательного аппарата»

Получение непрерывной информации о состоянии подвижного объекта представляет собой задачу, которая лежит в основе построения систем управления. Тем не менее, для многих практических приложений решение этой задачи производится в условиях параметрической неопределенности объекта. В случае применения классических подходов к построению систем управления данный факт сказывается на качестве управления и, соответственно, динамических свойствах замкнутой системы, поскольку для синтеза таких систем необходимо наличие априорной информации о структуре и параметрах математической модели объекта управления.

Чтобы устранить параметрическую неопределенность объекта необходимо производить в реальном масштабе времени параметрическую идентификацию его математической модели. Полученная информация может быть использована для формирования оптимального управляющего воздействия на объект.

Следует заметить, что при недостатке информации о параметрах математической модели объекта также невозможно получение оптимальной оценки его вектора состояния. Таким образом, система параметрической идентификации, входящая в состав адаптивной информационно-измерительной системы (АИИС) объекта так же способствует повышению точности оценки его вектора состояния.

Кроме того, проблема нехватки априорной информации об объекте управления не является единственной. Как правило, для большинства технических приложений имеют место отсутствие или нехватка априорной информации о статистических характеристиках внешних возмущающих воздействий, действующих на объект, и шумов измерителей. Отсутствие или недостаток знаний об их статистических характеристиках делает невозможным оптимальное оценивание вектора состояния объекта посредством классического фильтра Калмана, поскольку для его построения необходима информация о ковариационных матрицах внешних случайных воздействий и шумов измерителей. Следовательно, для решения задачи получения оптимальной оценки вектора состояния объекта необходимо построение адаптивного фильтра.

Таким образом, АИИС для такого рода объектов должна состоять их двух подсистем - системы параметрической идентификации и адаптивного фильтра.

Данные рассуждения справедливы и для таких объектов как летательный аппарат (JIA). В процессе полета изменяются параметры ДА вследствие изменения режима полета, изменения положения центра тяжести, выработки топлива, сброса груза и многих других причин. Таким образом, имеет место параметрическая нестационарность объекта, порождающая его параметрическую неопределенность. Следовательно, чтобы формировать оптимальное управление необходимо в реальном масштабе времени получать оценки неизвестных параметров математической модели движения ДА, на основе которых возможен расчет параметров закона управления.

Кроме того, следует учитывать и влияние внешних турбулентных возмущений, действующих на ДА, а так же шумов измерителей. Как правило, статистические характеристики таких возмущений и шумов неизвестны.

В данной работе рассматривалась задача построения АИИС дистанционно управляемого летательного аппарата (ДУЛА). Функционирование таких объектов, как ДУЛА, связано со многими трудностями. Для них характерны параметрические неопределенности математической модели движения, а также неопределенности, связанные с внешними воздействиями. Поэтому в условиях присутствия различных типов неопределенностей система автоматического управления ДУЛА должна формировать управляющее воздействие, обеспечивающее заданное качество управления и заданные динамические характеристики замкнутой системы. Для этого в режиме реального времени необходимо с помощью АИИС получать оценки параметров математической модели движения, оценки вектора состояния ДУЛА, на основе которых должна осуществляться коррекция параметров регулятора и формирование закона управления.

Так же вероятны и "аномальные" проявления динамики ДУЛА, возникающие вследствие повреждений планера, органов управления, обледенения планера и других причин. АИИС также должна обеспечивать обнаружение этих проявлений и вычисление оценок параметров модели движения ДУЛА с учетом выявленных изменений в динамике и аэродинамике. Эти функции АИИС, а также диагностика внутренних систем бортовых радиоэлектронных средств (БРЭС) ДУЛА позволяют повысить надежность и живучесть летательного аппарата, поскольку при изменении параметров математической модели движения ДУЛА возможно формирование на основе измерительных данных с АИИС оптимального управления объектом, а в случае обнаружения серьезных повреждений или отказов возможны изменение полетного задания в целях его оптимизации в сложившейся ситуации, или возврат аппарата на исходный пункт.

За рубежом задачам разработки и построения информационно-измерительных систем ДУЛА посвящено много работ [1-14]. Для этого типа ЛА создание АИИС, функциями которой является параметрическая идентификация и адаптивное оценивание вектора состояния, особо актуально, поскольку один из основных для ДУЛА режимов - режим автоматического управления требует точного знания параметров математической модели и точности оценок вектора состояния.

Таким образом, ставится задача разработки нового структурного подхода к построению АИИС, целью которого является оценка параметров математической модели объекта и получение оценки вектора состояния в условиях параметрической неопределенности математической модели ДУЛА и неопределенности статистических характеристик внешних возмущений и шумов измерителей. Построение такой системы требует создания новой математической структуры, интегрирующей в себя алгоритмы параметрической идентификации и адаптивного оценивания вектора состояния ДУЛА.

Цель диссертационной работы - разработка структуры и методики синтеза обобщенного настраиваемого объекта измерений для стохастического объекта, разработка алгоритма параметрической идентификации и алгоритма адаптивного оценивания вектора состояния летательного аппарата.

Для достижения поставленной в работе цели были решены следующие задачи:

• разработаны дискретные математические модели продольного и бокового движений летательного аппарата;

• разработаны методика синтеза и структура обобщенного настраиваемого объекта измерений (ОНОИ) для стохастического объекта;

• разработан алгоритм параметрической идентификации математической модели подвижного объекта;

• разработаны алгоритмы адаптивного оценивания вектора состояния объекта;

• синтезированы адаптивные информационно-измерительные системы для решения задач параметрической идентификации и адаптивного оценивания вектора состояния продольного и бокового движений самолета;

• получены оценки сходимости и точности алгоритмов параметрической идентификации и адаптивного оценивания вектора состояния.

Научная новизна работы заключается в следующем:

• разработаны методика синтеза и структура адаптивного ОНОИ для стохастической системы в условиях действия параметрических возмущений, основанного на принципе параметрической инвариантности и включающего в себя две подсистемы - параметрический идентификатор и адаптивный фильтр;

• разработанные алгоритмы параметрической идентификации и адаптивного оценивания вектора состояния подвижного объекта отличаются хорошей сходимостью и точностью;

• предложенная структура адаптивного ОНОИ с разработанными алгоритмами параметрической идентификации и адаптивного оценивания вектора состояния ДА позволяет получать оценки параметров и вектора состояния математической модели JIA в условиях недостатка априорной информации о параметрах математической модели J1A и статистических характеристик внешних случайных воздействий и шумов измерителей;

• построены математические модели движения самолета;

• получены оценки сходимости и точности для алгоритмов параметрической идентификации и адаптивного оценивания вектора состояния.

Практическая ценность работы:

• проведен структурно-параметрический синтез ОНОИ, обеспечивающего вычисление оценок параметров математических моделей и оценок вектора состояния для различных типов углового движения J1A;

• разработана методика построения структуры АИИС ДА на основе адаптивного ОНОИ;

• разработаны алгоритмы параметрической идентификации и адаптивного оценивания вектора состояния ДА;

• разработан пакет программ для компьютерного исследования и моделирования АИИС для различных математических моделей движения ДА, при разных значениях параметрических возмущений и статистических характеристик внешних возмущений и шумов измерителей.

При формулировке результатов используются приложения теории параметрической идентификации динамических систем, теории вероятностей и случайных процессов, теории автоматического регулирования. Синтез функциональных подсистем АИИС и разработка алгоритмов осуществлялись в классе дискретных систем. Доказательство сходимости алгоритмов параметрической идентификации и адаптивного оценивания осуществлялось на основе математического моделирования на ЭВМ. При разработке программного обеспечения использовался пакет MATLAB (версия 6.1).

Основные результаты диссертационной работы докладывались на III Международном симпозиуме "Аэрокосмические приборные технологии", Санкт-Петербург, 2004г.; на II международном симпозиуме "Аэрокосмические приборные технологии", Санкт-Петербург, 2002г.; на I, II, IV научных сессиях аспирантов и соискателей ГУАП, Санкт-Петербург, 1998, 1999, 2001 г.г.; на международном симпозиуме 5th IFAC Symposium "Nonlinear Control Systems" (NOLCOS 2001), Санкт-Петербург, 2001; на международной конференции ВОАС'2000, Санкт-Петербург, 2000г.; на Второй международной молодежной школе-семинаре БИКАМП'99, Санкт-Петербург, 1999г. и других конференциях.

Диссертация состоит из введения, четырех глав, заключения, приложения и списка литературы. Объем диссертационной работы - 147 страниц основного текста, 69 рисунков, 1 таблица. Общее число страниц - 173. Список литературы включает 65 наименований источников отечественной и зарубежной литературы.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Азаров, Михаил Михайлович

147 Выводы

1. Используемый в работе в качестве параметрического идентификатора алгоритм Гаусса-Ныотона метода ошибки предсказания обладает хорошей сходимостью и точностью оценок матриц АА и АВ. Так, например, для случая наличия управляющего воздействия в виде серии из двух импульсов точность процессов идентификации большинства параметров моделей короткопериодического движения ДУЛА "DragonFly" и MAFV определяется соответственно 12% и 10% трубкой точности. Точность оценок оказывается более высокой при законах управления типа "серия импульсов" (при моделировании использовалась серия из двух импульсов и сигнал типа одиночный импульс). Также выявлена хорошая сходимость процессов идентификации параметров бокового движения скольжения гипотетического ДУЛА.

2. Исследование сходимости, в частности исследование влияния числа измерений координат вектора состояния (что можно трактовать и как время наблюдения) на точность оцениваемых параметров показали, что для разных типов управляющих сигналов, особенно для случая серии импульсов, достигаются высокие точность и скорость сходимости оценок параметров короткопериодического продольного движения.

3. Для модели продольного короткопериодического движения и синтезированной АИИС проводилось исследование влияния среднеквадратичных ошибок измерения элементов вектора состояния ДУЛА на погрешности оценок параметров Да,,, Да12, Да21, Да22, Ablt Ab2. Выявлено, что для большинства параметров ошибки оценивания увеличиваются в значительно меньшей степени, чем погрешности измерений.

4. Проводилось сравнительное исследование алгоритма адаптивного оценивания с минимизацией неявного функционала и алгоритма адаптивного фильтра Калмана. Элементы ковариационной матрицы ошибок оценок для адаптивного фильтра Калмана (в частности, дисперсии ошибок) имеют меньшие численные значения на каждом временном шаге, чем для фильтра с минимизацией неявного функционала. Кроме того, данные дисперсии для адаптивного фильтра Калмана убывают во времени значительно быстрее, чем для фильтра с минимизацией неявного функционала.

Тем не менее, разработанный алгоритм адаптивного фильтра Калмана в отличие от алгоритма с аппроксимацией ошибки имеет ряд недостатков. Первый и самый важный из них - сложности с обеспечением сходимости и устойчивости фильтра. Так же сложно обеспечить необходимую точность идентификации неизвестных элементов ковариационных матриц Q и R.

Кроме того, для алгоритма адаптивного фильтра Калмана элементы матрицы усиления фильтра К в процессе оценивания быстро стремятся к нулю. Следовательно, оценка вектора состояния все слабее зависит от результатов поступающих наблюдений и изменяющаяся невязка фильтра на нее не влияет. То есть имеет место нечувствительность к наблюдениям. Поэтому чтобы избежать нечувствительности к измерительным данным необходимо применять дополнительные методы повышения стабильности фильтра, например, ограничение усиления фильтра снизу.

Моделирования также показали, что алгоритм оценивания с минимизацией неявного функционала является более устойчивым, то есть оценки, вычисляемые фильтром, меньше подвержены зависимости от начальных данных. Так же данный алгоритм отличает свойство стабильности.

Проводились также сравнения процессов оценивания для алгоритма с минимизацией неявного функционала, реализованного в ОНОИ при отсутствии априорных данных о параметрах модели ДУЛА и статистических характеристиках шумов измерений и внешних воздействий, и для оптимального фильтра Калмана при наличии полной априорной информации. Сравнительный анализ показал высокую точность процессов оценивания для адаптивного фильтра с минимизацией неявного функционала. Эти достоинства делают выбор алгоритма адаптивного фильтра с минимизацией неявного функционала приоритетным при построении АИИС ДУЛА.

5. Производилось сравнение свойств сходимости процессов идентификации для ОНОИ и РФК. Для модели короткопериодического продольного движения ДУЛА MAFV были синтезированы АИИС на основе структуры ОНОИ и РФК. При синтезе ОНОИ в качестве параметрического идентификатора использовался алгоритм Гаусса-Ныотона метода ошибки предсказания.

Выявлена хорошая сходимость процессов идентификации параметров как для алгоритма ОНОИ, так и для РФК. Тем не менее, точность оценок параметров модели, полученных с помощью идентификатора на базе алгоритма Гаусса-Ныотона метода ошибки предсказания, реализованного в ОНОИ, является выше, чем для РФК. Исключением является только оценка одного параметра Да,2 . Преимущество алгоритма идентификации, используемого в ОНОИ, проявляется еще и в том, что в отличие от алгоритма РФК алгоритмы ОНОИ функционировали в условиях параметрической неопределенности статистических характеристик внешних случайных воздействий и шумов измерителей.

ЗАКЛЮЧЕНИЕ

Разработаны методика синтеза и структура адаптивного ОНОИ для параметрически возмущенного стохастического объекта. Адаптивный ОНОИ позволяет осуществлять параметрическую идентификацию и адаптивное оценивание вектора состояния объекта в условиях действия внешних случайных возмущений и наличия шумов измерений. ОНОИ основан на параметрически инвариантной структуре, включающей в себя параметрический идентификатор и адаптивный фильтр вектора состояния ДУЛА. АИИС ДУЛА, построенная на основе структуры адаптивного ОНОИ, позволяет получать в режиме реального времени полную информацию об объекте в условиях его автономного функционирования и недостатка априорной информации о параметрах математической модели движения ДУЛА и статистических характеристик внешних турбулентных воздействий и шумов измерителей.

При синтезе ОНОИ предполагалась гипотеза о квазистационарности динамических характеристик ДУЛА. В соответствии с этой гипотезой параметры математической модели объекта (а значит и параметрические возмущения) или постоянны во времени или изменяются с незначительной скоростью, пренебрежение которой практически не ухудшает оценок, получаемых на ограниченном временном интервале наблюдений.

Синтезирован алгоритм параметрического идентификатора на базе рекуррентного алгоритма Гаусса-Ныотона метода ошибки предсказания, вычисляющий оценку неизвестных параметров объекта и осуществляющий настройку параметров канала координатно-параметричееких рассогласований. Алгоритм параметрической идентификации синтезирован с учетом управляющих воздействий и особенностей интеграции параметрического идентификатора в САУ ДУЛА.

Разработан алгоритм адаптивного оценивания вектора состояния ДУЛА на основе минимизации неявного функционала для случая объекта управления. Данный алгоритм основан на адаптивной настройке матрицы усиления фильтра К,* путем минимизации синтезированного вспомогательного неявного функционала качества, зависящего лишь от измеренных данных. Настройка элементов матрицы усиления фильтра К* осуществляется с помощью алгоритма типа стохастической аппроксимации.

Разработан также вариант алгоритма адаптивного фильтра Калмана. Данный метод основан на адаптивной идентификации матриц ковариации внешних случайных воздействий Q и шумов измерителей R с последующей подстановкой их оценок в алгоритм фильтра Калмана. В качестве измерительных данных, на основе которых производятся вычисления, выступают невязка (процесс обновления) фильтра и вычисляемые на каждом шаге оценка математического ожидания вектора невязки ?иы и оценка матрицы ковариации невязки А .

Проведен синтез АИИС на основе ОНОИ для моделей продольного и бокового движения ДУЛА "DragonFly" и MAFV, а также гипотетического ДУЛА. При синтезе АИИС в качестве параметрического идентификатора использовался рекуррентный алгоритм Гаусса-Ньютона метода ошибки предсказания, а при синтезе адаптивного фильтра использовались как алгоритм адаптивного оценивания на основе минимизации неявного функционала, так и адаптивный фильтр Калмана.

С помощью моделирования на ЭВМ исследовались процессы идентификации параметров математических моделей продольного и бокового движений ДУЛА. Исследовалась сходимость процессов параметрической идентификации. Используемый в работе рекуррентный алгоритм Гаусса-Ныотона метода ошибки предсказания обладает хорошей сходимостью и высокой точностью оценок матриц АА и АВ математической модели параметрически возмущенного объекта.

Исследования проводились при различных значениях параметрических возмущений и различных типах входных управляющих воздействий, в том числе и при реализации линейно-квадратичного регулятора. Так, например, для случая наличия управляющего воздействия в виде серии из двух импульсов точность процессов идентификации параметров Аап, Аап, Дд21, Аап, Ab{, АЬ2 модели короткопериодического движения ДУЛА "DragonFly" определяется 10-процентной трубкой точности.

Также выявлена хорошая сходимость процессов идентификации параметров упрощенного бокового движения скольжения гипотетического ДУЛА.

Исследование сходимости, в частности исследование влияния числа измерений координат вектора состояния (что можно трактовать и как длительность наблюдений) на точность оцениваемых параметров показали, что для разных типов управляющих сигналов, особенно для случая серии импульсов, достигается высокая точность и скорость сходимости оценок параметров. Для оценки качества процессов идентификации использовалась зависимость средних нормализованных ошибок оценок параметров от числа измерений (длительности наблюдения).

Для модели продольного короткопериодического движения и синтезированной АИИС проводилось исследование влияния среднеквадратических отклонений шумов измерений элементов вектора состояния ДУЛА на нормализованные ошибки оценок некоторых идентифицируемых параметров. Выявлено, что ошибки оценок параметров увеличиваются в значительно меньшей степени, чем погрешности измерений.

Проводилось сравнительное исследование алгоритма адаптивного оценивания на основе минимизации неявного функционала и алгоритма адаптивного фильтра Калмана. Элементы ковариационной матрицы ошибок оценивания для адаптивного фильтра Калмана (в частности, дисперсии ошибок оценивания) имеют меньшие численные значения на каждом временном шаге, чем для фильтра на основе минимизации неявного функционала. Кроме того, данные дисперсии для адаптивного фильтра Калмана убывают во времени быстрее, чем для фильтра на основе минимизации неявного функционала.

Тем не менее, разработанный алгоритм адаптивного фильтра Калмана в отличие от алгоритма с минимизацией неявного функционала имеет ряд недостатков. Первый и самый важный из них - сложности с обеспечением сходимости, устойчивости и стабильности фильтра. Так же сложно обеспечить необходимую точность идентификации неизвестных элементов ковариационных матриц Q и R.

Кроме того, для алгоритма адаптивного фильтра Калмана элементы матрицы усиления фильтра К в процессе фильтрации быстро стремятся к нулю. То есть имеет место нечувствительность к наблюдениям.

Моделирования также показали, что алгоритм оценивания на основе минимизации неявного функционала является устойчивым, то есть оценки, которые соответствуют стационарному режиму фильтра, в меньшей степени зависят от ошибок в выборе априорных данных о начальном состоянии. Так же данный алгоритм отличает свойство стабильности. Эти достоинства делают выбор алгоритма адаптивного фильтра на основе минимизации неявного функционала приоритетным при построении АИИС автономного объекта.

Проводилось также сравнение алгоритма адаптивного оценивания на основе минимизации неявного функционала и оптимального фильтра Калмана. Вычислялись ковариационные матрицы ошибок оценивания для этих двух алгоритмов. Следует заметить, что процесс адаптивного оценивания на основе фильтра с минимизацией неявного функционала происходил в условиях параметрической неопределенности математической модели движения ДУЛА и априори неизвестных статистических характеристик шумов измерителей и внешних турбулентных возмущений, а оптимальный фильтр Калмана был реализован для случая априорного наличия всей информации о параметрах математической модели движения ДУЛА и статистических характеристиках шумов измерителей и внешних воздействий. Тем не менее, фильтр с минимизацией неявного функционала показывает высокую точность оценок.

Производилось сравнение свойств сходимости процессов идентификации для расширенного фильтра Калмана и ОНОИ с использованием параметрического идентификатора на основе рекуррентного алгоритма Гаусса-Ньютона метода ошибки предсказания. Для модели короткопериодического продольного движения ДУЛА MAFV были синтезированы АИИС на основе структуры ОНОИ и расширенного фильтра Калмана. Выявлена хорошая сходимость процессов идентификации параметров как для алгоритма ОНОИ, так и для расширенного фильтра Калмана. Тем не менее, точность большинства оценок параметров модели движения ДУЛА, полученных с помощью рекуррентного алгоритма Гаусса-Ныотона метода ошибки предсказания, реализованного в ОНОИ, является выше, чем для алгоритма расширенного фильтра Калмана.

Преимущество алгоритма идентификации, используемого в ОНОИ, проявляется еще и в том, что в отличие от алгоритма расширенного фильтра Калмана алгоритмы ОНОИ функционировали в условиях параметрической неопределенности статистических характеристик внешних случайных воздействий и шумов измерителей.

Список литературы диссертационного исследования кандидат технических наук Азаров, Михаил Михайлович, 2006 год

1. Perhinschi M.G., Lando М., Massotti L., Carnpa G., Napolitano M., Fravolini M.L. Real-Time Parameter Estimation Issues for the NASA IFCS F-15 Fault Tolerant Systems//Proc. of American Control Conference, Anchorage, USA, 2002, P. 88-93

2. Seanor В., Song Y., Napolitano M., Campa G. Comparison of On-line and Off-line Parameter Estimation Techniques using the NASA F/A-18 HARV Flight Data//AIAA Journal. 2001. - Vol. 41. - P.35-39

3. Lyshevski S.E., Dunipace K.R., Colgren R.D. Identification and Reconfigurable Control of Multivariable Aircraft// AACC, Proc. of the American Control Conference, June, 1999, P. 23-29

4. Buffington J., Chandler P., Pachter M. On-Line System Identification for Aircraft with Distributed Control Effectors, International Journal of Robust and Nonlinear Control, 1999,-P. 45-48

5. Chandler P., Pachter M., Mears M.J. System Identification for Adaptive and Reconfigurable Control// "Journal of Guidance, Control and Dynamics". 1995. -Vol. 18, №3-P. 23-26

6. Song Y., Campa G., Napolitano M., Seanor В., Perhinschi M.G. Comparison of OnLine Parameter Estimation Techniques Within a Fault Tolerant Flight Control System//"AIAA Journal on Guidance, Control and Dynamics". 2001. - P. 35-37

7. Davidson J.B., Lallman F.J., Bundick W.T. Real-Time Adaptive Control Allocation applied to a High Performance Aircraft// Proc. of the 5th SIAM Conference on Control & Its Applications, 2001. P. 110-115

8. Bodson M. Identification with Modeling Uncertainty and Reconfigurable Control// IEEE, Journal Proceedings of the 32nd Conference on Decision and Control, December, 1993.-P. 43-48

9. Sharma M., Calise A. J., Lee S. Development of a Reconfigurable Flight Control Law for the X-36 Tailless Fighter Aircraft// Proc. of AIAA Guidance, Navigation and Control Conference, N3940, Denver, USA, 2000. P. 23-29

10. Calise A. J., Lee S., Sharma M. Direct Adaptive Reconfigurable Control of a Tailless Fighter Aircraf// Proc. of AIAA Guidance, Navigation and Control Conference, Boston, USA, 1998. P. 278-283

11. Тихомиров M.E., Чарова Н.Г., Азаров M.M. Развитие комплексов управления дистанционно пилотируемых летательных аппаратов// Тез. докл. XII Международный симпозиум по истории авиации и космонавтики, ИИЕТ РАН. -Москва, 1999, С. 33-37.

12. Antsaklis P.J. and Passino К.М. "Towards Intelligent Autonomous Control Systems: Architecture and Fundamental Issues"// Journal of Intelligent and Robotic Systems. -1989. Vol. 1-P. 315-342.

13. Boskovic J.D.,.Li S.M, Mehra R.K. Study of an Adaptive Reconfigurable Control Scheme for Tailless Advanced Fighter Aircraft (TAFA) in the Presence of Wing Damage // IEEE, Proc. of the 39th Conference on Decision and Control, 2000. P. 35-40

14. Bodson M. Multivariable Adaptive Algorithms for Reconfigurable Flight Control// IEEE, Proc. of the 33rd Conference on Decision and Control, 1994. -P. 23-26

15. Bodson M. Identification with Modeling Uncertainty and Reconfigurable Control//IEEE. Proc. of the 32nd Conference on Decision and Control. 1993. -P. 35-37

16. Chandler P., Mears M.J., Pachter M. On-Line Optimizing Networks for Reconfigurable Control //IEEE. Proc. of the 32nd Conference on Decision and Control.- 1993.-P. 89-93

17. Siwakosit W., Hess R.A. Multi-Input/Multi-Output Reconfigurable Flight Control Design //AIAA Journal of Guidance, Control and Dynamics. 2001. - Vol. 24. -P.57-59

18. Азаров M.M., Чарова Н.Г. Моделирование управляемого парящего движения беспилотного JIA// Тез. докл. Вторая международная молодежная школа-семинар БИКАМП'99. СПб: СПбГУАП, 1999, - С.51-55.

19. Bodson М. and Groszkiewicz J. Multivariable adaptive algorithms for reconfigurable flight control// IEEE Transactions on Control Systems Technology. 1997. - Vol. 5. -P. 217-229

20. Atkins E. M., Miller R. H., VanPelt Т., Shaw K. D., "Solus: an autonomous aircraft for flight control and trajectory planning research", Proc. Am. Contr. Conf., 1998 -Vol.2. - P.689-693

21. Jazwinski A. Stochastic Processes and Filtering Theory. New York: Academic Press. - 1970. - Vol. 64. - P.260

22. Garcia-Velo J. Parameter estimation of an unstable aircraft using an extended Kalman filter, in Dept. of Aerospace Engineering and Engineering Mechanics. Cincinnati: University of Cincinnati. 1987. - P. 14

23. Garcia-Velo J. and Walker B. Aerodynamic parameter estimation for higher performance aircraft using Extended Kalman Filtering// JGCD. 1997. - Vol. 20. - P. 1257-1259

24. Speyer J. and Crues E. On-line aircraft state and stability derivative estimation using the modified gain extended Kalman filter// Journal of Guidance. 1987- Vol. 10. - P. 262-268

25. Shelby S. Brunke, Mark E. Campbell. Identification and tracking for autonomous control// IEEE Transactions on Control Systems Technology, 2000. Vol. 7. - P. 117-125

26. Overschee P. Van. and Moor B. De. N4SID: Two Subspace Algorithms For Identification of Combined Deterministic-Stochastic Systems// Automatica. 1994. -Vol. 30. - P. 75-93.

27. Verhaegen M. and DeWilde P. Subspace Model Identification Part 1: The Output-Error State-Space Model Identification Class of Algorithms// International Journal of Control. 1992. - Vol. 56. - P. 1187-1210.

28. Катков М.С. Синтез структуры основного контура адаптивных систем управления// Информационно-измерительные системы и их использование в управлении летательным аппаратом. Межвуз. сб./ Под ред. В.М. Кушуля. -Ленинград: ЛИАП, 1988. С.67

29. Катков М.С., Азаров М.М. Исследование системы автоматического управления с адаптивной коррекцией параметров объекта управления// II международный симпозиум "Аэрокосмические приборные технологии": Сборник материалов. -СПб, 2002, С. 24-27.

30. Азаров М.М. Идентификация параметров динамической модели движения ультралегкого дистанционно пилотируемого самолета// Международная научная молодежная конференция "XXV Гагаринские чтения": материалы конференции. М., 1999, - С. 54-56.

31. Katkov M.S., Srisertpol J., Azarov М.М. The Synthesis of the Indirect Adaptive Control System// 5th IFAC Symposium "Nonlinear Control Systems" (NOLCOS 2001) Saint-Petersburg, Russia, 2001, P. 46-50.

32. Катков M.C., Азаров М.М. Система параметрической идентификации математической модели движения самолета// Труды Конгресса-2000

33. Фундаментальные проблемы естествознания и техники" СПб, 2001 - Вып. 23. -С.511 -518.

34. Азаров М.М. Система идентификации нестационарного объекта с моделью на базе фильтра Калмана-Быоси//Четвертая научная сессия аспирантов и соискателей ГУАП: сборник докладов СПб: СПбГУАП, 2001, - С. 81-83.

35. Azarov М.М. Synthesis of the structure of the light unmanned aerial vehicle dynamic model parameter identification system// BOAC'2000, Saint-Petersburg, Russia, 2000, P. 34-38.

36. Азаров М.М. Параметрическая идентификация модели дистанционно пилотируемого летательного аппарата по результатам летного эксперимента//Вторая научная сессия аспирантов ГУАП: тезисы докладов. -СПб: СПбГУАП, 1999. С. 9.

37. Азаров М. М. Идентификация параметров модели дистанционно пилотируемого самолета по данным летного эксперимента//Тез. докл. Вторая международная молодежная школа-семинар БИКАМП'99. СПб: СПбГУАП, 1999.-С. 15-18.

38. Азаров М.М. Адаптивное оценивание вектора состояния многомерного объекта/Первая научная сессия аспирантов ГУАП: Сборник докладов. СПб: СПбГУАП, 1998,-С. 13-14.

39. Азаров М.М. Идентификация параметров динамической модели движения ультралегкого дистанционно пилотируемого самолета// Тез. докл. Международная молодежная научная конференция "25-е Гагаринские чтения". М.: МАТИ, 1999.-С. 133.

40. Буков В.Н. Адаптивные прогнозирующие системы управления полетом. М.: Наука. Гл. ред. физ.-мат. лит., 1987. - 232с.

41. Катков М.С. Непрерывные системы адаптивного управления с идентификаторами. М.: Издательство МПИ "Мир книги", 1992. - 386с.

42. Азаров М.М. Синтез дискретной модели короткопериодического движения самолета в продольной плоскости с учетом внешних возмущений//Вторая научная сессия аспирантов ГУАП: тезисы докладов. Санкт-Петербург: СПбГУАП, 1999,-С. 8.

43. Лебедев А.А., Чернобровкин Л.С. Динамика полета беспилотных летательных аппаратов. Учебное пособие для ВУЗов. Изд. 2-е М.: Машиностроение, 1973, -616с.

44. Ходько С.Т. Проектирование систем управления с нестабильными параметрами. Л.: Машиностроение. Ленинградское отделение, 1987, -232с.

45. Цыпкин Я.З. Информационная теория идентификации.- М: Наука, 1995, 336с.

46. Лыонг Л. Идентификация систем. Теория для пользователя: пер. с англ./Под ред. Я.З. Цыпкина М.: Наука. Гл. ред. физ.-мат. лит., 1991, - 432с.

47. Эйкхофф П. Основы идентификации систем управления. Оцениваниепараметров и состояния: пер. с англ./Под ред. Н.С. Райбмана М.: Мир, 1975, -683с.

48. Mehra R. К., IEEE Transactions on Automatic Control, AC-15. 1970. - P. 112-120

49. Фильтрация и стохастическое управление в динамических системах/ Под ред. Леондеса К. Т. /Адаптивное оценивание с минимальной дисперсией в дискретных линейных системах, Оэп Р. Ф., Стабберуд А. Р., М.: Мир, 1980, -С.377-403

50. Magill D. Т., IEEE Transactions on Automatic Control, AC-10. 1965. - P. 86-93

51. Jazwinski A. H. Suboptimal Filtering, Part 1, Adaptive Filtering, Analytical Mechanics Assoc., Westburg, New York, Report N 68-12, Contract NAS 5-9085, 1968

52. Jazwinski A. H., IEEE Transactions on Automatic Control, AC-13. 1968. - P. 150157

53. Cox H. IEEE Transactions on Automatic Control, AC-9. 1964. - P. 133-140

54. Shellenbarger J. С. Nat. Elec. Conf. Proc. Chicago. 1966. - P. 689-693

55. Семушин И.В. Адаптивный дискретный фильтр, основанный на принципе активной адаптации // Автометрия (журнал Академии Наук СССР). 1970. -№1. - С.10-16

56. Цыпкин Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968,-213с.

57. Острем К., Виттенмарк Б. Системы управления с ЭВМ. Пер. с англ./Под ред. С.П. Чеботарева М.: Мир, 1987, - 480с.

58. Саридис Дж. Самоорганизующиеся стохастические системы управления. Пер. с англ./Под ред. Я.З. Цыпкина М.: Наука. Гл. ред. физ.-мат. лит., 1980,-400с.