Professional Documents
Culture Documents
Nhận dạng hàm truyền kênh độ cao tên lửa sử dụng mạng Elman
Vũ Trung Thành
Phòng Đo lường, Cục Kỹ thuật Phòng không Không quân
e-Mail: trungthanha38@gmail.com
VCCA-2015
Hội nghị toàn quốc lần thứ 3 về Điều khiển và Tự động hoá - VCCA-2015
1 M
2. Cấu trúc mạng Elman E (k ) (Y (k ) Y (k ))T (Y M (k ) Y (k )) (2)
2
2.1 Cấu trúc mạng Elman Thuật toán luyện mạng Elman được trình bày trong
Mạng nơron Elman là một dạng mạng nơron hồi qui
khá nhiều tài liệu [12, 13], dưới đây sẽ chỉ đưa ra giá
đơn giản, được đề xuất lần đầu bởi Elman [8]. Mạng
trị cập nhật tham số trọng lượng giữa các lớp của
Elman thông dụng là mạng hai lớp với các thông tin
mạng qua mỗi epoch luyện mạng [14].
phản hồi từ đầu ra của lớp thứ nhất được giữ chậm
quay trở lại đầu vào. Đường hồi tiếp này cho phép đầu W yx (Y M (k ) Y (k )) X (k ) (3a)
ra mạng mang cả thông tin tại đầu vào hiện tại và các W xu (Y M (k ) Y (k ))W yx (k 1) f ( )U (k ) (3b)
thông tin đầu ra trước đó, điều này đảm bảo cho mạng xc M yx
khả năng tái tạo tốt quá trình động học biểu diễn trong W (Y (k ) Y (k ))W (k 1) f ( ) X (k 1)
(3c)
miền thời gian với độ chính xác cao. Nhược điểm đối
với mạng Elman là lớp ẩn phải có số nơron bằng hoặc Trong đó η là tốc độ học của mạng, f ( ) là đạo hàm
lớn hơn số tập mẫu đưa vào luyện mạng. Số nơron của hàm kích hoạt của lớp ẩn (công thức (1a)).
trong lớp ẩn càng nhiều thì mạng càng mô tả chính
xác nhưng cũng phức tạp hơn [4, 11].
Sơ đồ cấu trúc mạng Elman như H.1 3. Nhận dạng hàm truyền kênh độ cao
sử dụng mạng Elman
3.1 Hàm truyền tên lửa theo kênh độ cao
Chuyển động của tên lửa theo kênh độ cao được thể
hiện qua H.2 [1].
VCCA-2015
Y 57,3QS c c M M
a11 1s a12 1s
J J
M 57,3QSlm .
QSm * Ma
M a12 1 s2
V J
.
M 57,3QSlm M * M
a13 1 s a13 1 s2
Để điều khiển tên lửa trong kênh đứng, yêu cầu phải J J
làm quay cánh lái điều khiển độ cao đi một góc δ, khi P Y Y
đó sẽ làm thay đổi góc tấn công α, dẫn tới sự thay đổi a42 1 s a43 1s
mV mV
lực nâng Y, và xuất hiện momen làm quay tên lửa
trong mặt phẳng đứng. 3.2 Xây dựng cấu trúc mạng và kết quả luyện
Hệ các phương trình (4a, 4b), (5) và (6) là hệ các mạng
Cấu trúc mạng Elman và bộ tham số huấn luyện
phương trình phi tuyến, ngoài các hàm lượng giác
Cấu trúc mạng Elman thực hiện luyện mạng như sau
(sin, cosin), các tham số như trọng lượng tên lửa, lực
(H.3):
nâng khí động các hệ số momen là những tham số
biến thiên (không dừng) theo thời gian.
Giá trị hệ số lực nâng theo góc tấn công cα phụ thuộc
vào hình dạng phần mũi và phần thân của tên lửa, tốc
độ bay (số M) và góc tấn công; Giá trị cδ phụ thuộc
vào dạng cánh lái điều khiển và góc quay cánh lái.
Hàm truyền tên lửa với đầu vào là góc quay cánh lái
độ cao δ, đầu ra là tốc độ góc gật ; tốc độ góc
nghiêng quỹ đạo và góc tấn công α được xác định
theo phương pháp tuyến tính hóa từng đoạn được xác
định như sau [1]:
T1 s 1
W k 2 2 (8)
T s 2 Ts 1
H.3 Cấu trúc mạng Elman khi luyện mạng
T2 s 1 T3 s 1
W k (9)
T 2 s2 2 Ts 1 - Hàm luyện mạng: trainlm;
- Số nơron trong lớp ẩn: 50;
T4 s 1
W k (10) - Số chu trình luyện mạng (epochs): 300;
2 2
T s 2 Ts 1 - Số nơron lớp Context: 10;
trong đó: - Số đầu vào: 1;
* - Số lượng đầu ra: 3;
a12 a43 a13 a42 1
k ;T - Mô hình hàm truyền kênh đứng là hệ các phương
a12 a11a42 a12 a11a42 trình (8), (9), (10);
a11a43 *
a a *
a a - Bộ tham số phục vụ luyện mạng: [1]
12 43 13 42
*
a12 a11a42 a11 0, 49 ; a12 2,98 ; a12 0, 22 ; a13 2,32
* *
a13 0 ; a42 0,577 ; a43 0
T1 B A B2
- Tín hiệu đầu vào luyện mạng (góc quay cánh lái)
T2 D C D2 được phát với chu kỳ 0,2[s], các giá trị ngẫu nhiên
phân bố đều trong giới hạn: ±200(0.35 rad)
T3 D C D2
a43 Kết quả luyện mạng
T4 Sau khi tiến hành luyện mạng với bộ tham số đầu vào
a13 a11a43
như đã cho, so sánh kết quả đầu ra mạng với đầu ra
a13 mô hình (H.4a,b,c) có thể nhận xét như sau:
A
a12 a43 a13 a42 - Đầu ra mạng đã xấp xỉ được phản ứng của mô hình,
a13 a a * *
a12 a43 sai lệch tương đối là khoảng 8% cho cả ba giá trị đầu
13 42
B ra mạng;
a12 a43 a13 a42 - Kết quả xấp xỉ của mạng tăng dần theo các chu kỳ;
a43 tại chu kỳ thứ 5, sai lệch tương đối là khoảng 5% cho
C
a12 a43 a13 a42 cả ba giá trị đầu ra mạng.
VCCA-2011
Hội nghị toàn quốc lần thứ 3 về Điều khiển và Tự động hoá - VCCA-2015
1
0.8
0.2
Dao ham nuy (rad/s)
anpha (rad/s)
0 0
-0.2
-0.5 -0.4
-0.6
-0.8
-1
-1
-1.2
-1.5 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Thoi gian (s)
Thoi gian (s)
H.4a Kết quả luyện mạng với hàm truyền W H.4c Kết quả luyện mạng với hàm truyền W
0.6
0.4
dau ra mo hinh
dau ra luyen mang
3.3 Sử dụng mạng sau khi luyện vào nhận dạng mô
hình hàm truyền tên lửa khi tham số biến đổi
0.2 Để kiểm tra khả năng sử dụng mạng Elman sau khi đã
Dao ham teta (rad/s)
0
được luyện vào nhận dạng hàm truyền tên lửa theo
kênh độ cao, thực hiện mô phỏng và so sánh kết quả
-0.2
đầu ra của mạng với kết quả đầu ra mô hình hàm
-0.4 truyền thực tế khi giả định sự biến thiên hệ số lực
nâng theo góc tấn công và hệ số lực nâng theo góc
quay cánh lái. Mô hình hàm truyền khi này được xây
-0.6
-0.8
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 dựng theo hệ phương trình (1,2,3) trong Simulink khi
Thoi gian (s)
giả định các tham số c , c - thay đổi ngẫu nhiên theo
H.4b Kết quả luyện mạng với hàm truyền W quy luật phân bố đều xung quanh các giá trị cho trước
trong các lần chấp hành lệnh điều khiển (H.5).
Các tham số để xây dựng mô hình sử dụng theo [9]
với các giá trị cụ thể như sau:
H 10000 ; m0 1800 ; S 0,8 ;
m 0, 0017 ; m 0, 0006 ; P 5500 ; J 220 ;
V 1000 ; c 0, 0012 ; c 0, 0002 msec 18
VCCA-2015
H.6 Mô hình kiểm tra mạng
1.5
dau ra thuc te
- Chất lượng xấp xỉ của mạng phụ thuộc rất nhiều vào
1
dau ra mang cấu trúc của mạng, đặc biệt là số bước giữ chậm trong
0.5
mạch phản hồi;
Dao ham nuy (rad/s)
0.2
систем управления беспилотными летательными
0
аппаратами. Машиностроение, Москва, 1973.
-0.2
[2] Бочкарева А.Ф. Конструкция самолета.
-0.4
Учебник для авиации вузов, Машинoстроение,
-0.6
1991.
-0.8
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 [3] Голубев И.С, Светлов В.Г. Проектированиe
Thoi gian (s)
зенитных управляемых ракет, Изд. МАИ, 2001.
H.7b Xấp xỉ hàm truyền W [4] Howard Demuth, Mark Beale, Martin Hagan.
0.8 Neural Network Toolbox™ 6, User’s Guide, 2009.
dau ra thuc te
0.6
dau ra mang
[5] Jose A. R Vargas, Kevin R. M. Gularte, Elder M.
0.4
0.2
Remerly. An Improved on-line neuro-identification
anpha (rad/s)
-0.6
[6] Khaled Nouw, Rached Dhaouadi, Naceux Benadj
-0.8 Braiek. Identification of a nonlinear dynamic stems
-1
using recurrent multilayer neural networks. Systems
-1.2
0 0.1 0.2 0.3 0.4 0.5
Thoi gian (s)
0.6 0.7 0.8 0.9 1
Man and Cybernetics (SMC), IEEE International
H.7c Xấp xỉ hàm truyền W Conference, 2002.
[7] Tiago Simão, Miguel Barão, Jorge S. Marques.
Recursive bayesian identification of nonlinear
Các kết quả kiểm tra mạng (H.7a, H.7b, H.7c) đã thể
autonomous systems. 20th Mediterranean Conference
hiện được khả năng xấp xỉ của mạng Elman trong
on Control & Automation (MED) Barcelona, Spain,
việc xây dựng các hàm truyền tên lửa theo kênh độ
2012.
cao. Sai số tương đối giữa hàm truyền thực tế và hàm
[8] Elman J. L. Finding structure in time. Cognitive
xấp xỉ theo mạng khoảng 10% trên thời gian khảo sát
Science, 14, 179-211, 1990.
là 5 chu kỳ thực hiện góc quay cánh lái.
[9] Vũ Hỏa Tiễn. Cơ sở thiết kế hệ tự động ổn định
tên lửa. Nhà xuất bản Quân đội nhân dân, Hà Nội,
4. Kết luận 2011.
[10] Васильев В.И, Ильясов Б. Г, Кусимов
С.Т.Нейрокомпьютеры в авиации. М.:
- Mạng Elman có khả năng tốt trong việc xấp xỉ các
hàm phi tuyến có tác động của các yếu tố ngẫu nhiên; Радиотехника, 2004.
VCCA-2011
Hội nghị toàn quốc lần thứ 3 về Điều khiển và Tự động hoá - VCCA-2015
[11] David Samek. Elman neural networks in model Trương Đăng Khoa sinh năm
predictive control. Proceedings 23rd European 1967. Anh tốt nghiệp Học viện
Conference on Modelling and Simulation, Madrid, Kỹ thuật Quân sự năm 1989,
2009 nhận bằng Tiến sỹ tại trường Đại
[12] Ling Li, Zhizong Deng, Bo Zhang, A Fuzzy học Kỹ thuật Tổng hợp mang tên
Elman Neural Network, Journal of Information & N.E. Bauman, Cộng hòa liên
Computational Science 8: 10 (2011) 1881–1888. bang Nga, năm 2004, hiện đang
[13] Heyi Yang, Yi Gao, Elman’s Recurrent Neural công tác tại khoa Kỹ thuật Điều
Network Applied to Forecasting the Quality Of Water khiển, Học viện Kỹ thuật Quân
Diversion in the Water Source Of Lake Taihu, sự. Hướng nghiên cứu chính: Điều khiển và điều
International Conference on Biology, Environment khiển tối ưu, nhận dạng động học các hệ thống dùng
and Chemistry IPCBEE, IACSIT Press, Singapore, mạng nơron.
2011
[14] Hong-Wei Ge, Yan-Chun Liang, Maurizio Vũ Trung Thành sinh năm 1980.
Marchese, An Improved Particle Swarm Anh tốt nghiệp Đại học quốc gia
Optimization-Based Dynamic Recurrent Neural Hà nội năm 2002, nhận bằng Thạc
Network for Identifying and Controlling Nonlinear sỹ tại Học viện Kỹ thuật Quân sự,
Systems, Computers & Structures, Volume 85, Issues năm 2015, hiện đang công tác tại
21–22, November 2007, Pages 1611–1622. đến nay công tác tại Cục Kỹ thuật /
Quân chủng Phòng không – Không
quân. Hướng nghiên cứu chính: Hệ
thống đo lường chính xác cao,
mạng nơron nhân tạo.
VCCA-2015