‫دانشكده برق و رباتيك‬

‫گروه کنترل‬

‫ردیابی هدف با مانور زیاد و غیرخطی با استفاده از حداقل میانگین مربعات کرنلی‬

‫دانشجو‪ :‬زینت مظلومی‬

‫استاد راهنما‪:‬‬

‫دکتر حيدر طوسيان شاندیز‬

‫استاد مشاور‪:‬‬

‫دکتر علی اکبرزاده کالت‬

‫پایان نامه ارشد جهت اخذ درجه کارشناسی ارشد‬

‫ماه و سال انتشار‪ :‬بهمن ‪0931‬‬

‫ب‬
 ‫تقدیم هب تبسم سبز خدا ‪ ،‬مارد مهربا من‬

‫خ‬ ‫ن‬‫عی‬
‫تقدیم هب تبلور ی ا الص‪ ،‬پدر زعزیم‬

‫ج‬

‫او را هنبدا یت هن نهایت پیداست‬
‫کاین آمدناز کجا و رفتن هب کجاست‬
‫وین حرف معّما هن تو خوانی و هنمن‬
‫چون رپده ربافتاد هن تو مانی وهنمن‬
‫ردجمع امکل شمع اصحابشدند‬
‫دنتفگفساهنای و رد خوابشدند‬
‫خیام‬
‫تقدریو تشکر‬
‫رد داریهای هک آمدن و رفتن ماست‬
‫کس میزنند دمی رداین معنی راست‬
‫اسرار ازل را هن تو دانی هنمن‬
‫هستازپس رپده وگتفگیمن و تو‬
‫آانن هک محیطفضل و آدابشدند‬
‫ره زین شب اتریک نبردند ربون‬

‫باسپاس و شکر رپوردگار مهربانم هک ره آنچه رد امروز دارم از لطف بیمنتهایش است و ره آنچه رد فردااه هب ااظتنرش مینشینم امید هب رحمت و کرم واالی‬

‫اوست و سپاسگذا ری میکنم از پدروماردزعزیم هکحظههحظهه زندیمم رامدوونددا کاری و ازخودذذتگییآنهاهتمم‪.‬‬

‫از اساتید زبرگوارم جناب آاقی دکتر حیدر طوسیان شاندزیو جنابآاقی دکتر علی اکبرزاده کالت هک قبول زحمتفرمودندو راهنمایی و مشاوره اینپایان‬

‫متق‬
‫انهم را بل شدند‪،‬امکلتشکر و سپاس را دارم‪.‬‬

‫از جنابآاقی دکتر سیدحسینساداتی هک از راهنمائیاهی علمی ارزنده ایشان امکلبهره را ربدم‪،‬صممماهن تشکروقدردانی مینمایم‪.‬‬

‫ردنهایت ازآاقیمهندس امیرحسن نیاو از تمامی دوستانی هکهب رهنحوی ردهب ثمر رسیدن اینپایان انهم نقشی داتتهاند‪،‬امکلتشکر و قدردانی را دارم‪.‬‬

‫د‬
 ‫چکیده‬

‫الگوریتم حداقل ميانگين مربعات کرنلی یكی از روشهای هوشمند می باشد که در این پایاننامه برای کنترل‬

‫سيستم هدایت هواپيما مورد توجه قرار گرفته است‪ .‬استفاده از تئوری کرنل در الگوریتم حداقل ميانگين‬

‫مربعات ‪ ،‬فهم این الگوریتم را با دیدگاه آموزش ماشين بهبود میبخشد‪ .‬این الگوریتم میتواند تحولی در‬

‫آموزش شبكه عصبی پایه شعاعی ایجاد کند‪ .‬تاکنون برای آموزش شبكه عصبی با تابع پایه شعاعی‪ ،‬مراکز‬

‫کرنل و اعداد آنها با یك الگوریتم پيچيده و غيرمستدل انتخاب میگردید؛ در صورتیکه با الگوریتم حداقل‬

‫ميانگين مربعات کرنلی می توان مراکز شبكه و تعداد آن ها را به صورت خودکار تعيين کرد و نيازی به‬

‫مجموعه از قبل آموزش داده شده وجود ندارد‪ .‬در واقع این الگوریتم مانند یك شبكه عصبی توسعه یافته‬

‫ساده با تابع پایه شعاعی عمل میکند‪ .‬در ضمن برای بهبود عملكرد الگوریتم از یك تكنيك تطبيقی برای‬

‫بهروز کردن اندازه تابع کرنل استفاده شده است‪ .‬در نهایت کارایی الگوریتم پيشنهادی با شبيهسازی یك‬

‫هواپيمای جنگنده ‪ F-18‬جهت ردیابی یك مانور نمونه ارزیابی شده است‪.‬‬

‫کلمات کليدی‪ :‬کنترل هوشمند‪ ،‬هواپيمای جنگنده ‪ ، F-18‬ردیابی‪ ،‬الگوریتم حداقل ميانگين مربعات کرنلی‪،‬‬

‫شبكه عصبی پایه شعاعی‪ ،‬مانور غيرخطی‪.‬‬

‫ه‬
 ‫لیست مقاالت مستخرج‬

Mazloomi Z., Tusian.Sh H. (2012) " Kernel Least Mean Square Algorithm in Control of
Nonlinear Systems" 7th IEEE Conf on industrial electeronics and application (ICIEA 2012),
Singapore.

‫و‬
‫فصل اول‪ :‬مقدمه‪1 ......................................................................................................................‬‬

‫‪ - 1- 1‬مقدمه ‪2 ....................................................................................................................‬‬

‫‪ - 2- 1‬مروری بر تحقیقات پیشین ‪3 ................................................................................‬‬

‫‪ - 3- 1‬ساختار پایان نامه ‪4 ................................................................................................‬‬

‫فصل دوم‪ :‬ردیابی و حداقل میانگین مربعات کرنلی ‪6 ..................................................................‬‬

‫‪ - 1- 2‬مقدمه ‪7 .......................................................................................................................‬‬

‫‪ -2- 2‬ردیابی ‪7 ............................... ................................ ................................ ................................ ................................‬‬

‫‪ -3- 2‬حرکت با مانور ‪9 .................. ................................ ................................ ................................ ................................‬‬
‫‪ - 1-3- 2‬مانورهای ایروباتیک ‪10 .................................. ................................ ................................ ................................‬‬
‫‪ -4- 2‬سیستم کنترل یک هواپیما ‪10 ............................ ................................ ................................ ................................‬‬
‫‪ - 1-4- 2‬سطوح کنترل اصلی یک هواپیما ‪11............... ................................ ................................ ................................‬‬
‫‪ - 2-4- 2‬کنترل پرواز ‪14............... ................................ ................................ ................................ ................................‬‬
‫‪ - 3-4- 2‬کنترل و هدایت پرنده با مانور ‪14.................... ................................ ................................ ................................‬‬
‫‪ -5- 2‬روشهای ردیابی ‪11............ ................................ ................................ ................................ ................................‬‬
‫‪ - 1-5- 2‬شبکههای عصبی ‪17...................................... ................................ ................................ ................................‬‬
‫‪ - 1- 1-5- 2‬شبکه عصبی با توابع پایه شعاعی ‪17............................ ................................ ................................‬‬
‫‪ - 2-5- 2‬کاربرد شبکههای عصبی ‪20........................... ................................ ................................ ................................‬‬
‫‪ - 3-5- 2‬شبکه عصبی در کنترل هواپیما ‪21................ ................................ ................................ ................................‬‬
‫‪ -1- 2‬حداقل میانگین مربعات کرنلی ‪29....................... ................................ ................................ ................................‬‬
‫‪ - 1-1- 2‬حداقل میانگین مربعات ‪29............................. ................................ ................................ ................................‬‬
‫‪ - 2-1- 2‬فرمولبندی حداقل میانگین مربعات کرنلی ‪30............................... ................................ ................................‬‬
‫‪ - 3-1- 2‬قانون تطبیقی برای بهروز رسانی اندازه تابع کرنل ‪33..................... ................................ ................................‬‬

‫فصل سوم‪ :‬نتایج شبیهسازی‪33.................................................................................................‬‬

‫ز‬
‫‪ -1- 3‬مقدمه ‪39............................. ................................ ................................ ................................ ................................‬‬
‫‪ -2- 3‬نتایج حاصل از ردیابی با استفاده از حداقل میانگین مربعات کرنلی ‪39............................. ................................‬‬
‫‪ - 3- 3‬مقایسه با کنترلکننده بر اساس شبکه عصبی پایه شعاعی کامال تنظیم شده ‪45............. ................................‬‬

‫فصل چهارم‪ :‬نتیجهگیری ‪55.......................................................................................................‬‬

‫‪ - 1- 4‬جمع بندی و نتیجهگیری ‪56.............................................................................................‬‬
‫‪ - 2- 4‬پیشنهادات ‪57.................................................................................................................‬‬

‫پیوست الف ‪53...........................................................................................................................‬‬

‫پیوست ب ‪32.............................................................................................................................‬‬

‫مراجع ‪22...................................................................................................................................‬‬

‫ح‬
‫شکل ( ‪ )1- 1‬ساختار سیستم کنترل حلقه بسته یک هواپیما‪3 ......................................................‬‬
‫شکل ( ‪ )1- 2‬سیستم هدایت یک هواپیما ‪7 .................................................................................‬‬
‫شکل ( ‪ ) 2- 2‬محورهای حرکت هواپیما ‪2 ....................................................................................‬‬
‫شکل ( ‪ )3- 2‬نمای سطوح کنترل شهپرها‪11...............................................................................‬‬
‫شکل ( ‪ )4- 2‬نمای سطح کنترل باالبر‪12.....................................................................................‬‬
‫شکل ( ‪ )5- 2‬نمای سطح کنترل رادر ‪12......................................................................................‬‬
‫شکل ( ‪ )6- 2‬حلقههای کنترل و هدایت هواپیما‪15.......................................................................‬‬
‫شکل ( ‪ )7- 2‬نمای یک شبکه پایه شعاعی ‪13.............................................................................‬‬
‫شکل ( ‪ )3- 2‬شبکه عصبی در نقش شناساگر ‪21.........................................................................‬‬
‫شکل ( ‪ )2- 2‬شبکه عصبی در نقش کنترلکننده ‪21.....................................................................‬‬
‫شکل ( ‪ )11- 2‬نمای کلی سیستم شناسایی و کنترل پیچ با استفاده از ‪22............................ RBF‬‬
‫شکل ( ‪ )11- 2‬کنترل عصبی یک هواپیما با استفاده از ‪ RBF‬کامال تنظیم شده‪26.........................‬‬
‫شکل ( ‪ )1- 3‬کنترل زاویه حمله با استفاده از ‪41............................................................... KLMS‬‬
‫شکل ( ‪ )2- 3‬کنترل آهنگ رول در محور پایداری با استفاده از ‪41..................................... KLMS‬‬
‫شکل ( ‪ )3- 3‬کنترل زاویه لغزش جانبی با استفاده از ‪42................................................... KLMS‬‬
‫شکل ( ‪ )4- 3‬انحراف سطح کنترل باالبر در ‪43................................................................ KLMS‬‬
‫شکل ( ‪ )5- 3‬انحراف سطح کنترل شهپرها در ‪44............................................................ KLMS‬‬
‫شکل ( ‪ )6- 3‬انحراف سطح کنترل رادر در ‪44..................................................................KLMS‬‬
‫شکل ( ‪ )7- 3‬کنترل زاویه حمله با استفاده از ‪ RBF‬کامال تنظیم شده ‪46.......................................‬‬
‫شکل ( ‪ )3- 3‬کنترل آهنگ رول در محور پایداری با استفاده از ‪ RBF‬کامال تنظیم شده ‪46.............‬‬
‫شکل ( ‪ )2- 3‬کنترل زاویه لغزش جانبی با استفاده از ‪ RBF‬کامال تنظیم شده‪47...........................‬‬
‫شکل ( ‪ )11- 3‬انحراف سطح کنترل باالبر در ‪ RBF‬کامال تنظیم شده ‪43......................................‬‬
‫شکل ( ‪ )11- 3‬انحراف سطح کنترل شهپرها در ‪ RBF‬کامال تنظیم شده ‪42..................................‬‬
‫شکل ( ‪ )12- 3‬انحراف سطح کنترل رادر در ‪ RBF‬کامال تنظیم شده ‪42........................................‬‬
‫شکل ( ‪ )13- 3‬سیستم مختصات و مسیر مانور غلتش لولهای ‪51.................................................‬‬
‫شکل ( ‪ )14- 3‬ردیابی مسیر مطلوب با استفاده از ‪53.........................................................KLMS‬‬

‫ط‬
‫شکل (الف ‪ )1-‬سه نما یی از هواپیمای ‪61............................................................... F-18 HARV‬‬
‫شکل (الف ‪ )2-‬یک جزء جرمی هواپیما ‪65...................................................................................‬‬
‫شکل (الف ‪ )3-‬ارتباط بین محور مختصات بدنی و زمینی ‪71........................................................‬‬
‫شکل (الف ‪ )4-‬هواپیما و مختصات زمینی و بدنی ‪71....................................................................‬‬

‫ی‬
 ‫فهرست جدولها‬

‫جدول ( ‪ )1- 4‬اصطالحات الزم برای مانور غلتش لولهای ‪51........................................................‬‬

‫جدول (الف ‪ )1-‬اطالعات هواپیمای ‪61.................................................................................F-18‬‬
‫جدول (الف ‪ )2-‬محدوده و نرخ چرخش سطوح کنترل ‪63....................................................F-18‬‬
‫جدول (الف ‪ )3-‬خالصه عالئم‪66.................................................................................................‬‬

‫ك‬
‫فصل اول‬

‫مقدمه‬
 ‫‪ - 1- 1‬مقدمه‬

‫با پيشرفت فن آوری در دنيای امروز‪ ،‬نياز به سيستمهای هوشمند ‪ 0‬و مستقل از کاربر در بسياری از‬

‫کاربردهای امنيتی‪ ،‬صنعتی‪ ،‬حمل و نقل‪ ،‬رباتيك و نياز به سيستمهای کنترل با دقت‪ ،‬سرعت و قابليت‬

‫بيشتر‪ ،‬بيش از پيش به چشم میخورد‪ .‬مسئله هدایت ‪ 2‬و کنترل سيستم پرنده جهت ردیابی مانور مطلوب‬

‫یكی از مسائل مهم در دنيای امروز‪ ،‬از جمله در سيستمهای دفاعی است‪ .‬اگر هواپيمایی که در حالت پرواز‬

‫دائم ‪ 9‬و مستقيم الخط ‪ 4‬قرار دارد بخواهد مانور از انواع مختلف انجام دهد‪ ،‬به دالیلی مانند ناپایداری‪ ،‬عدم‬

‫قطعيت مدل و اختالالت‪ ،‬انجام مانور بدون کمك یك کنترلکننده (جبران کننده) و فقط با تنظيم مستقيم‬

‫ورودی هایی مانند زوایای شهپر و سكان و باالبر ممكن نيست‪ .‬بنابراین الزم است تا کنترلکنندهای در یك‬

‫حلقه بسته‪ ،‬خطای بين ورودیهای مبنا (خروجیهای مطلوب) و خروجیهای سيستم (خروجیهای واقعی)‬

‫را که همان هواپيماست‪ ،‬مورد پردازش قرار دهد و ورودیهای کنترلی ‪ 5‬مناسبی برای سيستم توليد و به آن‬

‫اعمال نماید‪ .‬در واقع ورودی مبنا همان مانوری است که قرار است توسط هواپيما انجام شود‪ .‬میتوان مسير‬

‫حرکت را به عنوان یك ورودی مرجع ‪ 6‬مطلوب به یك سيستم پرنده اعمال کرد و سپس با یك روش مناسب‬

‫به طراحی کنترل کننده برای رسيدن به مسير مطلوب پرداخت‪ .‬ساختار سيستم کنترلی کل‪ ،‬همان حلقه‬

‫بسته استا ندارد است که در شكل (‪ )0- 0‬نمایش داده شده است و هواپيما در آن نقش سيستم تحت کنترل‬

‫را دارد‪ .‬اولين بلوك بخش هدایت و کنترل را نشان میدهد‪.‬‬

‫‪1-Intelligent‬‬
‫‪2-Guidance‬‬
‫‪3-Steady state flight‬‬
‫‪4-Rectilinear‬‬
‫‪5-Control Inputs‬‬
‫‪6-Reference Input‬‬
‫‪2‬‬
 ‫شكل(‪ )0-0‬ساختار سيستم کنترل حلقه بسته یك هواپيما‬

‫هدف این تحقيق بررسی طراحی یك کنترلکننده با روش هوشمند بر اساس حداقل ميانگين مربعات کرنلی‬

‫برای ردیابی مسير مطلوب با فرض در اختيار داشتن پارامترهای مسير مرجع (مانور) است‪ .‬الزم به ذکر است‬

‫که محاسبه این پارامترها در بحث هدایت قرار میگيرد‪.‬‬

‫‪ - 2- 1‬مروری بر تحقیقات پیشین‬

‫‪ ‬در سال‪ ، 2101‬کين و همكاران یك روش ترکيبی کنترلی گام به عقب تطبيقی ‪ 0‬و حالت لغزشی‬

‫جهت ردیابی چند نمونه از ابرمانورها ‪ 2‬در یك ‪ F-16‬ارائه نمودند‪ .‬این روش ترکيبی به خوبی‬

‫لرزشهای خروجی را حذف نموده و دقت ردیابی را باال میبرد [‪.]0‬‬

‫‪ ‬در سال ‪ ، 2113‬یك روش گام به عقب تطبيقی بر اساس تابع لياپانوف برای ردیابی مانور مطلوب و‬

‫تضمين پایداری در هواپيماهای جنگنده مدرن توسط یوره ارائه شد [‪.]2‬‬

‫‪ ‬در سال ‪ ، 2112‬یك سيستم کنترل غير خطی برای اجرای مانورهای سریع در یك هواپيمای رزمی‬
‫‪4‬‬
‫بدون سرنشين )‪ ، 3(UCAV‬ارائه شد‪ .‬در این تحقيق مانورهای پيچيده به مانورهای سادهتر (پایه)‬

‫تجزیه شد‪ .‬سپس برای کنترل هر مانور از رهيافت کنترل حلقه داخلی‪ ،‬خارجی به همراه کنترل ‪-‬‬

‫‪1-Adaptive Back Stepping‬‬

‫‪2-Super Maneuver‬‬
‫‪3-Unmanned Combat Air Vehicle‬‬
‫‪4-Basis‬‬
‫‪9‬‬
‫کننده حالت لغزشی مرتبه باال ‪ 0‬استفاده شد‪ .‬این دیدگاه یك سيستم کنترلی مقاوم را جهت ردیابی‬

‫مانورهای مطلوب فراهم میآورد [‪.]9‬‬

‫‪ ‬در سال ‪ 2115‬یك نمونه دیگر در زمينه شبيه سازی و کنترل مانورهای پروازی جنگندهها توسط‬

‫آقایان کریمی و پورتاکدوست انجام شد‪ .‬در این تحقيق ابتدا ابرمانورها به سادهترین شكل ممكن‬

‫(مانورهای پایه) مدل سازی شد و سپس با در نظر گرفتن محدودیتهای ایرودیناميكی‪ ،‬مانور انجام‬

‫شده و رفتار هواپيما در طول مانور بررسی شد [‪.]4‬‬

‫‪ ‬در سال ‪ 2114‬یك سيستم کنترل جهت ردیابی یك مانور ایروباتيك ‪ 2‬ارائه شد‪ .‬در این مقاله ابتدا‬

‫برای یك مدل از هواپيما با در نظر گرفتن آن به شكل جرم نقطهای ‪ ،9‬با استفاده از نظریه کنترل‬

‫بهينه کمترین زمان و کمترین شعاع مسير حرکت و ورودیهای کنترلی برای یك مانور خاص‬

‫محاسبه شد [‪.]5‬‬

‫‪ ‬در سال ‪ 2110‬یك نمونه دیگر قابل توجه کنترل یك سيستم پرنده برای ردیابی مانور هربست ارائه‬

‫شد‪ .‬در این نمونه از یك شبكه عصبی با تابع پایه شعاعی ‪ 4‬توسعه یافته برای کنترل که در آن عالوه‬

‫بر بردار وزنها‪ ،‬سایر پارامترها از جمله مراکز و پهنای تابع گوسين بهروز می شود استفاده شد‪ .‬این‬

‫رهيافت باعث کم شدن خطای ردیابی و تضمين پایداری میشود [‪.]6‬‬

‫‪ - 3- 1‬ساختار پایان نامه‬

‫مطالب این پایاننامه پس از فصل مقدمه در قالب فصول زیر ارائه میگردد‪ :‬در فصل دوم به توضيح مفاهيم و‬

‫کليات مرتبط با ردیابی پرداخته میشود‪ .‬در این فصل ابتدا مفهوم هدایت و ردیابی بررسی میگردد‪ .‬سپس‬

‫به توصيف چند مانور معمول در هواپيماهای جنگنده پرداخته میشود‪ .‬در نهایت اجزای مختلف یك سيستم‬

‫‪1-High Order Sliding Mode‬‬

‫‪2-Aerobatic‬‬
‫‪3-Mass point‬‬
‫‪4-Radial Basis Function‬‬
‫‪4‬‬
‫کنترلی در هواپيما ارائه میگردد‪ .‬فصل سوم مفاهيم شبكه عصبی با تابع پایه شعاعی و سپس نظریه سيستم‬

‫کنترل پيشنهادی بر اساس حداقل ميانگين مربعات کرنلی جهت ردیابی مانور مطلوب را بيان میدارد‪ .‬نتایج‬

‫حاصل از شبيهسازیها در فصل چهارم ارائه می گردد‪ .‬فصل پنجم به نتيجه گيری و پيشنهادات اختصاص‬

‫داده شده است‪ .‬در نهایت مدل هواپيما و معادالت ایرودیناميك حاکم بر حرکت از مراجع مختلف اقتباس‬

‫شده و در پيوست آمده است‪.‬‬

‫‪5‬‬
 ‫فصل دوم‬

‫روشهای ردیابی با تکیه بر حداقل میانگین‬

‫مربعات کرنلی‬

‫‪6‬‬
 ‫‪ -1-2‬مقدمه‬

‫در صنعت هواپيما سازی یكی از مسائل مهم‪ ،‬سيستمهای ناوبری ‪ 0‬هوشمند است‪ .‬این سيستمها که به طور‬

‫کلی با عنوان "خلبان خودکار" ‪ 2‬از آنها یاد می شود این توانایی را دارن د که به طور خودکار کنترل و هدایت‬

‫یك هواپيما را بر عهده بگيرند‪ .‬کنترل هوشمند سيستم هدایت هواپيما با توجه به مسير حرکت مطلوب‬

‫شامل بخش های مختلف کنترلی از قبيل کنترل زاویه حمله ‪ ،9‬کنترل زاویه پرواز ‪ ،4‬کنترل ارتفاع ‪ ،5‬کنترل‬

‫زاویه پيچ ‪ 6‬و غيره میباشد‪ .‬در این فصل الزم است مفاهيم اوليهای مانند سيستم هدایت و کنترل‪ ،‬اجزای‬

‫کنترلی هواپيما را بيان نمود تا دانش مورد نياز جهت ارائه روش کنترل یك هواپيما فراهم آید‪.‬‬

‫‪ - 2- 2‬ردیابی‬

‫منظور از ردیابی‪ ،‬تعقيب مناسب یك مسير حرکت مطلوب توسط سيستم رهگير (سيستم تحت کنترل)‬

‫است‪ .‬سيستم رهگير می تواند یك هواپيما یا یك ربات باشد‪ .‬الزم است برای رسيدن به مسير حرکت مطلوب‬

‫از قوانين کنترل و هدایت استفاده کرد‪ .‬در واقع در یك سيستم هدایت فرامين الزم جهت اصالح مسير به‬

‫سيستم داده می شود و سيستم مسير هواپيما را در راستای مسير مورد نظر اصالح میکند‪.‬‬

‫فرمان هدایت‬ ‫مسير اصالح شده‬

‫سيستم هدایت‬

‫شكل (‪ )0- 2‬سيستم هدایت یك هواپيما‬

‫‪1‬‬
‫‪-Navigation‬‬
‫‪2‬‬
‫‪-Autopilot‬‬
‫‪3‬‬
‫‪-Angle of Attack‬‬
‫‪4‬‬
‫‪-Flight angle‬‬
‫‪5‬‬
‫‪-Altitude‬‬
‫‪6‬‬
‫‪-Pitch angle‬‬
‫‪7‬‬
‫مسير موردنظر می تواند یك مسير خطی و مستقيم و یا یك مسير غيرخطی باشد‪ .‬ميزان غيرخطی بودن‬

‫مسير مطلوب را نوع مانور تعيين می کند‪ .‬منظور از مانور مسير حرکتی است که سيستم را در وضعيت‬

‫نامعمول قرار میدهد‪ .‬این وضعيت نامعمول میتواند ناشی از تغيير ناگهانی در آهنگ سرعت‪ ،‬جهت حرکت‬

‫و‪ ...‬باشد‪.‬‬

‫قبل از ارائه روش کنترل سيستم ردیاب پرنده (مانند یك جنگ افزار نظامی) جهت ردیابی مسير مطلوب‬

‫الزم است مفاهيم اوليهای بيان شود‪.‬‬

‫هر متحرك در فضا مانند هواپيما ‪ 6‬درجه آزادی ‪ 0‬دارد که ‪ 9‬حرکت خطی و ‪ 9‬حرکت دورانی است [‪.]7‬‬

‫برای مشخص نمودن حرکت دورانی متحرك در فضا از ‪ 9‬محور عمود بر هم استفاده می شود که عبارتند از‪:‬‬

‫محور عمودی ‪ ،2‬محور اوج ‪ 9‬یا محور عرضی (سمتی) و محور غلتش یا طولی ‪ 4‬که می توان این محورها را در‬

‫شكل (‪ )2- 2‬مشاهده نمود‪.‬‬

‫‪ ‬محور عمودی‬

‫محور عمود بر دو محور رول و پيچ است و دوران متحرك حول این محور قائم را دوران یاو گویند‪.‬‬

‫‪ ‬محور اوج‬

‫محور عرضی یا جنبی را محور پيچ گویند و حرکت پيچ‪ ،‬دوران متحرك حول محور عرضی خودش است که‬

‫محوری افقی است و عمود بر محور طولی میباشد‪.‬‬

‫‪ ‬محور غلتش‬

‫محور طولی یا محور جلو – عقب را محور رول مینامند و حرکت رول یعنی دوران متحرك حول محور طولی‬

‫خودش‪.‬‬

‫‪1‬‬
‫‪-Degree of Freedom‬‬
‫‪2‬‬
‫‪-Yaw axis‬‬
‫‪3‬‬
‫‪-Pitch axis‬‬
‫‪4‬‬
‫‪-Roll axis‬‬
‫‪2‬‬
 ‫شكل (‪ )2-2‬محورهای حرکت هواپيما‬

‫‪ -3- 2‬حرکت با مانور‬

‫اغلب ساختمان فيزیكی یك هواپيما تعيين می کند که چقدر مانورپذیر است [‪ .]7‬به عنوان مثال بالهای‬

‫مثلثی شكل یا دلتاشكل یكی از طرحهای خاص آیرودیناميكی برای بال هواپيما هستند که در ميزان‬

‫مانورپذیری یك هواپيما موثر است‪ .‬در واقع سطح زیاد بال در مقایسه با بالهای به عقب برگشته معمولی‬

‫باعث کاهش بارگذاری روی واحد مساحت بال می گردد‪ .‬این عامل در افزایش مانورپذیری و انجام حرکات‬

‫ایروباتيك هواپيما نقش اساسی دارد‪ .‬ساختار دماغه ‪ 0‬و دم ‪ 2‬هواپيما هم در مانورپذیری دخيل است‪.‬‬

‫در مواردی ميزان مانور یك هواپيما رابطه مستقيمی با مقدار زاویه حمله دارد‪ .‬زاویه حمله‪ ،‬زاویه بدنه هواپيما‬

‫و بالها ی آن را با مسير حرکت کنونی آن توصيف می کند‪ .‬در حين انجام مانورهای هوایی‪ ،‬خلبانان با زاویه‬

‫حمله بزرگی پرواز میکنند‪ .‬دماغه هواپيما رو به باال قرار دارد و هواپيما در همان جهت قبلی در حال پرواز‬

‫است‪ .‬هر قدر هواپيما بتواند با زاویه حمله بيشتری به پرواز در آید قابليت مانورپذیری آن بيشتر است‪ .‬البته‬

‫مانورپذیری به نوع هواپيما و ساختار آن بستگی دارد‪ .‬زاویه حمله باال هواپيما را به واماندگی ‪ 9‬نزدیك‬

‫می سازد و آیرودیناميك و همچنين محاسبات را پيچيده میسازد‪ .‬پرواز در زاوی ه حمله باال یكی از مولفههای‬

‫اساسی برتری در نبرد هوایی و در نتيجه یكی از ویژگیهای الزامی برای جنگندههای نوین است‪.‬‬

‫‪1‬‬
‫‪-Nose‬‬
‫‪2‬‬
‫‪-Tail‬‬
‫‪3‬‬
‫‪-Post stall‬‬
‫‪3‬‬
‫هواپيماهای قدیمی قادر به پرواز در زاویه حمله باال نبودند‪ .‬در سال ‪ 0312‬برادران رایت یك بار به دليل‬

‫پرواز با زاویه حمله بيش از حد مجاز کنترل را از دست دادند و هواپيمایشان دچار سانحه گشت‪ .‬از آن زمان‬

‫تا جنگ جهانی دوم سوانح زیادی به خاطر واماندگی‪ ،‬از دست دادن کنترل هواپيما و یا اسپين به وقوع‬

‫پيوست‪.‬‬

‫‪ -1-3- 2‬مانورهای ایروباتیک‬

‫مانور مسير پروازی است که هواپيما را در یك وضعيت غيرمعمول قرار میدهد‪ .‬این وضعيت میتواند‬

‫درحرکات ایروباتيك رقابتی ‪ 0‬یا نمایشیهای هوایی ‪ 2‬باشد‪ .‬حرکات ایروباتيك می تواند بوسيله یك هواپيما یا‬

‫چندین هواپيما در آن واحد انجام شود‪ .‬تقریبا همه هواپيماها قادر به انجام هر نوع مانور ایروباتيك هستند‪.‬‬

‫ولی ممكن است انجام یك مانور توسط یك نوع خاص از هواپيما منطقی یا مطمئن نباشد [‪.]2‬‬

‫‪ - 4-2‬سیستم کنترل یک هواپیما‬

‫یك سسيتم کنترل مجموعه ای از تجهيزات الكترونيكی و مكانيكی است که این امكان را به هواپيما میدهد‬

‫با دقت و قابليت اطمينان بيشتری به پرواز در آید و در موقعيت مناسب قرار بگيرد‪ .‬در واقع یك سيستم‬

‫کنترل شامل کنترل کابين خلبان ‪ ،9‬حسگرها ‪ ،4‬عنصر نهائی ‪(5‬هيدروليكی‪ ،‬مكانيكی یا الكترونيكی) و‬

‫محاسبهگرهاست ‪.]3[ 6‬‬

‫هدایت هواپيما یعنی برنامهای که در آن دستوراتی برای حرکت هواپيما تا رسيدن به هدف وجود داشته‬

‫باشد‪ .‬این دستورات گاهی توسط کامپيوتر فرمانده هواپيما به صورت داخلی توليد و گاهی توسط منابع‬

‫‪1‬‬
‫‪-Competition‬‬
‫‪2‬‬
‫‪-Air show‬‬
‫‪3‬‬
‫‪- Cockpit‬‬
‫‪4‬‬
‫‪-Sensor‬‬
‫‪5‬‬
‫‪-Actuator‬‬
‫‪6‬‬
‫‪-Computer‬‬
‫‪01‬‬
‫خارجی به هواپيما انتقال داده می شود‪ .‬سپس این اطالعات به خلبان خودکار ارسال می گردد‪ .‬خلبان خودکار‬

‫وظيفه پایدا ری و اجرای دستورات سيستم هدایت را به عهده دارد‪ .‬سنسور یا جستجوگر‪ ،‬عنصری واسطه در‬

‫هواپيما است که اطالعات را برای کامپيوتر هدایت هواپيما توليد می کند‪ .‬این دادهها (خط دید ‪ ،0‬فاصله هدف‪،‬‬

‫مكان جغرافيایی هواپيما و‪ )...‬توسط کامپيوتر‪ ،‬پردازش و برای توليد دستورات سيستم هدایت بكار میرود‪.‬‬

‫خلبان خودکار دستورات هدایت را دریافت و سپس بر اساس دستورالعمل تعادل به سرور کنترل هواپيما‬

‫فرمان میدهد [‪01‬و‪.]00‬‬

‫‪ - 1-4-2‬سطوح کنترل اصلی یک هواپیما‬

‫حرکت هواپيما بوسيله حرکت سطوح کنترل ‪ 2‬ایجاد می شود‪ .‬در واقع برای هدایت هواپيما‪ ،‬از یك سيستم‬

‫بال و سكان ‪ 9‬موسوم به سطوح کنترل استفاده میشود [‪.]2‬‬

‫سطوح کنترل اصلی که ایجاد حرکت میکنند شامل‪:‬‬

‫‪4‬‬
‫‪ - 0‬قسمت متحرك بال هواپيما یا شهپر‬

‫شكل (‪ )9-2‬نمای سطوح کنترل شهپرها‬

‫‪1‬‬
‫‪-Line of Side‬‬
‫‪2‬‬
‫‪-Control Surfaces‬‬
‫‪3‬‬
‫‪-Flap‬‬
‫‪4‬‬
‫‪-Aileron‬‬
‫‪00‬‬
 ‫‪ - 2‬باالبرنده هواپيما ‪ -‬مكان افقی متحرك‬

‫شكل (‪ )4-2‬نمای سطح کنترل باالبر‬

‫‪ - 9‬سكان عقب هواپيما ‪ -‬مكان عمودی متحرك‬

‫شكل (‪ )5-2‬نمای سطح کنترل رادر‬

‫حرکت ناشی از سطوح کنترل بوسيله یك سيستم کنترل دستی ‪ 0‬و پدال ‪ 2‬انجام می شود‪ .‬سطوح کنترل‪،‬‬

‫جریان هوا را در اطراف هواپيما منحرف می کند و باعث چرخش یا گردش هواپيما می شود‪ .‬در نتيجه هواپيما‬

‫حول مرکز ثقل ‪9‬میچرخد‪.‬‬

‫‪ ‬زاویه پیچ ‪ -‬انحراف باالبرنده‬

‫‪1‬‬
‫‪-Control Stick‬‬
‫‪2‬‬
‫‪-Pedal‬‬
‫‪3‬‬
‫‪-Center of Gravity‬‬
‫‪02‬‬
‫سكان باالبرنده زاویه پيچ را کنترل می کند‪ .‬در واقع این سطح کنترل‪ ،‬هواپيما را به سمت باال و پایين‬

‫میراند و باعث اوج گرفتن ‪ 0‬و یا شيرجه زدن ‪ 2‬هواپيما میشود‪ .‬حرکتی که هواپيما به هنگام جابجایی‬

‫باالبر انجام میدهد پيچ نام دارد‪.‬‬

‫برای اوج گرفتن‪ ،‬خلبان سيستم کنترل دستی را به سمت عقب می کشد و باعث می شود سكان باالبرنده به‬

‫سمت باال منحرف شود‪ .‬در واقع این حرکت باعث اعمال نيرو از جریان هوا به دم ‪( 9‬قسمت عقب) هواپيما‬

‫می شود و آن را به سمت پایين میراند‪ .‬در نتيجه دماغه هواپيما به سمت باال میرود و زاویه پيچ افزایش‬

‫مییابد‪.‬‬

‫برای شيرجه زدن‪ ،‬خلبان سيستم کنترل دستی را به سمت جلو می کشد‪ .‬در نتيجه باالبرنده به سمت پایين‬

‫منحرف شود‪ .‬جریان هوا دم هواپيما را به سمت باال میراند و دماغه هواپيما به سمت پایين میرود و باعث‬

‫کاهش زاویه پيچ میشود‪.‬‬

‫‪ ‬زاویه رول ‪ -‬انحراف شهپرها (قسمت متحرک بال هواپیما)‬

‫شهپرها زاویه رول را کنترل میکنند ‪ .‬در واقع جهت غلتيدن ‪ 4‬یا چرخش هواپيما از این سطح کنترل استفاده‬

‫میشود‪ .‬عملی که هواپيما به هنگام حرکت دادن شهپرها انجام میدهد غلتش نام دارد‪ .‬زمانیکه خلبان‬

‫سيستم کنترل دستی را به سمت راست میراند‪ ،‬شهپر راست به سمت باال و شهپر چپ به سمت پایين‬

‫حرکت می کند و اختالف نيرو روی بالهای هواپيما باعث میشو د هواپيما به سمت راست رول بزند‪.‬‬

‫‪ ‬زاویه یاو‪ -‬انحراف رادر (سکان عقب هواپیما)‬

‫رادر زاویه یاو را کنترل می کند‪ .‬در واقع جهت حرکت هواپيما به سمت راست و چپ از این سطح کنترل‬

‫استفاده میشود‪ .‬حرکت رادر باعث عملی به نام یاو میشود‪.‬‬

‫زمانی که خلبان به پدالهای رادر نيرو وارد می کند‪ ،‬نوسان رادر روی دم هواپيما در جهت گردش‪ ،‬باعث‬

‫حرکت هواپيما به سمت چپ و راست می شود‪( .‬همزمان‪ ،‬خلبان سيستم کنترل دستی را به پهلو حرکت‬

‫‪1‬‬
‫‪-Climb‬‬
‫‪2‬‬
‫‪-Dive‬‬
‫‪3‬‬
‫‪-Tail‬‬
‫‪4‬‬
‫‪-Rolling‬‬
‫‪09‬‬
‫می دهد تا شهپرها را روی بال ها به سمت باال و پایين ببرد تا یك چرخش هماهنگ ایجاد شود)‪ .‬جریان هوا‬

‫به رادر نيرو وارد می کند و بدین وسيله هواپيما در جهت نيرو میچرخد‪.‬‬

‫‪ - 2- 4- 2‬کنترل پرواز‬

‫یكی از زمينههایی که در سيستم های پرنده به شدت مورد توجه قرار گرفته است‪ ،‬کنترل وسایل پرنده با‬

‫سرنشين ‪ 0‬و بدون سرنشين ‪ 2‬است [‪:]02‬‬

‫‪ -1‬پرندههای با سرنشین‪ :‬در این زمينه می توان به هواپيماها و هليكوپترها اشاره کرد‪ .‬در این نوع پرندهها‬

‫وظيفه اصلی کنترل به عهده خلبان است‪ .‬اما با این حال به خاطر کاهش بار کاری خلبان‪ ،‬گرایش به ساخت‬

‫کنترلکنندههای اتوماتيك نيز می باشد‪ .‬در زمينه هواپيماها می توان به ساخت اتوپایلت برای بعضی از‬

‫فازهای پروازی از قبيل کروز ‪ 9‬و یا فاز نشست ‪ 4‬اشاره کرد‪ .‬درمورد هليكوپتر نيز به خاطر پيچيدگیهای‬

‫کنترل آن توسط خلبان کارهای فراوانی برای طراحی کنترل کننده اتوماتيك از قبيل "پایدارساز مسير‬

‫پرواز" یا ‪ 5 FPS‬انجام شده است‪.‬‬

‫‪ - 2‬پرندههای بدون سرنشین‪ :‬در این زمينه به علت عدم وجود خلبان‪ ،‬مسئله کنترل اصلیترین موضوع‬

‫است‪ .‬از پرندههای بدون سرنشين میتوان به ‪UAV‬ها ‪ ،‬هليكوپترهای خودگردان ‪ 6‬و موشكها ‪ 7‬اشاره کرد‪.‬‬

‫‪ -3-4-2‬کنترل و هدایت پرنده بامانور‬

‫اگر هواپيمایی که در حالت پرواز دائم ‪ 2‬و مستقيمالخط ‪ 0‬قرار دارد بخواهد مانور از انواع مختلف انجام دهد‪ ،‬به‬

‫دالیلی مانند ناپایداری‪ ،‬عدم قطعيت مدل و اختالالت‪ ،‬انجام مانور بدون کمك یك کنترلکننده‬

‫‪1‬‬
‫‪-Manned‬‬
‫‪2‬‬
‫‪-Unmanned‬‬
‫‪3‬‬
‫‪-Cruise‬‬
‫‪4‬‬
‫‪-Descent Phase‬‬
‫‪5‬‬
‫‪-Flight Path Stabilization‬‬
‫‪6‬‬
‫‪-Autonomous‬‬
‫‪7‬‬
‫‪-Missile‬‬
‫‪8‬‬
‫‪-Steady state flight‬‬
‫‪04‬‬
‫(جبران کننده) و فقط با تنظيم مستقيم ورودی هایی مانند زوایای شهپر و سكان و باالبر ممكن نيست‪.‬‬

‫بنابراین الزم است تا کنترلکنندهای در یك حلقه بسته‪ ،‬خطای بين ورودیهای مبنا (خروجیهای مطلوب)‬

‫و خروجیهای سيستم (خروجی های واقعی) را که همان هواپيماست‪ ،‬مورد پردازش قرار دهد و ورودیهای‬

‫کنترلی ‪ 2‬مناسبی بر ای سيستم توليد و به آن اعمال نماید‪ .‬هدف این پایان نامه کنترل زوایای حرکت و زوایای‬

‫مسير پرواز هواپيماست که نياز است از دو حلقه داخلی و خارجی استفاده شود‪ .‬در حلقه داخلی که حلقه‬

‫کنترل نام دارد‪ ،‬کنترلکنندهای طراحی می شود که اختالف بين زوایای خروجی و زوایای مطلوب را حداقل‬

‫کند‪ .‬در حلقه خارجی که آن را حلقه هدایت می نامند‪ ،‬با استفاده از فيدبك موقعيت هواپيما و مانور مرجع‪،‬‬

‫زوایای حرکت مطلوب توليد می شود‪ .‬فرض بر این است که حلقه هدایت (معادالت مسير حرکت یا همان‬

‫مانور مطلوب) در اختيار است و تمرکز بر روی حلقه داخلی (حلقه کنترل) است‪.‬‬

‫در واقع ورودی مبنا همان مانوری است که قرار است توسط هواپيما انجام شود‪ .‬یك سيستم کنترل و‬

‫هدایت در شكل (‪ )6- 2‬نشان داده شده است‪.‬‬

‫شكل (‪ )6-2‬حلقههای کنترل و هدایت هواپيما [‪]5‬‬

‫الزم به ذکر است که همزمان با نياز جدی به کنترل یك پرنده جنگنده و در عين حال پيچيدگی که در‬

‫کنترل پرنده با عملكرد مطلوب وجود دارد‪ ،‬مدل سازی یا تخمين دیناميك غيرخطی سيستم با دقت باال‬

‫‪1‬‬
‫‪-Rectilinear‬‬
‫‪2‬‬
‫‪-Control Inputs‬‬
‫‪05‬‬
‫مشكل است‪ .‬به عنوان مثال در عملكرد مانور هربست (هربست ‪ ،]09[ )0331-‬مشخصه غيرخطی نتيجه‬

‫ایرودیناميك ‪ 0‬غيرخطی‪ ،‬لختی ‪ 2‬غيرخطی‪ ،‬تزویج حرکتی ‪ 9‬نا شی از زاویه حمله باال و نرخ زاویهای رول باال‬
‫‪4‬‬
‫میبا شد‪ .‬در اینجا ممكن است یك کنترلکننده قدیمی با بهره ثابت یا کنترلکننده جدولبندی بهره‬

‫پایداری سيستم را برای این ما نور تضمين کند ولی تحت شرایط غير خطی‪ ،‬عملكرد ردگيری هدف ضعيف‬

‫است‪ .‬بنابراین ابزارهای طراحی جدید برای کنترل اینگونه سيستم ها نياز است‪ .‬در واقع به دنبال روشی‬

‫هستيم که بتواند خود را با تغييرات غيرخطی در دیناميك پرنده وفق دهد و یك عملكرد مناسب را با وجود‬

‫مانورهای غيرخطی در سيستم پرنده فراهم آورد‪.‬‬

‫‪ -5-2‬روشهای ردیابی‬

‫تاکنون تحقيقات متعددی در زمينه ت خمين و تقریب توابع و شناسایی با استفاده از الگوریتم حداقل ميانگين‬

‫مربعات کرنلی ارائه شده است‪ .‬در این پایاننامه از این روش در کنترل یك سيستم غيرخطی مانند یك‬

‫هواپيمای جنگنده ‪ F-18‬استفاده می گردد‪ .‬چنانچه تابع کرنل استفاده شده در الگوریتم حداقل ميانگين‬

‫مربعات کرنلی گوسين باشد‪ ،‬این الگوریتم مانند یك شبكه عصبی توسعه یافته با تابع پایه شعاعی عمل‬

‫می کند‪ .‬همچنين در این پایاننامه برای بهبود عملكرد‪ ،‬افزایش دقت ردیابی و تضمين پایداری‪ ،‬یك روش‬

‫تطبيقی مبنی بر لياپانوف جهت به روز رسانی اندازه تابع کرنل پيشنهاد شده است‪ .‬برای بررسی کارآیی‬

‫الگوریتم‪ ،‬شبيه سازی روی هواپيمای جنگنده ‪ F-18‬دارای مانور غيرخطی انجام شده است‪ .‬در این فصل ابتدا‬

‫مروری بر شبكه عصبی پایه شعاعی خواهيم داشت؛ سپس به چند کاربرد این نوع شبكه در کنترل هواپيما‬

‫پرداخته می شود‪ .‬در نهایت ساختار الگوریتم حداقل ميا نگين مربعات کرنلی بررسی میشود‪.‬‬

‫‪1‬‬
‫‪-Aerodynamic‬‬
‫‪2‬‬
‫‪-Inertial‬‬
‫‪3‬‬
‫‪-Kinematic Coupling‬‬
‫‪4‬‬
‫‪-Gain Scheduling‬‬
‫‪06‬‬
 ‫‪ -1- 5- 2‬شبکههای عصبی‬

‫شبكههای عصبی مصنوعی ‪ 0‬طی ‪ 21‬سال گذشته پيشرفت قابل توجهی داشته است‪ .‬ظهور شبكههای عصبی‬

‫به عنوان یك ابزار قدرتمند برای تقریب تابع نگاشت ميان ورودی و خروجی سيستمهای پيچيده‪ ،‬باعث شده‬

‫است بتوان از این ابزار برای مدل سازی‪ ،‬شناسایی و کنترل سيستمهایی با دیناميك غيرخطی استفاده کرد‬

‫[‪.]04‬‬

‫‪ - 1- 1- 5- 2‬شبکه عصبی با توابع پایه شعاعی )‪(RBF‬‬

‫در ميان همه نمونههای شبكه عصبی‪ ،‬شبكههای عصبی با ساختار پایه شعاعی و تابع گوسين از سال ‪،0331‬‬

‫نقش چشمگيری در کنترل غيرخطی داشته است‪ .‬عموميت شبكههای عصبی پایه شعاعی به خاطر توانایی‬

‫تعميم کلی مناسب و سادگی ساختار آن است [‪ .]6‬در واقع بهگونهای حجم محاسبات را میکاهد‪ .‬زمان‬

‫آموزش این شبكه نسبت به پرسپترون چند الیه ‪ 2‬کمتر است‪.‬‬

‫یك شبكه پایه شعاعی یك شبكه عصبی پيشخورد ‪ 9‬است که از تابع فعالسازی ‪ 4‬پایه شعاعی استفاده میکند‬

‫[‪ .]05‬یك تابع پایه شعاعی دارای فرم کلی ) ‪ f ( x  m 0 )  f (r‬است‪ .‬این تابع نسبت به نقطه مرکزی‬

‫‪ x 0‬متقارن است‪ .‬از توابع پایه شعاعی می توان برای تقریب یك تابع داده شده استفاده کرد‪ .‬بدین صورت که‬

‫تا بع تحت تقریب‪ ،‬بر حسب ترکيب خطی وزن دار شده از یك خانواده از توابع پایه شعاعی نوشته میشود‪:‬‬
‫‪C‬‬
‫) ‪Fˆ ( x )  w i  ( x  m i /  i‬‬ ‫( ‪)0- 2‬‬
‫‪i 1‬‬

‫‪ K‬نقطه داده ورودی است (‬ ‫هدف این نوع شبكه محاسبه یك تابع نامعلوم ) ‪ F ( x‬در‬

‫‪x (k ); 1  k‬‬ ‫‪ ،) d (k )  F (x (k )); 1  k  K ‬بهگونهای که یك مجموعه داده ورودی به فرم ‪ K ‬‬

‫در اختيار است‪ d ( k ) .‬خروجی مطلوب به ازاء هر نمونه داده ورودی است‪ .‬تقریب این تابع را میتوان به فرم‬

‫یك شبكه پایه شعاعی نشان داد (شكل (‪.))7- 2‬‬

‫‪1‬‬
‫‪-Artificial Neural Network‬‬
‫‪2‬‬
‫‪-Multilayer Perceptron‬‬
‫‪3‬‬
‫‪-Feed-forward‬‬
‫‪4‬‬
‫‪-Activation‬‬
‫‪07‬‬
‫به طور معمول شبكههای عصبی پایه شعاعی از سه الیه تشكيل میشوند‪ :‬الیه ورودی‪ ،‬الیه پنهان و الیه‬

‫خروجی که نرونهای الیه پنهان دارای تابع پایه شعاعی هستند‪.‬‬

‫شكل (‪ )7-2‬نمای یك شبكه پایه شعاعی‬

‫در حالت کلی دو نوع شبكه پایه شعاعی بر اساس مكان و شكل آنها وجود دارد‪.‬‬

‫‪ ‬نوع اول‬

‫این نوع شبكه پایه شعاعی‪ ،‬هر نمونه داده آموزش را به عنوان مكان تابع پایه شعاعی انتخاب میکند [‪.]06‬‬

‫به عبارت دیگر ‪ ) m i  x (i ); i  1,...K ( K  C‬انتخاب می شود‪ .‬در این صورت یك مقدار ثابت برای ‪‬‬

‫(معموال مقدار یك) فرض میشود ( ‪ .)  i  ‬در این حالت رابطه (‪ )0- 2‬به صورت رابطه (‪ )2- 2‬بازنویسی‬

‫میشود‪:‬‬

‫‪ ( x (1)  m1 )  ( x (1)  m 2 ) ...‬‬ ‫‪ ( x (1)  mc )  w 1  d (1) ‬‬

‫‪‬‬ ‫‪‬‬
‫‪ ( x (2)  m1 )  ( x (2)  m 2 ) ...‬‬ ‫‪ ( x (2)  mc )  w 2  d (2) ‬‬
‫‪‬‬ ‫‪‬‬
‫‪   ‬‬
‫( ‪)2- 2‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪  ‬‬ ‫‪‬‬
‫‪ ( x ( K )  m1 )  ( x ( K )  m 2 ) ...‬‬ ‫‪ ( x ( K )  mC )  w C  d ( k ) ‬‬
‫‪W‬‬ ‫‪d‬‬
‫‪‬‬

‫‪ ‬یك ماتریس مربعی ‪ K C‬است ( ‪ ) K  C‬که در حالت کلی ب رای توابع پایه شعاعی استفاده شده‬

‫مثبت است‪ .‬بنابراین بردار وزن ‪ W‬به صورت رابطه (‪ )9- 2‬محاسبه میشود‪:‬‬

‫‪W   1d‬‬ ‫(‪)9- 2‬‬

‫‪02‬‬
 ‫در کاربردهای عملی ممكن است ماتریس ‪ ‬تكين ‪ 0‬شود که این امر منجر به یك جواب ناپایدار برای‬

‫‪ W‬می شود‪ .‬دو رهيافت برای حل این مشكل وجود دارد‪:‬‬

‫‪2‬‬
‫‪ .0‬روش تنظيم‬

‫در این رهيافت برای یك مقدار مثبت کوچك ‪ ، ‬یك ماتریس قطری کوچك به ماتریس ضرائب پایه‬

‫شعاعی به صورت زیر اضافه میشود‪:‬‬

‫‪W  (   I )1d‬‬ ‫( ‪)4- 2‬‬

‫‪4‬‬
‫‪ .2‬روش حداقل مربعات ‪ 9‬با استفاده از ماتریس شبه معكوس‬

‫‪ W  d‬کمينه‬
‫‪2‬‬
‫در این روش هدف یافتن یك جواب برای حداقل مربعات ‪ w LS‬است بهگونه ای که‬

‫شود‪ .‬در این صورت جواب به فرم زیر بيان میشود‪:‬‬

‫‪W   d‬‬ ‫( ‪)5- 2‬‬

‫در اینجا ‪  ‬ماتریس شبه معكوس ‪ ‬است که با استفاده از تجزیه مقدار تكين ‪ 5‬بدست میآید‪.‬‬

‫‪ ‬نوع دوم‬

‫این نوع شبكه از تئوری تنظيم نشأت می گيرد‪ .‬تابع پایه شعاعی انتخابی یك تابع گوسين است [‪:]07‬‬

‫‪ x m‬‬ ‫‪2‬‬

‫‪‬‬
‫‪ ( x  m )  exp  ‬‬ ‫‪‬‬ ‫( ‪)6- 2‬‬
‫‪ 2‬‬
‫‪2‬‬
‫‪‬‬

‫مكان این توابع بوسيله خوشهبندی ‪ 6‬نمونههای ورودی ‪ x (k ); 1  k  K ‬بدست میآید‪ .‬میتوان از‬

‫الگوریتمهای معمول خوشهبندی مثل ‪ K-Means‬استفاده کرد‪ .‬در این حالت هدف کمينه کردن‬

‫‪ Gw  d‬با قيد (مقدارثابت ‪ )w T G 0w  a ‬میباشد که ‪ G‬یك ماتریس ‪ K C‬است و به صورت زیر‬

‫‪2‬‬

‫محاسبه میشود‪:‬‬

‫‪1‬‬
‫‪-Singular‬‬
‫‪2‬‬
‫‪-Regularization‬‬
‫‪3‬‬
‫‪-Least Square‬‬
‫‪4‬‬
‫‪-Pseudo-Inverse‬‬
‫‪5‬‬
‫‪-Singular value decomposition‬‬
‫‪6‬‬
‫‪-Clustering‬‬
‫‪03‬‬
 ‫‪‬‬ ‫) ‪( x (1)  m1‬‬
‫‪2‬‬
‫) ‪( x (1)  m 2‬‬
‫‪2‬‬
‫‪( x (1)  mC ) ‬‬
‫‪2‬‬

‫‪‬‬ ‫[‪exp‬‬ ‫‪‬‬ ‫]‬ ‫‪exp[‬‬ ‫]‬ ‫‪exp[‬‬ ‫‪] ‬‬

‫‪‬‬ ‫‪2‬‬ ‫‪‬‬ ‫‪1‬‬
‫‪2‬‬
‫‪2 2 2‬‬ ‫‪2 C 2‬‬ ‫‪‬‬
‫‪‬‬ ‫) ‪( x (2)  m1‬‬
‫‪2‬‬
‫) ‪( x (2)  m 2‬‬
‫‪2‬‬
‫) ‪( x (2)  mC‬‬
‫‪2 ‬‬

‫‪exp[‬‬ ‫]‬ ‫‪exp[‬‬ ‫]‬ ‫‪exp[‬‬ ‫‪]‬‬

‫‪G ‬‬ ‫‪2 12‬‬ ‫‪2 2 2‬‬ ‫‪2 C 2‬‬ ‫‪‬‬ ‫( ‪)7- 2‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫) ‪( x ( K )  m1‬‬
‫‪2‬‬
‫) ‪(x ( K )  m 2‬‬
‫‪2‬‬
‫‪( x ( K )  mC ) ‬‬
‫‪2‬‬

‫‪‬‬ ‫[‪exp‬‬ ‫‪‬‬ ‫]‬ ‫‪exp[‬‬ ‫]‬ ‫‪exp[‬‬ ‫‪]‬‬

‫‪‬‬ ‫‪2 12‬‬ ‫‪2 2 2‬‬ ‫‪2 C 2‬‬ ‫‪‬‬

‫‪ G 0‬هم یك ماتریس مربعی متقارن ‪ C C‬به فرم زیر است‪:‬‬

‫‪‬‬ ‫) ‪( m1  m1‬‬
‫‪2‬‬
‫) ‪( m1  m 2‬‬
‫‪2‬‬
‫‪( m1  mC ) ‬‬
‫‪2‬‬

‫‪‬‬ ‫[‪exp‬‬ ‫‪‬‬ ‫]‬ ‫‪exp[‬‬ ‫]‬ ‫‪exp[‬‬ ‫‪]‬‬

‫‪‬‬ ‫‪2‬‬ ‫‪‬‬ ‫‪1‬‬
‫‪2‬‬
‫‪2 2 2‬‬ ‫‪2 C 2‬‬ ‫‪‬‬
‫‪‬‬ ‫) ‪( m 2  m1‬‬
‫‪2‬‬
‫) ‪(m  m‬‬
‫‪2‬‬
‫) ‪(m  m‬‬
‫‪2 ‬‬

‫‪exp[‬‬ ‫]‬ ‫] ‪exp[ 2 2 2‬‬ ‫‪exp[  2 2 C ] ‬‬

‫‪G0  ‬‬ ‫‪2 12‬‬ ‫‪2 2‬‬ ‫‪2 C‬‬ ‫‪‬‬ ‫( ‪)2- 2‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫) ‪( mC  m 1‬‬
‫‪2‬‬
‫) ‪(m  m‬‬
‫‪2‬‬
‫‪( mC  mC ) ‬‬
‫‪2‬‬

‫‪exp[‬‬ ‫]‬ ‫] ‪exp[ C 2 2‬‬ ‫‪exp[ ‬‬ ‫‪]‬‬

‫‪‬‬ ‫‪2 12‬‬ ‫‪2 2‬‬ ‫‪2 C 2‬‬ ‫‪‬‬

‫در نهایت جواب این مسئله بهينه سازی محدود شده به صورت زیر بدست میآید‪:‬‬

‫‪w  (G T G  G 0 )1G T d‬‬ ‫( ‪)3- 2‬‬

‫که در این جواب ‪ ‬یك پارامتر تنظيم محسوب می شود و معموال یك عدد نامنفی خيلی کوچك انتخاب‬

‫میشود‪.‬‬

‫‪ -2-5-2‬کاربرد شبکههای عصبی‬

‫همان گونه که بيان شد هر تابع غيرخطی نامعلوم را میتوان با شبكههای عصبی تقریب زد‪ .‬در واقع تابع‬

‫غيرخطی نامعلوم که قرار است تقریب زده شود ممكن است همان سيستمی باشد که قرار است آن را کنترل‬

‫کرد‪ .‬در این صورت شبكه عصبی در نقش یك شنا ساگر سيستم است‪ .‬اگر تابع نامعلوم‪ ،‬معكوس دیناميك‬

‫سيستم تحت کنترل باشد شبكه عصبی در نقش کنترلکننده است [‪ 02‬و ‪.]03‬‬

‫‪21‬‬
 ‫شكل (‪ )2-2‬شبكه عصبی در نقش شناساگر‬

‫شكل (‪ ) 3-2‬شبكه عصبی در نقش کنترلکننده‬

‫‪ -3-5-2‬شبکه عصبی در کنترل هواپیما‬

‫تاکنون شبكههای عصبی با ساختارها و روش های آموزش متفاوت جهت کنترل یك سيستم پرنده با مانور‬

‫ارائه شده است‪ .‬در این بخش مروری بر تحقيقات گذشته خواهيم داشت‪.‬‬

‫‪ ) 1‬ردیابی با استفاده از شبکه عصبی پایه شعاعی معمولی (تنظیم فقط وزنها)‬

‫‪ ‬در سال ‪ 0339‬دیناميك پيچ یك ‪ F-16‬با استفاده از یك شبكه عصبی با ساختار پایه شعاعی‬

‫(گوسين) شناسایی و کنترل شد [‪.]04‬‬

‫در این بخش با در اختيار داشتن دیناميك یك جنگنده ‪ F-18‬در ابتدا به بررسی شناسایی دیناميك پيچ این‬

‫هواپيما پرداخته میشود‪.‬‬

‫‪20‬‬
 ‫دیناميك پيچ هواپيمای ‪ F-18‬که قرار است شناسایی شود به صورت رابطه (‪ )01- 2‬است‪:‬‬

‫) ‪  f 1 (c ,  , q‬‬
‫( ‪)01- 2‬‬
‫) ‪q  f 2 (c ,  , q‬‬

‫که در آن ‪ c‬زاویه حمله فرمان‪  ،‬زاویه حمله و ‪ q‬آهنگ پيچ میباشد‪.‬‬

‫شكل (‪ ) 01-2‬نمای کلی سيستم شناسایی و کنترل پيچ با استفاده از ‪RBF‬‬

‫خروجی شبكه به صورت روابط (‪ )00- 2‬و (‪ )02- 2‬است‪:‬‬

‫‪fˆ1 (c ,  , q )  1T ‬‬ ‫( ‪)00- 2‬‬

‫‪fˆ2 (c ,  , q )  2T ‬‬ ‫( ‪)02- 2‬‬

‫‪2‬‬
‫‪ z c i‬‬
‫‪i‬‬
‫‪ e‬‬ ‫( ‪)09- 2‬‬

‫که در آن ) ‪ z  (c ,  , q‬ورودی به شبكه‪  i ،‬بردار وزنها‪ c i ،‬مراکز تابع گوسين و ‪  i‬پهنای تابع‬

‫گوسين میباشد‪.‬‬

‫هدف‪ ،‬تعيين بردار وزن ها و سپس تخمين دیناميك سيستم است‪ ،‬بهگونهای که خطای ميان خروجی شبكه‬

‫و خروجی واقعی کمينه شود‪ .‬در این تحقيق قانون بهروز کردن وزنها با استفاده از تابع لياپانوف بدست آمده‬

‫است‪.‬‬

‫می توان حاالت سيستم و تخمين حاالت سيستم را به صورت زیر در نظر گرفت [‪:]04‬‬

‫ˆ‪xˆ  axˆ  ax  f‬‬ ‫( ‪)04- 2‬‬

‫‪22‬‬
‫‪x  ax  ax  f‬‬ ‫( ‪)05- 2‬‬

‫‪1  ˆ  ‬‬ ‫( ‪)06- 2‬‬

‫‪ 2  qˆ  q‬‬ ‫( ‪)07- 2‬‬

‫‪ a‬یك مقدار ثابت در نظر گرفته میشود و ˆ‪ x‬و ˆ‪ f‬به ترتيب بردارهای دوتایی به صورت ‪ [ˆ , qˆ ]T‬و‬

‫‪ [fˆ1, fˆ2 ]T‬میباشند‪.‬‬

‫با توجه به معادالت مذکور دیناميك خطای بين مقدار واقعی و مقدار تخمينی خروجی به صورت رابطه (‪- 2‬‬

‫‪ )02‬بيان میشود‪:‬‬

‫‪ i  a i  (fˆi  f i ), i  1,2‬‬ ‫( ‪)02- 2‬‬

‫در نهایت با استفاده از قضيه لياپانوف‪ ،‬قانون بهروز کردن وزنها بدست میآید‪:‬‬

‫‪i   0 i  , i  1,2‬‬ ‫( ‪)03- 2‬‬

‫فرم گسسته این معادله به صورت رابطه (‪ )21- 2‬است‪:‬‬

‫‪i (k )  i (k  1)   1 i (k  1) (k  1), i  1,2‬‬ ‫( ‪)21- 2‬‬

‫که در آن ‪  1,  0‬ثوابت تنظيم هستند‪ .‬با این قانون می توان سيستم را شناسایی کرد‪.‬‬

‫پس از شناسایی سيستم و حصول اطمينان نسبت به دیناميك سيستم‪ ،‬به کنترل آن پرداخته میشود‪ .‬برای‬

‫کنترل‪ ،‬ه دف بدست آوردن ورودی کنترلی ‪ c‬است‪.‬‬

‫اگر خروجی مطلوب ‪ d‬و خروجی واقعی ‪ y‬نامگذاری شود و از یك متغير کمكی به نام ‪ v c‬استفاده شود‪،‬‬

‫خواهيم داشت‪:‬‬

‫‪y ‬‬ ‫( ‪)20- 2‬‬

‫‪v c  c‬‬ ‫( ‪)22- 2‬‬

‫با اعمال مشتق روی تابع خروجی نتيجه (‪ )29- 2‬حاصل میشود‪:‬‬

‫‪29‬‬
‫‪y  f1‬‬
‫‪f 1‬‬ ‫‪f‬‬ ‫‪f‬‬
‫‪y ‬‬ ‫‪  1 q  1 c‬‬ ‫( ‪)29- 2‬‬
‫‪‬‬ ‫‪q‬‬ ‫‪c‬‬
‫‪f 1‬‬ ‫‪f‬‬ ‫‪f‬‬
‫‪y ‬‬ ‫‪f1  1 f 2  1 vc‬‬
‫‪‬‬ ‫‪q‬‬ ‫‪c‬‬

‫اگر فرض (‪ )24- 2‬در نظر گرفته شود‪:‬‬

‫‪1‬‬ ‫‪f 1‬‬ ‫‪f‬‬

‫‪vc ‬‬ ‫‪[‬‬ ‫] ‪f 1  1 f 2  c‬‬ ‫( ‪)24- 2‬‬
‫‪f 1‬‬ ‫‪‬‬ ‫‪q‬‬
‫‪c‬‬

‫حاصل دو رابطه قبل به فرم رابطه (‪ )25- 2‬است‪:‬‬

‫‪y  c‬‬ ‫( ‪)25- 2‬‬

‫حال فرض (‪ )26- 2‬را در نظر میگيریم‪:‬‬

‫) ‪c  d ,f  p1 (  d ,f )  p2 (  d ,f‬‬ ‫( ‪)26- 2‬‬

‫‪e    d ,f‬‬ ‫( ‪)27- 2‬‬

‫‪ p1‬و ‪ p 2‬مقادیر ثابت انتخاب میشوند‪.‬‬

‫چون ‪ f 1‬و ‪ f 2‬مشخص نيستند‪ ،‬تخمين آنها که خروجی شبكه است در معادالت جایگذاری میشود‪ .‬در نهایت‬

‫اجرای حلقه کنترل خارجی روی دیناميك پيچ سيستم‪ ،‬با توجه به معادالت زیر انجام میشود‪:‬‬

‫‪1‬‬ ‫ˆ ‪fˆ1 ˆ fˆ1‬‬

‫‪vc ‬‬ ‫‪[‬‬ ‫‪f1 ‬‬ ‫] ‪f 2  c‬‬ ‫( ‪)22- 2‬‬
‫‪fˆ1‬‬ ‫‪‬‬ ‫‪q‬‬
‫‪c‬‬

‫) ‪c  d ,f  p1 (fˆ1  d ,f )  p2 (  d ,f‬‬ ‫( ‪)23- 2‬‬

‫در واقع با تعيين ‪ v c ، c‬هم تعيين می شود که نتيجه آن بدست آمدن ورودی کنترلی ‪ c‬است‪ .‬به این‬

‫ترتيب سيستم با این ورودی‪ ،‬کنترل میشود و خروجی سيستم‪ ،‬ورودی مطلوب ‪ d‬را ردگيری میکند‪.‬‬

‫‪24‬‬
 ‫‪ ) 2‬ردیابی با استفاده از کنترل کننده براساس شبکه عصبی پایه شعاعی کامال تنظیم شده‬

‫‪ ‬یك نمونه دیگر قابل توجه کنترل یك سيستم پرنده‪ ،‬در سال ‪ 2110‬ارائه شده است‪ .‬در این تحقيق از‬

‫یك شبكه پایه شعاعی توسعه یافته برای کنترل استفاده شد که در آن عالوه بر بردار وزنها‪ ،‬سایر‬

‫پارامترها از جمله مراکز و پهنای تابع گوسين بهروز میشد [‪ .]6‬به طور خالصه به توصيف این ایده‬

‫میپردازیم‪.‬‬

‫دیناميك هواپيما در حوزه پيوسته به صورت رابطه (‪ )91- 2‬بيان میشود‪:‬‬

‫) ‪x  f ( x ,u‬‬ ‫( ‪)91- 2‬‬

‫معادله دیناميك خطای کل سيستم به شكل رابطه (‪ )90- 2‬است‪:‬‬

‫) ‪e  x  x d  f (x ,u )  f (x d ,ud‬‬ ‫( ‪)90- 2‬‬

‫با استفاده از بسط سر ی تيلور و صرف نظر از ترمهای باالتر بسط‪ ،‬به رابطه (‪ )92- 2‬خواهيم رسيد‪:‬‬

‫) ‪e  A (t ) e  B (t )(u  ud‬‬ ‫( ‪)92- 2‬‬

‫در این معادله ) ‪ A (t‬و ) ‪ B (t‬به صورت روابط (‪ )99- 2‬و (‪ )94- 2‬بدست میآیند‪:‬‬

‫) ‪f ( x ,u‬‬
‫‪A (t ) ‬‬ ‫‪|x d ,ud‬‬ ‫( ‪)99- 2‬‬
‫‪x T‬‬
‫) ‪f ( x ,u‬‬
‫‪B (t ) ‬‬ ‫‪|x d ,ud‬‬ ‫( ‪)94- 2‬‬
‫‪u T‬‬

‫در این روابط ‪ x d‬و ‪ ud‬در نقاط تعادل در نظر گرفته میشوند‪.‬‬

‫شكل (‪ )00- 2‬یك روش کنترلی روی خط را نشان می دهد‪ .‬روش کنترلی به کار برده شده مشابه روش‬

‫معروف آموزش پسخورد خطاست‪ .‬الزم به ذکر است که از یك کنترل کننده تناسبی برای اطمينان از پایداری‬

‫سيستم حلقه بسته در راستای مسير مطلوب استفاده میشود‪.‬‬

‫‪25‬‬
 ‫شكل (‪ )00-2‬نمای کنترل عصبی یك هواپيما با استفاده از ‪ RBF‬کامال تنظيم شده‬

‫ورودی کنترلی مطلوب را میتوان به صورت رابطه (‪ )95- 2‬بيان کرد‪:‬‬

‫) ‪ud (t )  f t (x d‬‬ ‫( ‪)95- 2‬‬

‫در اینجا نقش شبكه کنترل سيستم است‪ .‬پس هدف تقریب معكوس دیناميك هواپيما یا همان ورودی‬

‫مطلوب کنترلی است‪.‬‬

‫مقدار کل ورودی اعمالی به سيستم مجموع خروجی شبكه و کنترل کننده تناسبی است‪:‬‬

‫‪u  u nn  u p  u nn  K pe‬‬ ‫( ‪)96- 2‬‬

‫‪h‬‬
‫‪1‬‬
‫‪u  wˆ k exp( ‬‬ ‫‪  ˆ k )  K pe Wˆ T ‬‬
‫‪ˆ K e‬‬
‫‪2‬‬
‫( ‪)97- 2‬‬
‫‪k 1‬‬ ‫‪ˆ k‬‬
‫‪2‬‬ ‫‪p‬‬

‫که در آن ‪ u nn‬خروجی شبكه و ‪ u p‬خروجی کنترل کننده تناسبی است‪   x d .‬ورودی مطلوب‪ Wˆ ،‬یك‬

‫ماتریس وزنی با بعد ‪ h ، h  p‬تعداد نرونهای پنهان و ‪ p‬تعداد ورودیها است‪.‬‬

‫برای بدست آوردن ورودی کنترلی مطلوب الزم است پارامترهای شبكه را بهروز کرد‪ .‬برای این کار از قضيه‬

‫لياپانوف استفاده شده است‪.‬‬

‫‪ ‬تابع لياپانوف پيشنهادی‬

‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬

‫‪V  e T P e  tr (W T W )  T   0‬‬ ‫( ‪)92- 2‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬

‫ˆ‪W W * -W‬‬ ‫( ‪)93- 2‬‬

‫‪26‬‬
 ‫ˆ‬
‫‪  * - ‬‬ ‫( ‪)41- 2‬‬

‫‪ P‬یك ماتریس متقارن مثبت مؤکد ‪ n  n‬است که توسط کاربر بهگونهای تعيين می شود که پایداری‬

‫سيستم حلقه بسته را با وجود فقط کنترلکننده تناسبی تضمين کند‪ .‬در ضمن ‪ n‬تعداد کل حاالتی است‬

‫که قرار است ردیابی شود و برابر تعداد ورودی کنترلی است‪.‬‬

‫‪  , ‬ماتریسهای مؤکد غير منفی ‪ h  h‬که به طور دلخواه توسط کاربر تعيين می شوند و اغلب ماتریس‬

‫یكه در نظر گرفته میشوند‪ tr (W T W ) .‬مجموع مقادیر روی قطر اصلی ‪ W T W‬را محاسبه میکند و‬

‫*‪ W‬ماتریس وزنی بهينه است‪.‬‬

‫مشتق تابع لياپانوف به صورت رابطه (‪ )40- 2‬بدست میآید‪:‬‬

‫‪ˆ (t )T P e  ‬‬
‫‪V  e T Q (t )e  TWB‬‬ ‫‪ˆ TWB (t )T P e  tr (W T W )  T ‬‬ ‫( ‪)40- 2‬‬

‫که در آن ) ‪ Q (t‬به صورت زیر تعریف میشود‪:‬‬

‫‪1‬‬
‫‪Q (t )   (J (t )T P ); J (t )  A (t )  B (t ) K p‬‬ ‫( ‪)42- 2‬‬
‫‪2‬‬

‫در رابطه مشتق تابع لياپانوف میتوان نوشت‪:‬‬

‫‪p‬‬
‫‪tr (W T W )  w i T  w i‬‬ ‫( ‪)49- 2‬‬
‫‪i 1‬‬

‫‪p‬‬
‫‪ˆ TWB (t )T P e   ‬‬
‫‪‬‬ ‫‪ˆ Tw T B T P e‬‬ ‫( ‪)44- 2‬‬
‫‪i‬‬ ‫‪i‬‬
‫‪i 1‬‬

‫در نتيجه معادله (‪ )40- 2‬به صورت زیر بازنویسی میشود‪:‬‬

‫‪p‬‬
‫‪T‬‬ ‫‪ˆ (t )T P e   )   (w T‬‬
‫‪V  e Q (t )e   (WB‬‬ ‫‪T‬‬ ‫) ‪ˆ B T P e w T  w‬‬ ‫( ‪)45- 2‬‬
‫‪i‬‬ ‫‪i‬‬ ‫‪i‬‬ ‫‪i‬‬
‫‪i 1‬‬

‫در این رابطه ‪ w i‬ستون ‪ i‬ام ماتریس ‪ W‬و ‪ B i‬ستون ‪ i‬ام ماتریس ) ‪ B (t‬است‪.‬‬

‫اگر ‪ w i‬و ‪ ‬به صورت روابط (‪ )46- 2‬و (‪ )47- 2‬انتخاب شوند‪:‬‬

‫‪ˆ B T P e ; i  1,... p ,‬‬

‫‪w i  1‬‬ ‫( ‪)46- 2‬‬
‫‪i‬‬

‫‪ˆ (t )T P e‬‬
‫‪   1WB‬‬ ‫( ‪)47- 2‬‬

‫‪27‬‬
 ‫مشتق تابع لياپانوف به صورت رابطه (‪ )42- 2‬بيان میشود‪:‬‬

‫‪V  e T Q (t )e  0‬‬ ‫( ‪)42- 2‬‬

‫در نهایت با توجه به روابط (‪ )93- 2‬و (‪ )41- 2‬معادالت به روز رسانی برای هر ورودی به فرم زیر حاصل می ‪-‬‬

‫شود‪:‬‬

‫‪ˆ B T P e ; i  1,... p ,‬‬

‫‪wˆ i  1‬‬ ‫( ‪)43- 2‬‬
‫‪i‬‬

‫‪ˆ   1WB‬‬
‫‪‬‬ ‫‪ˆ (t )T P e‬‬ ‫( ‪)51- 2‬‬

‫رابطه (‪ )43- 2‬را می توان به فرم کلی زیر تبدیل کرد‪:‬‬

‫‪Wˆ T   B (t )T P e ‬‬
‫‪ˆT‬‬ ‫( ‪)50- 2‬‬

‫از این رابطه می توان نتيجه گرفت معادله بهروز رسانی وزن ها برای هر نرون به صورت زیر است‪:‬‬

‫‪ˆ ; j  1,...h ,   I‬‬

‫‪wˆ j   B (t )T P e ‬‬ ‫( ‪)52- 2‬‬
‫‪j‬‬

‫به وضوح می توان دید که خروجی شبكه به فرم ˆ‪ gˆ Wˆ T ‬است‪ .‬بنابراین فرم گسسته معادله بهروز رسانی‬

‫وزنها برای هر نرون به صورت زیر است‪:‬‬

‫ˆ‪g‬‬
‫‪wˆ i  k  1  wˆ i  k   1‬‬ ‫‪B  k  P e  k  , i  1,..., h‬‬
‫‪T‬‬
‫( ‪)59- 2‬‬
‫‪wˆ i‬‬

‫از آنجائی که تابع گوسين ̂‪ ‬تابعی بر حسب ˆ‪ ‬و ̂‪ ‬است‪ ،‬با توجه به معادله بهروز رسانی تابع ̂‪، ‬‬

‫میتوان مراکز و پهنای تابع را به صورت زیر به روز کرد و به ورودی کنترلی مطلوب جهت ردیابی مسير دست‬

‫یافت‪:‬‬

‫ˆ‪g‬‬
‫‪ˆ i  k  1  ˆ i  k   23‬‬ ‫‪B k  P e k ‬‬
‫‪T‬‬
‫( ‪)54- 2‬‬
‫‪ ˆ i‬‬
‫‪T‬‬

‫ˆ‪g‬‬
‫‪ˆ i  k  1  ˆ i  k   24‬‬ ‫‪B k  P e k ‬‬
‫‪T‬‬
‫( ‪)55- 2‬‬
‫‪ˆ i‬‬
‫‪T‬‬

‫‪22‬‬
 ‫‪1‬‬
‫‪ - 6- 2‬حداقل میانگین مربعات کرنلی )‪(KLMS‬‬

‫قبل از ارائه روش حداقل ميانگين مربعات کرنلی نگاهی بر الگوریتم حداقل ميانگين مربعات‪ 2‬خواهيم داشت‪.‬‬

‫‪ - 1- 6- 2‬حداقل میانگین مربعات )‪(LMS‬‬

‫حداقل ميانگين مربعات یك الگوریتم تطبيقی است که بر اساس گرادیان نزولی عمل میکند‪ .‬بهگونهای از‬

‫دادههای در د سترس‪ ،‬بردار گرادیان را تخمين میزند؛ یك روند تكرار را به کار می گيرد و بر اساس آن یك‬

‫سری اطالعات معتبر را به بردار وزنی در خالف جهت بردار گرادیان که نهایتا منجر به کمينه شدن ميانگين‬

‫مربعات خطا (‪9 )MSE‬میشود‪ ،‬اعمال میکند [‪.]21‬‬

‫‪ ‬فرمولبندی الگوریتم حداقل میانگین مربعات‬

‫بر اساس روش کاهش گرادیان‪ ،‬معادله برداری بهروز کردن وزن به صورت رابطه (‪ )56- 2‬است‪:‬‬

‫])}) ‪w (n  1)  w (n )  1/ 2[( E {e 2 ( n‬‬ ‫( ‪)56- 2‬‬

‫‪ ‬پارامتر یادگيری است و همگرایی الگوریتم را کنترل میکند‪ e 2 ( n ) .‬مربع ميانگين خطای بين خروجی‬

‫واقعی ) ‪ y ( n‬و سيگنال مرجع ) ‪ d ( n‬است که به صورت رابطه (‪ )57- 2‬تعریف میشود‪:‬‬

‫‪e 2 (n )  [d (n ) w h x (n )]2‬‬ ‫( ‪)57- 2‬‬

‫بردار گرادیان در معادله بهروز کردن وزن به صورت زیر محاسبه میشود‪:‬‬

‫) ‪w ( E {e 2 (n )})  2r  2Rw (n‬‬ ‫( ‪)52- 2‬‬

‫در روش سریعترین نزول بزرگترین مشكل‪ ،‬محاسبه مقادیر ماتریسهای ‪ r‬و ‪ R‬در زمان حقيقی است‪.‬‬

‫الگوریتم حداقل ميانگين مربعات این مسئله را با استفاده از مقادیر لحظهای ماتریسهای کوواریانس ‪ r‬و ‪R‬‬

‫به جای مقادیر واقعی آنها‪ ،‬ساده میکند‪:‬‬

‫‪1‬‬
‫‪-Kernel Least Mean Square‬‬
‫‪2‬‬
‫‪-Least Mean Square‬‬
‫‪3‬‬
‫‪-Mean Square Error‬‬
‫‪23‬‬
‫) ‪R ( n )  x ( n )x h ( n‬‬ ‫( ‪)53- 2‬‬

‫) ‪r ( n )  d ( n )x ( n‬‬ ‫( ‪)61- 2‬‬

‫بنابراین معادله بهروز کردن وزن به فرم زیر خواهد شد‪:‬‬

‫]) ‪w ( n  1)  w ( n )   x ( n )[d ( n )  x h ( n )w ( n‬‬

‫( ‪)60- 2‬‬
‫) ‪ w (n )  x (n ) e (n‬‬

‫این الگوریتم یك عملكرد مقاوم و پایدار در مقابل شرایط مختلف سيگنال ورودی دارد‪ .‬سرعت همگرایی این‬

‫الگوریتم در مقایسه با الگوریتمهای دیگری همچون حداقل مربعات بازگشتی (‪ 0 )RLS‬چندان زیاد نيست‪.‬‬

‫تعداد زیادی دیگر از الگوریتم حداقل ميانگين مربعات وجود دارد که به رفع نقایص پایه این الگوریتم‬

‫میپردازد‪ .‬به عنوان مثال حداقل ميانگين مربعات نرماليزه شده ‪ ]20[ 2‬یك نرخ تطبيق متغير را معرفی‬

‫می کند‪ .‬این الگوریتم سرعت همگرایی را در یك محيط غيراستاتيك بهبود میبخشد‪.‬‬

‫الگوریتم دیگری به نام ‪ ]22[ Block LMS‬وجود دارد که جهت افزایش سرعت همگرایی زمانی که فرآیند‬

‫تطبيق طوالنی است‪ ،‬استفاده میشود‪.‬‬

‫یك نوع ساده از الگوریتم ‪ ]29[ Sign LMS ،LMS‬است که عالمت خطا را جهت بهروز کردن وزنها‬

‫استفاده میکند‪.‬‬

‫‪ -2-6-2‬فرمولبندی حداقل میانگین مربعات کرنلی‬

‫الگوریتم حداقل ميانگين مربعات کرنلی فهم الگوریتم حداقل ميانگين مربعات را با دیدگاه آموزش ماشين‬

‫بهبود می بخشد‪ .‬در واقع این الگوریتم یك نتيجه مستقيم استفاده از الگوریتم حداقل ميانگين مربعات در‬

‫یك فضا با بعد باال توسط تابع کرنل است [‪.]24‬‬

‫حداقل ميانگين مربعات یكی از سادهترین و معمولترین الگوریتمهای برخ ط است‪ .‬تنظيم ساده معادله بهروز‬

‫کردن وزن در حداقل ميانگين مربعات نشان میدهد که می توان این الگوریتم را منحصرا بر اساس ترمهای‬

‫‪1‬‬
‫‪-Recursive Least Square‬‬
‫‪2‬‬
‫‪-Normalized Least Mean Square‬‬
‫‪91‬‬
‫ضرب داخلی بيان کرد که با استفاده از شيوه کرنل به سادگی این امكان را میدهد که یك نوع غيرخطی آن‬

‫را هم ایجاد نمود‪ .‬الگوریتم ایجاد شده حداقل ميانگين مربعات کرنلی است‪.‬‬

‫همان گونه که اساس روش حداقل ميانگين مربعات یك ترکيب گر خطی است‪ ،‬اساس حداقل ميانگين مربعات‬

‫کرنلی هم یك شبكه با تابع پایه شعاعی است‪ .‬آموزش شبكه پایه شعاعی با حداقل ميانگين مربعات کرنلی‪،‬‬

‫با شبكههای پایه شعاعی قدیمی متفاوت است‪ .‬برای آموزش شبكه پایه شعاعی قدیمی‪ ،‬مراکز کرنل و اعداد‬

‫آنها با یك الگوریتم پيچيده و غيرمستدل انتخاب می شود‪ .‬در صورتی که در این روش میتوان مراکز شبكه‬

‫و تعداد آن ها را به صورت خودکار تعيين کرد و نياز به هيچ گونه مجموعه از قبل آموزش داده شده ندارد‪ .‬در‬

‫واقع حداقل ميانگين مربعات کرنلی یك شبكه پایه شعاعی توسعه یافته برخط است‪.‬‬

‫در سال های اخير‪ ،‬انجمن آموزش ماشين توجه زیادی نسبت به روشهای کرنل برای مسائل طبقهبندی و‬

‫رگرسيون در کاربردهای متفاوت نشان داده است‪ .‬اکثر روش های کرنل از جمله آناليز اجزای اصلی کرنل‬

‫)‪ ]25[1(K-PCA‬ماشينهای بردار پشتيبان(‪ ]26[ 2 )SVM‬و شبكههای تنظيم [‪ ]27‬برای کاربردهای برخط‬

‫جائیکه داده ها باید لحظه به لحظه دریافت شود‪ ،‬مناسب نيست‪ .‬تحقيقات متعددی در زمينه یافتن بهترین‬

‫روش برخط انجام شده است [‪ .]22‬نتيجه تحقيقات نشان میدهد که الگوریتم حداقل ميانگين مربعات‬

‫کرنلی سادهت رین روش برخط است که نياز به هيچ گونه ترم تنظيم ندارد [‪.]23‬‬

‫ایده اساسی حداقل ميانگين مربعات کرنلی انتقال دادههای ‪ x i‬از فضای ورودی به فضای برداری با بعد باال‬

‫) ‪  ( x i‬است‪ .‬تابع کرنل به صورت زیر تعریف میشود [‪:]24‬‬

‫‪ (x i , x j )   (x i ),  (x j )‬‬ ‫( ‪)62- 2‬‬

‫تابع کرنل می تواند به صورت چند جملهای و گوسين باشد‪.‬‬

‫‪ ‬کرنل چند جملهای‬

‫‪ (x , y )  (1  xy )n‬‬ ‫( ‪)69- 2‬‬

‫‪1‬‬
‫‪-Kernel principal component analysis‬‬
‫‪2‬‬
‫‪-Support vector machines‬‬
‫‪90‬‬
 ‫‪ n‬نماینده مرتب ه تابع کرنل است‪.‬‬

‫‪ ‬کرنل گوسی‬
‫‪ (x , y )   (x ),  ( y )‬‬ ‫( ‪)64- 2‬‬

‫‪x y‬‬
‫‪2‬‬

‫( ‪ ( x , y )  exp‬‬ ‫)‬ ‫( ‪)65- 2‬‬

‫‪2 2‬‬

‫که در آن ‪  2‬سایز کرنل و یك پارامتر آزاد است و کل عملكرد الگوریتم را تحت تاثير قرار میدهد‪.‬‬

‫الزم به ذکر است برای استفاده از این الگوریتم د ر کاربردهای کنترلی نياز به ایجاد تغييراتی در ساختار آن‬

‫میباشد‪.‬‬

‫اگر در لحظه ‪ yˆ ( n ) ، n‬خروجی واقعی‪ y d ( n ) ،‬خروجی مطلوب‪ ,‬و ) ‪ e ( n‬خطای ردیابی باشد‪ ،‬بردار وزن‬

‫) ‪ ( n‬طبق قاعده زنجيرهای ‪ 0‬به صورت زیر خواهد بود‪:‬‬

‫ˆ‪y‬‬
‫) ‪( n  1)  ( n )  2e ( n‬‬
‫‪‬‬
‫( ‪)66- 2‬‬
‫‪yˆ u‬‬
‫) ‪ ( n )  2e ( n‬‬ ‫‪.‬‬
‫‪u ‬‬

‫‪ ‬آهنگ آموزش (همگرایی) را تعيين می کند و بر اساس حد باالیی بزرگترین مقدار ویژه کوواریانس دادهها‬

‫تعيين می شود‪ .‬در واقع تخمين آن سخت است و بستگی به سایز کرنل دارد‪ .‬از آنجائی که ورودی کنترلی یا‬

‫همان خروجی حداقل ميانگين مربعات کرنلی به صورت ضرب داخلی بردار وزنها و ورودی مطلوب در فضا با‬

‫بعد باالتر ( ‪ )u (n )  (n ),  ( y d (n ))‬بيان میشود‪ ،‬رابطه (‪ )66- 2‬به صورت زیر بازنویسی میشود‪:‬‬

‫ˆ‪y‬‬
‫) ‪( n  1)  ( n )  2e ( n‬‬ ‫‪ ( y d ( n )).‬‬ ‫( ‪)67- 2‬‬
‫‪u‬‬

‫در عمل محاسبه ‪ ‬با استفاده از فرمول مستقيم فوق امكانپذیر نيست‪ .‬میتوان ‪ ‬را با ارتباط به مقدار‬

‫اوليه آن بدست آورد‪:‬‬

‫‪n 1‬‬
‫) ‪yˆ (i‬‬
‫) ‪( n )  (0)  2 e (i‬‬ ‫)) ‪ ( y d (i‬‬ ‫( ‪)62-2‬‬
‫‪i 0‬‬ ‫) ‪u (i‬‬

‫برای راحتی )‪ (0‬صفر فرض میشود‪:‬‬

‫‪1‬‬
‫‪- Chain rule‬‬
‫‪92‬‬
 ‫‪n 1‬‬
‫) ‪yˆ (i‬‬
‫) ‪( n )  2 e (i‬‬ ‫)) ‪ ( y d (i‬‬ ‫( ‪)63- 2‬‬
‫‪i 0‬‬ ‫) ‪u (i‬‬

‫در نهایت خروجی شبكه در نقش ورودی کنترلی سيستم به صورت زیر خواهد بود‪:‬‬

‫‪u ( n )  ( n ),  ( y d ( n ))‬‬

‫‪n 1‬‬
‫ˆ‪y‬‬
‫) ‪  e (i‬‬ ‫‪ ( y d (i )),  ( y d ( n ))‬‬ ‫( ‪)71- 2‬‬
‫‪i 0‬‬ ‫‪u‬‬
‫‪n 1‬‬
‫ˆ‪y‬‬
‫) ‪  e (i‬‬ ‫‪ ( y d (i ), y d ( n )).‬‬
‫‪i 0‬‬ ‫‪u‬‬

‫چنانچه تابع کرنل استفاده شده گوسين باشد‪ ،‬ورودی کنترلی زیر حاصل میشود‪:‬‬

‫‪n 1‬‬ ‫‪2‬‬

‫ˆ‪y‬‬ ‫) ‪y (i )  y d ( n‬‬
‫) ‪u ( n )   e ( i‬‬ ‫‪exp(  d‬‬ ‫)‬ ‫( ‪)70- 2‬‬
‫‪i 0‬‬ ‫‪u‬‬ ‫‪2 2‬‬

‫الزم به ذکر است که اغلب پارامتر ‪ ‬یك مقدار ثابت در نظر گرفته میشود‪.‬‬

‫‪ -3-6-2‬قانون تطبیقی برای به روز رسانی اندازه تابع کرنل‬

‫برای بهتر شدن عملكرد کنترل کننده می توان به جای اینكه اندازه تابع کرنل ( ‪ ) ‬را یك مقدار ثابت در نظر‬

‫گرفت‪ ،‬از قوانين به روز رسانی تطبيقی بر اساس آموزش خطای پسخورد جهت تنظيم برخط ‪ ‬استفاده‬

‫نمود [‪ . ]6‬از طرفی چنانچه تابع کرنل استفاده شده چند جملهای باشد‪ ،‬برای نتيجه بهتر میتوان آهنگ‬

‫همگرایی آن را نرماليزه نمود [‪.]91‬‬

‫دیناميك سيستم غيرخطی تحت کنترل را در حوزه پيوسته زمان به فرم رابطه (‪ )72- 2‬در نظر بگيرید‪.‬‬

‫هدف کنترلکننده طراحی ‪ u‬بهگونهای است که حاالت سيستم ( ‪ ،) x‬حاالت مطلوب ‪ x d‬را دنبال نماید‪.‬‬

‫) ‪x  f ( x ,u‬‬ ‫( ‪)72- 2‬‬

‫بدون از دست دادن کليت مسئله‪ ،‬فرضيات زیر در نظر گرفته میشود‪:‬‬

‫‪99‬‬
‫فرض‪ - 0‬اگر تعداد کل حاالت سيستم ‪ k‬باشد‪ ،‬تعداد حالتهای ‪ x‬که قرار است کنترل شود‪ ،‬با تعداد‬

‫ورودیهای کنترلی مساوی و برابر ‪ r‬است‪ .‬سایر حالتهای سيستم ( ‪ ) k  r‬نيز همزمان در پایان مسير به‬

‫نقطه تعادل ميل میکنند‪.‬‬

‫فرض‪ - 2‬دیناميك ) ‪ f (x ,u‬دارای مشتقات جزئی کراندار محدود در یك همسایگی معين از همه نقاط‬

‫مسير مطلوب ‪ x d‬است و مشتق ماتریس ) ‪ f (x ,u‬نسبت به ورودی کنترل ‪ u T‬نامنفرد است و‬

‫‪ f (0,0)  0‬است‪.‬‬

‫تحت این فرضها‪ ،‬ورودی کنترلی مطلوب را می توان به صورت زیر در نظر گرفت‪:‬‬

‫‪n 1‬‬ ‫‪2‬‬

‫ˆ‪x‬‬ ‫) ‪x (i )  x d ( n‬‬
‫) ‪ud (t )   e (i‬‬ ‫‪exp(  d‬‬ ‫)‬
‫‪i 0‬‬ ‫‪u‬‬ ‫‪2 2‬‬
‫( ‪)79- 2‬‬
‫‪n 1‬‬
‫‪xˆ ‬‬
‫) ‪  e (i‬‬ ‫‪‬‬
‫‪i 0‬‬ ‫‪u‬‬

‫که ‪  ‬مقدار بهينه اندازه تابع کرنل‪ e (i )  x (i )  x d (i ) ،‬خطای ردیابی و ‪  ‬تابع کرنل بهينه است‪.‬‬

‫دیناميك خطای ردیابی کل سيستم را می توان به صورت زیر بيان نمود‪:‬‬

‫) ‪e  f ( x ,u ) - f ( x d ,u d‬‬ ‫( ‪)74- 2‬‬

‫با استفاده از بسط سری تيلور و صرفنظر از ترم های باالتر بسط‪ ،‬به نتيجه زیر خواهيم رسيد‪:‬‬

‫) ‪e  A (t ) e  B (t )(u  ud‬‬ ‫( ‪)75- 2‬‬

‫در این معادله ) ‪ A (t‬و ) ‪ B (t‬به صورت زیر بدست میآیند‪:‬‬

‫) ‪f ( x ,u‬‬
‫‪A (t ) ‬‬ ‫‪|x d ,ud‬‬ ‫( ‪)76- 2‬‬
‫‪x T‬‬

‫) ‪f ( x ,u‬‬
‫‪B (t ) ‬‬ ‫‪|x d ,ud‬‬ ‫( ‪)77- 2‬‬
‫‪u T‬‬

‫در این روابط ‪ x d‬و ‪ ud‬در نقاط تعادل در نظر گرفته میشوند‪.‬‬

‫‪94‬‬
‫برای تضمين پایداری سيستم حلقه بسته میتوان از کنترلکنندههای مرسوم مانند ‪ LQR ،PID‬یا ‪ H ‬به‬

‫صورت موازی با کنترل کننده اصلی استفاده نمود [‪ .]6‬در اینجا با فرض زیر از یك کنترل کننده تناسبی‬

‫برای پایداری سيستم استفاده میشود‪.‬‬

‫فرض ‪ - 9‬سيستم دیناميك حلقه بسته که کنترلکننده پس خورد آن بر اساس مدل نامی هواپيما طراحی‬

‫شده است‪ ،‬در راستای مسير مطلوب پایدار است‪.‬‬

‫با داشتن تنها کنترلکننده تناسبی ‪ ، u  K p e‬دیناميك خطا به صورت زیر بازنویسی میشود‪:‬‬

‫‪e  (A (t )  B (t ) K p ) e  B (t ) ud‬‬ ‫( ‪)72- 2‬‬

‫بر اساس فرض ‪ K p ،9‬به گونهای طراحی میشود که ‪ C (t )  A (t )  B (t ) K p‬در دیناميك خطا پایدار‬

‫باشد‪.‬‬

‫سيگنال کنترلی نهایی مجموع کنترلکننده حداقل ميانگين مربعات کرنلی و کنترل کننده تناسبی است‪:‬‬

‫‪u  u klms  K p e‬‬ ‫( ‪)73- 2‬‬

‫ˆ ‪T‬‬
‫‪ uˆK  w ‬میباشد‪ ،‬که ̂‪‬‬ ‫فرض می شود که خروجی کنترلکننده حداقل ميانگين مربعات کرنلی به فرم‬

‫تابع کرنل تخمينی است‪ .‬دراینصورت خطای تخمين ‪ ‬به صورت زیر تعریف میشود‪:‬‬

‫ˆ‬
‫‪    ‬‬ ‫( ‪)21- 2‬‬

‫میتوان بردار وزنی حداقل ميانگين مربعات کرنلی را به صورت زیر فرض نمود‪:‬‬

‫‪W  [e (1) e (2)...e ( n  1)]T‬‬ ‫( ‪)20- 2‬‬

‫در نهایت با استفاده از روابط (‪ )72- 2‬تا (‪ ،)20- 2‬دیناميك خطا به صورت زیر نوشته میشود‪:‬‬

‫ˆ‬
‫‪e  C (t ) e  B (t ) w T ‬‬ ‫( ‪)22- 2‬‬

‫برای بدست آوردن قانون تطبيقی بهروز کردن اندازه تابع کرنل تابع لياپانوف زیر پيشنهاد داده میشود [‪:]6‬‬

‫‪95‬‬
‫‪V  1/ 2e T M e  1/ 2 T ‬‬ ‫( ‪)29- 2‬‬

‫‪ M‬یك ماتریس مثبت مؤکد متقارن و ‪ ‬یك ماتریس مثبت مؤکد ثابت است‪.‬‬

‫با در نظر گرفتن معادالت (‪ )22- 2‬و (‪ ،)29- 2‬مشتق تابع لياپانوف به قرار زیر است‪:‬‬

‫‪V  e T (t ) e  T wB (t )T M e  T ‬‬ ‫( ‪)24- 2‬‬

‫که در آن ) ‪ (t‬به صورت زیر تعریف میشود‪:‬‬

‫)) ‪H (t )  1/ 2(C (t )T M  MC (t‬‬ ‫( ‪)25- 2‬‬

‫در نهایت خواهيم داشت‪:‬‬

‫)‪V  e T (t )e  T (wB (t )T M e  ‬‬ ‫( ‪)26- 2‬‬

‫که اگر ‪ ‬را به صورت زیر در نظر گرفته شود‪:‬‬

‫‪  1w B (t )T M e‬‬ ‫( ‪)27- 2‬‬

‫مشتق تابع لياپانوف به فرم منفی زیر خواهد بود‪:‬‬

‫‪V  e T (t ) e‬‬ ‫( ‪)22- 2‬‬

‫معادله بهروز رسانی به صورت زیر حاصل میشود‪:‬‬ ‫‪*  0‬‬ ‫از آنجائیکه‬

‫‪ˆ  1 w B (t )T M e‬‬

‫‪‬‬ ‫( ‪)23- 2‬‬

‫میتوان معادله بهروز رسانی را به فرم گسسته زیر تبدیل نمود‪:‬‬

‫‪ˆ (n )  ‬‬
‫‪‬‬ ‫‪ˆ ( n  1)  ‬‬
‫) ‪ˆ (n‬‬
‫( ‪)31- 2‬‬
‫‪  1  1w B ( n )T M e ( n ).‬‬

‫با توجه به اینكه ̂‪ ‬تابعی از ˆ‪ ‬است ( ) ˆ‪ ،) ˆ  (‬در نهایت الگوریتم حداقل ميانگين مربعات کرنلی با‬

‫قانون به روز رسانی زیر برای اندازه تابع کرنل حاصل میشود‪:‬‬

‫‪96‬‬
 ‫‪‬‬‫ˆ‬
‫‪ˆ ( n  1)  ˆ ( n )   2‬‬ ‫) ‪ˆ (n‬‬
‫‪‬‬
‫‪ˆ T‬‬ ‫( ‪)30- 2‬‬
‫ˆ‪u‬‬
‫) ‪ ˆ( n )   1 2 Tk B ( n )T M e ( n‬‬
‫ˆ‪‬‬

‫بنابراین میتوان از الگوریتم حداقل ميانگين مربعات کرنلی به عنوان یك روش ساده که وزنها و مراکز را به‬

‫راحتی خود انتخاب می کند و اندازه تابع گوسين آن با استفاده از رابطه (‪ )30- 2‬بهروز می شود‪ ،‬در کنترل‬

‫استفاده کرد که در فصل آتی عملكرد آن در ردیابی یك مانور نمونه در یك هواپيمای جنگنده ارزیابی‬

‫خواهد شد‪.‬‬

‫‪97‬‬
 ‫فصل سوم‬

‫نتایج شبیهسازی‬

‫‪92‬‬
 ‫‪ - 1- 3‬مقدمه‬

‫در این فصل برای بررسی عملكرد حداقل ميانگين مربعات کرنلی به عنوان کنترل کننده در ردیابی یك مانور‬

‫مطلوب‪ ،‬شبيه سازی روی یك هواپيمای ‪ F-18‬با دیناميك کامالً غيرخطی شش درجه آزادی با مشخصات و‬

‫معادالت حرکت بيان شده در پيوست‪ ،‬انجام شده است‪ .‬الزم به ذکر است که نتایج بر اساس حداقل ميانگين‬

‫مربعات کرنلی با اندازه تابع کرنل بهروز شده میباشد‪.‬‬

‫‪ - 2- 3‬نتایج حاصل از ردیابی با استفاده از حداقل میانگین مربعات کرنلی‬

‫‪ ‬حالت اول‬

‫هدف‪ ،‬کنترل متغيرها میباشد‪ ،‬به عنوان نمونه تعقيب مقدار مطلوب زاویه حمله ( ‪ ) ‬و نگه داشتن زاویه‬

‫لغزش جانبی ( ‪ ) ‬در زاویه کمتر از ‪ 0‬درجه و کنترل آهنگ رول در محور پایداری ( ‪ .) ‬آهنگ رول در‬

‫محور پایداری باعث می شود هواپيما حول محور پایداری خود بچرخد تا بتواند در مسير مطلوب جهت پرواز‬

‫را ‪021‬درجه تغيير دهد‪ .‬روابط (‪ )0- 9‬تا (‪ )9- 9‬معادالت توصيف کننده این سه متغير را بيان میدارد‪.‬‬

‫) ‪  tan 1(w / u‬‬ ‫( ‪)0- 3‬‬

‫) ‪  p cos( )  r sin(‬‬ ‫( ‪)2- 3‬‬

‫) ‪  sin 1(w /v t‬‬ ‫( ‪)9- 3‬‬

‫که در آن ‪ w , v , u‬سرعت در سه جهت ‪ z , y , x‬نسبت به مختصات زمينی و ‪ v t‬سرعت کل است‪.‬‬

‫‪ r , p‬هم به ترتيب سرعت زاویهای در راستای محور طولی (رول) و محور سمت (یاو) میباشند‪ .‬جزئيات‬

‫این پارامترها در پيوست ذکر شده است‪.‬‬

‫ردیابی متغيرها باید به گونهای انجام شود که ‪ ‬و ‪ ‬مسير مطلوب را تعقيب کنند و انحراف زاویه لغزش‬

‫جانبی نباید از ‪ 0‬درجه تجاوز نماید‪.‬‬

‫‪93‬‬
‫مانور رول حول بردار سرعت در زاویه حمله ‪ ‬در پرواز مستقيم هموار با ‪V  500 ft / s ،   2.37deg‬‬

‫شروع میشود‪ .‬به الویتور یك فرمان پيچ از مقدار اوليه ‪ - 1.5‬درجه به طرف باال جهت افزایش ‪ ‬به ‪05‬‬

‫درجه از حالت نشست در ثانيه ‪ 9.9‬داده میشود ‪ .‬فرمان برای نرخ رول در محور پایداری ( ‪ ) ‬در ثانيه ‪5‬‬

‫شروع و شامل سه مرحله میباشد‪ :‬ناحيه صعود ‪ ،0‬ناحيه نگهداری ‪ 05 2‬درجه بر ثانيه و ناحيه جلوگيری ‪ .9‬رول‬

‫حول محور پایداری‪ ،‬هواپيما را حول محور پایداری بهگونهای می چرخاند که جهت مسير پرواز را تغيير دهد‪.‬‬

‫سپس ‪ ‬کاهش پيدا میکند تا دماغه به ‪ ‬اوليه در ثانيه ‪ 05‬برسد‪.‬‬

‫نتایج حاصل از کنترل این نمونه با استفاده از الگوریتم حداقل ميانگين مربعات کرنلی در شكلهای (‪ )0- 9‬تا‬

‫(‪ )9- 9‬آمده است‪ .‬مقادیر پارامترها به صورت زیر میباشد‪:‬‬

‫‪P  [1 0 0;0 1.1 0;0 0 1] ,   [.5 .5 .2] ,  1 2  .1‬‬

‫‪1‬‬
‫‪- rising region‬‬
‫‪2‬‬
‫‪- holding region‬‬
‫‪3‬‬
‫‪- arresting region‬‬
‫‪41‬‬
 ‫‪20‬‬
‫‪Desired‬‬
‫‪KLMS‬‬
‫‪15‬‬

‫‪10‬‬
‫)‪alpha(deg‬‬

‫‪5‬‬

‫‪0‬‬

‫‪-5‬‬
‫‪0‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬ ‫‪20‬‬ ‫‪25‬‬
‫)‪time(sec‬‬

‫شكل (‪ )0-9‬کنترل زاویه حمله با استفاده از ‪KLMS‬‬

‫‪20‬‬
‫‪Desired‬‬
‫‪KLMS‬‬
‫‪15‬‬
‫)‪Mudot(deg‬‬

‫‪10‬‬

‫‪5‬‬

‫‪0‬‬

‫‪-5‬‬
‫‪0‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬ ‫‪20‬‬ ‫‪25‬‬
‫)‪time(sec‬‬
‫شكل (‪ )2-9‬کنترل آهنگ رول در محور پایداری با استفاده از‪KLMS‬‬

‫‪40‬‬
 ‫‪5‬‬
‫‪Desired‬‬
‫‪4‬‬ ‫‪KLMS‬‬
‫‪3‬‬

‫‪2‬‬ ‫‪0‬درجه > انحراف‬

‫‪1‬‬
‫)‪beta(deg‬‬

‫‪0‬‬

‫‪-1‬‬

‫‪-2‬‬

‫‪-3‬‬

‫‪-4‬‬

‫‪-5‬‬
‫‪0‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬ ‫‪20‬‬ ‫‪25‬‬
‫)‪time(sec‬‬
‫شكل (‪ )9-9‬کنترل زاویه لغزش جانبی با استفاده از‪KLMS‬‬

‫با توجه به نمودارهای مربوط به کنترل متغيرها‪ ،‬زاویه ‪ ‬و ‪ ‬مقدار مطلوب را با خطای اندکی تعقيب می ‪-‬‬

‫کنند‪ .‬زاویه ‪ ‬هم در محدوده کمتر از یك درجه قرار دارد‪ .‬با توجه به رابطه (‪ )2- 9‬وابستگی ‪ ‬نسبت به‬

‫سرعت زاویهای ‪ r‬باعث میشود هم زمان با رول زدن (تحریك شهپرها) در هواپيما سرش جانبی ایجاد شود‬

‫و زاویه ‪ ‬افزایش یابد که هرچقدر ميزان تاثيرپذیری و افزایش ‪ ‬کمتر باشد پایداری هواپيما و ردیابی‬

‫مطلوبتر است‪.‬‬

‫سطوح کنترل اصلی هواپيما (ورودی های کنترلی سيستم) هم به صورت نمودارهای (‪ )4- 9‬تا (‪ )6- 9‬تحریك‬

‫میشوند‪.‬‬

‫‪42‬‬
 ‫‪10‬‬

‫‪8‬‬
‫‪max<25deg‬‬
‫‪6‬‬

‫‪4‬‬
‫)‪elevator(deg‬‬

‫‪2‬‬

‫‪0‬‬

‫‪-2‬‬

‫‪-4‬‬

‫‪-6‬‬

‫‪-8‬‬

‫‪-10‬‬
‫‪0‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬ ‫‪20‬‬ ‫‪25‬‬
‫)‪time(sec‬‬

‫‪KLMS‬‬ ‫شكل (‪ )4-9‬انحراف سطح کنترل باالبر (درجه) در‬

‫برای افزایش زاویه حمل ه‪ ،‬باالبر (ورودی کنترل) در جهت منفی تحریك می شود و لزومی ندارد این تحریك‬

‫در مدت زمان زیادی رخ دهد‪ .‬برای کاهش زاویه حمله باالبر در جهت مثبت حرکت می کند‪ .‬با توجه به‬

‫نمودار سطح کنترل باالبر‪ ،‬بيشترین مقدار تحریك آن تقریبا ‪ 2‬درجه در جهت مثبت و منفی میباشد که‬

‫کمتر از مقدار مجاز است‪.‬‬

‫‪49‬‬
 ‫‪5‬‬

‫)‪aileron(deg‬‬ ‫‪0‬‬

‫‪-5‬‬

‫‪-10‬‬

‫‪max|<21.5deg‬‬

‫‪-15‬‬
‫‪0‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬ ‫‪20‬‬ ‫‪25‬‬
‫)‪time(sec‬‬

‫‪KLMS‬‬ ‫شكل (‪ )5-9‬انحراف سطح کنترل شهپرها (درجه) در‬

‫‪4‬‬

‫‪3‬‬

‫‪2‬‬

‫‪1‬‬
‫)‪rudder(deg‬‬

‫‪0‬‬

‫‪-1‬‬

‫‪-2‬‬

‫‪-3‬‬
‫‪|max|<30deg‬‬
‫‪-4‬‬
‫‪0‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬ ‫‪20‬‬ ‫‪25‬‬
‫)‪time(sec‬‬

‫‪KLMS‬‬ ‫شكل (‪ )6-9‬انحراف سطح کنترل رادر (درجه) در‬

‫‪44‬‬
‫برای رول زدن هواپيما در جهت افزایش زاویه رول‪ ،‬سطوح کنترل شهپرها در جهت منفی تحریك میشوند و‬

‫برعكس (شكل(‪ .))5- 9‬همان گونه که قبال اشاره شد‪ ،‬با رول زدن هواپيما سرش جانبی ایجاد میشود که این‬

‫سرش را در نمودار تحریك سطح کنترل رادر میتوان مشاهده کرد (شكل (‪.))6- 9‬‬

‫همان گونه که نتایج حاصل از ردیابی نشان میدهد‪ ،‬با توجه به محدوده مجاز تحریك سطوح کنترل‬

‫هواپيمای ‪ F-18‬طبق رابطه (‪ ، )4- 9‬بيشترین مقدار تحریك سطوح کنترل اصلی حاصل‪ ،‬از مقدار مجاز کمتر‬

‫است‪.‬‬

‫]‪e  [-25deg, 25deg],   [-21.5deg,21.5deg],  r  [-30deg,30deg‬‬

‫‪a‬‬
‫(‪)4- 9‬‬

‫‪ - 3- 3‬مقایسه با کنترلکننده بر اساس شبکه عصبی پایه شعاعی کامال تنظیم شده‬

‫در این بخش عملكرد الگوریتم حداقل ميانگين مربعات کرنلی با کنترلکننده بر اساس شبكه عصبی پایه‬

‫شعاعی کامال تنظيم شده مقایسه می شود‪ .‬پارامترها در این کنترل کننده به صورت زیر است‪:‬‬

‫‪P  [1 0 0;0 1.2 0;0 0 1.1] , 1  [.5 .5 .3] ,‬‬

‫‪23  [.1 .2 .1] , 24  [.1 .1 .1] , h  13‬‬

‫نتایج حاصل از ردیابی نمونه مانور ذکر شده در قسمت (‪ ،)2- 9‬با استفاده از این ساختار کنترلی در‬

‫نمودارهای (‪ )7- 9‬تا (‪ )3- 9‬آمده است‪.‬‬

‫‪45‬‬
 ‫‪20‬‬
‫‪Desired‬‬
‫‪fully tuned RBF‬‬
‫‪15‬‬

‫‪10‬‬
‫)‪alpha(deg‬‬

‫‪5‬‬

‫‪0‬‬

‫‪-5‬‬
‫‪0‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬ ‫‪20‬‬ ‫‪25‬‬
‫)‪time(sec‬‬

‫شكل (‪ ) 7-9‬کنترل زاویه حمله با استفاده از ‪ RBF‬کامال تنظيم شده‬

‫‪5‬‬
‫‪Desired‬‬
‫‪4‬‬ ‫‪fully tuned RBF‬‬
‫‪3‬‬

‫‪2‬‬
‫‪0‬درجه > انحراف‬
‫‪1‬‬
‫)‪beta(deg‬‬

‫‪0‬‬

‫‪-1‬‬

‫‪-2‬‬

‫‪-3‬‬

‫‪-4‬‬

‫‪-5‬‬
‫‪0‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬ ‫‪20‬‬ ‫‪25‬‬
‫)‪time(sec‬‬

‫شكل (‪ )2-9‬کنترل آهنگ رول در محور پایداری با استفاده از‪ RBF‬کامال تنظيم شده‬

‫‪46‬‬
 ‫‪20‬‬
‫‪Desired‬‬
‫‪fullt tuned RBF‬‬
‫‪15‬‬

‫‪10‬‬
‫)‪Mudot(deg‬‬

‫‪5‬‬

‫‪0‬‬

‫‪-5‬‬
‫‪0‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬ ‫‪20‬‬ ‫‪25‬‬
‫)‪time(sec‬‬

‫شكل (‪ )3-9‬کنترل زاویه لغزش جانبی با استفاده از‪ RBF‬کامال تنظيم شده‬

‫همانگونه که نتایج حاصل از ردیابی این مانور با استفاده از ‪ RBF‬کامال تنظيم شده نشان میدهد‪ ،‬این روش‬

‫عملكرد مناسبی دارد و عملكرد آن مشابه الگوریتم حداقل ميانگين مربعات کرنلی می باشد‪ .‬مزیتی که روش‬

‫حداقل ميانگين مربعات کرنلی در مقایسه با این روش با وجود عملكرد یكسان دارد‪ ،‬سادگی و کم بودن‬

‫حجم محاسبات است‪ .‬چون در روش کنترل با استفاده از ‪ RBF‬کامال تنظيم شده همه پارامترهای شبكه با‬

‫یك قانون تطبيق پيچيده تنظيم می شوند که خود باعث گستردگی حجم محاسبات و کاهش سرعت می ‪-‬‬

‫شود‪.‬‬

‫‪47‬‬
 ‫‪15‬‬

‫‪10‬‬ ‫‪|max|<25de‬‬
‫‪g‬‬
‫‪5‬‬
‫)‪elevator(deg‬‬

‫‪0‬‬

‫‪-5‬‬

‫‪-10‬‬

‫‪-15‬‬
‫‪0‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬ ‫‪20‬‬ ‫‪25‬‬
‫)‪time(sec‬‬

‫شكل (‪ )01-9‬انحراف سطح کنترل باالبر (درجه) در ‪ RBF‬کامال تنظيم شده‬

‫با توجه به نمودار سطح کنترل باالبر‪ ،‬بيشترین مقدار تحریك آن تقریبا ‪ 02‬درجه در جهت مثبت و منفی‬

‫می باشد که کمتر از مقدار مجاز و بيشتر از مقدار تحریك این ورودی در الگوریتم حداقل ميانگين مربعات‬

‫کرنلی است و این خود مزیت الگوریتم حداقل ميانگين مربعات کرنلی محسوب میشود‪.‬‬

‫‪42‬‬
 ‫‪6‬‬

‫‪4‬‬

‫‪2‬‬

‫‪0‬‬
‫)‪deltaa(deg‬‬

‫‪-2‬‬ ‫‪.‬‬
‫‪-4‬‬

‫‪-6‬‬

‫‪-8‬‬ ‫‪|max|<21.5de‬‬
‫‪-10‬‬

‫‪-12‬‬
‫‪0‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬ ‫‪20‬‬ ‫‪25‬‬
‫)‪time(sec‬‬

‫شكل (‪ )00-9‬انحراف سطح کنترل شهپرها (درجه) با استفاده از‪ RBF‬کامال تنظيم شده‬

‫‪5‬‬

‫‪4‬‬

‫‪3‬‬

‫‪2‬‬
‫)‪rudder(deg‬‬

‫‪1‬‬

‫‪0‬‬

‫‪-1‬‬

‫‪-2‬‬

‫‪-3‬‬
‫‪|max|<30deg‬‬
‫‪-4‬‬

‫‪-5‬‬
‫‪0‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬ ‫‪20‬‬ ‫‪25‬‬
‫)‪time(sec‬‬
‫شكل (‪ )02-9‬انحراف سطح کنترل رادر (درجه) با استفاده از‪ RBF‬کامال تنظيم شده‬

‫‪43‬‬
‫با توجه به سطوح کنترل حاصل از ‪ RBF‬کامال تنظي م شده‪ ،‬مقدار تحریك سطوح کنترل در محدوده مجاز و‬

‫بيشتر از سطح کنترل حاصل از حداقل ميانگين مربعات کرنلی است‪.‬‬

‫‪ ‬حالت دوم‬

‫هدف ردیابی موقعيت مطلوب (مانور) به صورت مستقيم است‪ .‬در حالت کلی ورودیهای کنترلی یك جرم‬

‫نقطهای زاویه حمله‪ ،‬زاویه بنك (رول) و زاویه رانش است‪ .‬از طرف دیگر ورودیهای کنترلی یك جسم صلب‬

‫زاویه باالبر‪ ،‬زاویه شهپر‪ ،‬زاویه رادر و وضعيت دسته گاز است‪ .‬یكی از روشهای تعيين ورودی کنترلی یك‬

‫جسم صلب از روی ورودی کنترلی یك جرم نقطه ای و در نهایت تعقيب مانور مطلوب‪ ،‬روش معكوس است‪.‬‬

‫این روش در عمل روش مشكلی است‪ .‬یكی از روش های عملی حل این مسئله بدون حل مسئله معكوس‪،‬‬

‫استفاده از سيستم کنترل ردیابی مسير است که تاکنون تحقيقات ارزشمندی در این زمينه انجام شده است‬

‫[‪ .]5‬بدین صورت که باید رابطه ميان مانور مطلوب و متغيرهای زاویه حمله‪ ،‬زاویه لغزش جانبی و سایر‬

‫متغيرهای موثر در مانور را بدست آورد‪ ،‬که بدست آوردن معادالت مورد نياز در این بخش در مبحث هدایت‬

‫هواپيما (شكل(‪ ))6- 2‬قرار میگيرد‪ .‬در این پایان نامه از معادالت هدایت ذکر شده در مرجع [‪ ]5‬استفاده‬

‫شده است‪ .‬مانور مورد بررسی مانور غلتش لولهای است‪ .‬جدول (‪ )0- 9‬اطالعات موردنياز این مانور را بيان‬

‫میدارد‪.‬‬

‫جدول (‪ )0-9‬اصطالحات الزم برای مانور غلتش لولهای‬

‫اصطالح‬ ‫پارامتر‬ ‫اصطالح‬ ‫پارامتر‬

‫سطح مقطع بالها‬ ‫‪S‬‬ ‫ضرائب ایرودیناميكی‬ ‫) (‪C‬‬
‫نيروی رانش‬ ‫‪T‬‬ ‫نيروی پسا‬ ‫‪D‬‬
‫شتاب گرانش‬ ‫‪g‬‬ ‫نيروی برا‬ ‫‪L‬‬
‫سرعت‬ ‫‪V‬‬ ‫اجزای نيروی هدایت‬ ‫) (‪F‬‬
‫نيروی سمت‬ ‫‪Y‬‬ ‫بهره هدایت‬ ‫) (‪K‬‬
‫اجزای مسير هواپيما در‬ ‫‪x , y ,z‬‬ ‫جرم هواپيما‬ ‫‪m‬‬
‫مختصات زمينی‬
‫زاویه مخروطی برای مانور‬ ‫‪‬‬ ‫فشار دیناميك‬ ‫‪qt‬‬
‫اصطالح‬ ‫پارامتر‬ ‫اصطالح‬ ‫پارامتر‬

‫‪51‬‬
 ‫زاویه ساعتی برای مانور‬ ‫‪‬‬ ‫زاویه حمله‬
‫‪‬‬
‫زاویه افقی مسير پرواز‬ ‫‪‬‬ ‫زاویه سرش جانبی‬ ‫‪‬‬
‫زاویه عمودی مسير پرواز‬
‫‪‬‬ ‫زاویه بنك (رول)‬ ‫‪‬‬
‫ورودی فرمان‬ ‫‪( )c‬‬ ‫چگالی هوا‬ ‫‪‬‬

‫روابط (‪ )5- 9‬تا (‪ )00- 9‬به طور خالصه معادالت الزم جهت ایجاد مانور مذکور را بيان میدارد‪.‬‬

‫‪ ‬معادالت مسير مطلوب‬

‫‪x  v t cos ‬‬

‫‪y  v t sin  cos ‬‬
‫‪z  v t sin  sin ‬‬ ‫( ‪)5- 3‬‬
‫‪   cos ‬‬
‫‪   sin ‬‬

‫که در آن ‪ x‬و ‪ y‬و ‪ z‬موقعيت جرم نقطهای (هواپيما)‪ v t ،‬سرعت هواپيما‪  ،‬و ‪ ‬به ترتيب زاویه افقی‬

‫مسير پرواز و زاویه عمودی مسير پرواز میباشد‪  .‬و ‪ ‬هم در شكل (‪ )09- 9‬مربوط به سيستم مختصات و‬

‫مسير مانور غلتش لولهای نشان داده شدهاند‪.‬‬

‫شكل (‪ )09-9‬سيستم مختصات و مسير مانور غلتش لولهای [‪]5‬‬

‫الزم به ذکر است که ‪ ‬اختالف بين ‪ ‬و ‪ ‬و ‪ ‬اختالف بين ‪ ‬و ‪ ‬میباشد‪.‬‬

‫‪50‬‬
 ‫‪ ‬معادالت نيروی هدایت‬

‫نيروی هدایت شامل دو قسمت است‪ .‬یكی نيروی الزم جهت ایجاد حرکت و دیگری نيروی الزم برای حذف‬

‫خطاهای هدایت ا ست‪ .‬خطاهای هدایت شامل خطای موقعيت‪ ،‬خطای سرعت‪ ،‬خطای زوایای افقی و عمودی‬

‫مسير پرواز می باشد‪ .‬نيروهای هدایت در سه جهت ‪ x , y , z‬در رابطه (‪ )6- 9‬بيان شده است‪.‬‬

‫‪Fx  m [V d  k v (V d V )  g sin   k x {( x d  x ) cos  cos ‬‬

‫]} ‪( y d  y )sin  cos   ( z d  z )sin ‬‬

‫‪Fy  m [V d d cos   k  V d (d   ) cos   k y {( x d  x )sin ‬‬

‫( ‪)6- 3‬‬
‫]} ‪( y d  y ) cos ‬‬

‫‪Fz  m [ V d  d  k  V d ( d   )  g cos   k z {( x d  x ) cos  sin ‬‬

‫]} ‪( y d  y )sin  sin   ( z d  z ) cos ‬‬

‫که در آن مقادیر با اندیس ‪ d‬معرف ورودی با مقدار مطلوب است‪ .‬مقادیر )( ‪ k‬بهره هدایت برای هر یك از‬

‫پارامترها محسوب میشود که در اینجا با سعی و خطا بدست آمده است‪.‬‬

‫‪ ‬معادالت ورودیهای مطلوب‬

‫ورودی های فرمان شامل زاویه بنك‪ ،‬زاویه حمله‪ ،‬زاویه لغزش جانبی و نيروی رانش است که با استفاده از‬

‫معادالت نيرویهای هدایت بر اساس روابط (‪ )7- 9‬تا (‪ )01- 9‬بدست میآیند‪:‬‬

‫‪‬‬ ‫‪Fy‬‬ ‫‪‬‬

‫‪c  sin 1 ‬‬ ‫‪‬‬ ‫( ‪)7- 3‬‬
‫‪ F 2F 2‬‬ ‫‪‬‬
‫‪ y‬‬ ‫‪z‬‬ ‫‪‬‬

‫‪1  Lc‬‬ ‫‪‬‬

‫‪c ‬‬ ‫‪‬‬ ‫‪ C L0 ‬‬ ‫( ‪)2- 3‬‬
‫‪C L  qt S‬‬ ‫‪‬‬

‫‪Yc‬‬
‫‪c ‬‬ ‫( ‪)3- 3‬‬
‫‪qt SC y ‬‬

‫‪52‬‬
 ‫‪Tc  Fx  D‬‬ ‫( ‪)01- 3‬‬

‫که در آن ‪ Lc‬و ‪ Y c‬مقادیر فرمان نيروهای برا و سمت هستند که طبق رابطه (‪ )00- 9‬قابل محاسبه می ‪-‬‬

‫باشند‪.‬‬

‫‪Lc  Fy sin c  Fz cos c‬‬

‫( ‪)00- 3‬‬
‫‪Y c  Fy cos c  Fz sin c‬‬

‫توضيح سایر پارامترها در پيوست ذکر شده است‪.‬‬

‫در نهایت نتایج حاصل از الگوریتم حداقل ميانگين مربعات کرنلی در ردیابی این نمونه مانور در فضای سه‬

‫بعدی در مدت زمان ‪ 09‬ثانيه در شكل (‪ )04- 9‬آمده است‪.‬‬

‫شكل(‪ )04- 9‬ردیابی مسير مطلوب با استفاده از‪KLMS‬‬

‫خطوط خط چين نمایانگر مانور ردیابی شده با استفاده از الگوریتم حداقل ميانگين مربعات کرنلی است و‬

‫خطوط توپر نمایانگر مانور مطلوب است‪.‬‬

‫‪59‬‬
‫همان گونه که نتيجه نشان می دهد مانور مطلوب با خطای اندکی ردیابی می شود‪ .‬مقدار اختالف نهایی‬

‫مسير ردیابی شده توسط الگوریتم با مسير مطلوب حدود ‪ 21‬متر در جهت محور ‪ x‬میباشد‪ .‬اختالف‬

‫مسير در جهت ‪ y‬و‪ z‬ناچيز میباشد‪.‬‬

‫‪54‬‬
‫فصل چهارم‬

‫نتیجهگیری‬

‫‪55‬‬
 ‫‪ - 1- 4‬جمع بندی و نتیجه گیری‬

‫در این پایان نامه الگوریتم جدیدی برای کنترل مانور یك هواپيمای جنگنده ‪ F-18‬مورد ارزیابی قرار گرفت‪.‬‬

‫ابتدا جنگنده ‪ F-18‬با معادالت حالت شبيه سازی شد‪ .‬سپس الگوریتم حداقل ميانگين مربعات کرنلی به‬

‫عنوان یك روش هوشمند و برخط برای ردیابی یك مانور نم ونه استفاده شد‪ .‬این الگوریتم مانند یك شبكه‬

‫عصبی توسعه یافته عمل میکند که وزن ها و مراکز تابع را به سادگی انتخاب میکند‪ .‬در الگوریتم‬

‫پيشنهادی‪ ،‬برای بهبود عملكرد‪ ،‬افزایش دقت ردیابی و تضمين پایداری یك روش تطبيقی بر مبنای تئوری‬

‫لياپانوف برای بهروز رسانی پارامترها (اندازه تابع کرنل) ارائه شد‪ .‬نهایتاً کارآیی کنترلکننده پيشنهادی با‬

‫بررسی کنترل پارامترهای پرواز و مانور غلتش لولهای بعنوان یك مانور غيرخطی ارزیابی شد و عملكرد آن با‬

‫یك روش کنترل بر اساس شبكه عصبی پایه شعاعی کامال تنظيم شده مقایسه شد‪.‬‬

‫نتایج شبيهساز ی‪ ،‬توانایی قابل قبول کنترل کننده شبكه عصبی پایه شعاعی کامال تنظيم شده در ردیابی‬

‫پارامترهای پرواز را نشان می دهد‪ .‬با وجود نتایج قابل قبول کنترل کننده فوق‪ ،‬حجم محاسبات نسبتا باال‬

‫بعنوان یكی از چالشهای موجود تشخيص داده شد‪ .‬شبيه سازی الگوریتم حداقل ميانگين مربعات کرنلی‬

‫برای کنترل پارامترهای پرواز‪ ،‬نتایج تقریبا مشابه اما با حجم محاسبات کمتر را نشان میدهد‪ .‬همچنين‬

‫شبيه سازی این الگوریتم‪ ،‬نتایج قابل قبولی در ردیابی مانور غلتش لولهای را نيز ارائه میکند‪ .‬در این‬

‫شبيه سازی خطای حالت دائم در بعد ‪ y‬و ‪ z‬بسيار کم بوده اما خطا در بعد ‪ x‬در حدود ‪ 21‬متر میباشد که‬

‫در سيستم مورد نظر یك نتيجه قابل قبول ارزیابی میگردد‪.‬‬

‫‪56‬‬
 ‫‪ -2-4‬پیشنهادات‬

‫در این بخش پيشنهاداتی به منظور ارائه راهی جدید برای محققين بعدی ارائه میشود‪:‬‬

‫‪ -‬می توان از الگوریتم حداقل ميانگين مربعات کرنلی به عنوان بهينهساز ضرائب در روشهای کنترلی‬

‫مانند روش کنترل مود لغزشی‪ ،‬روش کنترل گام به عقب و غيره استفاده نمود‪.‬‬

‫می توان از الگوریتم حداقل ميانگين مربعات کرنلی در روش های کنترل معكوس به عنوان شناساگر‬ ‫‪-‬‬

‫استفاده کرد و سيستم را کنترل نمود‪.‬‬

‫‪57‬‬
 ‫پیوست الف‬

‫مدل هواپیما و معادالت حرکت‬

‫‪52‬‬
 ‫الف ‪ - 1-‬مقدمه‬

‫در این پایاننامه از مدل هواپيمای ‪ F-18‬به عنوان یك پلنت برای اعمال نظریه کنترلی حداقل ميانگين‬

‫مربعات کرنلی استفاده می شود‪ .‬این هواپيما نيز مانند اکثر سيستمهای واقعی دارای مدل غيرخطی و پيچيده‬

‫می باشد و برای تجزیه و تحليل و طراحی بهتر است از یك مدل ساده شروع شود‪ .‬در این فصل ابتدا با‬

‫مفاهيم اساسی و مرتبط با کنترل پرواز آشنا شده و پس از شناخت هواپيمای ‪ ،F-18‬مدل غيرخطی این‬

‫هواپيما مطرح می شود‪ .‬در انتها هواپيما در دو جهت حرکت طولی و عرضی خطی سازی و مدل فضای حالت‬

‫برای یك نقطه کار مشخص بدست آورده میشود‪.‬‬

‫الف ‪ - 2-‬مدل هواپیما‬

‫هواپيمای انتخاب شده‪ F-18 HARV0،‬است‪ .‬این هواپيما یك جنگنده مهاجم دو موتوره تكسرنشين‬

‫است که برای نيروی دریایی امریكا‪ ،‬توسط شرکتهای مك دونل داگالس ‪ 2‬و نورثرپ ‪ 9‬ساخته شد و دارای دو‬

‫موتور توربوفن اصالح شده ‪ ،‬ساخت شرکت جنرال الكتریك بنام است‪ .‬این موتور که دارای توان پسسوز‬

‫است‪ ،‬دارای حداکثر نيروی رانش ‪ 4‬استاتيك ‪ 06111‬پوند در سطح دریا میباشد‪ .‬هواپيما با اضافه کردن‬

‫دریچههای تراست موتور‪ ،‬برای جهت دادن به جریان خروجی موتور و ایجاد گشتاور یاو و پيچ‪ ،‬اصالح شده‬

‫است‪ .‬برخی از مشخصات این هواپيما در جدول (الف ‪ )0-‬و تصویر سهنمایی آن در شكل (الف ‪ )0-‬نشان داده‬

‫شده است [‪ 90‬و ‪.]92‬‬

‫‪1‬‬
‫‪- High Angle Of Attack Research Vehicle‬‬
‫‪2‬‬
‫‪- McDonnell Douglas‬‬
‫‪3‬‬
‫‪- Northrop‬‬
‫‪4‬‬
‫‪- Thrust‬‬
‫‪53‬‬
 F-18 ‫) اطالعات هواپيمای‬0-‫جدول (الف‬

‫مقدار‬ ‫پارامتر‬
1036slug m
400ft 2 S

37.42ft b
11.52 c
23000slug ft 2 Ix
151293slug ft 2 Iy

169945slug ft 2 Iz
2131.8slug ft 2 I xz
0.25 xcgr

61
 ‫شكل (الف‪ )0-‬سه نمایی از هواپيمای ‪]99[ F-18 HARV‬‬

‫الف ‪ - 1- 2-‬مدل آیرودینامیکی‬

‫مدل آیرودیناميكی هواپيما‪ ،‬مدلی ا ست که نيروهای آیرودیناميكی وارد بر هواپيما را به صورت تابعی از‬

‫شرایط پروازی و مشخصات هواپيما می دهد‪ .‬مدل زیر برای ضرایب نيروها و ممان آیرودیناميكی در این‬

‫پایان نامه مورد استفاده قرار گرفته شده است ]‪.[94‬‬

‫‪ )0‬ضریب پسا‬

‫‪0.0013  0.00438  0.0297‬‬ ‫‪ 5    20‬‬

‫‪2‬‬

‫‪CD  ‬‬ ‫(الف‪)0-‬‬

‫‪0.0000348  0.0473  0.45846‬‬ ‫‪20    40‬‬
‫‪2‬‬

‫‪ )2‬ضریب نيروی جانبی‬

‫‪a‬‬ ‫‪r‬‬
‫‪CY  0.0186 ‬‬ ‫‪(0.00227  0.039) ‬‬ ‫)‪(0.00265  0.141‬‬ ‫(الف‪)2-‬‬
‫‪25‬‬ ‫‪30‬‬

‫‪ )9‬ضریب نيروی برا‬

‫‪0.0751  0.0144e  0.0309‬‬ ‫‪ 5    10‬‬

‫‪CL  ‬‬ ‫(الف‪)9-‬‬
‫‪0.00148  0.106  0.0144e  0.569 10    40‬‬
‫‪2‬‬

‫‪60‬‬
 ‫‪ )4‬ضریب ممان رول‬

‫‪a‬‬
‫‪C l  C l ( ,  )  0.0315 p  0.0126r ‬‬ ‫)‪(0.00121  0.0628‬‬
‫‪25‬‬
‫(الف‪)4-‬‬
‫‪r‬‬
‫‪‬‬ ‫)‪(0.000351  0.0124‬‬
‫‪30‬‬

‫که در آن‪:‬‬

‫‪(0.00012  0.00092) ‬‬ ‫‪ 5    15‬‬

‫‪. C l ( ,  )  ‬‬ ‫(الف‪)5-‬‬
‫‪(0.00022  0.006) ‬‬ ‫‪15    25‬‬

‫‪ )5‬ضریب ممان پيچ‬

‫‪C m  0.00437  0.0196e  0.123q  0.0166‬‬ ‫(الف‪)6-‬‬

‫‪ )6‬ضریب ممان یاو‬

‫‪a‬‬ ‫‪r‬‬
‫‪C n  C n ( ,  )  0.0142r ‬‬ ‫‪(0.000213  0.00128) ‬‬ ‫)‪(0.000804  0.0474‬‬ ‫(الف‪)7-‬‬
‫‪25‬‬ ‫‪30‬‬

‫که در آن‪:‬‬

‫‪0.00125‬‬ ‫‪ 5    10‬‬

‫‪‬‬
‫‪C n ( ,  )  (0.00022  0.00342)  10    25‬‬ ‫(الف‪)2-‬‬
‫‪0.00201‬‬ ‫‪25    35‬‬
‫‪‬‬

‫در معادلههای (الف ‪ )0-‬تا (الف ‪ )2-‬تمام زوایا و انحراف سطوح کنترل برحسب درجه و نرخهای زاویهای‬

‫برحسب رادیان میباشند‪.‬‬

‫‪62‬‬
 ‫الف ‪ - 3-‬کنترل های آیرودینامیکی و محدوده کارایی آنها‬

‫کنترلهای آیرودیناميكی هواپيمای‪ F-18‬عبارتند از‪ :‬پایدارکنندههای افقی ‪ ،0‬ایلورانها‪ ،‬رادر و فلپها‪ ،‬به‬

‫عالوه این هواپيما دارای مكانيزم کاهنده سرعت ‪ 2‬نيز میباشد‪ .‬محدوده حرکت و نرخ چرخش سطوح کنترل‬

‫در جدول (الف ‪ )2-‬آمده است [‪ 90‬و ‪.]92‬‬

‫جدول (الف ‪ ) 2-‬محدوده و نرخ چرخش سطوح کنترل ‪F-18‬‬

‫‪ e (t)  24 deg ,  10.5 deg ‬‬ ‫‪e (t )  40 deg/s‬‬

‫‪ r (t)  30 deg ,  30 deg ‬‬ ‫‪r (t )  56 deg/s‬‬

‫‪ a (t)  25 deg ,  25 deg ‬‬ ‫‪a (t )  100 deg/s‬‬

‫‪(t) 0 ,  1.0 ‬‬ ‫‪(t )  0.55 deg/s‬‬

‫مدل عملگر با در نظر گرفتن مقادی ر نرخ چرخش سطوح به فرم ذیل استفاده گردید‪:‬‬

‫‪100‬‬
‫‪a ‬‬ ‫(الف‪)3-‬‬
‫‪s  100‬‬

‫‪40‬‬
‫‪e ‬‬ ‫(الف‪)01-‬‬
‫‪s  40‬‬

‫‪56‬‬
‫‪r ‬‬ ‫(الف‪)00-‬‬
‫‪s  56‬‬

‫الف ‪ - 4-‬مدل ریاضی سیستم پیشران هواپیما‬

‫این هواپيما دارای دو موتور توربوفن میباشد‪ .‬حداکثر نيروی رانش در امتداد محور طولی که تابعی از‬

‫عدد ماخ می باشد به فرم ذیل است ]‪ 95‬و ‪.[96‬‬

‫‪T x max(M )  24000  55000sin 2.1(M  0.7)‬‬ ‫(الف‪)02-‬‬

‫‪1‬‬
‫‪- Horizontal Stabilator‬‬
‫‪2‬‬
‫‪- Speed brake‬‬
‫‪69‬‬
 ‫‪ t  30 ‬‬
‫‪T x (M , t h )  T x max(M )  h‬‬ ‫‪‬‬ ‫(الف‪)09-‬‬
‫‪ 100 ‬‬

‫الف ‪ - 1- 4-‬معادالت حرکت‬

‫تحليل پرواز پرنده وابسته به معادالت حرکت آن است‪ .‬محاسبه سرعتهای خطی‪ ،‬زاویهای‪ ،‬نيروهای‬

‫وارده‪ ،‬گشتاورهای بوجود آمده‪ ،‬مسير پرواز‪ ،‬طراحی سيستم کنترل پرواز و عكس العمل پرنده در مقابل‬

‫نيروها و اغتشاشات وارده‪ ،‬مستلزم تحليل معادالتی پایه است که مبنای محاسبات قرار میگيرد‪ .‬همچنين‬

‫برای بدست آوردن تابع تبدیل هواپيما‪ ،‬ابتدا باید معادالت حرکت تعيين شوند‪ .‬معا دالت حرکت با استفاده از‬

‫قوانين حرکت نيوتن بدست می آیند و مجموع نيروها و گشتاورهای خارجی را با شتابهای خطی و زاویهای‬

‫سيستم یا بدنه مرتبط می سازند‪.‬در این قسمت ابتدا فرضياتی را در نظر گرفته و دستگاه مختصات مشخصی‬

‫تعریف میشود‪.‬‬

‫دستگاه بدنی را که مرکز آن منطبق بر گرانيگاه هواپيما و محورهای مختصات آن چسبيده به هواپيما‬

‫است و همراه با آن می چرخد‪ ،‬تعریف می کنيم‪ .‬در این دستگاه‪ ،‬محور ‪ OX‬به سمت دماغه‪ OY ،‬در جهت‬

‫بال راست و ‪ OZ‬بطرف پایين بوده بطوری که تشكيل یك دستگاه راستگرد میدهند (شكل (الف ‪ .))2-‬اکثر‬

‫هواپيماها نسبت به صفحه قائمی که از محور طولی آن می گذرد‪ ،‬متقارن می باشند‪ .‬از آنجا که محورهای ‪OX‬‬

‫و ‪ OZ‬در این صفحه قرار دارند‪ ،‬لذا گشتاورهای اینرسی ‪ I xy‬و ‪ I yz‬صفر می باشند‪ .‬این نتيجه ما را به اولين‬

‫فرض رهنمون میسازد‪.‬‬

‫‪64‬‬
 ‫شكل (الف‪ )2-‬یك جزء جرمی هواپيما ]‪[99‬‬

‫‪ - 0‬محورهای ‪ OX‬و ‪ OZ‬در صفحه تقارن واقع شده و لذا گشتاورهای اینرسی ‪ I xy‬و ‪ I yz‬صفر میباشند‪.‬‬

‫‪ - 2‬جرم هواپيما در طول تحليل دیناميكی خاص ثابت است‪ .‬هر چند اختالف زیادی بين جرم هواپيمای با‬

‫سوخت و بدون سوخت وجود دارد ولی مقدار سوخت مصرف شده در حين تحليل دیناميكی قابل‬

‫چشمپوشی است‪.‬‬

‫‪ - 9‬هواپيما یك جسم صلب است‪ .‬لذا هر دو نقطه درون یا روی هواپيما نسبت به سایر نقاط ثابت میباشد‪.‬‬

‫‪ - 4‬زمين همراه با اتمسفری که نسبت به آن ثابت است‪ ،‬یك مرجع اینرسی فرض می شود‪ .‬اگرچه این فرض‬

‫برای تحليل سيستم های هدایت اعتباری ندارد‪ ،‬ولی برای بررسی سيستمهای کنترل خودکار هواپيماها و‬

‫موشكها معتبر می باشد‪ .‬اعتبار این فرض بر این واقعيت استوار است که معموال ژیروسكوپها و‬

‫شتابسنجهایی که در سيستم کنترل بهکار میروند‪ ،‬قادر به اندازه گيری سرعت زاویهای زمين یا شتابهای‬

‫ناشی از آن مانند کوریوليس نمیباشند‪.‬‬

‫سرعت در امتداد محور ‪ OX‬همان مولفه ای از سرعت نسبت به فضای اینرسی بوده که در امتداد محور ‪OX‬‬

‫تعيين میگردد ‪ .‬در هر لحظه هواپيما دارای یك بردار سرعت برآیند نسبت به فضای اینرسی میباشد‪ .‬این‬

‫بردار به محورهای هواپيما تصویر شده و مولفههای سرعت ‪ V ،U‬و ‪ W‬بدست میآیند‪ .‬این روش مولفهیابی را‬

‫میتوان به سرعت زاویه ای نيز اعمال کرد‪ .‬با تصویر بردار سرعت زاویهای نسبت به فضای اینرسی در جهت‬
‫‪65‬‬
‫که ‪ Q ، P‬و ‪R‬‬ ‫محورهای سه گانه بترتيب مقادیر ‪ Q ، P‬و ‪ R‬بدست میآیند (جدول(الف ‪ . ))9-‬باید توجه داشت‬

‫مولفههای سرعت زاویهای کلی بدنه (هواپيما) نسبت به فضای اینرسی می باشند و توسط ژیروسكوپهای‬

‫نرخی متصل به بدنه اندازهگيری میشوند‪.‬‬

‫جدول (الف‪ )9-‬خالصه عالئم [‪]97‬‬

‫سرعت زاویهای‬ ‫جابجائی زاویهای‬ ‫سرعت خطی‬ ‫نام‬ ‫جهت‬ ‫محور‬
‫‪P‬‬ ‫‪‬‬ ‫‪U‬‬ ‫غلت‪ ،‬رول‪ ،‬بنک‬ ‫بسمت جلو‬ ‫‪OX‬‬
‫‪Q‬‬ ‫‪‬‬ ‫‪V‬‬ ‫فراز‪ ،‬پیچ‬ ‫بسمت بال راست‬ ‫‪OY‬‬
‫‪R‬‬ ‫‪‬‬ ‫‪W‬‬ ‫سمت‪ ،‬هدینگ‬ ‫بسمت پایین‬ ‫‪OZ‬‬

‫الف ‪ - 5-‬معادالت حرکت جسم صلب‬

‫برای سهولت تحليل حرکت هواپيما‪ ،‬ابتدا هواپيما به عنوان یك جسم صلب در نظر گرفته میشود که در‬

‫مرکز ثقل خود متمرکز است‪ .‬برای بدست آوردن معادالت حرکت می توان از قانون دوم نيوتن استفاده نمود‪.‬‬

‫بطوری که مجموع تمام نيروهای خارجی اعمال شده به هواپيما برابر با نرخ زمانی تغيير اندازه حرکت بوده و‬

‫مجموع تمام گشتاورهای اعمال شده به هواپيما نيز برابر با نرخ زمانی تغيير اندازه حرکت زاویهای میباشد‪.‬‬

‫این تغييرات نسبت به دستگاه اینرسی بوده و می توان به صورت برداری چنين بيان نمود ]‪:[97‬‬

‫‪d‬‬
‫) ‪ F  dt (mV‬‬ ‫(الف‪)04-‬‬

‫‪d‬‬
‫‪M‬‬ ‫‪‬‬
‫‪dt‬‬
‫‪H‬‬ ‫(الف‪)05-‬‬

‫بطوری که ‪ F‬نيرو‪ m ،‬جرم‪V ،‬سرعت خطی‪ M ،‬گشتاور و ‪ H‬اندازه حرکت زاویهای میباشند‪ .‬معادالت‬

‫برداری فوق می توانند به صورت اسكالر در راستا و حول هریك از محورهای سهگانه ‪ Z ,Y , X‬نوشته شوند‪.‬‬

‫معادالت نيرو بفرم زیر نوشته میشوند‪:‬‬

‫‪d‬‬ ‫‪d‬‬ ‫‪d‬‬

‫‪Fx ‬‬ ‫‪ mu ‬‬ ‫‪Fy ‬‬ ‫‪ mv ‬‬ ‫‪Fz ‬‬ ‫‪ mw‬‬ ‫‪‬‬ ‫(الف‪)06-‬‬
‫‪dt‬‬ ‫‪dt‬‬ ‫‪dt‬‬

‫‪66‬‬
‫در این معادالت ‪ Fz ، Fy , Fx‬و ‪ w ، v, u‬بترتيب مولفه های نيرو و سرعت در راستای محورهای ‪ y, x‬و ‪z‬‬

‫هستند‪ .‬معادالت ممان نيز بهفرم زیر نوشته میشوند‪:‬‬

‫‪d‬‬ ‫‪d‬‬ ‫‪d‬‬

‫‪L‬‬ ‫‪Hx‬‬ ‫‪M ‬‬ ‫‪Hy‬‬ ‫‪N ‬‬ ‫‪Hz‬‬ ‫(الف‪)07-‬‬
‫‪dt‬‬ ‫‪dt‬‬ ‫‪dt‬‬

‫در این معادالت نيز‪ N ، M , L ،‬و ‪ H z ، H y , H x‬بترتيب مولفههای گشتاور و اندازه حرکت زاویهای حول‬

‫محورهای ‪ y, x‬و ‪ z‬هستند‪.‬‬

‫با توجه به شكل (الف ‪ ،)2-‬اگر ‪  m‬یك جزء جرم هواپيما‪ V ،‬سرعت حرکت آن جزء جرم نسبت به‬

‫محورهای مختصات و ‪  F‬نيروی منتجه وارد بر آن جزء جرم باشد‪ ،‬قانون دوم نيوتن به صورت زیر در‬

‫میآید‪:‬‬

‫‪dV‬‬
‫‪F m‬‬ ‫(الف‪)02-‬‬
‫‪dt‬‬

‫کل نیروی خارجی وارد بر هواپیما مجموع جزءهای جرمی هواپیما است‪:‬‬

‫‪F   F‬‬ ‫(الف‪)03-‬‬

‫سرعت جزء جرمی ‪  m‬برابر است با‪:‬‬

‫‪dr‬‬
‫‪V V c ‬‬ ‫(الف‪)21-‬‬
‫‪dt‬‬

‫که ‪ V c‬سرعت حرکت مرکز ثقل هواپيما و ‪ dr / dt‬سرعت جزء نسبت به مرکز تقل می باشد‪ .‬با جایگذاری‬

‫عبارت سرعت در قانون دوم نيوتن خواهيم داشت‪:‬‬

‫‪d‬‬ ‫‪dr‬‬
‫‪F   F ‬‬ ‫‪ (V‬‬ ‫‪c‬‬ ‫‪‬‬ ‫‪) m‬‬ ‫(الف‪)20-‬‬
‫‪dt‬‬ ‫‪dt‬‬

‫اگر فرض شود که جرم هواپيما ثابت است‪ ،‬معادله (الف ‪ )20-‬را میتوان به فرم زیر نوشت‪:‬‬

‫‪dV c d‬‬ ‫‪dr‬‬

‫‪F m‬‬
‫‪dt‬‬
‫‪‬‬
‫‪dt‬‬
‫‪ dt  m‬‬ ‫(الف‪)22-‬‬

‫یا‬

‫‪67‬‬
 ‫‪dV c d 2‬‬
‫‪F m‬‬
‫‪dt‬‬
‫‪ 2‬‬
‫‪dt‬‬
‫‪ r m‬‬ ‫(الف‪)29-‬‬

‫برابر صفر خواهد بود‪ .‬از این رو معادله نيرو به‬ ‫از مرکز ثقل اندازهگيری میشود‪ ،‬مجموع ‪ r m‬‬ ‫چون ‪r‬‬

‫صورت زیر در خواهد آمد‪:‬‬

‫‪dV c‬‬
‫‪F m‬‬ ‫(الف‪)24-‬‬
‫‪dt‬‬

‫ا ین معادله رابطه بين نيروهای خارجی وارد بر هواپيما و حرکت مرکز ثقل پرنده را نشان میدهد‪ .‬به‬

‫همين ترتيب می توان معادالت گشتاورها را توسعه داد‪ .‬معادله گشتاور برای جزء جرمی ‪  m‬را میتوان به‬

‫صورت زیر نوشت‪:‬‬

‫‪d‬‬ ‫‪d‬‬
‫‪M ‬‬ ‫‪H  (r V ) m‬‬ ‫(الف‪)25-‬‬
‫‪dt‬‬ ‫‪dt‬‬

‫سرعت جزء جرمی را میتوان در ترم هایی از سرعت مرکز ثقل و سرعت نسبی جزء جرمی نسبت به مرکز‬

‫ثقل بيان کرد‪:‬‬

‫‪dr‬‬
‫‪V V c ‬‬ ‫‪V c    r‬‬ ‫(الف‪)26-‬‬
‫‪dt‬‬

‫که ‪ ‬سرعت زاویهای پرنده و ‪ r‬فاصله جزء جرمی از مرکز ثقل است‪ .‬مجموع اندازه حرکت زاویهای برابر‬

‫است با‪:‬‬

‫‪H   H   (r V c ) m   r  (  r ) m‬‬ ‫(الف‪)27-‬‬

‫که ‪  m‬مقداری ثابت است و بنابراین میتوان نوشت‪:‬‬

‫‪H   r  m V c   r  (  r ) m‬‬ ‫(الف‪)22-‬‬

‫همانطور که قبال توضيح داده شد‪ ،‬اولين ترم معادله (الف ‪ )22-‬برابر صفر است‪ ،‬چون ‪ .  r  m  0‬اگر‬

‫سرعت زاویهای و بردار مكانی را برحسب مولفههای شان به فرم زیر بنویسيم‪:‬‬

‫ˆ‪  piˆ  qjˆ  rk‬‬ ‫(الف‪)23-‬‬

‫ˆ‪r  xiˆ  yjˆ  zk‬‬ ‫(الف‪)91-‬‬

‫‪62‬‬
 ‫با جایگذاری در معادله (الف ‪ ،)22-‬خواهيم داشت‪:‬‬

‫‪H  ( piˆ  qjˆ  rkˆ ) (x 2  y 2  z 2 ) m   (xiˆ  yjˆ  zkˆ )( px  qy  rz ) m‬‬ ‫(الف‪)90-‬‬

‫که مولفههای اسكالر اندازه حرکت زاویهای ‪ ، H‬به صورت رابطه (الف ‪ )92-‬است‪:‬‬

‫‪H x  p  ( y 2  z 2 ) m  q  xy  m  r  xz  m‬‬
‫‪‬‬
‫‪H y   p  xy  m q  (x  z ) m  r  yz  m‬‬
‫‪2‬‬ ‫‪2‬‬
‫(الف‪)92-‬‬
‫‪‬‬
‫‪H z   p  xz  m  q  yz  m  r  (x  y ) m‬‬
‫‪2‬‬ ‫‪2‬‬

‫مجموعیابیها ) ‪ (‬در معادله فوق ممانهای اینرسی هواپيما هستند که به صورت زیر تعریف میشوند‪:‬‬

‫‪‬‬
‫‪I x   ( y  z ) m‬‬ ‫‪I xy   xy  m‬‬
‫‪2‬‬ ‫‪2‬‬

‫‪‬‬ ‫‪v‬‬ ‫‪v‬‬

‫‪‬‬
‫‪I y   (x  z ) m‬‬ ‫‪I xz   xz  m‬‬
‫‪2‬‬ ‫‪2‬‬
‫(الف‪)99-‬‬
‫‪‬‬ ‫‪v‬‬ ‫‪v‬‬
‫‪I ‬‬
‫‪ z  (x  y ) m‬‬ ‫‪I zy   yz  m‬‬
‫‪2‬‬ ‫‪2‬‬

‫‪‬‬ ‫‪v‬‬ ‫‪v‬‬

‫به ترتيب ممان اینرسی جرمی هواپيما حول محورهای ‪ y , x‬و ‪ z‬هستند‪ .‬جمالت با اندیس‬ ‫‪Iz‬‬ ‫و‬ ‫که ‪I y , I x‬‬

‫ترکيبی به حاصلضرب اینرسی معروف هستند‪ .‬ممان و همچنين حاصلضرب اینرسی به پيكربندی هواپيما و‬

‫نحوه توزیع جرم بستگی دارد‪ .‬هرچه ممان های اینرسی بزرگتر باشد‪ ،‬مقاومت هواپيما در مقابل دوران بيشتر‬

‫خواهد بود‪ .‬معادلههای اسكالر اندازه حرکت زاویهای بهصورت زیر نوشته میشوند‪:‬‬

‫‪H x  pI x  qI xy  rI xz‬‬
‫‪H y   pI xy  qI y  rI yz‬‬ ‫(الف‪)94-‬‬
‫‪H z   pI xz  qI yz  rI z‬‬

‫اگر هنگامی که ه واپيما در حال دوران است‪ ،‬محورهای مختصات نچرخند‪ ،‬مقدار ممان اینرسی نيز با‬

‫زمان تغيير کرده و مشتقات ممان اینرسی نيز در معادالت ظاهر می شوند‪ .‬برای حل این مشكل سيستم‬

‫محورهای مختصات را روی هواپيما ثابت در نظر می گيریم (سيستم مختصات بدنه)‪ .‬حال میخواهيم‬

‫که به چرخش محور بدنه مربوط می شود را بدست آوریم‪ .‬مشتق هر بردار دلخواه‬ ‫‪H‬‬ ‫مشتقات بردارهای ‪ V‬و‬

‫‪63‬‬
‫مانند ‪ A‬با توجه به چرخش محورهای مختصات بدنه که دارای سرعت زاویهای ‪ ‬است‪ ،‬بهصورت زیر بيان‬

‫میشود‪:‬‬

‫‪dA‬‬ ‫‪dA‬‬
‫‪‬‬ ‫‪A‬‬ ‫(الف‪)95-‬‬
‫‪dt‬‬ ‫‪I‬‬ ‫‪dt‬‬ ‫‪B‬‬

‫در این رابطه‪ ،‬اندیس ‪ I‬معرف محورهای مختصات اینرسی و اندیس ‪ B‬معرف محورهای مختصات بدنه‬

‫است‪ .‬با بكار بردن این تعریف‪ ،‬معادلهها را می توان به صورت زیر نوشت‪:‬‬

‫‪dV c‬‬
‫‪F m‬‬ ‫) ‪ m ( V c‬‬ ‫(الف‪)96-‬‬
‫‪dt‬‬ ‫‪B‬‬

‫‪dH‬‬
‫‪M ‬‬ ‫‪H‬‬ ‫(الف‪)97-‬‬
‫‪dt‬‬ ‫‪B‬‬

‫مولفههای اسكالر این معادلهها به صورت زیر خواهند بود‪:‬‬

‫‪Fx  m u  qw  rv ‬‬ ‫‪Fy  m v  ru  pw‬‬ ‫‪‬‬ ‫‪Fz  m w  pv  qu ‬‬

‫(الف‪)92-‬‬
‫‪L  H x  qH z  rH y‬‬ ‫‪M  H y  rH x  pH z‬‬ ‫‪N  H z  pH y  qH x‬‬

‫در این معادلهها مولفه های نيرو و گشتاور روی هواپيما از ترکيب نيروهای آیرودیناميكی‪ ،‬نيرویجاذبه و‬

‫نيروی جلوبرنده ناشی می شوند‪ .‬با انتخاب صحيح محل محورهای مختصات‪ ،‬میتوان حاصلضرب اینرسی‬

‫‪ I yz , I xy‬را صفر کرد‪ .‬برای این منظور الزم است که صفحه ‪ xz‬را صفحه تقارن هواپيما قرار دهيم‪ .‬با این‬

‫فرض‪ ،‬معادلههای ممان (گشتاور) در سه جهت ‪ x‬و ‪ y‬و ‪ z‬به صورت زیر نوشته میشوند‪:‬‬

‫‪L  I x p  I xz r  qr (I z  I y )  I xz pq‬‬
‫) ‪M  I y q  rp (I x  I z )  I xz ( p 2  r 2‬‬ ‫(الف‪)93-‬‬
‫‪N  I xz p  I z r  pq (I y  I x )  I xz qr‬‬

‫الف‪ -1-5-‬موقعیت و جهت هواپیما‬

‫معادلههای حرکت بدست آمده برای مختصات ثابت هواپيما میباشد‪ .‬متاسفانه‪ ،‬نمیتوان موقعيت و جهت‬

‫هواپيما را نسبت به محورهای مختصات ثابت توصيف کرد‪ .‬موقعيت و جهت هواپيما را میتوان در ترمهایی از‬

‫‪71‬‬
‫م حور مختصات ثابت زمينی که در شكل (الف ‪ )9-‬نشان داده شده است توصيف کرد‪ .‬در لحظه ‪ ، t  0‬دو‬

‫محور مختصات بر روی یكدیگر منطبق هستند‪.‬‬

‫شكل (الف‪ )9-‬ارتباط بين محور مختصات بدنی و زمينی [‪]99‬‬

‫جهت هواپيما را می توان توسط سه دوران متوالی که ترتيب آنها مهم است‪ ،‬توصيف کرد‪ .‬زاویه دورانها‬

‫به زوایای اویلر معروف است‪ .‬نمای کلی یك هواپيما همراه با مختصات بدنی و مختصات زمينی در شكل‬

‫(الف ‪ )4-‬نشان داده شده است‪.‬‬

‫شكل (الف‪ )4-‬هواپيما و مختصات زمينی و بدنی [‪]92‬‬

‫‪70‬‬
‫جهت مختصات بدنی نسبت به مختصات زمينی را می توان به روش زیر بدست آورد‪ .‬تصور کنيد که‬

‫هواپيما طوری قرار داشته باشد که سيستم مختصات بدنی موازی با مختصات زمينی قرار گيرد و سپس‬

‫دورانهای زیر صورت گيرد [‪ 97‬و ‪:]92‬‬

‫‪- 0‬دوران محورهای ‪ z f , y f , x f‬حول ‪ 0z f‬به اندازه زاویه سمت ‪ ، ‬که در این صورت محورها به ‪z 1 , y 1 , x 1‬‬

‫منتقل میشوند‪.‬‬

‫‪- 2‬دوران محورهای ‪ z 1 , y 1 , x 1‬حول ‪ 0y 1‬به اندازه زاویه پيچ ‪ ، ‬که در این صورت محورها به ‪z 2 , y 2 , x 2‬‬

‫منتقل میشوند‪.‬‬

‫‪- 9‬دوران محورهای ‪ z 2 , y 2 , x 2‬حول ‪ 0x 2‬به اندازه زاویه رول ‪ ، ‬که در این صورت محورها به ‪z 3 , y 3 , x 3‬‬

‫منتقل میشوند‪.‬‬

‫با تعریف زوایای اویلر‪ ،‬میتوان مولفه سرعتهای پروازی را نسب ت به مختصات زمينی بدست آورد‪ .‬اگر در‬

‫جهت محورهای ‪ z f , y f , x f‬مولفههای سرعت ‪ dz / dt , dy / dt , dx / dt‬و اندیسهای ‪ 0‬و ‪ 2‬را بترتيب‬

‫در نظر بگيریم‪ ،‬با استفاده از شكل(‪ )9- 9‬میتوانيم‬ ‫‪z 2 , y 2 , x2‬‬ ‫و‬ ‫‪z1 , y1 , x1‬‬ ‫مولفههای سرعت در جهت‬

‫بنویسيم‪:‬‬

‫‪dx‬‬ ‫‪dy‬‬ ‫‪dz‬‬

‫‪ u1 cos v 1 sin‬‬ ‫‪ u1 sin  v 1 cos‬‬ ‫‪w 1‬‬ ‫(الف‪)41-‬‬
‫‪dt‬‬ ‫‪dt‬‬ ‫‪dt‬‬

‫قبل از پرداختن به ادامه کار‪ ،‬از نماد کوتاهتر ‪ S   sin  , C  cos , S  sin‬و ‪ ...‬استفاده میکنيم‪.‬‬

‫مشابه معادله (الف ‪ w 1 ,v 1 ,u1 ،)41-‬را میتوان برحسب ‪ w 3 ,v 2 ,u 2‬بيان کرد‪:‬‬

‫‪u1  u 2 C   w 2 S ‬‬ ‫‪v 1 v 2‬‬ ‫‪w 1  u 2S  w 2C ‬‬ ‫(الف‪)40-‬‬

‫و‬

‫‪u2  u‬‬ ‫‪v 2  vC  wS ‬‬ ‫‪w 2  vS  wC ‬‬ ‫(الف‪)42-‬‬

‫که ‪ w ,v ,u‬مولفههای سرعت در محور بدنی ‪ z b , y b , x b‬هستند‪ .‬با رجوع به معادله های باال‪ ،‬می توانیم سرعت مطلق‬

‫را در ترمهایی از زوایای اویلر و مولفههای سرعت بدنی بنویسیم‪:‬‬

‫‪72‬‬
‫‪ dx‬‬ ‫‪‬‬
‫‪ dt‬‬ ‫‪‬‬
‫‪‬‬ ‫‪ C C‬‬ ‫‪S  S C   C  S ‬‬ ‫‪C  S C   S  S    u‬‬ ‫‪‬‬
‫‪ dy‬‬ ‫‪  C S‬‬ ‫‪S  S  S   C C ‬‬
‫‪‬‬
‫‪C  S  S   S C   v‬‬ ‫‪‬‬
‫(الف‪)49-‬‬
‫‪ dt‬‬ ‫‪   ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪  S ‬‬ ‫‪S C ‬‬ ‫‪C C ‬‬ ‫‪ w‬‬
‫‪‬‬ ‫‪‬‬
‫‪ dz‬‬ ‫‪‬‬
‫‪ dt‬‬ ‫‪‬‬

‫با انتگرال گيری از معادله فوق‪ ،‬مكان هواپيما نسبت به محور ثابت زمينی بدست می آید‪ .‬ارتباط بين‬

‫سرعت زاویهای در محور بدنی ) ‪ (r , q , p‬و نرخهای اویلر ) ‪ ( , ,‬با استفاده از شكل (الف ‪ )9-‬به صورت‬

‫زیر بدست میآید‪:‬‬

‫‪ p  1 0‬‬ ‫‪S    ‬‬

‫‪ q   0 C‬‬ ‫‪‬‬
‫‪C  S    ‬‬
‫‪  ‬‬ ‫‪‬‬ ‫(الف ‪)44-‬‬
‫‪ r  0 S  C C    ‬‬

‫معادله (الف ‪ )94-‬را میتوان برای نرخهای اویلر به صورت زیر بدست آورد‪:‬‬

‫‪  1 S  tan  C  tan    p ‬‬

‫‪   0‬‬ ‫‪‬‬
‫‪ ‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪C‬‬ ‫‪‬‬ ‫‪S‬‬ ‫‪‬‬ ‫‪ q ‬‬ ‫(الف ‪)45-‬‬
‫‪  0 S  sec  C  sec    r ‬‬

‫با انتگرال گيری از معادله فوق‪ ،‬زوایای اویلر ) ‪ ( , ,‬را میتوان بدست آورد‪ .‬معادالت حرکت به صورت‬

‫خالصه در قسمت بعد بيان میشوند‪.‬‬

‫الف‪ -6-‬خ طی سازی معادالت حرکت‬

‫معادالت حرکت را می توان به شكل مدل فضای حالت و غيرخطی بهصورت زیر نوشت‪:‬‬

‫) ‪x  f (x , u‬‬ ‫(الف‪)46-‬‬

‫که در آن ‪ x‬متغيرهای حالت و ‪ u‬ورودی سيستم می باشد‪ .‬بسته به اینكه این معادالت تحت چه مقاصدی و‬

‫برای چه مسئلهای حل شوند‪ ،‬ترکيبی از متغيرهای حالت ‪ u , x‬مورد استفاده قرار می گيرد‪ .‬اگر چه‬

‫دیناميك حاکم بر اکثر فرایندهای صنعتی و سيستمهای واقعی غيرخطی است‪ ،‬ليكن تحليل و طراحی‬

‫‪79‬‬
‫سيستم های کنترل برای حالت غيرخطی‪ ،‬بسيار دشوار و پياده سازی کنترل کننده غيرخطی در بسياری از‬

‫موارد عملی و کاربردی‪ ،‬امری غيرضروری است‪ .‬از اینرو‪ ،‬بدست آوردن مدلهای دقيق خطی از سيستمهای‬

‫غيرخطی‪ ،‬از نظر مهندسی بسيار مهم و اجتناب ناپذیر است‪ .‬عمومأ‪ ،‬معادالت دیفرانسيلی حرکت پرنده‬

‫غيرخطی هستند‪.‬‬

‫این معادالت دیفرانسيل غيرخطی را می توان حول یك نقطه تعادل معين (شرایط حالت دائم) با شرایط‬

‫پروازی مثل سرعت‪ ،‬ارتفاع و مرکز ثقل ثابت و نيز زاویه حمله (‪ ،)α‬زاویه وضعيت )‪ ، (‬زاویه الویتور (‪ )e‬و‬

‫‪ ...‬خطی کرد و دستگاهی از معادالت دیفرانسيل معمولی خطی تغييرناپذیر با زمان )‪ (LTI‬را بدست آورد‪ .‬در‬

‫صورتی که انحراف مقادیر مربوطه از مقادیر تعادل ‪ 0‬کم باشد این معادالت میتوانند رفتار یك سيستم‬

‫دیناميكی را توصيف کنند‪ .‬در ادامه دو روش خطی سازی معادالت دیفرانسيل غيرخطی بررسی میشوند که‬

‫عبارتند از‪ :‬روش اختالالت کوچك ‪ 2‬و روش ژاکوبين [‪.]97‬‬

‫الف‪ -1-6-‬نظریه اختالالت کوچک‬

‫معادله های بدست آمده در بخش قبل با استفاده از نظریه اختالالت کوچك خطیسازی میشوند‪ .‬برای‬

‫استفاده از نظریه اختالالت کوچك فرض می کنيم که حرکت هواپيما شامل انحرافات کوچكی در اطراف‬

‫شرایط یك پرواز یكنواخت باشد‪ .‬بنابراین در شرایطی که حرکاتی با دامنه بزرگ وجود داشته باشد (مانند‬

‫اسپين یا واماندگی)‪ ،‬این نظریه دقت کافی ندارد و قابل کاربرد نيست‪ .‬به هر حال‪ ،‬این نظریه در بسياری از‬

‫حاالت پاسخ هایی با دقت کافی برای کاربردهای مهندسی ارائه میدهد‪.‬‬

‫به جای تمام متغيرهای معادالت حرکت‪ ،‬یك مقدار مرجع به اضافه مقداری جزئی اختالل قرار داده می ‪-‬‬

‫شود‪:‬‬

‫‪1‬‬
‫‪- Trim‬‬
‫‪2‬‬
‫‪- Small perturbation‬‬
‫‪74‬‬
‫‪u  u 0  u‬‬ ‫‪v  v 0  v‬‬ ‫‪w  w 0  w‬‬
‫‪p  p 0  p‬‬ ‫‪q  q 0  q‬‬ ‫‪r  r0  r‬‬
‫‪X  X 0  X‬‬ ‫‪Y Y 0  Y‬‬ ‫‪Z  Z 0  Z‬‬ ‫(الف‪)47-‬‬
‫‪M  M 0  M‬‬ ‫‪N  N 0  N‬‬ ‫‪L  L 0  L‬‬
‫‪   0  ‬‬

‫برای سادگی مسئله فرض می کنيم شرایط پروازی مرجع‪ ،‬متقارن بوده و نيروهای جلوبرنده ثابت و بدون‬

‫تغيير بمانند‪ .‬این فرض یعنی‪:‬‬

‫‪v 0  p0  q 0  r0  0   0  0‬‬ ‫(الف‪)42-‬‬

‫عالوه بر این‪ ،‬اگر ما از ابتدا محور ‪ x‬ها را منطبق بر جهت بردار سرعت هواپيما بگيریم‪ w 0 ،‬صفر خواهد‬

‫شد‪ .‬حال اگر نظریه اختالالت کوچك را در معادالت حرکت بكار بگيریم‪ ،‬می توان معادالت حرکت را ساده‬

‫کرد‪ .‬به عنوان نمونه‪ ،‬معادله نيروی ‪ x‬را در نظر میگيریم‪:‬‬

‫‪X  mg sin   m u  qw  rv ‬‬ ‫(الف‪)43-‬‬

‫با جایگذاری متغيرهای اختالالت کوچك در معادله باال میتوان نوشت‪:‬‬

‫‪X 0  X  mg sin(0   ) ‬‬

‫‪d‬‬ ‫‪‬‬ ‫(الف‪)51-‬‬
‫‪m  (u 0  u )  (q 0  q )(w 0  w )  (r0  r )(v 0  v ) ‬‬
‫‪ dt‬‬ ‫‪‬‬

‫اگر از حاصلضرب های اختالالت صرفنظر کرده و فرض کنيم ‪w 0  v 0  p0  q 0  r0  0   0  0‬‬

‫به صورت زیر در میآید‪:‬‬ ‫‪X‬‬ ‫در این صورت معادله‬

‫‪X 0  X  mg sin(0   )  m u‬‬ ‫(الف‪)50-‬‬

‫این معادله با بكار بردن اصول مثلثاتی میتواند سادهتر نيز شود‪:‬‬

‫‪sin(0   )  sin 0 cos   cos0 sin   sin 0   cos0‬‬ ‫(الف‪)52-‬‬

‫و در این صورت‪:‬‬

‫‪X 0  X  mg (sin 0   cos 0 )  m u‬‬ ‫(الف‪)59-‬‬

‫‪75‬‬
 ‫اگر تمام مقادیر اختالل در معادله فوق را برابر صفر قرار دهيم‪ ،‬شرایط مرجع پرواز بدست میآید‪:‬‬

‫‪X 0  mg sin 0  0‬‬ ‫(الف‪)54-‬‬

‫به صورت زیر ساده میشود‪:‬‬ ‫‪X‬‬ ‫که در این صورت معادله نيرویی‬

‫‪X  mg  cos0  m u‬‬ ‫(الف‪)55-‬‬

‫تغيير نيروهای جلوبرند گی و آیرودیناميكی در جهت محور ‪ X‬ها است که میتواند با استفاده‬ ‫‪X‬‬ ‫نيروی‬

‫را فقط تابعی از ‪ e ,w ,u‬و ‪ T‬در نظر‬ ‫‪X‬‬ ‫از سری های تيلور برحسب متغيرهای اختالل بيان شود‪ .‬اگر‬

‫بگيریم‪:‬‬

‫‪X‬‬ ‫‪X‬‬ ‫‪X‬‬ ‫‪X‬‬

‫‪X ‬‬ ‫‪u ‬‬ ‫‪w ‬‬ ‫‪e ‬‬ ‫‪T‬‬ ‫(الف‪)56-‬‬
‫‪u‬‬ ‫‪w‬‬ ‫‪e‬‬ ‫‪T‬‬

‫مشتقات پایداری گفته می شود و در شرایط پروازی مرجع ارزیابی‬ ‫‪X /  T‬‬ ‫و‬ ‫‪X /  e , X / w, X / u‬‬ ‫به‬

‫میشوند‪ .‬متغيرهای ‪ e‬و ‪ T‬به ترتيب تغيير در زاویه الویتور و دسته گاز (تراتل) ‪ 0‬میبا شند‪ .‬اگر برای کنترل‬

‫‪X‬‬ ‫‪X‬‬
‫جایگزین خواهند شد‪.‬‬ ‫و ‪c‬‬ ‫طولی از کانارد یا دم تمام چرخان استفاده شود‪ ،‬مقادیر ‪ H‬‬
‫‪c‬‬ ‫‪ H‬‬

‫با جایگذاری عبارت بسط داده شده در معادله نيرو خواهيم داشت‪:‬‬

‫‪X‬‬ ‫‪X‬‬ ‫‪X‬‬ ‫‪X‬‬

‫‪u ‬‬ ‫‪w ‬‬ ‫‪e ‬‬ ‫‪T  mg  cos 0  m u‬‬ ‫(الف‪)57-‬‬
‫‪u‬‬ ‫‪w‬‬ ‫‪e‬‬ ‫‪T‬‬

‫و با مرتب کردن آن‪:‬‬

‫‪d X‬‬ ‫‪X‬‬ ‫‪X‬‬ ‫‪X‬‬

‫‪(m‬‬ ‫‪‬‬ ‫( ‪)u ‬‬ ‫‪)w  (mg cos 0 ) ‬‬ ‫‪e ‬‬ ‫‪T‬‬ ‫(الف‪)52-‬‬
‫‪dt u‬‬ ‫‪w‬‬ ‫‪e‬‬ ‫‪T‬‬

‫با تقسيم بر جرم ‪ m‬معادله به فرم مناسب زیر در خواهد آمد‪:‬‬

‫‪d‬‬ ‫‪X‬‬
‫(‬ ‫‪ X u )u  X w w  ( g cos 0 )  X e e ‬‬ ‫‪T‬‬ ‫(الف‪)53-‬‬
‫‪dt‬‬ ‫‪T‬‬

‫‪1‬‬
‫‪-Throttle‬‬
‫‪76‬‬
‫و غيره ‪ ،‬مشتقات آیرودیناميكی هستند که بر جرم هواپيما تقسيم‬ ‫که ‪X w  X / w / m, X u  X / u / m‬‬

‫شدند‪.‬‬

‫تغيير نير وها و گشتاورهای آیرودیناميكی تابع متغيرهای حرکتی مثل ‪ w , u‬و غيره هستند‪ .‬مشتقات‬

‫آیرودیناميكی که برای تحليل حرکت پرنده استفاده میشوند بهطور خالصه به شرح زیراند [‪ 92‬و ‪:]92‬‬

‫‪X‬‬ ‫‪X‬‬ ‫‪X‬‬ ‫‪X‬‬ ‫‪‬‬

‫‪X ‬‬ ‫‪u ‬‬ ‫‪w ‬‬ ‫‪e ‬‬ ‫‪T‬‬ ‫‪‬‬
‫‪u‬‬ ‫‪w‬‬ ‫‪e‬‬ ‫‪T‬‬ ‫‪‬‬
‫‪Y‬‬ ‫‪Y‬‬ ‫‪Y‬‬ ‫‪y‬‬ ‫‪‬‬
‫‪Y ‬‬ ‫‪v ‬‬ ‫‪p ‬‬ ‫‪r ‬‬ ‫‪ r‬‬ ‫‪‬‬ ‫(الف‪)61-‬‬
‫‪v‬‬ ‫‪p‬‬ ‫‪r‬‬ ‫‪ r‬‬ ‫‪‬‬
‫‪Z‬‬ ‫‪Z‬‬ ‫‪Z‬‬ ‫‪Z‬‬ ‫‪Z‬‬ ‫‪Z‬‬ ‫‪‬‬
‫‪Z ‬‬ ‫‪u ‬‬ ‫‪w ‬‬ ‫‪w ‬‬ ‫‪q ‬‬ ‫‪ e ‬‬ ‫‪T ‬‬
‫‪u‬‬ ‫‪w‬‬ ‫‪w‬‬ ‫‪q‬‬ ‫‪e‬‬ ‫‪T‬‬ ‫‪‬‬

‫‪L‬‬ ‫‪L‬‬ ‫‪L‬‬ ‫‪L‬‬ ‫‪L‬‬ ‫‪‬‬

‫‪L ‬‬ ‫‪v ‬‬ ‫‪p ‬‬ ‫‪r ‬‬ ‫‪ r ‬‬ ‫‪ a‬‬ ‫‪‬‬
‫‪v‬‬ ‫‪p‬‬ ‫‪r‬‬ ‫‪ r‬‬ ‫‪ a‬‬ ‫‪‬‬
‫‪M‬‬ ‫‪M‬‬ ‫‪M‬‬ ‫‪M‬‬ ‫‪M‬‬ ‫‪X‬‬ ‫‪‬‬
‫‪M ‬‬ ‫‪u ‬‬ ‫‪w ‬‬ ‫‪w ‬‬ ‫‪q ‬‬ ‫‪e ‬‬ ‫‪T ‬‬ ‫(الف‪)60-‬‬
‫‪u‬‬ ‫‪w‬‬ ‫‪w‬‬ ‫‪q‬‬ ‫‪e‬‬ ‫‪T‬‬ ‫‪‬‬
‫‪N‬‬ ‫‪N‬‬ ‫‪N‬‬ ‫‪N‬‬ ‫‪N‬‬ ‫‪‬‬
‫‪N ‬‬ ‫‪v ‬‬ ‫‪p ‬‬ ‫‪r ‬‬ ‫‪ r ‬‬ ‫‪ a‬‬ ‫‪‬‬
‫‪v‬‬ ‫‪p‬‬ ‫‪r‬‬ ‫‪ r‬‬ ‫‪ a‬‬ ‫‪‬‬

‫نيروها و گشتاورهای آیرودیناميكی می توانند به عنوان تابعی از تمام متغيرهای حرکت بيان شوند‪ ،‬هر‬

‫چند در معادالت فوق فقط عبارتی که معموال مهم هستند حفظ گردیده است‪ .‬الزم به ذکر است که در‬

‫معادالت فوق فرض شده است که هواپيما دارای سطح کنترلی باالبر است‪ .‬ب رای هواپيمایی که دارای دم‬

‫جلو(کانارد) یا ترکيبی از هر دو سطح کنترلی طولی هستند‪ ،‬جمالتی که معرف اثر باالبر هستند‪ ،‬باید در‬

‫معادالت فوق با جمالت مناسب تر تعویض شوند‪ .‬نتيجه معادالت حرکت خطی شده هستند که متعاقبا ذکر‬

‫خواهد شد‪..‬‬

‫الف‪ -2-6-‬خطیسازی به روش ژاکوبین‬

‫فرض می شود معادله دیفرانسيل حاکم بر یك سيستم دیناميكی به صورت معادله (الف ‪ )46-‬باشد‪ .‬برای‬

‫به ترتيب زیر عمل میشود‪.‬‬ ‫‪u0‬‬ ‫و‬ ‫‪x0‬‬ ‫خطی سازی حول یك نقطه کاری‬

‫تغيير کنترل ورودی به صورت‪:‬‬

‫‪77‬‬
‫‪u  u 0  u‬‬ ‫(الف‪)62-‬‬

‫و خروجی سيستم به صورت‪:‬‬

‫‪x  x 0 x‬‬ ‫(الف‪)69-‬‬

‫خواهد بود‪  x ,  u .‬اختاللهای کوچك حول ‪ x 0 ,u 0‬در نظر گرفته شوند‪:‬‬

‫‪x  x 0 x‬‬ ‫(الف ‪)64-‬‬

‫که در آن‬

‫‪d‬‬
‫‪x ‬‬ ‫‪x‬‬ ‫(الف ‪)65-‬‬
‫‪dt‬‬

‫با جایگذاری معادالت (الف ‪( ،)69-‬الف ‪ )64-‬و (الف ‪ )65-‬در معادله (الف ‪ )66-‬میتوان نوشت‪:‬‬

‫) ‪x 0   x  f (x 0   x , u 0   u‬‬ ‫(الف‪)66-‬‬

‫با بسط تيلور سمت راست معادله (الف ‪ )67-‬حول ‪ x 0 ,u 0‬معادله زیر بدست میآید‪:‬‬

‫‪f‬‬ ‫‪f‬‬
‫‪x 0   x  f (x 0 , u 0 ) ‬‬ ‫‪x ‬‬ ‫‪ u  H .O .T‬‬ ‫(الف‪)67-‬‬
‫‪x‬‬ ‫‪u‬‬

‫با صرفنظر از جمالت مرتب ه باال در بسط تيلور رابطه خطی زیر بدست میآید‪:‬‬

‫‪ x  A x  B u‬‬ ‫(الف‪)62-‬‬

‫که در آن‬

‫‪ f 1‬‬ ‫‪f 1‬‬ ‫‪f 1 ‬‬

‫‪ x‬‬ ‫‪.....‬‬
‫‪x 2‬‬ ‫‪x n ‬‬
‫‪ 1‬‬ ‫‪‬‬
‫‪ f 2‬‬ ‫‪f 2‬‬ ‫‪f 2 ‬‬
‫‪.....‬‬
‫‪A   x 1‬‬ ‫‪x 2‬‬ ‫‪x n ‬‬
‫‪‬‬ ‫(الف‪)63-‬‬
‫‪ .‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪. ‬‬
‫‪‬‬ ‫‪‬‬
‫‪ f n‬‬ ‫‪f n‬‬ ‫‪f n ‬‬
‫‪ x 1‬‬ ‫‪x 2‬‬ ‫‪x n ‬‬

‫‪72‬‬
 ‫‪ f 1‬‬ ‫‪f 1‬‬ ‫‪f 1 ‬‬
‫‪ u‬‬ ‫‪.....‬‬
‫‪u 2‬‬ ‫‪u m ‬‬
‫‪ 1‬‬ ‫‪‬‬
‫‪ f 2‬‬ ‫‪f 2‬‬ ‫‪f 2 ‬‬
‫‪.....‬‬
‫‪B   u1‬‬ ‫‪u 2‬‬ ‫‪u m ‬‬
‫‪‬‬ ‫(الف‪)71-‬‬
‫‪ .‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪. ‬‬
‫‪‬‬ ‫‪‬‬
‫‪ f n‬‬ ‫‪f n‬‬ ‫‪f n ‬‬
‫‪ u1‬‬ ‫‪u 2‬‬ ‫‪u m ‬‬

‫بدست‬ ‫‪x0 , u 0‬‬ ‫ماتریسهاس ‪ A‬و ‪ B‬ماتریسهای معلومی هستند که از جایگذاری مقادیر نقطهکاری‬

‫می آیند‪.‬حسن این روش در مقایسه با روش اول‪ ،‬این است که یك قالب ماتریسی در فضای حالت در اختيار‬

‫قرار میدهد که می توان محاسبات معادله مشخصه و بررسی پایداری را به راحتی و مستقيماً در حوزه زمان‬

‫(فضای حالت) انجام داد و برای این منظور دیگر نيازی به فضای الپالس نيست‪ .‬با توجه به موارد ذکر شده‪،‬‬

‫در این پایاننامه خطی سازی معادالت حرکت غيرخطی پرنده براساس روش خطی سازی ژاکوبين انجام شده‬

‫است‪.‬‬

‫الف‪ -7-‬معادالت حرکت جسم صلب اختالالت کوچک خطی شده طولی و عرضی‬

‫‪ ‬معادالت حرکت طولی‬

‫‪d‬‬
‫(‬ ‫‪ X u ) u  X w w  ( g cos  0 )  X  e  e  X  t  t‬‬
‫‪dt‬‬

‫‪‬‬ ‫‪d‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪d‬‬ ‫‪‬‬

‫‪ Z u u  (1  Z w )  Z w ) w  (u 0  Z q )  g sin  0    Z  e  e  Z T  T‬‬
‫‪‬‬ ‫‪dt‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪dt‬‬ ‫‪‬‬

‫‪‬‬ ‫‪d‬‬ ‫‪‬‬ ‫‪ d2‬‬ ‫‪d‬‬

‫‪ M u u  M w‬‬ ‫‪ M w )  w   2  M q    M  e  e  M T  T‬‬
‫‪‬‬ ‫‪dt‬‬ ‫‪‬‬ ‫‪ dt‬‬ ‫‪dt ‬‬

‫‪ ‬معادالت حرکت عرضی‬

‫‪d‬‬
‫(‬ ‫‪ Yv )v  (u 0  Yr )r  ( g cos  0 )  Y r  r‬‬
‫‪dt‬‬

‫‪73‬‬
 d I d
(  L p )p  Lv v  ( xz  Lr )r  L a  a  L r  r
dt I x dt

d I d
(  N r )r  ( xz  N p )p  N v v  N  a  a  N  r  r
dt I z dt

‫ خالصه معادالت دینامیکی و سینماتیکی‬- 8- ‫الف‬

‫ معادالت نیرو‬

X  W sin   mu  qw  rv

Y  W cos  sin   m(v  ru  pw)

Z  W cos  cos   mw  pv  qu

‫ معادالت گشتاور‬

L  I x p  I xz r  qr ( I z  I y )  I xz pq

M  I y q  rq( I x  I z )  I xz ( p 2  r 2 )

N  I z r  I xz p  pq( I y  I x )  I xz qr

‫ سرعتهای زاویهای بدنی بر حسب زوایا و سرعت زاویهای اولر‬

p    sin 

q   cos   cos sin 

r   cos cos   sin 

‫ سرعت زاویهای اولر بر حسب زوایا و سرعتهای زاویهای بدنه‬

  p  q sin  tan   r cos  tan 

  q cos   r sin 

  (q sin   r cos  )sec 

21
 ‫ سرعت هواپیما در محورهای ثابت بر حسب زوایای اولر و مولفههای سرعت بدنه‬

 dX 
 dt 
 dY  cos  cos sin  sin  cos  cos  sin cos  sin  cos  sin  sin   u 
    cos  sin sin  sin  sin  cos  cos cos  sin  sin  sin  sin   v 
 dt  
 dZ    sin  sin  cos  cos  cos    w
 dt 
 

20
 ‫پیوست ب‬

‫برنامههای کامپیوتری‬

‫‪22‬‬
 F-18 ‫ مربوط به مدل کامال غیرخطی شش درجه آزادی هواپیمای‬S-function - 1- ‫ب‬

%%% %%
%%% ---- State Variables -------- %%
%%% x = [ vt ( ft/sec ) - velocity %%
%%% alpha ( rad ) - angle of attack %%
%%% beta ( rad ) - sideslip angle %%
%%% phi ( rad ) - Euler angle %%
%%% theta ( rad ) - Euler angle %%
%%% psi ( rad ) - Euler angle %%
%%% P ( rad/sec ) - roll rate %%
%%% Q ( rad/sec ) - pitch rate %%
%%% R ( rad/sec ) - yaw rate %%
%%% integral of north speed ( ft ) - north displacement %%
%%% integral of east speed ( ft ) - east displacement %%
%%% integral of vertical speed ( ft ) - altitude %%
%%% pow ( percent, 0 <= pow <= 100 ) - power ]; %%
%%% %%
%%% ---- control Variables -------- %%
%%% u = [ thtl ( 0 <= thtl <= 1.0 ) - throttle %%
%%% el ( deg ) - elevator %%
%%% ail ( deg ) - aileron %%
%%% rdr ( deg ) - rudder ]; %%
%%% %%
%%% ---- parameters --------- %%
%%% xcg - center of gravity position as %%
%%% fraction of mean aerodynamic chord %%
%%% %%
%%% ---- Output Variables -------- %%
%%% output = [ x_dot - 1st order derivative of state x %%
%%% an ( m/sec^2 ) - normal acceleration %%
%%% alat ( m/sec^2 ) - lateral acceleration in y-axis %%
%%% qbar ( psf ) - dynamic pressure %%
%%% amach - mach number %%
%%% q ( rad/sec ) - pitch rate %%
%%% alpha ( rad ) - angle of attack ]; %%
%%% %%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

function [ x_dot, an, alat, qbar, amach, q, alpha,Mudot ] = F18_dynam (

time, x, control, xcg )

%% --------- constant variable -------------------

rtod = 180 / pi; %% radians to degrees
%===================Inertia constants ==============

cbar = 11.52;%-------ft-----
b = 37.42;
mass = 1036; %--- mass ---
rm = 1/mass;
xcgr = 0.25;
g = 32.2;
Ix = 23000*1;

29
 Iy = 151293*1;
Iz = 169945*1;
Ixz =-2131.8*1;
s = 400;

lxt = 18.17;
lyt = 2.23;

he = 0.0; % engine angular momentum

c1=( Iz*(Iy-Iz)-Ixz^2 )/(Ix*Iz-Ixz^2);

c2=( Ixz*(Ix-Iy+Iz))/(Ix*Iz-Ixz^2);
c3=Iz/(Ix*Iz-Ixz^2);
c4=Ixz/(Ix*Iz-Ixz^2);
c5=(Iz-Ix)/Iy;
c6=Ixz/Iy;
c7=1/Iy;
c8=(Ix*(Ix-Iy)-Ixz^2)/(Ix*Iz-Ixz^2);
c9=Ix/(Ix*Iz-Ixz^2);

%==================================================

%% ---- Assign state variables ---------------

vt = x(1);
alpha = x(2) * rtod; %% x(2) in radians, alpha in degrees.
beta = x(3) * rtod; %% x(3) in radians, beta in degrees.
phi = x(4);
theta = x(5);
psi = x(6);
p = x(7);
q = x(8);
r = x(9);
alt = x(12);
pow = x(13);% power
% ---- Assign state & control variables ---------------
thtl = control(1);
el = control(2);
ail = control(3);
rdr = control(4);

% ---- Air Data computer and engine model ------------

[tfac, t, rho, amach, qbar, ps ] = adc ( vt, alt );
%cpow = tgear (thtl);
%x_dot (13) = pdot ( pow, cpow ); %% x_dot(13) = power derivative
x_dot (13) = 0; %% x_dot(13) = power derivative

%=================================

T1=11200.*.7;
T1=16000.*1.3;

th=130;

thrust=( 24000+5500*sin( 2.1*(amach-0.7) ) )*( (th-30)/100 );

%=================================
t=thrust*thtl;

24
%---------aerodynamic coefficients for state equation----------------------
----------
if alpha < 10
CL=( 0.0751*alpha+.2292 );
% CL=( 0.0751*alpha-0.0309 );
else
CL=( -0.00148*(alpha)^2+0.106*alpha+0.1312 );
end
CLde=0.0144; %------F-18(per deg)

if alpha < 20
CD=( 0.0013*(alpha)^2-0.00438*alpha+.03322 )*1;
CD=( 0.0013*(alpha)^2-0.00438*alpha+.0297 )*1;
else
CD=( -0.0000348*(alpha)^2+0.0473*alpha+0.45846 )*1;
end
CY= -0.0186*beta+ail/25*(-
0.00227*alpha+0.039)+rdr/30*(0.00265*alpha+0.141)*1;
%---------------------Pitch-moment coefficient:---------------

CM=( .0019885-.0043700*alpha );
Cmde=-.0196*1; %------F-18(per deg)
Cmq=-.0615*1;
%====================================

%--- -5<=alpha<=15 ----Roll-moment coefficient:----

if alpha < 15
Cl0=( (-.00012*alpha-.00092)*beta );
else
Cl0=( (.00022*alpha-.006)*beta );
end

% Clp=-.01575;
Clp=-0.0315*1;
Clr=0.0126*1;
Clda=( 1./25*(.00121*alpha-.0628) )*1;
Cldr=(-1./30*(.000351*alpha-.0124) )*1;

%----------------------Yaw-moment coefficient:----
if beta< 10
Cn0=( .00125*beta );
elseif alpha >= 10 & alpha < 25.d0
Cn0=( -.00022*alpha+.00342 )*beta;
else
Cn0=( -.00201*beta );
end

Cnr=-.0142*1;
Cndr=( 1./30*(.000804*alpha-.0474) )*1;
Cnda=( 1./25*(.000213*alpha+.00128) )*1;

CL=CL+CLde*el;
Cm=CM+cbar/(2*vt)*Cmq*q+Cmde*el;
CD=CD;

25
 czt=-CL*cos(alpha/rtod)-CD*sin(alpha/rtod);
cxt=CL*sin(alpha/rtod)-CD*cos(alpha/rtod);
cmt=Cm+(xcgr-xcg)*czt;

cyt=CY;
clt=Cl0+Clda*ail+Clp*p;
cnt= Cn0+Cndr*rdr+Cnr*r ;

cnt = cnt-cyt*( xcgr - xcg )*cbar /(2*vt);

%===============================================

%% ---- Get ready for state equations ------------

cbta = cos( x(3) );
u = vt * cos( x(2) ) * cbta;
v = vt * sin( x(3) );
w = vt * sin( x(2) ) * cbta;
sth = sin( theta );
cth = cos( theta );
sph = sin( phi );
cph = cos( phi );
spsi = sin( psi );
cpsi = cos( psi );
qs = qbar * s;
qsb = qs * b;
rmqs = rm *qs;
gcth = g * cth;
qsph = q * sph;
ay = rmqs * cyt;
az = rmqs * czt;

%% ---- Force equations ------------

udot = r * v - q * w - g * sth + rm * ( qs * cxt + t );
vdot = p * w - r * u + gcth * sph + ay;
wdot = q * u - p * v + gcth * cph + az;
dum = ( u * u + w * w );
x_dot(1) = ( u * udot + v * vdot + w * wdot ) / vt; %vt ( m/sec ) -
velocity
x_dot(2) = (u * wdot - w * udot ) / dum;
x_dot(3) = (vt * vdot - v * x_dot(1) ) * cbta / dum;

%% ---- Kinematics ------------

x_dot(4) = p + ( sth / cth ) * (qsph + r * cph );
x_dot(5) = q * cph - r * sph;
x_dot(6) = ( qsph + r * cph ) / cth;

%% ---- Moments ------------

x_dot(7) = ( c2 * p + c1 * r + c4 * he ) * q + qsb * ( c3 * clt + c4 * cnt
);
x_dot(8) = ( c5 * p -c7 * he )* r + c6 * ( r^2 - p^2 ) + qs * cbar * c7 *
cmt;
x_dot(9) = ( c8 * p - c2 * r + c9 * he ) * q + qsb * ( c4 * clt + c9 * cnt
);

%% ---- Navigation ------------

t1 = sph * cpsi;
t2 = cph * sth;
t3 = sph * spsi;
s1 = cth * cpsi;
s2 = cth * spsi;
26
s3 = t1 * sth - cph * spsi;
s4 = t3 * sth + cph * cpsi;
s5 = sph * cth;
s6 = t2 * cpsi + t3;
s7 = t2 * spsi - t1;
s8 = cph * cth;

x_dot(10) = u * s1 + v * s3 + w * s6; %% north speed

x_dot(11) = u * s2 + v * s4 + w * s7; %% east speed
x_dot(12) = u * sth - v * s5 - w * s8; %% vertical speed
Mudot=p*cos(x(2))+r*sin(x(2));

x_dot = x_dot'; % transfer the vector to a column vector

%% ---- Outputs ------------

%an = (-1) * az*cos(phi)*cos(theta) / g;
an = (-1) * az / g;
alat = ay / g;

function [tfac, t, rho, amach, qbar, ps ] = adc ( vt, alt )

% %=====================================================
% %% standard atmosphere model used in F-18 %%
% %% model ( air data computer ) %%
r0 = 2.37764e-3; % const, sea-level density, slugs/ft^3
alt=alt; % In ft
tfac = 1.0 - 0.703e-5 * alt;
t = 519.0 * tfac; % temperature, Rankine scale
if ( alt >= 35000.0 )
t = 390.0;
end
rho = r0 * ( tfac ^ 4.14 ); % density
amach = vt / sqrt ( 1.4 * 1716.3 * t ); % Mach number
qbar = 0.5 * rho * vt * vt; % dynamic pressure, psf
ps = 1715.0 * rho * t; % static pressure

function [ sys, x0, str, ts ] = sfunction_nlplant( t, x , u, flag,

state_trim, xcg )

switch flag
case 0
[ sys, x0, str, ts ] = mdlInitializeSizes( state_trim ); %
Initialization

case 1
sys = mdlDerivatives( t, x, u, xcg ); % Calculation of derivatives

case 3
sys = mdlOutputs( t, x, u, xcg ); % Calculate outputs

case {2,4,9}
sys = []; % Unused flags

otherwise
error(['Unhandled flag = ', num2str(flag)]); % error handling

27
end

% end of function sfunct_nlplant

%==========================================================================
===
% mdlInitializeSizes
% Return the sizes, initial conditions, and sample times for the S-
function.
%==========================================================================
===
%
function [ sys, x0, str, ts ] = mdlInitializeSizes( state_trim )

sizes = simsizes;

sizes.NumContStates = 13;
sizes.NumDiscStates = 0;
sizes.NumOutputs = 18; % an, qbar, amach,alat
sizes.NumInputs = 4; % 4 controls
sizes.DirFeedthrough = 1;
sizes.NumSampleTimes = 1; % at least one sample time is needed

sys = simsizes(sizes);

% initialize the initial conditions

x0 = state_trim;

% str is always an empty matrix for s-function as m-files

str = [];

% initialize the array of sample times to be continuous sample time

ts = [0 0];

% end mdlInitializeSizes

%==========================================================================
===
% mdlDerivatives
% Return the derivatives for the continuous states.
%==========================================================================
===
%
function sys = mdlDerivatives( t, x, u, xcg )

% to calculate the state derivatives

[ x_dot, an, alat, qbar, amach, q, alpha ] = F18_dynam ( t, x, u, xcg );
sys = x_dot;

% end mdlDerivatives

%==========================================================================
===
% mdlOutputs
% Return the block outputs.
%==========================================================================
===
%
function sys = mdlOutputs( t, x, u, xcg )
22
% to calculate the state derivatives
[ x_dot, an, alat, qbar, amach, q, alpha, Mudot ] = F18_dynam ( t, x, u,
xcg );
sys = [ x; an; qbar; amach; alat; Mudot;];

% end mdlOutputs

23
 vd Fx
1 alphac
u(3)*sin(u(4))*cos(u(2)) zd alpha_c
s
Fcn
yd Fx Fy
1 1
c1 u(3)*sin(u(4))*sin(u(2))
s s xd
zet_dot_d Fcn1
land Fz
1 betac beta_c
u(3)*cos(u(4)) gamd
s
V_d Fcn2
x
qt commandgeneration y _sensors2
c2 u(4)*cos(u(2))
y forcegeneration Fy
Fcn3
z phi_c
Cl0 phic
u(4)*sin(u(2)) v
Fcn4
gama
c3 -u(4)*sin(u(2)) Cla
lan
chi_d Fcn5
trust_c
c vdotd Fz Tc
u(4)*cos(u(2)) V_d1
landotd D

31
Fcn6
gamdotd Controlled F_18
Embedded
Embedded MATLAB Function2
MATLAB Function1
‫ کل مدل هواپیما و الگوریتم کنترل در سیمولینک‬-2-‫ب‬
 ‫ب‪ -3-‬بلوک کنترل‬

‫‪30‬‬
 ‫مراجع‬

[1] Qin S., Li Y. Y., Yang J., Xie X. Y. and Lu J. H. (2010) “Super-Maneuver Flight Control
Design Using Constrained Adaptive Backstepping and Sliding Mode” Proceedings of the
29th Control Conf. pp. 2121-2124.
[2] Sonneveldt L., Chu Q. P. and Mulder J. A. (2009) “Advances in Flight Control Systems”
Delft University of Technology, The Netherlands.
[3] Ure N. K. and Inalhan G. (2008) “Design of Higher Order Sliding Mode Control Laws for
a Multi Modal Agile Maneuvering UCAV” IEEE. ISSCAA. 2nd Int Symp. pp. 1-6
[4] Pourtakdoust S. H., Karimi J. (2005) “Optimal Maneuvers in close air Combat ”, 13th
annual conf. Mechanical Engineering ISME conf, Isfahan, Iran.
[5] Takano H. and Baba Y. (2004) “Optimal Flight Trajectory and Aerobatic Maneuvers
Against Missiles” 5th Asian Control Conf. Vol. 3. pp. 1841-1848.
[6] Li Y., Sundararajan N. and Saratchandran P. (2001) “Neuro-controller design for
nonlinear aircraft maneuver using fully tuned RBF networks” J. Automatica. Vol. 37, pp.
1293-1301.
[7] Roskam J. (1979) “Airplane Flight Dynamic and Automatic Flight Control” Roskam
Aviation and Engineering Corporation, USA.
[8] Available in “http://dcb.larc.nasa.gov/Introduction/Controls/index.htm”.
[9] Shaw R. L. (1988) “Fighter Combat: Tactics and Maneuvering” United States Naval
[10] Smith R. E., Dike B. A., Mehra R. K., Ravichandran B. and A. El-Fallah A. (2000)
“Classifier systems in combat: two-sided learning of maneuvers for advanced fighter aircraft”
Comput. Method Appl. Mech. Engrg. Vol. 186, pp. 421-437.
[11] Lin Ch. M., Hsu Ch. F. and Wai R. J. (2000) “Guidance Law Evaluation For Missile
Guidance system” Asian Journal of Control. Vol. 2, pp. 243-250.
‫ پایان نامه‬،"‫ " شناسایی غير خطی سيستم دیناميكی هواپيما توسط شبكههای عصبی‬،0929 ،‫ م‬.‫] نيكو سخن المع‬02[
.‫ دانشگاه صنعتی شریف‬،‫ دانش كده هوافضا‬،‫کارشناسی ارشد‬
[13] Herbst W. A. (1990) “Future fighter technologies ”. AIAA Journal of Aircraft. Vol. 17,
pp. 561-566.
[14] Ahmed-Ziad F., Ioannou P. A. and Polycarpou M. M. (1993) “Identification and Control
of Aircraft Dynamic Using Radial Basis Function Networks” Second IEEE Conf Control
Appl. Vancouver, B.C. pp. 567-572
[15] Hen Hu Y., Hwang J. (2002) “Introduction to Neural Networks for Signal Processing”
by CRC Press.Washington.
[16] Chan Y., Lin S. H, and Kung S. Y. (1998) “Video indexing and retrieval”, in B. Sheu
and M. Ismail, Editors Multimedia Technology for App, IEEE Press, New York. pp. 253–
281.
[17] Chan Y., Lin S. H. Lin, Tan Y. P. and Kung S. Y. (1996) “Video shot classification
using human faces” Proceedings of the IEEE International Conference on Image Processing.
Lausanne, Switzerland. pp. 843–846.
[18] Hagan M. T., Demuth H. B. and De Jesus O. (2002) “An Introduction to the use of
Neural Networks in Control Systems” Int. Robust and Nonlinear Control. Vol. 12.
[19] Nho K., Agarwal R. K. (1999) “Adaptive Control of Aircraft Dynamics Using Neural
Networks” IEEE. Vol. 3, pp. 2076-2080.
[20] Widrow B., Stearns S. D. (1985) “Adaptive Signal Processing” Prentice-Hall,
Englewood Cliffs, NJ.
[21] Sayed A. H. and. Al-Naffouri T. Y. (2001) “Mean-square analysis of normalized leaky
adaptive filters” in Proc. ICASSP, Salt Lake City, UT. Vol. 6, pp. 3873–3876.
[22] Clark G. A. (1980) “Block adaptive filtering” in pro. ISCAS. pp. 384-387.

32
[23] Rath Sh. Sh., Chakraborty M. (2010) “A Low Complexity Realization of the Sign-LMS
Algorithm” IEEE. India. pp. 51-53.
[24] Pokharel P. P., Liu W. and Principe J. C. (2009) “Kernel least mean square algorithm
with constrained growth” Signal processing. Vol. 89, pp. 257-265.
[25] Vapnik V. (1995) “The Nature of Statistical Learning Theory” Springer, New York.
[26] Schoblkopf B. S., Smola A. and Muller K. R. (1998) “Nonlinear component analysis as
a kernel eigenvalue problem” Neural Comput. pp. 1299–1319.
[27] Girosi F., Jones M. and Poggio T. (1995) “Regularization theory and neural networks
architectures” Neural Comput. pp. 219–269.
[28] Kivinen J., Smola A. and Williamson R. (2004) “Online learning with kernels” IEEE
Trans. Signal Processing. Vol. 52, pp. 2165-2176.
[29] Liu W., Pokharel P. P. and Principe J. C. (2008) “The Kernel Least-Mean-Square
Algorithm” IEEE Trans. Signal Processing. Vol. 56, pp. 543-554.
[30] Modaghegh H., Khosravi H., Ahoon Manesh S. and Sadoghi Yazdi H. (2009) “A new
modeling algorithm Normalized Kernel Least Mean Square”. IEEE Int conf innovation in
information technology. pp. 120-124.
[31] Available in “http://www.dfrc.nasa.gov/Resarch/HARV/kempel2.html”.
[32] Lliff., K. W., Wag K. Sh. C. (1997) “Flight determined subsonic longitudinal stability
and control derivatives of the F-18 HARV with thrust vectoring” NASA/TP-97-206539.
[33] Stevens B. L and Lewis F. L. (2003) “Aircarft control and simulation” 2 nd ed, John
Wiley and sons.
[34] Fan Y., Lutze F. H. and Cliff. E. M. (1995) “Time-Optimal Lateral Maneuvers of an
Aircraft” J. Guidance and Control and dynamics .Vol. 18, pp. 1106-1112.
[35] Well K. H., Faber B. and Berger E. (1982) “Optimization of Tactical air craft maneuvers
utilizing high angle of attack” J. Guidance and Control. Vol. 5, pp. 131-137
[36] Haffman E. and Stalford H. (1989) “Singular Trajectories for Time-Optimal Half-Loop
Maneuvers of a High Alpha Fighter Aircraft” AIAA Guidance, Navigation and Control
Conference. Boston, Massachusetts.
[37] Blakelock J. H. (1991) “Automatic control of aircraft and missiles”,2 nd ed, New York,
Wiley Interscience.
[38] Nelson C. R. (1998) “Flight Stability and Automatic Control” 2nd ed, McGraw-Hill.
USA.

39
Abstract

The proper control for tracking the desired path is one of the most important military
superiority and maneuverability of a fighter aircraft. The fighter aircraft control system is
usually automatic. Automatic control systems for aircraft guidance realize via the various
control parameters such as angle of attack, pitch angle, flight angle and altitude.
Therefore, it is important to use an intelligent and online method for an efficient track of
complex and nonlinear maneuver. In this thesis, kernel least mean square (KLMS) based
method is proposed for the intelligent control and online tracking of a desirable nonlinear
maneuver. The kernel least mean square algorithm enhances the present understanding of the
LMS algorithm with a machine learning perspective. Moreover, training the RBF networks
with the KLMS is different from conventional RBF networks. For conventional RBF training,
the kernel centers and their number have to be chosen heuristically or through a complex
algorithm. While in the KLMS method, the centers and its number are automatically chosen
during the learning, and there do not need to be determined beforehand. Therefore, this
method performs as a generalized simple neural network with radial type basis functions.
Furthermore, for updating the kernel function, an adaptive learning algorithm is also
presented. Finally, the efficiency of the proposed approach is successfully investigated
through the nonlinear maneuver tracking of a fighter aircraft.

Keywords: Intelligent control, fighter aircraft, tracking, Kernel least mean square algorithm,
radial basis neural networks, nonlinear maneuver.

34