Автономная система управления с использованием компонентоы искуственного интеллекта.

В условиях, когда невозможно получить навигационную информацию от внешних источников, предлагается проводить коррекцию навигационных систем посредством алгоритмов экстраполяции. С помощью этих алгоритмов осуществляется прогноз погрешностей навигационной системы. Затем спрогнозированные оценки погрешностей используются в известных схемах коррекции.

Алгоритмы компенсации погрешностей автономных ИНС за счет внутренних связей системы широко известны, применяются и детально разработаны. ИНС, снабженные подобными алгоритмами, имеют остаточные погрешности, вызванные различными возмущающими факторами, соизмеримые с погрешностями, которые обусловлены динамическим дрейфом ГСП.

Поэтому необходимо осуществлять компенсацию динамических погрешностей автономной ИНС и по возможности остаточных погрешностей после компенсации с помощью известных алгоритмов. Таким образом, в случае, когда задание предполагает автономное движение ЛА, используются методы коррекции ИНС посредством только внутренней информации или на основе информации, полученной в корректируемом режиме работы ИНС.

Алгоритмы прогноза в приложении к навигационным системам можно разделить на два вида: краткосрочные и долгосрочные. Краткосрочными называются прогнозы с временем упреждения 10-20% от продолжительности наблюдения. Краткосрочное прогнозирование погрешностей ИНС может быть осуществлено на основе модели, полученной на последнем этапе работы ИНС с внешним источником информации до момента перехода в автономный режим. При длительном функционировании в условиях значительных помех или в случае, когда полетное задание предполагает на некотором интервале автономную работу ИНС, необходимо применять долгосрочный прогноз. Долгосрочный прогноз характеризуется временем упреждения равным или превышающим время наблюдения. Для повышения точности функционирования ИНС в автономном режиме необходимо построить математическую модель ошибок ИНС, в предшествующем корректируемом режиме, осуществить прогноз ошибок и использовать его в выходной информации для компенсации этих ошибок. Эту задачу целесообразно решать алгоритмическим путем. Так как этот путь позволяет получить эффект с наименьшими временными и материальными затратами, используя системы современного уровня точности.

Наиболее перспективным направлением синтеза систем управления является симбиоз использования экспертных систем, методов самоорганизации, методов принятия решений, элементов адаптивного управления и оценивания, а также алгоритмов формирования цели.

При синтезе адаптивных алгоритмов терминального управления понятие «адаптивность»[56] имеет достаточно широкий смысл. Под этим термином, в частности, понимается:

- способность системы наведения решать определенный круг задач без необходимости доработки бортового прогаммно-алгоритмического обеспечения для каждой задачи;

- способность парировать траекторные возмущения в процессе полёта, вызванные движением самого БЛА или условиями внешней среды (ветровой обстановкой, неопределенностью плотности атмосферы и т.д.);

- способность алгоритмов парировать параметрические неопределенности самого БЛА, например, такие как неточности знания, отраженного в полётном задании, инерционно-массовых, конструкторских характеристик БЛА, характеристик его двигательных установок и т.д.;

- способность алгоритмов адаптироваться к изменению конструктивно-компоновочной схемы БЛА, аэродинамических характеристик, допустимых нагрузок или к модернизации БЛА,

Во всех отношениях адаптивный подход к построению систем наведения, основанный на использовании текущей информации о векторе состояния БЛА, параметрах внешней среды, параметрах самого БЛА и т.п., наиболее эффективно сочетается с терминальным принципом управления траекторным движением БЛА. Принцип терминального управления предполагает использование текущей измерительной информации о траекторных параметрах движения БЛА, а также априорной информации о параметрах самого БЛА и параметрах окружающей среды, для формирования в полёте новой траектории, удовлетворяющей заданным конечным условиям. В частности, адаптивный подход предполагает уточнение в полёте той априорной информации, которая использовалась при формировании терминального управления.

Известен концептуальный подход к задаче синтеза систем управления с применением компонентов искусственного интеллекта (КИИ) на основе теории функциональных систем П.К.Анохина[57], в которой цель функционирования системы задана априори. Такие системы могут быть реализованы на базе серийных вычислительных средств. При штатном режиме полета БЛА, цель функционирования динамического объекта в рамках данной структуры не корректируется. В то же время, при возникновении нештатной ситуации может возникнуть необходимость изменения цели функционирования, что потребует наличия в система управления с КИИ устройств, выполняющих функции блока синтеза цели и блока мотивации [35].

Процесс создания НК для данного случая представляет собой сложную научную проблему, требующую для своего решения нового подхода, объединяющего понятие «синтеза» как соединения более простых функциональных систем решения частных задач в единую систему управления с КИИ, и понятие «системы» как цели синтеза, заключающейся в создании системы управления с КИИ с техническими характеристиками, обеспечивающими требуемые тактико-технические характеристики (ТТХ) [58].

В качестве базовой схемы управления рассматривается двухконтурная схема системы управления с КИИ с контуром управления опорным движением центра масс и контуром управления относительно опорной траектории (рис.3.4).

Внешнее воздействие

Система обучения

Модели внешних воздействий

Цель при ШС

ЛА

Прогноз

База данных

Принятие решения к действию

Опорная программа

Ограничения

Блок сравнения

Коррекция

Навигация

Выработка управления

Идентификация

Блок мотивации

Синтез цели при НШС

Контур управления опорным движением

Контур управления относительного опорного движения

Исполнительное управление

 

 

 

 

Рисунок 3.4

При синтезе систем управления БЛА использована концепция, в которой жизнедеятельность живых организмов рассматривается как постоянное и непрерывное парирование изменений внешней среды. В предлагаемой СУ с КИИ на основании информации о цели, состоянии внешней среды функционирования БЛА, а также о прогнозе результатов действия проводится экспертная оценка ситуации и выбор наилучшего сценария действий БЛА.

Управление БЛА вырабатывается на основе принятого решения и реализуется посредством совокупности мер различными исполнительными подсистемами. Результаты управления и копии команд используются для прогнозирования результатов действия. Прогноз может осуществляться с помощью моделей, которые целесообразно получать разнообразными методами, например, с помощью нейросетей, самоорганизацией и т.д.

Далее при функционировании динамического объекта практический результат сравнивается с прогнозом и подтверждается правильность его работы. В противном случае корректируется управляющее воздействие или вырабатывается другой сценарий поведения динамического объекта, который приводит к соответствию прогнозных значений и практического результата.

В терминах теории функциональных систем П.К.Анохина механизм прогнозирования и сравнения прогноза с практическим результатом работы называется акцептором действия.

Цель функционирования БЛА в исследуемой СУ задана априори и в рамках данной структуры системы не корректируется. При необходимости изменения цели функционирования БЛА осуществляется разработка новых критериев и синтез новых прогнозирующих моделей. В остальном СУ не меняется. Следует отметить также инвариантность структуры СУ к объекту управления, которая является ее ценным свойством. Поэтому изложенный подход к задаче синтеза СУ найдет более широкое применение не только при управлении перспективными БЛА на различных участках его движения, но и при разработке СУ другими динамическими объектами.

СУ БЛА, основанная на представленной схеме, позволяет заранее выбрать правильный сценарий и получить подтверждение его правильности. В случае ошибочного выбора комплекса мер по управлению БЛА, как только появится отклонение от запланированного сценария, сразу же информация об этом с блока оценки поступает в блок принятия решений, а затем осуществляется выработка нового комплекса команд.

В акцепторе действия происходит формирование модели на основе результатов действия, состояния БЛА и осуществляется прогноз дальнейшего изменения параметров БЛА. Затем, по истечении некоторого времени, прогноз периодически сравнивается с реальным состоянием БЛА, и ситуация оценивается посредством эксперта, экспертной системы, ансамбля критериев или, в тривиальном случае, одного критерия. На основе этой информации принимается решение о дальнейшем управлении БЛА.

Для разработки более долговременных сценариев функционирования БЛА необходимо учитывать изменения внешней среды, которые на больших временных интервалах могут вносить существенные изменения в процесс эволюции движения БЛА. Модели изменения внешней среды могут быть построены эмпирически или на основе известных физических принципов, влияющих на состояние внешней среды. Наиболее прогрессивными методами на современном этапе развития являются математические методы, отличающиеся универсальностью и достаточно высокой точностью. Однако- для получения высокой точности необходимо иметь достаточно богатую информационную выборку, в которой содержится информация о предпосылках всех изменений внешней среды функционирования БЛА.

В практических приложениях в отсутствии стабильной ситуации довольно трудно получить подобную информационную выборку. Поэтому целесообразно использовать комбинированный подход к построению модели внешней среды функционирования БЛА. Например, сочетание эмпирического и математического подходов.

Симбиоз математического и эвристического подходов к задаче синтеза модели внешней среды функционирования БЛА позволяет использовать относительно скудную информационную выборку и за счет априорной информации существенно упрощать трудоемкий процесс построения модели. Естественно, предполагается, что априорная информация является достоверной.

Построив модели внешней среды функционирования БЛА, появляется возможность разрабатывать сценарии управления на более длительное время [57]. Функциональная схема системы управления БЛА с учетом различных моделей изменения внешней среды представлена на рис. 3.7.

Рис. 3.5 Функциональная схема системы управления с учетом моделей внешней среды.

В приведенной на рис. 3.5 СУ в блоке прогноза осуществляется прогнозирование состояния БЛА с учетом различных моделей изменения внешней среды его функционирования [57]. Несколько вариантов прогноза периодически сравниваются с реальным состоянием БЛА и оцениваются в соответствии с выбранными критериями с целью выявления его оптимального состояния и, следовательно, наилучшей стратегии управления.

В этих условиях при синтезе системы управления с КИИ предлагается воспользоваться концепцией системогенеза. В рамках этой концепции предусматривается последовательное и избирательное формирование отдельных функциональных систем в процессе функционирования ИСУ. В начальных фазах каждого этапа функционирования БЛА основной объем памяти БЦВМ отводится для синтеза нелинейных моделей, например методом самоорганизации или генетическим алгоритмом [51, 52, 62].

На следующих фазах проводится сбор информации о состоянии объекта и внешней среды, прогноз вариантов дальнейшего развития событий и выбор оптимального сценария функционирования БЛА/крылатого блока. Затем на завершающих стадиях каждого этапа реализация выбранной стратегии поведения, например, траектории движения.

Оптимальный сценарий функционирования БЛА крылатых блоков предусматривает выбор ансамбля траекторий движения. Причем выбор траектории зависит не только от динамических параметров БЛА и состояния внешней среды, включая противоборствующие динамические объекты, но и директивное включение экстремальных траекторий в ансамбли траекторий движения крылатых блоков. Для того, чтобы выделить из всех возможных траекторий движения крылатого блока экстремальные, т.е. траектории, отличные от оптимальных, но в то же время реализация которых приводит к решению поставленной задачи, можно использовать тренды моделей [56].

При использовании подобных структур в СУ необходимо учитывать некоторые особенности. Например, необходимо постоянно иметь адекватную модель, ее приходится строить заново или корректировать имеющуюся модель в случае возникновения изменений внешней и внутренней среды.

Различные методы прогнозирования предполагают применение тех или иных способов описания динамических систем.

Рассмотрим наиболее известные методы построения прогнозирующих моделей, которые могут быть использованы для прогнозирования погрешностей измерительных систем и траектории БЛА.

Задача прогнозирования

Для эффективного управления БЛА необходимо предвидеть изменение ситуации в будущем. Помимо различных интуитивных оценок в последнее время широко используется обоснованное оценивание состояний объекта на основе проведенных измерений, т.е. экстраполяция[56].

При - проведении экстраполяции состояний динамического объекта можно условно выделить три этапа:

1) измерение или сбор информации;

1) построение модели динамических процессов, определяющих функционирование объекта;

2) проведение моделирования и получение оценки состояния объекта в будущем.

Для построения прогнозирующих моделей используются три основных способа:

1. Эмпирический (основанный на опыте разработчика моделей, анализе результатов испытаний);

2. Физический (исходя из знания законов изменения динамики объекта исследования);

3. Математический.

В последнее время наибольшую популярность приобрел математический способ построения моделей. Форма представления моделей зависит от используемого математического аппарата. Различные методы прогнозирования предполагают применение тех или иных способов описания динамических систем.

В случае, когда при проведении прогнозирования используется знание внешних возмущений получается нормативный прогноз. Совокупность нормативных прогнозов, построенных по принципу «если-то» называется сценарием. В процессе анализа сценариев в лаборатории группа экспертов выбирает тот из сценариев, который по их мнению в большей степени соответствует задачам, поставленным перед объектом на исследуемом интервале времени. Нормативный сценарий представляет собой один из вариантов поведения объекта при определенном изменении условий функционирования (при изменении возмущающих и управляющих воздействий).

Рассмотрим навигационную систему, функционирующую в условиях случайных возмущений. Результатом наблюдения за исследуемой системой является выборка реализаций. О возмущающих воздействиях на динамическую систему, априори известна только информация общего характера. Для прогнозирования выходного состояния навигационной системы необходимо использовать какую-либо модель.

При осуществлении процесса прогнозирования сформировалось несколько подходов [56]:

1. Детерминистический подход: В рамках этого подхода предполагается, что имеется априори вся необходимая информация или она может быть с достаточной точностью получена.

2. Стохастический подход: Этот подход предполагает рассмотрение прогнозируемых характеристик объекта в виде случайных величин. Учитывается влияние внешних возмущений, а вероятностные параметры случайных величин определяются посредством выборочных реализаций.

Прогнозирующие модели широко используются в схемах коррекции навигационных систем при исчезновении сигналов от внешних измерительных систем. При краткосрочном исчезновении выходных сигналов ИНС, GPS, и других систем также используются модели для прогнозирования полезного сигнала.

В системах управления БЛА прогнозирующие модели используются в качестве эталонных моделей, в алгоритмах управления по прогнозу, а также для прогнозирования внешних возмущающих факторов.

Из множество прогнозирующих моделей, наиболее перспективными в последнее время являются нейронные сети [60].

Нейронные сети. Нейронные сети позволяют построить модели исследуемых объектов с достаточно высокой точностью, но требуют при этом длительного времени для реализации процесса обучения [60]. При синтезе систем управления динамическими объектами, в частности различными летательными аппаратами, время построения модели ограничено. Поэтому задача ускорения работы нейронной сети является чрезвычайно актуальной.

Основной задачей построения и обучения нейронной сети в исследуемом случае является аппроксимация функции. Имея обучающую выборку входных данных и значений функции, требуется определить весовые коэффициенты нейронной сети так, чтобы результат работы сети (значение выходной функции) на векторе входных переменных был как можно ближе к заданному значению функции (обучающему значению) для этого вектора.

Обучение нейронной сети происходит по следующему алгоритму:

1. Первоначальные веса задаются случайным образом;

2. Реализуется этап обучения;

3. Проверка условия завершения работы нейронной сети.

В процессе реализации этапа обучения нейронной сети для всех входных векторов по очереди осуществляются следующие процедуры:

1. Значения входного вектора пропускаются через сеть, находится результат работы сети;

2. Находится отклонение результата сети от исходного значения;

3. Изменяются веса связей элементов сети от последних слоев к первым. Изменение происходит в соответствии с методом градиентного спуска. Целью является найти минимум ошибки для каждого элемента.

После того как прошел этап обучения проверяется условие окончания функционирования алгоритма. А именно, насколько результаты работы нейронной сети отличаются от исходных значений. Если условие ещё не выполнено, то алгоритм возвращается ко второму шагу. Если отклонение от исходной выборки удовлетворяет условиям, заданным в алгоритме априорно, то нейронная сеть считается обученной.

Алгоритм самоорганизации применяется в условиях когда измерения содержат достаточно информации о динамике объекта, т.е. эффект старения измерений ещё не влияет на точность построения прогнозирующей модели. В ситуациях, когда эффект старения измерений уже сказывается на точности прогнозирующей модели, используется алгоритм, основанный на временных рядах. В этом случае точность прогнозирующих моделей повышается с помощью экспертной информации, используемой при построении модели. Индикатором перехода от самоорганизующихся моделей к прогнозирующим временным рядам может служить величина рассогласования в акцепторе действия интеллектуальной системы. В качестве индикатора могут служить такие измерения динамики объекта. При интенсивных маневрах объекта его параметры измеряются и при повторении ситуации,, когда существенные отличия соседних коротких измерительных выборок повторяются, осуществляется переключение на модели, основанные на прогнозирующих временных рядах.