OPTIMIZATION OF THE BLADES INDIVIDUAL CONTROL DURING HELICOPTER MAIN ROTOR SPIN-UP UNDER WIND CONDITIONS

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The article considers the problem of optimal individual control for the rotor blade during helicopter main rotor speedup in wind conditions. Movement of the blade during the main rotor speedup can be described using a system of differential equations taking into consideration its combined bending and torsional vibrations. However, performing calculations for such detailed model requires significant computational resources and time, which complicates the practical solution of optimization problem. Therefore, the mathematical model of combined bending-torsional vibrations of the rotor blade is approximated by an artificial neural network and using this approximation a search for optimal control is carried out by the nonlinear programming method. The paper provides results of numerical experiment that confirms applicability of the chosen approach to problem solution.

About the authors

M. V. Kargaev

Moscow Aviation Institute, National Research University; National Helicopter Center Mil&Kamov, Tomilino, Russia.

Email: kargaev_nv@mail.ru
Moscow, Russia; Moscow, Russia

O. N. Korsun

State Research Institute of Aviation Systems

Email: marmotto@rambler.ru
Moscow, Russia

A. V. Stulovskii

State Research Institute of Aviation Systems

Moscow, Russia

V. N. Yurko

State Research Institute of Aviation Systems

Moscow, Russia

References

  1. Нормы летной годности гражданских вертолетов СССР. 2-е изд. М: Межведомственная комиссия по нормам летной годности гражданских самолетов и вертолетов СССР, 1987. 411 с.
  2. Межгосударственный авиационный комитет. Авиационные правила. Ч.29. Нормы летной годности винтокрылых аппаратов транспортной категории. М.: Авиаиздат, 2018. 185 с.
  3. Нормы летной годности винтокрылых аппаратов транспортной категории НЛГ-29. М.: ЦЕНТРМАГ, 2024. 252 с.
  4. Карасев М.В. Расчет совместных изгибно-крутильных колебаний лопасти при раскрутке и торможении несущего винта вертолета в условиях ветра // Вестн. Московского авиационного ин-та. 2024. Т.31. № 4. С. 101–112.
  5. СП 20.13330.2016. Нагрузки и воздействия. Актуализированная редакция СНиП 2.01.07-85*. М.: Стандартинформ, 2018. 95 с.
  6. Карасев М.В., Корсун О.Н. Синтез законов оптимального управления законцовкой лопасти для раскрутки и торможения несущего винта вертолета в условиях ветра // Вестн. Московского авиационного ин-та. 2025. Т. 32. № 1. С. 92–101.
  7. Амирьяни Г.А., Григорьев А.В. Расчетно-экспериментальные исследования управляемой формы крыла // Тр. ЦАГИ. 2023. Вып. 2819. С. 82–85.
  8. Амирьяни Г.А. Патент № RU 2787983, МПК B64C 3/38, “Активная законцовая крыла”, 2022.
  9. Методы классической и современной теории автоматического управления /Под ред. К.А. Пулкова, Н.Д. Егупова. М.: Изд. МГТУ им. Баумана, 2004. 656 с.
  10. Rao A.V. Survey of Numerical Methods for Optimal Control // Advances Astronautical Sciences. 2010. V.135. P. 497–582.
  11. Карасев М.В. Синтез законов индивидуального управления триммером и закрылком лопасти для раскрутки и торможения несущего винта вертолета в условиях ветра // Вестн. Московского авиационного ин-та. 2025. Т. 32. № 2. С. 56–65.
  12. Корсун О.Н. Методы параметрической идентификации технических систем. М.: Изд. МГТУ им. Н.Э. Баумана, 2011. 69 с.
  13. Jategaonkar R.V. Flight Vehicle System Identification: a Time Domain Methodology. Reston, USA: AIAA. 2006. 410 р.
  14. Овчаренко В.Н. Аэродинамические характеристики летательных аппаратов: Идентификация по полетным данным. М.: ЛЕНАНД, 2019. 236 с.
  15. Morelli E., Grauer J. Advances in Aircraft System Identification at NASA Langley Research Center // J. Aircraft. 2023. V. 60(4). P. 1–17.
  16. Картенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой. М.: Изд. МГТУ им. Баумана, 2016. 448 с.
  17. Nature-inspired Optimizers: Theories, Literature Reviews and Applications / Eds S. Mirjalili, J.S. Dong, A. Lewis. Switzerland, AG: Springer Nature, 2020. 239 p.
  18. Advances in Swarm Intelligence. Variations and Adaptations for Optimization Problems / Eds S. Mirjalili, A. Biswas, C.B. Kalayci. Switzerland, AG: Springer Nature, 2022. 416 p.
  19. Завьялов Ю.С., Кассов Б.Н., Мирошиченко В.Л. Методы сплайн-функций. М.: Наука, 1980. 352 с.
  20. Вермень В.Д. Основы вычислительной (инженерной) геометрии. М.: Инновационное машиностроение, 2021. 352 с.
  21. Корсун О.Н., Студовский А.В. Восстановление параметров движения летательного аппарата с использованием алгоритмов оптимального управления // Изв. РАН. ТиСУ. 2023. № 1. С. 44–55.
  22. Hornik K., Simchcombe M., White H. Multilayer Feedforward Networks are Universal Approximators // Neural Networks. 1989. V. 2. P. 359–366.
  23. Хайкин С. Нейронные сети: полный курс. 2-е изд. М.: ООО “И. Д. Вильямс”, 2016. 1104 с.
  24. Staudemeyer R.C., Morris E.R. Understanding LSTM – a Tutorial Into Long Short-Term Memory Recurrent Neural Networks // ArXiv. 2019. arXiv:1909.09586. P. 1–42. http://doi.org/10.48550/arXiv.1909.09586.
  25. Козлов С. В., Седенков С.А. Анализ LSTM и GRU моделей для построения прогнозов временных рядов // Intern. J. Open Information Technol. 2024. V. 12. № 7. P. 43–50.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2025 Russian Academy of Sciences

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).