Разработка алгоритма идентификации во временной области со спектральной целевой функцией


Цитировать

Полный текст

Аннотация

Разработан надежный метод определения аэродинамических коэффициентов и систематических ошибок в измерительной системе самолета, в котором используются преимущества анализа в частотной области. Задача определения параметров формулируется в рамках метода максимума правдоподобия. Модели объекта и наблюдения задаются во временной области, а функционал определяется в частотной области, что позволяет разделить динамические характеристики самолета на разных частотах, эффективно уменьшая влияние шума и потенциальных нелинейностей, присущих данным во временной области. Этот переход из временной области в частотную также облегчает определение задержек в измерительной системе, которые часто сложно точно оценить во временной области. Для минимизации целевой функции в частотной области применяется модифицированный метод Ньютона, что позволяет получить оптимальные оценки боковых аэродинамических коэффициентов и запаздываний. Эффективность данного подхода подтверждается примерами идентификации параметров модели движения летательного аппарата, демонстрируя его способность точно охарактеризовать боковую динамику самолета. Этот метод может стать эффективным инструментом для оптимизации проектирования и анализа систем управления полетом. Он дает возможность с высокой точностью моделировать поведение летательного аппарата.

Об авторах

Олег Николаевич Корсун

Государственный научно-исследовательский институт авиационных систем; Московский авиационный институт (Национальный исследовательский университет)

Автор, ответственный за переписку.
Email: marmotto@rambler.ru
ORCID iD: 0000-0003-3926-1024
SPIN-код: 2472-6853

доктор технических наук, руководитель научно-образовательного центра, Государственный научно-исследовательский институт авиационных систем; профессор кафедры проектирования и сертификации авиационной техники, Московский авиационный институт (Национальный исследовательский университет)

Российская Федерация, Москва, ул. Викторенко, 7, к. 2; Российская Федерация, 125993, г. Москва, Волоколамское шоссе, д. 4

Моунг Хтанг Ом

Московский авиационный институт (Национальный исследовательский университет)

Email: mounghtangom50@gmail.com
ORCID iD: 0000-0002-7770-2962

кандидат технических наук, докторант кафедры проектирования и сертификации авиационной техники

Российская Федерация, 125993, г. Москва, Волоколамское шоссе, д. 4

Список литературы

  1. Klein V, Morelli EA. Aircraft System Identification: Theory and Practice. Reston: AIAA. 2006.
  2. Jategaonkar RV. Flight Vehicle System Identification: A Time Domain Methodology. Reston, USA: AIAA, 2006.
  3. Dorobantu D, Murch A, Mettler B, Balas G. System Identification for Small, Low-Cost, Fixed-Wing Unmanned Aircraft. JA Aircraft. 2013;50(4):1117-1130. https://doi.org/10.2514/1.C032065
  4. Song Y, Song B, Seanor B, Napolitano MR. On-line Aircraft Parameter Identification Using Fourier Transform Regression with an Application to F/A-18 HARV Flight Data. Journal of Mechanical Science and Technology. 2002;16(3):327-337. https://doi.org/10.1007/BF03185230
  5. Grauer J, Boucher. MJ. Aircraft System Identification from Multisine Inputs and Frequency Responses. Journal of Guidance, Control, and Dynamics. 2020;43(12):2391-2398. https://doi.org/10.2514/1.G005131 EDN: EGEDGU
  6. Grauer J. An Interactive MATLAB Program for Fitting Transfer Functions to Frequency Responses. Conference: AIAA Scitech 2021 Forum. 2021. https://doi.org/10.2514/6.2021-1426
  7. Grauer J, Morelli E. Method for Real-Time Frequency Response and Uncertainty Estimation. Journal of Guidance, Control, and Dynamics. 2013;37(1):336-344. https://doi.org/10.2514/1.60795
  8. Morelli E. Optimal input design for aircraft stability and control flight testing. Journal of Optimization Theory and Applications. 2021;191(2-3):1-25. https://doi.org/10.1007/s10957-021-01912-0 EDN: HOKNPU
  9. Korsun ON, Poplavskii BK. Estimation of systematic errors of onboard measurement of angle of attack and sliding angle based on integration of data of satellite navigation system and identification of wind velocity. Journal of Computer and Systems Sciences International. 2011;50(1):130-143. https://doi.org/10.1134/S1064230711010126 EDN: OHRCPT
  10. Korsun ON, Nikolaev SV, Om MH. Detection of dynamic errors in aircraft flight data. IOP Conf. Ser.: Mater. Sci. Eng. 2021;1027:012011. https://doi.org/10.1088/1757-899X/1027/1/012011 EDN: MWKAYM
  11. Korsun ON, Nikolaev SV, Pushkov SG. Algorithm for estimating systematic measurement errors for air velocity, angle of attack, and sliding angle in flight-testing. Journal of Computer and Systems Sciences International. 2016;55(3):446-457. https://doi.org/10.1134/S1064230716030114 EDN: WPIJVT
  12. Korsun ON, Poplavsky BK, Prihodko SJu. Intelligent support for aircraft flight test data processing in problem of engine thrust estimation. Procedia Computer Science. 2017;103:82-87. https://doi.org/10.1016/j.procs.2017.01.017 EDN: XYADFJ
  13. Korsun ON, Poplavsky BK, Om MH. Identification of the Engine Thrust Force Using Flight Test Data. In: Jing Z., Strelets D. (eds.). Proceedings of the International Conference on Aerospace System Science and Engineering 2021. ICASSE 2021. Lecture Notes in Electrical Engineering. Singapore: Springer; 2021;849. https://doi.org/10.1007/978-981-16-8154-7_30
  14. Kozorez DA, Krasil’shchikov MN, Kruzhkov DM. Earth orientation parameters onboard refining at glonass high-orbit segment. Russian Engineering Research. 2022;42(6):603-606. https://doi.org/10.3103/S1068798X22060144 EDN: EYQNLK
  15. Krasilshchikov MN, Kruzhkov DM, Martynov EA. Predicting the parameters of the orientation of the earth in problems of navigation taking into account the phenomenon of the development of irregularity in the earth’s rotation. Cosmic Research. 2023;61(4): 324-332. https://doi.org/10.1134/S0010952523220021 EDN: FDBHTA
  16. Evdokimenkov V, Kim R, Krasilshchikov M, Seb-rjakov G. Individually Adapted Neural Network for Pilot’s Final Approach Actions Modeling. In: Cheng L, Liu Q, Ronzhin A. (eds.). Advances in Neural Networks - ISNN 2016. Lecture Notes in Computer Science. Springer, Cham, 2016;9719. https://doi.org/10.1007/978-3-319-40663-3_42 EDN: WURRCL
  17. Efremov AV, Efremov EV, Shcherbakov AI. Supression of pilot-induced oscillations of various categories using augmentation means. Russian Aeronautics. 2024;67(1):33-42. https://doi.org/10.3103/S1068799824010045 EDN: EGQYCR
  18. Irgaleev IKh, Efremov AV, Grishina AYu, Efremov EV. Optimal control model as an approach to the synthesis of a supersonic transport control system. Aerospace Systems. 2024. https://doi.org/10.1007/s42401-024-00291-4 EDN: PAIVDY
  19. Efremov AV, Tyaglik MS, Shcherbakov AI. De-signing the means of suppressing the negative effects of encountering intensive atmospheric turbulence in the landing phase. Russian Aeronautics. 2021;64(2):204-209. https://doi.org/10.3103/S1068799821020057 EDN: IXFREV
  20. Ovcharenko VN, Poplavsky BK. Identification of nonstationary aerodynamic characteristics of an aircraft based on flight data. Journal of Computer and Systems Sciences International. 2021;60(6):864-874. https://doi.org/10.1134/S1064230721060149 EDN: UBVBHW
  21. Maine RE, Iliff KW. Identification of Dynamic Systems:Theory and Formulation. NASA RP 1138. 1985. Available from: https://ntrs.nasa.gov/citations/19850011474 (accessed: 11.09.2024).
  22. Otnes RK, Enochson LD. Applied Time Series Ana-lysis. Basic Techniques. Wiley, 1978. ISBN 0471242357, 9780471242352
  23. Korsun ON, Om MH. The practical rules for aircraft parameters identification based on flight test data. Meta-science in Aerospace. 2024;1(1):53-65. https://doi.org/10.3934/mina.2024003

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».