KR101329199B1 - Controller to enhance control performance degradation by non-linearity of actuator using neural network - Google Patents
Controller to enhance control performance degradation by non-linearity of actuator using neural network Download PDFInfo
- Publication number
- KR101329199B1 KR101329199B1 KR1020110142402A KR20110142402A KR101329199B1 KR 101329199 B1 KR101329199 B1 KR 101329199B1 KR 1020110142402 A KR1020110142402 A KR 1020110142402A KR 20110142402 A KR20110142402 A KR 20110142402A KR 101329199 B1 KR101329199 B1 KR 101329199B1
- Authority
- KR
- South Korea
- Prior art keywords
- driver
- nonlinearity
- neural network
- control
- model
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 230000015556 catabolic process Effects 0.000 title description 4
- 238000006731 degradation reaction Methods 0.000 title description 4
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000003044 adaptive effect Effects 0.000 claims abstract description 20
- 230000006866 deterioration Effects 0.000 claims abstract description 16
- 230000010355 oscillation Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 29
- 230000006872 improvement Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 10
- 230000004044 response Effects 0.000 description 10
- 238000006073 displacement reaction Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000013178 mathematical model Methods 0.000 description 6
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 244000145845 chattering Species 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/40—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining an integral characteristic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Abstract
본 발명은 데드존, 백래시, 히스테리시스 등의 특정 구동기 비선형성이 아닌 다양한 구동기 비선형성으로 인한 제어 성능의 저하 개선에 광범위하게 적용 가능한 신경회로망 기반의 구동기 비선형 특성 개선을 위한 적응제어 보상기와 이 보상기를 다중(Multiplex)으로 구성된 디지털 비선형 제어시스템에 적용하는 방법을 제공하는 것을 목적으로 한다. 특히, 본 발명은 보수적인 제어시스템 환경에서 기존 제어기의 변경 없이 본 발명에서 제시하는 구동기 보상기를 기존 제어기에 추가하는 방식으로 구현 가능한 구동기의 비선형성에 따른 제어 성능의 저하 개선 방법이다.The present invention provides an adaptive control compensator and a compensator for improving a nonlinear characteristic of a neural network-based actuator that can be widely applied to a reduction in control performance due to various driver nonlinearities other than specific driver nonlinearities such as dead zone, backlash, and hysteresis. An object of the present invention is to provide a method applied to a multiplex digital nonlinear control system. In particular, the present invention is a method of improving the deterioration of the control performance according to the nonlinearity of the actuator that can be implemented by adding the driver compensator proposed in the present invention to the existing controller without changing the existing controller in a conservative control system environment.
Description
본 발명은 신경회로망을 이용하여 구동기의 비선형성에 따른 제어 성능의 저하를 개선하는 방법에 관한 것으로, 더욱 상세하게는 기존 제어 시스템의 변경 없이 신경회로망 기반 적응 제어 알고리즘을 추가하는 방식으로 다양한 원인의 구동기 비선형성에 의한 제어 성능 저하를 개선하는 방법에 관한 것이다.The present invention relates to a method for improving deterioration of control performance due to nonlinearity of a driver using neural networks, and more particularly, a driver of various causes by adding neural network-based adaptive control algorithms without changing existing control systems. The present invention relates to a method for improving control performance deterioration due to nonlinearity.
항공기의 운용 중 비행 및 조종성을 저하시키는 LCO(limit cycle oscillation) 특성이 확인되어, 비행시험 자료의 분석 결과, 항공기의 LCO의 원인은 구동기 비선형성(Actuator Nonlinearities)과 관련됨이 확인되었고, 이에 대한 개선이 요구되었다.Limit cycle oscillation (LCO) characteristics that reduce flight and maneuverability during operation of the aircraft have been identified, and analysis of flight test data shows that the cause of the aircraft's LCO is related to actuator nonlinearities. This was required.
구동기의 비선형성은 피드백 제어 성능을 제한하는 주요 요소로서 마찰(friction)과, 백래시(backlash)와, 히스테리시스(hysteresis) 등이 있으며, 본 요소들은 정확한 위치 제어를 방해함으로써, 구동기의 지연이나, LCO나, 진동(oscillation) 등을 유발할 수 있다.Nonlinearities of the actuator are the main factors limiting the feedback control performance, such as friction, backlash, and hysteresis. These factors interfere with accurate position control, which causes delays in the driver, LCO, May cause oscillation.
이러한 제어 성능의 저하를 허용할 수 없는 정밀 로봇 시스템이나, 항공기와 같은 정밀 제어 시스템에서는 구동기 비선형성에 의한 시스템의 제어 성능 저하를 반드시 해결해야만 한다.In a precision robot system that cannot tolerate such deterioration of control performance or in a precision control system such as an aircraft, the control performance deterioration of the system due to driver nonlinearity must be solved.
이와 같은 구동기 비선형 특성에 의한 제어성능 제한 문제를 해결하기 위해, 안티-백래시 기어(Anti-backlash gear)나 듀얼 모터 시스템(Dual motor system)과 같은 하드웨어적인 해결안들이 제시되었으나 이런 접근은 정확도의 저하, 대역폭의 감소와 같은 또 다른 문제를 유발할 수 있으며, 비용 증가나, 과다한 에너지 소모나, 시스템 중량 증가와 같은 단점이 있으며 항공기와 같은 시스템에는 적용할 수 없다.In order to solve the control performance limitation problem caused by the nonlinear characteristics of the actuator, hardware solutions such as an anti-backlash gear or a dual motor system have been proposed. It can cause other problems, such as a reduction in bandwidth, and has disadvantages such as increased costs, excessive energy consumption, or increased system weight, and is not applicable to systems such as aircraft.
또한, 직선 운동을 회전 운동으로 변경하는 항공기와 같은 구동기 시스템의 경우, 베어링, 핀 등의 기구학적 연결을 피할 수 없으며, 아무리 부품 생산과 제작 과정에서의 공차와 품질을 아무리 잘 관리한다 하더라도 연결 기구부의 유격은 존재할 수밖에 없으므로 하드웨어적인 해결에는 한계가 있다. 이러한 개별 구동기 간의 차이로 발생하는 항공기 반응 차이 특성은 고전적인 PID 제어기로는 해결할 수 없다. 실제 구동기 비선형성으로 인해 LCO 특성을 보인 항공기의 경우, 개별 항공기마다 그 특성이 상이할 뿐 아니라, 동일한 항공기의 좌, 우측 구동기 특성도 동일하지 않으며, 동일한 항공기의 경우도 운용 시간이 지나면서 체결부의 마모 등의 영향으로 LCO 특성이 달라지는 것을 확인하였다. 이런 배경에서, 개별 대상 시스템의 특성에 따라 적절한(예를 들면, 대상 시스템 특성에 따라 상이한) 제어 명령을 생성함으로써 하나의 제어 법칙으로 모든 항공기의 특성을 개선할 수 있는 소프트웨어적인 해결방법인 적응 제어 기법의 적용이 필요하다.In addition, in the case of an actuator system such as an aircraft that converts a linear motion into a rotational motion, a kinematic connection such as a bearing or a pin cannot be avoided, and no matter how well the tolerances and the quality of the parts production and manufacturing process are managed, the connection mechanism part There is a limit to the hardware solution because there is no gap between the. Air vehicle response difference caused by the difference between these individual drivers can not be solved by the classical PID controller. In the case of aircrafts exhibiting LCO characteristics due to the actual driver nonlinearity, the characteristics of each aircraft are not only different, but the characteristics of the left and right actuators of the same aircraft are not the same. It was confirmed that the LCO characteristics are changed due to the wear and the like. Against this background, adaptive control is a software solution that can improve the characteristics of all aircraft with one control law by generating appropriate control commands (e.g., different according to the characteristics of the target system) for each target system. The technique needs to be applied.
따라서, 본 발명이 이루고자 하는 기술적 과제는 기존 제어시스템의 설계, 반영이 완료되고 성능 및 안전성에 대한 검증이 완료된 제어 시스템에서, 또는 기존 제어기의 제어 이득이나 제어 구조 변경 없이 구동기 비선형성으로 인한 제어 성능의 저하를 개선할 수 있는 신경회로망 기반의 적응 제어 방법을 제공하는 것을 목적으로 한다.Therefore, the technical problem to be achieved by the present invention is the control performance of the control system due to the nonlinearity of the driver in the control system is completed design, reflection and verification of the performance and safety of the existing control system, or without changing the control gain or control structure of the existing controller It is an object of the present invention to provide a neural network-based adaptive control method that can improve the degradation of.
또한, 본 발명은 백래시나 히스테리시스 등 특정한 구동기 비선형 특성에만 유효한 방식이 아닌 다양한 구동기 비선형 특성으로 인한 제어 성능의 저하 개선에 광범위하게 적용 가능한 방법을 제공하는 것을 또 다른 목적으로 한다.It is another object of the present invention to provide a method that can be widely applied to improving the deterioration of control performance due to various driver nonlinear characteristics, which is not effective only for a specific driver nonlinear characteristic such as backlash or hysteresis.
또한, 본 발명은 제어 방법적인 면에서 기존의 구동기 비선형 개선 알고리즘에서 볼 수 있는 구동기 출력 신호를 사용하는 방식을 사용하지 않아 항공기 제어 시스템에 적용 가능한 방법을 제공하는 것을 또 다른 목적으로 한다.In addition, another object of the present invention is to provide a method applicable to an aircraft control system without using a method of using a driver output signal that can be seen in a conventional driver nonlinear improvement algorithm in terms of a control method.
또한, 본 발명은 구동기 비선형 특성 개선을 위한 신경회로망 기반의 적응제어 보상기를 다중(Multiplex)으로 구성된 디지털 비선형 제어시스템에 적용하는 방법을 제공하는 것을 또 다른 목적으로 한다.Another object of the present invention is to provide a method for applying a neural network-based adaptive control compensator for improving a driver nonlinear characteristic to a multiplex digital nonlinear control system.
상기 목적을 달성하기 위해, 본 발명에 따른 신경회로망을 이용하여 구동기의 비선형성에 따른 제어 성능의 저하를 개선하는 제어 장치는 구동기(110)와, 상기 구동기(110)가 장착되는 베어에어프레임(130)과, 상기 베어에어프레임(130)이 비행 및 조종성을 갖도록 설계되는 기존 비선형 제어기(100)와, 실제 비행시 항공기 LCO(limit cycle oscillation)를 발생 모사를 위한 구동기 비선형성(120)과, 상기 구동기 비선형성(120)을 제어하기 위해, 신경회로망 기반의 적응제어 알고리즘을 설계하여 반영한 구동기 비선형성 보상기(140)를 포함하는 것을 특징으로 한다.In order to achieve the above object, the control device for improving the deterioration of the control performance according to the non-linearity of the driver using the neural network according to the present invention is a
또한, 본 발명에 따른 신경회로망을 이용하여 구동기의 비선형성에 따른 제어 성능의 저하를 개선하는 제어 장치는, 상기 구동기 비선형성 보상기(140)에 반영된 적응제어 알고리즘은, 트림 상태를 기준으로 변동량을 입출력으로 하는 선형 모델인 기준 모델을, 절대값을 직접 사용하는 비선형 모델에 반영하기 위해, 현재가 트림 상태(b)라는 정보를 받을 경우, 상기 트림 상태로부터 변동량을 계산하는 제 1 로직을 구비하는 것을 특징으로 한다.In addition, the control device for improving the deterioration of the control performance according to the nonlinearity of the driver using the neural network according to the present invention, the adaptive control algorithm reflected in the
또한, 본 발명에 따른 신경회로망을 이용하여 구동기의 비선형성에 따른 제어 성능의 저하를 개선하는 제어 장치는, 상기 구동기 비선형성 보상기(140)에 반영된 적응제어 알고리즘은, 상기 구동기 비선형성(120) 보상이 필요한 비행 영역인지를 판단하는 제 1 논리 판단 구조(141)와, 항공기가 정상 상태(steady state)인지를 판단하는 제 2 논리 판단 구조(142)로 구성되는 제 2 로직을 구비하는 것을 특징으로 한다.In addition, the control device for improving the deterioration of the control performance according to the nonlinearity of the driver using the neural network according to the present invention, the adaptive control algorithm reflected in the
또한, 본 발명에 따른 신경회로망을 이용하여 구동기의 비선형성에 따른 제어 성능의 저하를 개선하는 제어 장치는, 상기 구동기 비선형성 보상기(140)는 다중 시스템으로 이루어지며, 상기 다중 시스템에서 개별 컴퓨터 간의 적분기 신호 차이를 보상하는 적분기 밸런싱(Balancing)을 더 포함하는 것을 특징으로 한다.In addition, the control device for improving the deterioration of the control performance according to the nonlinearity of the driver using the neural network according to the present invention, the
본 발명에 따르면, 기존 제어시스템의 설계, 반영이 완료되고 성능 및 안전성에 대한 검증이 완료된 제어 시스템에서, 또는 기존 제어기의 제어 이득이나 제어 구조 변경이 어려운 시스템에서 기존 제어 시스템의 변경 없이 구동기 비선형성으로 인한 제어 성능의 저하를 개선할 수 있는 신경회로망 기반의 적응 제어 방법을 제공하는 효과가 있다.According to the present invention, in a control system in which the design and reflection of the existing control system has been completed and verified for performance and safety, or in a system in which the control gain or control structure of the existing controller is difficult to change, the driver nonlinearity is not changed without changing the existing control system. There is an effect of providing a neural network-based adaptive control method that can improve the degradation of the control performance.
또한, 본 발명은 백래시나 히스테리시스 등 특정한 구동기 비선형 특성에만 유효한 방식이 아닌 다양한 구동기 비선형 특성으로 인한 제어 성능의 저하 개선에 광범위하게 적용 가능한 방법을 제공하는 효과가 있다.In addition, the present invention has the effect of providing a widely applicable method for improving the degradation of the control performance due to various driver nonlinear characteristics, which is not effective only for a particular driver nonlinear characteristics such as backlash or hysteresis.
또한, 본 발명은 제어 방법적인 면에서 기존의 구동기 비선형 개선 알고리즘에서 흔하게 볼 수 있는 구동기 출력 신호를 사용하는 방식을 사용하지 않아 항공기 제어 시스템에 적용 가능한 방법을 제공하는 효과가 있다.In addition, the present invention has an effect of providing a method applicable to the aircraft control system by not using a method using a driver output signal that is commonly seen in the conventional driver nonlinear improvement algorithm in terms of control method.
또한, 본 발명은 구동기 비선형 특성 개선을 위한 신경회로망 기반의 적응제어 보상기를 다중(Multiplex)으로 구성된 디지털 비선형 제어시스템에 적용하는 방법을 제공하는 효과가 있다.In addition, the present invention has an effect of providing a method for applying a neural network-based adaptive control compensator for improving the driver nonlinear characteristics to a digital nonlinear control system composed of multiplex.
도 1은 본 발명에 따른 제어 장치에 반영되는 비선형 모델 중 백래시 모델의 개념 및 수학적 모델을 나타내는 도면.
도 2는 본 발명에 따른 제어 장치에 반영되는 비선형 모델 중 히스테리시스의 수학적 모델을 나타내는 도면.
도 3은 항공기 종축 선형 모델 내에 구동기의 비선형 모델(백래시)의 반영을 나타내는 도면.
도 4는 구동기의 비선형 모델(백래시)이 반영된 종축 선형 모델(도 3)을 이용하여 구동기 비선형 모델이 있을 때와 없을 때의 두 조건에 대한 시뮬레이션 결과를 표시하는 도면.
도 5는 본 발명에 따른 전체 제어기의 구성을 나타내는 블록도.
도 6은 도 5의 신경회로망 기반 구동기 비선형성 보상기 작동을 위해 필요한 논리 회로를 나타내는 블록도.
도 7은 도 6에 나타낸 논리 회로의 역할을 보여 주는 시뮬레이션 결과를 나타내는 도면.
도 8은 본 발명에 따른 신경회로망 기반 구동기 비선형성 보상기의 구성을 나타내는 블록도.
도 9는 본 발명에 따른 신경회로망 기반 구동기 비선형성 보상기를 백래시로 인한 LCO 발생 상태인 6자유도 비선형 시뮬레이션 환경 내에 반영하여 시뮬레이션 수행한 결과를 표시하는 도면.
도 10은 히스테리시스로 인한 LCO 발생 시스템에 본 발명에 따른 신경회로망 기반 구동기 비선형성 보상기를 반영하여 시뮬레이션을 수행한 결과를 나타내는 도면.1 is a view showing the concept and mathematical model of the backlash model of the non-linear model reflected in the control device according to the present invention.
2 is a view showing a mathematical model of hysteresis among nonlinear models reflected in the control device according to the present invention.
3 shows the reflection of a non-linear model (backlash) of a driver in an aircraft longitudinal axis model.
FIG. 4 shows simulation results for both conditions with and without driver nonlinear models using a longitudinal linear model (FIG. 3) reflecting the driver's nonlinear model (backlash). FIG.
5 is a block diagram showing the configuration of the entire controller according to the present invention;
FIG. 6 is a block diagram illustrating logic circuitry required for the neural network based driver nonlinear compensator operation of FIG. 5; FIG.
FIG. 7 is a diagram showing simulation results showing the role of the logic circuit shown in FIG. 6; FIG.
8 is a block diagram showing the configuration of a neural network-based driver nonlinearity compensator according to the present invention.
FIG. 9 is a view showing simulation results by reflecting a neural network-based driver nonlinearity compensator according to the present invention in a six degree of freedom nonlinear simulation environment in which LCO is generated due to backlash; FIG.
FIG. 10 is a diagram illustrating a simulation result reflecting a neural network-based driver nonlinear compensator according to the present invention in an LCO generation system due to hysteresis. FIG.
이하, 첨부한 도면들 및 후술한 내용을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 그러나, 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다. 명세서 전체에 걸쳐서 동일한 참조 번호들은 동일한 구성 요소들을 나타낸다. 한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급되지 않는 한 복수형도 포함된다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자가 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings and the following description. However, the present invention is not limited to the embodiments described herein but may be embodied in other forms. Rather, the embodiments disclosed herein are provided so that the disclosure can be thorough and complete, and will fully convey the scope of the invention to those skilled in the art. Like reference numerals designate like elements throughout the specification. It is to be understood that the terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of the invention. In the present specification, the singular form includes plural forms unless otherwise specified in the specification. &Quot; comprises "and / or" comprising ", as used herein, unless the recited element, step, operation, and / Or additions.
본 발명에 의하면, 특성이 상이한 개별 구동기와, 좌, 우측 특성이 다른 구동기와, 운용 시간이 지나면서 체결 부위의 마모 등이 진행된 구동기 등에 발생하는 구동기의 비선형으로 인한 제어 성능의 저하를 향상시켜야 한다.According to the present invention, it is necessary to improve the deterioration of the control performance due to the nonlinearity of the driver caused by the individual driver having different characteristics, the driver having different left and right characteristics, and the driver whose wear time has progressed due to wear of the fastening part, etc. over time. .
구동기 비선형성(Actuator Nonlinearities)이란 피드백 제어 성능을 제한하는 주요 요소로서, 마찰(Friction)과, Dead-zone과, 포화(Saturation)와, 백래시와, 히스테리시스 등이 있으며, 이러한 구동기의 비선형성은 구동기의 정확한 위치 제어를 방해하여 지연이나, 좋지 않은 전이 성능(Transient Performance)이나, 채터링(Chattering)이나, LCO나, 진동(Oscillation) 등을 유발할 수 있으며, 이러한 특성은 구동기의 하드웨어가 마모될 경우, 더욱 심해지는 경향이 있다.Actuator nonlinearities are the main factors limiting feedback control performance, such as friction, dead-zone, saturation, backlash, and hysteresis. Interfering with accurate position control can cause delays, poor transient performance, chattering, LCO, oscillation, etc. It tends to get worse.
우선, 구동기 비선형성에 의한 성능 저하를 개선하기 위해서는, 일반적인 설계 모델에 포함되지 않는 구동기의 비선형 모델을 제어 모델에 반영하여 시뮬레이션 환경 내에서 LCO와 같은 부적절한 반응 특성을 모사할 수 있어야 한다.
First, in order to improve performance deterioration due to driver nonlinearity, it is necessary to reflect the nonlinear model of the driver that is not included in the general design model in the control model to simulate inappropriate response characteristics such as LCO in the simulation environment.
도 1은 본 발명에 따른 제어 장치에 반영되는 비선형 모델 중 백래시 모델의 개념 및 수학적 모델을 나타내는 도면이고, 도 2는 본 발명에 따른 제어 장치에 반영되는 비선형 모델 중 히스테리시스의 수학적 모델을 나타내는 도면이다. 백래시 및 히스테리시스의 수학적 모델은 이미 공지되어 있는 내용이므로, 그 상세한 설명을 생략한다.1 is a view showing the concept and mathematical model of the backlash model of the non-linear model reflected in the control device according to the present invention, Figure 2 is a view showing the mathematical model of hysteresis among the non-linear model reflected in the control device according to the present invention . Since mathematical models of backlash and hysteresis are already known, detailed descriptions thereof are omitted.
도 1 및 도 2를 참조하면, 백래시 및 히스테리시스의 수학적 모델이 표현되어 있는데, 본 발명에서는 백래시 모델 및 히스테리시스 모델의 이산 시간 모델을 구동기의 비선형 모델로서 제어 시스템에 적용하고, 본 발명에서 제시하는 개선 알고리즘 검증에 사용한다.1 and 2, a mathematical model of backlash and hysteresis is represented. In the present invention, a discrete time model of the backlash model and the hysteresis model is applied to the control system as a nonlinear model of the driver, and the improvement proposed by the present invention. Used for algorithm verification.
도 3은 선형 모델 내에 구동기의 비선형 모델 중 백래시 모델의 반영을 나타내는 도면이고, 도 4는 구동기의 비선형 모델 중 백래시 모델이 반영된 종축 선형 모델(도 3)을 이용하여 백래시 모델이 있을 때와 없을 때의 두 조건에 대한 시뮬레이션 결과를 표시하는 도면이다.FIG. 3 is a diagram illustrating a reflection of a backlash model among nonlinear models of a driver in a linear model, and FIG. 4 is a case of using and not having a backlash model using a longitudinal axis linear model (FIG. 3) in which a backlash model is reflected among nonlinear models of a driver. A diagram showing simulation results for two conditions.
도 3의 좌측은 비행 제어 법칙과 관련된 회로이며, 구동기(actuator)는 구동기 모델을 나타낸다. 또한, 종축 에어프레임(longitudinal airframe)은 제어기가 포함되지 않은 대상 항공기의 모델을 나타낸다.3 is a circuit associated with the flight control law, and an actuator represents a driver model. In addition, a longitudinal airframe represents a model of a target aircraft that does not include a controller.
도 3에 도시된 ①은 종축 조종 명령을 나타내고, ②는 Sym HT 명령을 나타내며, ③은 백래시 모델 앞 단에서의 Sym HT 변위이고, ④는 백래시 모델 뒷 단에서의 Sym HT변위를 나타내며, ⑤는 피치 각속도를 나타내고, ⑥은 수직 가속도(g's)를 나타낸다.In Fig. 3, ① denotes a subordinate axis control command, ② denotes a Sym HT command, ③ denotes a Sym HT displacement at the front end of the backlash model, ④ denotes a Sym HT displacement at the rear end of the backlash model, and ⑤ denotes a The pitch angular velocity is shown, and ⑥ represents the vertical acceleration g's.
도 3에는 기존의 종축 선형 모델에 포함되어 있지 않았던 구동기 비선형 모델이 포함되어 있다. 반영된 구동기 비선형성 모델은 백래시 모델로서 도 3의 파란색 블록이다.3 includes a driver nonlinear model that was not included in the existing longitudinal axis model. The reflected driver nonlinearity model is the backlash model and is the blue block of FIG. 3.
도 4의 좌측 부분은 백래시 모델을 반영하기 이전의, 기존 선형 모델에 작은 크기의 피치 더블릿(Pitch Doublet) 입력을 인가하였을 때의 항공기 반응을 나타내는 시뮬레이션 결과이다. 작은 크기의 피치 명령은 시뮬레이션 시작 시점의 트림(Trim) 조건에서의 미소 교란을 발생시켜 항공기 응답특성을 확인하기 위한 것이다. 시뮬레이션 결과를 보면, 종축 제어 법칙에서 생성하는 대칭(Symmetric) 수평 미익 조종 명령(descmd)을 구동기를 통해, 조종면까지 잘 전달되고 있음을 대칭 수평 미익 변위(desact)를 통해 확인할 수 있으며, 적절한 명령이 조종면 변위까지 잘 전달되면서 LCO와 같은 현상이 나타나지 않음을 알 수 있다. 각 서브플롯(Subplot) 우측 상단의 번호는 해당 신호를 추출한 위치를 표시한 것으로, 도 3의 번호와 비교하여 확인할 수 있다.The left part of FIG. 4 is a simulation result showing an aircraft response when a small pitch doublet input is applied to an existing linear model before reflecting the backlash model. The small pitch command is to check the response of the aircraft by generating a small disturbance in the trim condition at the start of the simulation. The simulation results show that the symmetric horizontal tail control command (SMD) generated by the longitudinal control law is well transmitted through the driver to the control plane through the symmetric horizontal tail displacement. It can be seen that the LCO does not appear as well as the control plane displacement. The number on the upper right of each subplot indicates the location from which the corresponding signal is extracted and can be confirmed by comparing with the number of FIG. 3.
또한, 도 4의 우측 부분은 기존 선형 모델에 백래시를 반영한 시뮬레이션 환경에서, 도 4의 좌측 부분의 시뮬레이션 시와 동일한 크기의 피치 더블릿 입력을 인가하였을 때의 항공기 반응을 나타내는 시뮬레이션 결과이다. 이 시뮬레이션 결과를 살펴보면, 추가된 백래시 모델에 의해 시메트릭 수평 미익 조종 명령(descmd) 진행 방향의 변경시마다 조종면이 움직이지 않고 멈춰있는 것을 시메트릭 수평 미익 변위 신호를 통해 확인할 수 있으며, 적절한 명령이 조종면 변위까지 전달되지 않으면서 결과적으로 LCO가 발생하고 있음을 항공기 피치 각속도(dqb) 신호와 수직 가속도 신호(danacc)를 통해 확인할 수 있다.In addition, the right part of FIG. 4 is a simulation result showing an aircraft response when a pitch doublet input having the same size as that of the left part of FIG. 4 is applied in a simulation environment in which a backlash is reflected in an existing linear model. Looking at the simulation results, the added backlash model shows that the control plane stops moving and stops every time the direction of the symmetric horizontal tail control command (descmd) changes, and the appropriate command is the control surface. It can be seen from the aircraft pitch angular velocity (dqb) signal and the vertical acceleration signal (danacc) that LCO is generated as a result without being transmitted until displacement.
도 4의 좌측 및 우측을 비교하면, 백래시 모델이 반영되지 않은 선형 모델의 경우에는, Sym HT 변위나, 피치 각속도나, 수직 가속도 신호가 진동없이 정상상태로 유지됨을 알 수 있다. 하지만, 선형 모델 내에 백래시 모델이 반영된 모델의 경우에는, Sym HT 명령이 주어지면 백래시 모델이 적용되기 이전의 Sym HT 변위()와 백래시 모델이 적용된 이후의 Sym HT 변위()의 피크가 변화함을 알 수 있으며, 피치 각속도나 수직 가속도 신호를 통해 항공기의 LCO 특성을 확인할 수 있다. 즉, 선형 모델 내에 백래시 모델이 반영됨으로써, 정확한 위치 제어를 방해하는 LCO가 발생함을 알 수 있다.Comparing the left and right sides of FIG. 4, in the case of the linear model in which the backlash model is not reflected, it can be seen that the Sym HT displacement, the pitch angular velocity, and the vertical acceleration signal are maintained in a steady state without vibration. However, in the case of a model in which the backlash model is reflected in the linear model, when the Sym HT command is given, the peaks of the Sym HT displacement () before the backlash model is applied and the Sym HT displacement () after the backlash model are applied are changed. The pitch angular velocity or vertical acceleration signal can be used to determine the aircraft's LCO characteristics. That is, the backlash model is reflected in the linear model, and it can be seen that LCO occurs that prevents accurate position control.
따라서, 본 출원인은 이와 같이 발생한 구동기 비선형성으로 인한 성능의 저하를 개선하기 위해, 신경회로망을 이용함으로써 기존 제어기의 제어 성능을 강화시켰다.Accordingly, the present inventors have enhanced the control performance of the existing controller by using neural networks in order to improve the deterioration of performance due to the driver nonlinearity generated as described above.
다음, 도 5는 본 발명에 따른 전제 제어기의 구성을 나타내는 블록도이다.Next, Figure 5 is a block diagram showing the configuration of the entire controller according to the present invention.
도 5를 참조하면, 본 발명에 따른 제어 시스템의 구조는 기존 비선형 제어기(100)와, 구동기(110)와, 구동기 비선형성(120)과, 베어에어프레임(bare airframe)(130)과, 신경회로망 기반의 구동기 비선형성 보상기(140)로 구성된다. 구동기 비선형성(120)은 본 발명의 개선효과를 확인하기 위해 시뮬레이션 환경 내에 추가한 블록으로 비행시험 데이터로 분석을 통해 설계된 백래시나 히스테리시스 모델 등이 반영될 수 있으며 본 블록에 의해 시스템의 LCO 현상이 발생된다. 즉, 비행제어 시스템 설계시에 기존 비선형 제어기(100)는 구동기(110)가 장착되어 있는 베어에어프레임(130)이 적절한 비행/조종성을 갖도록 설계가 이루어진다. 하지만, 실제 비행 결과 구동기 비선형성(120)이 존재하고 있음이 확인되었고 이 구동기 비선형성은 항공기 LCO를 유발하는 것이 확인되었다. 하지만, 기존 비선형 제어기(100)는 백래시나, 히스테리시스와 같은 구동기 비선형 특성이 없는 이상적인 시스템에서만 비행/조종성을 제공할 수 있을 뿐, 개별 구동기마다, 시간의 경과에 따라 특성을 달리하는 구동기 비선형성 특성은 PID 기반의 고전 제어 법칙을 적용하고 있는 기존 비선형 제어기(100)로는 제어할 수 없다.Referring to FIG. 5, the structure of the control system according to the present invention includes a conventional
따라서, 기존 비선형 제어기(100)의 구성에 신경회로망 기반의 적응제어 알고리즘을 설계 반영한 구동기 비선형성 보상기(140)를 추가하여 구동기 비선형성(120)으로 인한 비행성 저하를 개선한다.Therefore, by adding a
또한, 본 제어 시스템은 입력에 대하여 실제 시스템과 기준모델의 차이만큼을 신경회로망 기반의 구동기 비선형성 보상기(140)가 추가적인 제어 입력(Uad)을 만들어 내는 방식으로 보상을 하는 구조를 갖고 있다. 만일, 기준 모델의 반응 특성이 실제 항공기의 반응과 동일하다면, 신경회로망 기반의 구동기 비선형성 보상기(140)는 작동하지 않고 기존 비선형 제어기(100)에 의해 항공기가 제어될 것이다. 하지만, 구동기 비선형성이 존재하는 시스템의 경우 LCO특성을 나타내지 않는 기준 모델의 반응은 구동기 비선형성으로 인해 LCO를 나타내는 실제 항공기 반응과 차이를 보이며 구동기 비선형성 보상기(140)는 이 차이를 보상하기 위한 제어명령을 생성하게 된다. 이와 같은 구성에 의해, 본 발명은 기존 비선형 제어기(100)의 성능을 유지하면서 적응 제어 기법에 의해 불확실성을 보상하는 효과가 있다.In addition, the control system has a structure in which the neural network-based driver
다음, 도 6은 도 5에 나타낸 신경회로망 기반의 구동기 비선형성 보상기의 작동을 위해 필요한 논리 회로를 나타내는 블록도이다. 도 6에 표시된 논리회로는 구동기 비선형성 보상이 필요한 비행 영역인지를 판단하는 제 1 논리 판단 구조(141)와, 항공기는 정상 상태(steady state)인지를 판단하는 제 2 논리 판단 구조(142)로 구성되어 있다.Next, FIG. 6 is a block diagram illustrating a logic circuit necessary for the operation of the neural network-based driver nonlinearity compensator shown in FIG. 5. The logic circuit shown in FIG. 6 includes a first
또한, [Engage]는 기존 조종성 영향이 최소화되도록 적응 제어 보상 로직의 작동 여부를 결정하게 되는 논리 신호(a)이며, [Trim State]는 트림 상태에서의 변동량을 계산하여 기준모델의 입력에 전달하고, 실제 항공기 반응 특성과 기준모델의 출력과의 차이를 계산하여 신경회로망에 전달하는데 사용하기 위해 현재가 트림상태의 개시점인지 여부를 판단하는 논리신호(b)이다.In addition, [Engage] is a logic signal (a) that determines whether the adaptive control compensation logic is operated so that the influence of the existing maneuverability is minimized. [Trim State] calculates the variation in the trim state and transmits it to the input of the reference model. In order to calculate the difference between the actual aircraft response characteristics and the output of the reference model and to transmit it to the neural network, it is a logic signal (b) for determining whether the current is the starting point of the trim state.
도 7은 도 6에 나타낸 논리 회로의 역할을 확인할 수 있는 시뮬레이션 결과를 나타내는 도면이다.FIG. 7 is a diagram illustrating a simulation result capable of confirming the role of the logic circuit illustrated in FIG. 6.
도 7의 좌측 도면은 도 6에 나타낸 논리 회로를 사용하지 않은 경우의 시뮬레이션 결과를 나타내고, 도 7의 우측 도면은 도 6에 나타낸 논리 회로를 사용한 경우의 시뮬레이션 결과를 나타내고 있다.The left figure of FIG. 7 shows the simulation result when the logic circuit shown in FIG. 6 is not used, and the right figure of FIG. 7 shows the simulation result when the logic circuit shown in FIG. 6 is used.
좀더 상세히 설명하면, 파란색 시뮬레이션 결과는 신경회로망 기반 구동기 비선형성 개선 알고리즘을 작동시키지 않은 경우, 연두색 시뮬레이션 결과는 개선 알고리즘을 작동시키고 시뮬레이션을 수행한 것이다. 도 7에서 [PRESETTRIG] 신호가 1인 경우는 개선 알고리즘을 작동시킨 상태를 나타내고, [ANACC] 신호는 수직가속도를 나타낸다. 도 7의 좌측에서, 수직 가속도 신호를 살펴보면, 개선 알고리즘을 작동시키면 수직 가속도에서 확인되는 LCO 진폭이 상당 부분 줄어들어 본 발명에 의한 개선 효과를 확인할 수 있다. 하지만, 조종사의 피치 더블릿 입력 직후, 약 3초간 지속되는 2 수준의 진동을 확인할 수 있는데, 이러한 진동 특성은 조종성 관점에서 유인 항공기에서는 허용할 수 없는 수준으로 개선이 필요하다.In more detail, when the blue simulation result does not activate the neural network-based driver nonlinearity improvement algorithm, the lime green simulation result is the operation of the improvement algorithm and the simulation. In FIG. 7, when the [PRESETTRIG] signal is 1, the improvement algorithm is operated, and the [ANACC] signal indicates vertical acceleration. On the left side of FIG. 7, when looking at the vertical acceleration signal, when the improvement algorithm is operated, the LCO amplitude identified in the vertical acceleration is substantially reduced to confirm the improvement effect according to the present invention. However, immediately after the pilot's pitch doublet, two levels of vibration lasting about three seconds can be seen. These vibration characteristics need to be improved to an unacceptable level from the manned aircraft in terms of maneuverability.
상기한 문제점은 신경회로망 설계 파라미터 변경 수준으로는 해결할 수 없음을 확인하였고, 조종사의 조작이나 항공기 기동에 상관없이 항상 작동시키던 기존의 개선 알고리즘의 작동 방식을 항공기가 정상 상태(Steady State)에 도달한 경우에 작동시키는 방식으로 작동 개념을 변경하는 방식으로 해결하였다. 본 발명에서 제시한 시뮬레이션에는 항공기의 정상 상태의 판단을 위해 피치 각속도 신호와, 항공기 옆미끄럼각(AOS, Angle of Sidesilp) 변화율 신호를 이용하여 지정된 시간(지정된 프레임) 이상 연속으로 특정 수준 이하를 유지할 경우 정상상태로 판단하도록 구성하였으나, 정상상태의 판단에 사용하는 신호나 연속 유지 시간의 결정은 제어 시스템에 맞춰 적절하게 구성할 수 있는 부분이다. It was confirmed that the above problem cannot be solved by the neural network design parameter change level, and the aircraft has reached the steady state by operating the conventional improvement algorithm which always operates regardless of the pilot's operation or the maneuvering of the aircraft. The solution was to change the concept of operation in the case of operation. In the simulations presented in the present invention, a pitch angular velocity signal and an angle of side silp (AOS) change rate signal are used to determine a steady state of an aircraft, and thus, are continuously maintained at a specified level or more for a specified time or more. In this case, it is configured to determine the steady state, but the determination of the signal or the continuous holding time used for the determination of the steady state is a part that can be appropriately configured according to the control system.
도 7의 우측은 도 7의 좌측의 시뮬레이션과 동일한 비행 조건을 6자유도 비선형 시뮬레이션 환경에서 시뮬레이션한 것으로, 도 6에서 설명한 논리회로를 이용하여 항공기 정상화 이후에 개선 알고리즘이 작동되도록 하는 설계가 반영된 결과이다. 도 7의 우측과 좌측의 신호, 구성, 색상은 동일하다. 도 7의 우측의 수직 가속도 신호를 살펴보면, 개선 알고리즘의 작동으로 인한 LCO 진폭 감소 특성 외에, 도 7의 좌측에서 문제가 되었던 조종사 피치 더블릿 입력 직후의 진동도 발생하지 않는 것을 확인할 수 있다.The right side of FIG. 7 simulates the same flight conditions as the simulations on the left side of FIG. 7 in a six degree of freedom nonlinear simulation environment. The design reflects a design for operating the improvement algorithm after the normalization of the aircraft using the logic circuit described in FIG. 6. to be. Signals, configurations, and colors of the right and left sides of FIG. 7 are the same. Looking at the vertical acceleration signal of the right side of Figure 7, it can be seen that in addition to the LCO amplitude reduction characteristics due to the operation of the improvement algorithm, the vibration immediately after the input of the pilot pitch doublet, which was a problem on the left side of FIG.
조종사 조종성 개선을 위해 적용한 상기 해결 방법은, 항공기가 정상 상태(Steady State)에 도달한 이후에 구동기 비선형 특성 개선 알고리즘을 작동시킴으로써, 조종사 조작으로 항공기가 기동 중인 상태에서 추가적인 알고리즘이 작동되지 않도록 하는 방식으로, 조종사의 의도적인 조작으로 항공기가 기동하고 있는 중에는 LCO 문제가 발생하지 않으며, 따라서 개선 알고리즘을 작동시키지 않아도 된다는 개념을 적용한 것이다. 또한, 본 해결 방법은 결과적으로 LCO 특성 개선용 적응 제어 알고리즘의 비행 제어 OFP 내 반영 시, 기존에 시간과 비용을 들여 검증하였던 비행/조종성(FQ/HQ) 평가 결과에 영향을 거의 미치지 않도록 하는 결과를 가져오기 때문에, 시스템 반영 시 영향성 검증 소요를 감소시켜 본 발명을 실제 시스템에 반영을 쉽게 하는 긍정적인 역할도 한다.The solution applied for pilot maneuverability is to operate a driver nonlinear characteristic improvement algorithm after the aircraft has reached Steady State, so that no additional algorithm is operated while the aircraft is maneuvered by pilot manipulation. As a result, the LCO problem does not occur while the aircraft is maneuvered by the pilot's intentional operation, thus eliminating the need to run the improvement algorithm. In addition, this solution results in little effect on the flight / pilotability (FQ / HQ) evaluation results that have been previously validated with time and cost when reflected in the flight control OFP of the adaptive control algorithm for improving LCO characteristics. Since it also reduces the need for impact verification when the system is reflected, it also plays a positive role in easily reflecting the present invention to the actual system.
다음, 도 8은 본 발명에 따른 신경회로망 기반 구동기 비선형성 보상기의 구성을 나타내는 블록도이다.Next, Figure 8 is a block diagram showing the configuration of the neural network-based driver nonlinearity compensator according to the present invention.
도 8에 도시된 도면의 좌측 부분을 참조하면, 트림 상태를 기준으로 변동량을 입출력으로 하는 선형 모델인 기준 모델을, 절대값을 직접 사용하는 비선형 모델에 반영한 부분이다. 즉, 현재가 트림 상태(b)라는 정보를 받을 경우, 그 트림 상태로부터 변동량을 계산하기 위한 로직이 반영되어 있다. 이러한 로직에 의해, 선형모델인 기준 모델의 입출력 신호에 상응하는 값을 실제 항공기 반응 특성으로부터 생성하여 오차 방정식을 구현하고 신경회로망의 입력 신호를 생성하게 된다.Referring to the left part of the figure shown in FIG. 8, the reference model, which is a linear model using the amount of variation as an input / output based on a trim state, is reflected in a nonlinear model using absolute values directly. That is, when the current state is received in the trim state (b), the logic for calculating the variation amount from the trim state is reflected. By this logic, a value corresponding to the input / output signal of the reference model, which is a linear model, is generated from the actual aircraft response characteristics to implement an error equation and generate an input signal of a neural network.
즉, 일반적으로 선형모델을 비선형 환경에 반영할 경우 전 비행영역의 항공기 트림상태 정보를 저장하고 있는 일종의 데이터 베이스인 블록을 제어시스템을 추가하는 트림맵(trim map) 방식을 적용하고 있는데 본 발명에서는 이러한 전 비행영역의 트림상태 정보를 저장하는 추가 블록 없이 단순한 논리판단과 회로 구성을 통하여 선형 모델인 OBM(On Board reference Model)과 신경회로망을 사용할 수 있도록 하는 방법을 적용하였다.In other words, when a linear model is reflected in a nonlinear environment, a trim map method that adds a control system to a block, which is a kind of database that stores aircraft trim state information of all flight areas, is applied. A method that enables the use of the linear model OBM (On Board Reference Model) and neural network through simple logic decision and circuit configuration without additional block storing trim state information of all flight area is applied.
또한, 도 8에 도시된 우측 부분을 참조하면, 만약에 구동기 비선형 특성을 개선해야 하는 시스템이 다중시스템인 경우에 신경회로망 기반 적응제어 알고리즘을 반영할 경우에 추가되어야 하는 적분기 밸런싱(Balancing)이 표시되어 있다. 다중시스템이란, 예를 들어 비행제어 컴퓨터가 비행 중에 이상이 있는 경우를 고려하여 항공기에 2대 이상의 비행제어 컴퓨터를 장착하여 2대 이상의 컴퓨터가 항상 작동하다가 그 중 한 대에서 이상이 발생하면, 나머지 컴퓨터를 이용해 시간적인 단락 없이 적절한 제어 명령을 지속적으로 제공할 수 있도록 하는 기법이다. 이런 목적에서 2대 이상의 컴퓨터가 동시에 작동시킬 경우, 개별 컴퓨터 작동 시간의 미세한 차이로 작동 시간이 계속 곱해지면서 누적하여 신호를 생성하는 적분기 출력은 시간이 지나면서 조금씩 오차가 커질 수 있다. 이런 오차를 적절히 보상해주어야만 다중 시스템이 계속해서 원활하게 작동할 수 있다. 이러한 개별 컴퓨터 간의 적분기 신호 차이를 보상하는 것을 적분기 밸런싱이라고 한다.In addition, referring to the right part shown in FIG. 8, an integrator balancing that is to be added when a system that needs to improve driver nonlinear characteristics is applied to a neural network based adaptive control algorithm is displayed. It is. Multi-system means, for example, that a flight control computer has an abnormality in flight, and two or more flight control computers are always in operation in an aircraft, and when one of them fails, It is a technique that allows a computer to continuously provide an appropriate control command without time short circuit. If two or more computers are running simultaneously for this purpose, the integrator outputs that accumulate and generate signals as the operating times continue to multiply by minute differences in the individual computer's operating times may grow slightly over time. This error must be compensated properly so that multiple systems can continue to operate smoothly. Compensating for integrator signal differences between individual computers is called integrator balancing.
신경회로망을 제어 시스템에 구현하기 위해서는 신경회로망의 가중치 미계수를 적분하기 위한 적분기가 필요하다. 신경회로망의 내부 구성에 따라 필요한 적분기 개수는 달라질 수 있으나 기존 제어 시스템에 비해 상당한 개수의 적분기 추가가 필요하며, 이러한 적분기는 상기 설명한 이유로 적분기 밸런싱 처리가 필요하다.In order to implement a neural network in a control system, an integrator is needed to integrate the weighted non-coefficient of the neural network. The required number of integrators may vary according to the internal configuration of the neural network, but a considerable number of integrators are added compared to the existing control system, and these integrators require integrator balancing processing for the reasons described above.
다음, 도 9는 본 발명에 따른 신경회로망 기반 구동기 비선형성 보상기를 백래시로 인한 LCO 발생 상태인 6자유도 비선형 시뮬레이션 환경 내에 반영하여 시뮬레이션 수행한 결과를 표시하는 도면이다.Next, FIG. 9 is a diagram illustrating a simulation result by reflecting a neural network-based driver nonlinearity compensator according to the present invention in a six degree of freedom nonlinear simulation environment in which LCO is generated due to backlash.
도 9는 본 발명에서 검토했던 다양한 검토 결과 가운데 특정 비행 조건에 대한 시뮬레이션 결과를 정리한 것이다. 도 9에 포함된 신호 가운데 "NN engage" 는개선 알고리즘의 작동 여부를 지시하는 변수로 해당 값이 "1"인 경우 개선 알고리즘을 작동시킨 것이고, "0"인 경우 개선효과를 확인하기 위해 의도적으로 개선 알고리을 정지시킨 상태이다. 개선 알고리즘을 작동시킨 경우, 신경회로망 출력 신호인 "NN Compensation" 신호가 생성되는 것을 확인할 수 있으며, 해당 신호가 구동기에 추가로 인가되면 항공기의 LCO 수준이 감소하는 것을 항공기 반응 값인 수직 가속도, 피치 자세각 값 등으로 확인할 수 있다. 본 조건의 시뮬레이션의 결과 수치를 보면, 개선 알고리즘이 미작동시 수직 가속도의 LCO 진폭이 ±0.149G 정도였다가 알고리즘을 작동시키면 ±0.070G 수준으로 감소하여, 기존 진폭 대비 46.9% 수준으로 진동이 감소한 것을 확인할 수 있다.9 summarizes the simulation results for a specific flight condition among the various examination results examined in the present invention. Among the signals included in FIG. 9, "NN engage" is a variable indicating whether the improvement algorithm is operated. When the value is "1", the improvement algorithm is operated. When the value is "0", the "NN engage" is intentionally used to confirm the improvement effect. The improvement algorithm has been stopped. When the improvement algorithm is activated, the neural network output signal "NN Compensation" is generated, and when the signal is additionally applied to the driver, the aircraft's LCO level is decreased. Each value can be confirmed. The simulation results show that the improvement algorithm has a LCO amplitude of ± 0.149G for vertical acceleration when it is not running, but decreases to ± 0.070G when the algorithm is operated, resulting in a vibration reduction of 46.9% of the existing amplitude. You can see that.
다음, 도 10은 히스테리시스로 인한 LCO 발생 시스템에 본 발명에 따른 신경회로망 기반 구동기 비선형성 보상기를 반영하여 시뮬레이션을 수행한 결과를 나타내는 도면이다.Next, FIG. 10 is a diagram illustrating a simulation result reflecting a neural network-based driver nonlinear compensator according to the present invention in an LCO generation system due to hysteresis.
도 10의 좌측은 신경회로망을 사용하지 않은 경우이며, 우측은 신경회로망을 작동시킨 결과이다. 도 10의 제일 상단의 신호는 구동기에 들어가는 입력과 출력 신호를 나타내며, 두 번째 신호는 신경회로망 기반 적응제어 알고리즘에서 생성한 명령, 세 번째는 피치 각속도, 네 번째 그림은 수직 가속도를 각각 나타낸다. 도 10은 일례로 각각 고도 10kft, 속도는 Mach0.7에 대한 시뮬레이션 결과로서, 신경회로망을 적용하지 않을 경우 히스테리시스에 의해 발생하던 LCO 특성이 신경회로망을 작동시킨 경우 완전히 제거됨을 확인할 수 있다.The left side of FIG. 10 is a case where the neural network is not used, and the right side is a result of operating the neural network. The topmost signal of FIG. 10 represents input and output signals entering the driver, the second signal represents a command generated by the neural network based adaptive control algorithm, the third represents pitch angular velocity, and the fourth represents vertical acceleration. 10 is an example of the simulation results for each of the altitude 10kft, the speed Mach0.7, it can be seen that the LCO characteristics caused by the hysteresis is completely removed when the neural network is applied when the neural network is not applied.
도 10의 결과를 통해 구동기 조종 명령의 방향 변경 시, 일정 범위 내에서 전혀 작동하지 않는 백래시와는 다르게, 정확하게 명령을 추종하지는 못하지만 어느 정도 명령을 시스템에 전달하는 히스테리시스에 대해서도 본 발명의 개선효과를 확인함으로써, 본 발명에서 제시하는 제어 알고리즘이 백래시나 히스테리시스와 같은 특정한 구동기 비선형성 모델뿐만 아니라 다양한 원인의 구동기 비선형성 특성 개선에 공통적으로 사용될 수 있음을 확인하였다. 또한, 히스테리시스에 적응 제어 알고리즘을 적용할 경우, LCO 진폭이 줄어드는 수준의 개선이 아닌 LCO를 제거할 수 있는 수준의 개선이 가능함을 확인함으로써, 시뮬레이션 환경 내 반영한 백래시 모델보다는 완화된 특성이 예상되는 비행 환경에서의 구동기 비선형 특성에 대해서는, 본 발명의 설명 과정에서 보여준 결과보다 더 좋은 효과를 나타낼 것으로 예상한다.
As shown in FIG. 10, unlike the backlash which does not operate at all within a certain range when changing the direction of the driver control command, the improvement effect of the present invention is also applied to the hysteresis that does not accurately follow the command but transmits the command to the system to some extent. By confirming, it was confirmed that the control algorithm proposed in the present invention can be commonly used to improve driver nonlinearity characteristics of various causes as well as specific driver nonlinearity models such as backlash and hysteresis. In addition, by applying the adaptive control algorithm to hysteresis, it is possible to improve the level of elimination of LCO rather than the level of decrease of LCO amplitude. For driver nonlinear characteristics in the environment, it is expected that the effect will be better than the results shown in the description process of the present invention.
이상에서는 본 발명의 실시예를 예로 들어 설명하였지만, 당업자의 수준에서 다양한 변경이 가능하다. 따라서, 본 발명은 상기의 실시예에 한정되어 해석되어서는 안 되며, 이하에 기재된 특허청구범위에 의해 해석되어야 함이 자명하다.Although the embodiments of the present invention have been described above, various modifications may be made by those skilled in the art. Therefore, it should be understood that the present invention should not be construed as being limited to the above embodiments, but should be construed in accordance with the following claims.
100 : 기존 비선형 제어기
110 : 구동기
120 : 구동기 비선형성
130 : 베어에어프레임(bare airframe)
140 : 신경회로망 기반의 구동기 비선형성 보상기
141 : 제 1 논리 판단 구조
142 : 제 2 논리 판단 구조100: existing nonlinear controller
110: driver
120: driver nonlinearity
130: bare airframe
140: driver nonlinear compensator based on neural network
141: first logical judgment structure
142: second logical decision structure
Claims (4)
상기 구동기(110)가 장착되는 베어에어프레임(130)과,
상기 베어에어프레임(130)이 비행 및 조종성을 갖도록 설계되는 기존 비선형 제어기(100)와,
실제 비행시 항공기 LCO(limit cycle oscillation)를 발생 모사를 위한 구동기 비선형성(120)과,
상기 구동기 비선형성(120)을 제어하기 위해, 신경회로망 기반의 적응제어 알고리즘을 설계하여 반영한 구동기 비선형성 보상기(140)를 포함하되,
상기 구동기 비선형성 보상기(140)에 반영된 적응제어 알고리즘은,
상기 구동기 비선형성(120) 보상이 필요한 비행 영역인지를 판단하는 제 1 논리 판단 구조(141)와,
항공기가 정상 상태(steady state)인지를 판단하는 제 2 논리 판단 구조(142)로 구성되는 제 2 로직을 구비하는 것을 특징으로 하는 신경회로망을 이용하여 구동기의 비선형성에 따른 제어 성능의 저하를 개선하는 제어 장치.The driver 110,
A bare air frame 130 to which the driver 110 is mounted,
The existing non-linear controller 100 is designed so that the bare air frame 130 has a flight and maneuverability,
Driver nonlinearity 120 for simulating the generation of limit cycle oscillation (LCO) during actual flight, and
In order to control the driver nonlinearity 120, including a driver nonlinearity compensator 140 by designing and reflecting a neural network-based adaptive control algorithm,
The adaptive control algorithm reflected in the driver nonlinearity compensator 140,
A first logic determination structure 141 for determining whether the driver nonlinearity 120 is a flight area requiring compensation;
A second logic comprising a second logic determination structure 142 for determining whether the aircraft is in a steady state, and using the neural network to improve the deterioration of control performance due to the nonlinearity of the driver. controller.
상기 구동기 비선형성 보상기(140)에 반영된 적응제어 알고리즘은,
트림 상태를 기준으로 변동량을 입출력으로 하는 선형 모델인 기준 모델을, 절대값을 직접 사용하는 비선형 모델에 반영하기 위해, 현재가 트림 상태(b)라는 정보를 받을 경우, 상기 트림 상태로부터 변동량을 계산하는 제 1 로직을 구비하는 것을 특징으로 하는 신경회로망을 이용하여 구동기의 비선형성에 따른 제어 성능의 저하를 개선하는 제어 장치.The method of claim 1,
The adaptive control algorithm reflected in the driver nonlinearity compensator 140,
In order to reflect the reference model, which is a linear model that inputs and outputs a variation amount based on a trim state, to a nonlinear model that uses absolute values directly, when the current is received as the trim state b, the variation amount is calculated from the trim state. And a first logic, wherein the control device improves the deterioration of control performance due to the nonlinearity of the driver using a neural network.
상기 구동기 비선형성 보상기(140)는 다중 시스템으로 이루어지며,
상기 다중 시스템에서 개별 컴퓨터 간의 적분기 신호 차이를 보상하는 적분기 밸런싱(Balancing)을 더 포함하는 것을 특징으로 하는 신경회로망을 이용하여 구동기의 비선형성에 따른 제어 성능의 저하를 개선하는 제어 장치.The method of claim 1,
The driver nonlinearity compensator 140 is composed of multiple systems,
And an integrator balancing for compensating the difference between integrator signals between the individual computers in the multiple system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020110142402A KR101329199B1 (en) | 2011-12-26 | 2011-12-26 | Controller to enhance control performance degradation by non-linearity of actuator using neural network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020110142402A KR101329199B1 (en) | 2011-12-26 | 2011-12-26 | Controller to enhance control performance degradation by non-linearity of actuator using neural network |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20130074360A KR20130074360A (en) | 2013-07-04 |
| KR101329199B1 true KR101329199B1 (en) | 2013-11-14 |
Family
ID=48988474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020110142402A KR101329199B1 (en) | 2011-12-26 | 2011-12-26 | Controller to enhance control performance degradation by non-linearity of actuator using neural network |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101329199B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101771866B1 (en) | 2016-12-20 | 2017-08-25 | 국방과학연구소 | Control command resolving for attenuating limit-cycle due to actuator backlash |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10241520B2 (en) * | 2016-12-22 | 2019-03-26 | TCL Research America Inc. | System and method for vision-based flight self-stabilization by deep gated recurrent Q-networks |
| CN108631549A (en) * | 2017-03-22 | 2018-10-09 | 智瑞佳（苏州）半导体科技有限公司 | A kind of digital power and its optimization method |
| CN107831658A (en) * | 2017-11-01 | 2018-03-23 | 北京航空航天大学 | A kind of robust optimal attitude control method of unmanned vehicle |
| CN111857171B (en) * | 2020-07-30 | 2021-09-21 | 华南理工大学 | Unmanned aerial vehicle control method based on quality self-adaptive multilayer neural network |
| CN112650112B (en) * | 2020-12-18 | 2024-02-27 | 湖南金翎箭信息技术有限公司 | Steering engine control method |
-
2011
- 2011-12-26 KR KR1020110142402A patent/KR101329199B1/en active IP Right Grant
Non-Patent Citations (3)
| Title |
|---|
| 신동호 외 1인, "불확실성을 갖는 비행시스템을 위한 신경회로망을 이용한 비선형 적응 제어기 설계", 한국항공우주학회 학술발표회 논문집, pp. 428-431 (2001년 04월) * |
| 전병호, "신경망 기법을 이용한 소형 무인항공기 파라미터 추정에 관한 연구", 한국항공대 대학원 석사학위논문 (2007년 02월) * |
| 전병호, "신경망 기법을 이용한 소형 무인항공기 파라미터 추정에 관한 연구", 한국항공대 대학원 석사학위논문 (2007년 02월)* |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101771866B1 (en) | 2016-12-20 | 2017-08-25 | 국방과학연구소 | Control command resolving for attenuating limit-cycle due to actuator backlash |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20130074360A (en) | 2013-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101329199B1 (en) | Controller to enhance control performance degradation by non-linearity of actuator using neural network | |
| US7474944B2 (en) | Control system and method with multiple linked inputs | |
| US7641152B2 (en) | Dynamic adjustment of wing surfaces for variable camber | |
| US9102399B2 (en) | Life improving flight control system | |
| CN103838145B (en) | VTOL aircraft Robust Fault-Tolerant Control Systems based on cascade observer and method | |
| US9327824B2 (en) | Adjustment of wings for variable camber for optimum take-off and landing | |
| US8359129B2 (en) | Method and device for controlling the thrust of a multi-engine aircraft | |
| CN101674981A (en) | Method and device for moveable tail trimming in an aircraft | |
| US11753147B2 (en) | System and method for monitoring the state of an unmanned aircraft | |
| CN109426150B (en) | Load simulator backstepping control method based on extended state observer | |
| EP3500486B1 (en) | Backup actuation control unit for controlling an actuator dedicated to a given surface and method of using same | |
| CN108873919B (en) | Civil robot in-loop system, active side rod servo tracking control system and method | |
| Hess et al. | Analytical assessment of flight simulator fidelity using pilot models | |
| Harding et al. | Development of modern control laws for the AH-64D in hover/low speed flight | |
| US8185281B2 (en) | Method and controller for controlling a power train of a vehicle | |
| KR101954494B1 (en) | Method for certifying qualification of control loading system with side grip yoke used in flight training simulator | |
| CN109703780B (en) | Method for realizing control surface jamming in fly test of telex transport type airplane | |
| US20160176510A1 (en) | Method of managing discontinuities in vehicle control following a control transition, and a vehicle | |
| CN114779743A (en) | Fault-tolerant control method for control surface micro-faults of hypersonic aircraft with random attitude | |
| Ahmadian et al. | A novel L1 adaptive-hybrid control with guaranteed stability for a class of uncertain nonlinear systems: A case study on SA330 Puma | |
| CN114859952A (en) | Nonlinear increment self-adaptive dynamic optimization control method for helicopter | |
| Whalley et al. | Optimization of Partial Authority Automatic Flight Control Systems for Hover/Low‐Speed Maneuvering in Degraded Visual Environments | |
| CN113589690A (en) | Robust fault-tolerant method and device for cooperative adaptive cruise control | |
| KR102114051B1 (en) | Method of non-linear control for aircraft considering center of gravity movement | |
| US10054955B2 (en) | Rudder control method and system for an aircraft |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20161107 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20171106 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20181108 Year of fee payment: 6 |