استفاده از تخصیص مبتنی بر رویکردهای محاسبات نرم برای کنترل فرود یک هواپیما

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد، مجتمع دانشگاهی مکانیک، دانشگاه صنعتی مالک اشتر، اصفهان، ایران

2 استادیار، مجتمع دانشگاهی مکانیک، دانشگاه صنعتی مالک اشتر، اصفهان، ایران

چکیده

در هواپیماهای مدرن، تخصیص کنترل یکی از روش­های موثر برای اجرای مانورهای خاص، کاهش زمان یا انرژی لازم برای انجام یک عملیات مشخص و
جبران­سازی خرابی عملگرها یا محرک­ها می­باشد. برای این کار لازم است تا پرنده در کانال­های مختلف بیش­تحریک باشد. در این حالت، تخصیص کنترل به معنی توزیع یا تقسیم سیگنال کنترلی مورد نیاز، بین سطوح آیرودینامیکی ( عملگرهای آیرودینامیکی) و سیستم کنترل بردار رانش می‌باشد. از میان رویکردهای مختلف برای تخصیص کنترل، بهره­گیری از روش­های مبتنی بر محاسبات نرم مورد توجه می­باشد. لذا هدف اصلی این مقاله، استفاده از منطق فازی و بهینه­سازی چندهدفه برای تخصیص کنترل فاز نشست هواپیمای F/A-18 در حضور عملگرهای بالابر و برداردهی نیروی پیشران است. برای این منظور، فرایند مدل­سازی و شبیه­سازی پرواز این پرنده انجام شده و با تعریف قوانین فازی مناسب و توابع هدف مشخص، توانایی روش تخصیص تدوین یافته برای همگراسازی متغیرهای خروجی به مقادیر مورد انتظار نشان داده می‌شود و در نهایت، پرنده با دقت مناسب و تلاش کنترلی مطلوب، فرایند نشست را به انجام می­رساند.

کلیدواژه‌ها

موضوعات


[1] توحیدی ش.ا.، کنترل تحمل‌پذیر عیب با استفاده از کنترل تطبیقی تخصیص محرک‌های افزونه به روش معکوس مجازی در امتداد فضای پوچی. پایان‌نامه کارشناسی ارشد، دانشگاه صنعتی خواجه نصیر طوسی، 1391.
[2] بزرگ‌نیا د.، کنترل تخصیص محرک‌های مقید. پایان‌نامه کارشناسی ارشد، دانشگاه آزاد اسلامی واحد علوم تحقیقات، 1391.
[3] رشیدی ح.، طراحی الگوریتم سیستم کنترل پرواز مقاوم در برابر عیب. پایان‌نامه کارشناسی ارشد، دانشگاه خواجه نصیرالدین طوسی، 1391.
 
[4] Li H., Yu JY., Zhang YA., Stable Nonlinear Control Allocation for Aircraft with Multiple Control Effectors. InApplied Mechanics and Materials, Vol. 138, No.1, pp. 404-409, 2012.
[5] Tohidi SS., Yildiz Y., Kolmanovsky I., Adaptive control allocation for over-actuated systems with actuator saturation. IFAc-PapersOnLine, Vol. 50, No.1, pp. 5492-5497, 2017.
 
[6]  Tohidi SS., Yildiz Y., Kolmanovsky I., Adaptive control allocation for constrained systems. Automatica, Vol. 121, 2020.
[7] Tohidy S., Sedigh AK., Fault tolerant fuzzy control allocation for overactuated systems. In 2013 13th Iranian Conference on Fuzzy Systems (IFSC), 2013.
[8] Chen M., Constrained control allocation for overactuated aircraft using a neurodynamic model. IEEE Transactions on Systems, Man, and Cybernetics: Systems. Vol. 46, No.12, pp. 1630-1641, 2015.
[9] Zhi J., Chen Y., Dong X., Liu Z., Shi C., Robust adaptive FTC allocation for over‐actuated systems with uncertainties and unknown actuator non‐linearity. IET Control Theory & Applications, Vol. 12, No. 2, pp. 273-281, 2018.
[10] Argha A., Su SW., Celler BG., Control allocation-based fault tolerant control. Automatica, Vol. 103, pp. 408-417, 2019.
[11] Cui L, Zuo Z., Yang Y., A control-theoretic study on iterative solution to control allocation for over-actuated aircraft. IEEE Transactions on Systems, Man, and Cybernetics: Systems Vol. 51, No.6, pp. 3429-3439, 2019.
[12] Sadien E., Roos C., Birouche A., Carton M., Grimault C., Romana LE., Basset M., A new control allocation algorithm to improve runway centerline tracking at landing. IFAC-PapersOnLine, Vol. 52, No.12, pp. 520-525, 2019.
[13] Chen L., Edwards C., Alwi H., Sato M., Flight evaluation of a sliding mode online control allocation scheme for fault tolerant control, Automatica, Vol. 114, 2020.
[14] Wang Y., Xuyang TA., Zhihao CA., Zhao J., Optimal Prediction Control Allocation Algorithm for Tiltrotor Aircraft. InAdvances in Guidance, Navigation and Control 2022, pp. 1183-1193, 2022.
[15] Bian Q., Nener B., Wang X., An improved NSGA-II based control allocation optimisation for aircraft longitudinal automatic landing system. International Journal of Control, Vol. 94, No. 2, pp. 705-716, 2019.
[16] Cao J., Garrett Jr F., Hoffman E., Stalford H., Analytical aerodynamic model of a high alpha research vehicle wind-tunnel model. No. NASA-CR-187469, 1990.
[17] Buttrill CS., Arbuckle PD., Hoffler KD., Simulation model of a twin-tail, high performance airplane. No. NASA-TM-107601, 1992.
[18]  Napolitano MR., Aircraft Dynamics. Wiley, 2012.
[19] Bagherzadeh SA., Nonlinear aircraft system identification using artificial neural networks enhanced by empirical mode decomposition. Aerospace Science and Technology, Vol. 75, pp. 155-171, 2018.
[20] Zadeh LA., Klir GJ., Yuan B., Fuzzy sets, fuzzy logic, and fuzzy systems: selected papers. World Scientific, Vol. 6, 1996.
.[21] Babaei AR., Mortazavi M., Moradi MH., Classical and fuzzy-genetic autopilot design for unmanned aerial vehicles. Applied Soft Computing, Vol. 11, No. 1, pp. 365-372, 2011.
[22] Joe S., Kuo FY., Remark on algorithm 659: Implementing Sobol's quasirandom sequence generator. ACM Transactions on Mathematical Software (TOMS), Vol. 29, No. 1, pp. 49-57, 2003.
[23] Haupt RL., Haupt SE., Practical genetic algorithms. John Wiley & Sons, 2004.
[24] Deb K., Beyer HG., Self-adaptive genetic algorithms with simulated binary crossover. Evolutionary computation, Vol. 9, No. 2, pp. 197-221, 2001.
[25] Deb K., Pratap A., Agarwal S., Meyarivan TA., A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE transactions on evolutionary computation, Vol. 6, No. 2, pp. 182-197, 2002.