Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Мазмұны
Кіріспе
Интеллектуалды ұшуды басқару жүйесі (IFCS) – ұшақ экипажы мен жолаушыларының қауіпсіздігін арттыру және қалыпты жағдайларда ұшақтың өнімділігін оңтайландыру үшін жасалған келесі буын ұшуды басқару жүйесі. Бұл жүйенің ең маңызды артықшылығы – ол ұшқышқа, әдетте апатқа алып келетін техникалық бұзылулар кезінде де ұшақты басқаруға мүмкіндік береді. IFCS NASA Dryden Ұшу зерттеу орталығының басшылығымен, NASA Ames Ғылыми зерттеу орталығы, Boeing Phantom Works, Батыс Вирджиния университетінің Ғылыми зерттеу институты және Джорджия технология институтының ынтымақтастығымен әзірленуде.
The Intelligent Flight Control System (IFCS) is a next generation flight control system designed to provide increased safety for the crew and passengers of aircraft as well as to optimize the aircraft performance under normal conditions. The main benefit of this system is that it will allow a pilot to control an aircraft even under failure conditions that would normally cause it to crash. The IFCS is being developed under the direction of the NASA Dryden Flight Research Center with the collaboration of the NASA Ames Research Center, Boeing Phantom Works, the Institute for Scientific Research at West Virginia University, and the Georgia Institute of Technology.
ИФКҚ-ның мақсаттары
IFCS жобасының басты мақсаты – азаматтық және әскери ұшақтарда қолданылатын, бейімделуге және қателерге төзімді жүйе құру. Бұл, ұшуды басқару бағдарламалық қамтамасының өздігінен оқып үйренетін нейрондық желі технологиясын енгізетін жаңартулары арқылы іске асырылады. IFCS нейрондық желі жобасының мақсаттары: нейрондық желі технологиясын пайдаланып ұшақтың сипаттамаларын анықтап, ұшақтың өнімділігін оңтайландыруға мүмкіндік беретін ұшуды басқару жүйесін әзірлеу; ұшақтың ұшу қасиеттерін талдау үшін өзін-өзі оқыта алатын нейрондық желі жасау; аталған қасиеттерді IFCS жобасының сынақ алаңы болып табылатын, өзгертілген F 15 ACTIVE ұшағында ұшу кезінде көрсету.
The main purpose of the IFCS project is to create a system for use in civilian and military aircraft that is both adaptive and fault tolerant. This is accomplished through the use of upgrades to the flight control software that incorporate self learning neural network technology. The goals of the IFCS neural network project are. To develop a flight control system that can identify aircraft characteristics through the use of neural network technology in order to optimize aircraft performance. To develop a neural network that can train itself to analyze the flight properties of the aircraft. To be able to demonstrate the aforementioned properties on a modified F 15 ACTIVE aircraft during flight, which is the testbed for the IFCS project.
Жұмыс істеу теориясы
IFCS жүйке желісі ұшақтың сенсорлары арқылы және негізгі ұшу компьютерінен түсетін қателерді түзетулер арқылы ұшу сипаттамаларын нақты уақытта үйренеді, содан кейін осы ақпаратты ұшақтың әртүрлі ұшу сипаттамаларының модельдерін жасау үшін пайдаланады. Жүйке желісі ұшақ тұрақты ұшу режимінде болғанда ғана үйренеді және ұшақтың ақаулық жағдайына түсуіне себеп болатын кез келген сипаттамаларды жоққа шығарады. Егер ұшақтың жағдайы тұрақтыдан ақаулыққа өзгеретін болса, мысалы, басқару беттерінің бірі зақымданып, жауап бермейтін болса, IFCS осы ақауды анықтап, ұшақтың ұшу сипаттамаларының моделін ауыстыра алады. Содан кейін жүйке желісі анықтамалық модель мен ұшақтың нақты күйі арасындағы қателікті нөлге дейін азайтуға жұмыстейді.
The neural network of the IFCS learns flight characteristics in real time through the aircraft’s sensors and from error corrections from the primary flight computer, and then uses this information to create different flight characteristic models for the aircraft. The neural network only learns when the aircraft is in a stable flight condition, and will discard any characteristics that would cause the aircraft to go into a failure condition. If the aircraft's condition changes from stable to failure, for example, if one of the control surfaces becomes damaged and unresponsive, the IFCS can detect this fault and switch the flight characteristic model for the aircraft. The neural network then works to drive the error between the reference model and the actual aircraft state to zero.
1-ші буын
2003 жылы 1-ші буын IFCS ұшу сынақтары нейрондық желінің нәтижелерін тексеру үшін жүргізілді. Бұл кезеңде нейрондық желі McDonnell Douglas F 15 STOL/MTD ұшағының жел тоннелінде алынған ұшу ерекшеліктерін пайдаланып алдын ала оқытылды, бірақ ұшу кезінде ешқандай басқаруға түзетулер енгізбеді. Нейрондық желінің нәтижелері деректерді жинау мақсатында ғана құралдарға тікелей бағытталды.
Generation 1 IFCS flight tests were conducted in 2003 to test the outputs of the neural network. In this phase, the neural network was pre trained using flight characteristics obtained for the McDonnell Douglas F 15 STOL/MTD in a wind tunnel test and did not actually provide any control adjustments in flight. The outputs of the neural network were run directly to instrumentation for data collection purposes only.
2-ші буын
2-буын IFCS сынақтары 2005 жылы жүргізілді және жұмыс істеу теориясында сипатталғандай, толық интеграцияланған нейрондық желі пайдаланылды. Бұл тікелей бейімделетін жүйе, ол үздіксіз қателерді түзетеді, содан кейін осы түзетулердің әсерін өлшейді, жаңа ұшу модельдерін үйрену үшін немесе қолданыстағыларын жақсарту үшін. Ұшақтың күйін өлшеу үшін нейрондық желі руль, тангаж, рыскание осьтерінен және басқару беттерінен 31 дерек алады. Егер ұшақтың күйі мен модель арасында езгешелік болса, нейрондық желі динамикалық инверсиялық контроллер арқылы негізгі ұшу компьютерінің шығыстарын реттейді, бұл езгешелікті нөлге дейін жеткізеді, содан кейін бұл сигналдар басқару беттерін қозғайтын актуаторды басқару электроникасына жіберіледі.
Generation 2 IFCS tests were conducted in 2005 and used a fully integrated neural network as described in the theory of operation. It is a direct adaptive system that continuously provides error corrections and then measures the effects of these corrections in order to learn new flight models or adjust existing ones. To measure the aircraft state, the neural network takes 31 inputs from the roll, pitch, and yaw axes and the control surfaces. If there is a difference between the aircraft state and model, the neural network adjusts the outputs of the primary flight computer through a dynamic inversion controller to bring the difference to zero before they are sent to the actuator control electronics which move the control surfaces.
Ақылды автопилот жүйесі
Лондон университетінің колледжінде ұшақты басқарудың интеллектуалды жүйесін жобалау мақсатында тағы бір ғылыми-зерттеу және әзірлеу жобасы жүргізілуде. Олардың прототипі "Интеллектуалды автопилот жүйесі" деп аталады, ол адамнан еліктеу арқылы үйрене алатын жасанды нейрондық желілерге ие. Жүйе қаушатыра жағдайлардағы ауа райына және қозғалтқыштың істен шығуы немесе өрт сияқты ұшу кезеңіндегі төтенше жағдайларды, сондай-ақ шұғыл қонуды және ұшу тренажерінде тоқтатылған ұшып тұруды (RTO) басқара алады.
A different research and development project with the goal of designing an intelligent flight control system is being carried out at University College London. Their prototype is known as the Intelligent Autopilot System which has Artificial Neural Networks capable of learning from human teachers by imitation. The system is capable of handling severe weather conditions and flight emergencies such as engine failure or fire, emergency landing, and performing Rejected Take Off (RTO) in a flight simulator.