Luận án Tiến sĩ Kỹ thuật: Ứng dụng mạng nơron nhận dạng các tham số khí động kênh độ cao nhằm nâng cao hiệu quả thiết kế thiết bị bay

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG

VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ

-----------------------

NGUYỄN ĐỨC THÀNH

ỨNG DỤNG MẠNG NƠRON NHẬN DẠNG CÁC THAM SỐ KHÍ

ĐỘNG KÊNH ĐỘ CAO NHẰM NÂNG CAO HIỆU QUẢ THIẾT KẾ

THIẾT BỊ BAY

LUẬN ÁN TIẾN SĨ KỸ THUẬT

Hà Nội – 2021

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG

VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ

-----------------------

NGUYỄN ĐỨC THÀNH

ỨNG DỤNG MẠNG NƠRON NHẬN DẠNG CÁC THAM SỐ KHÍ

ĐỘNG KÊNH ĐỘ CAO NHẰM NÂNG CAO HIỆU QUẢ THIẾT KẾ

THIẾT BỊ BAY

Chuyên ngành: Kỹ thuật điều khiển và tự động hóa

Mã số: 9.52.02.16

LUẬN ÁN TIẾN SĨ KỸ THUẬT

NGƯỜI HƯỚNG DẪN KHOA HỌC:

1. TS. Trương Đăng Khoa

2. TS. Hoàng Minh Đắc

Hà Nội - 2021

i

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi. Những nội

dung, số liệu và kết quả trình bày trong luận án là hoàn toàn trung thực và chưa

có tác giả nào công bố trong bất cứ một công trình nào khác. Các dữ liệu tham

khảo được trích dẫn đầy đủ.

Tác giả luận án

Nguyễn Đức Thành

ii

LỜI CẢM ƠN

Công trình nghiên cứu này được thực hiện tại Viện Tên lửa, Viện Tự động

hoá kỹ thuật quân sự thuộc Viện Khoa học và Công nghệ quân sự - Bộ Quốc

phòng.

Tác giả xin bày tỏ sự biết ơn sâu sắc tới TS. Trương Đăng Khoa và

TS. Hoàng Minh Đắc đã định hướng nghiên cứu và tận tình hướng dẫn, giúp

đỡ trong suốt quá trình thực hiện luận án.

Tác giả luận án xin chân thành cảm ơn thủ trưởng Viện Khoa học và Công

nghệ quân sự, Phòng Đào tạo/ Viện Khoa học và Công nghệ quân sự, Viện Tên

lửa, Viện Tự động hoá kỹ thuật quân sự Viện Khoa học và Công nghệ quân sự,

khoa KTĐK Học viện KTQS và các đồng nghiệp đã luôn động viên, quan tâm

và giúp đỡ để tác giả hoàn thành luận án.

Xin chân thành cám ơn các Thầy giáo, các nhà Khoa học và gia đình,

người thân cùng bạn bè đã quan tâm giúp đỡ, đóng góp nhiều ý kiến quý báu,

cổ vũ và động viên tác giả hoàn thành công trình khoa học này.

NCS Nguyễn Đức Thành

iii

MỤC LỤC

LỜI CAM ĐOAN .............................................................................................. i

LỜI CẢM ƠN ................................................................................................... ii

MỤC LỤC ........................................................................................................ iii

DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT ...................................... vi

DANH MỤC CÁC BẢNG................................................................................ x

DANH MỤC CÁC HÌNH VẼ ......................................................................... xi

MỞ ĐẦU ........................................................................................................... 1

CHƯƠNG I: TỔNG QUAN VỀ NHẬN DẠNG CÁC HỆ SỐ KHÍ ĐỘNG

CỦA MÁY BAY ............................................................................................... 7

1.1. Nhiệm vụ nhận dạng các đạo hàm hệ số khí động trong quy trình thiết

kế thiết bị bay ................................................................................................. 7

1.1.1. Các giai đoạn thiết kế thiết bị bay ................................................... 7

1.1.2. Mô hình khí động của thiết bị bay ................................................... 9

1.1.3. Vai trò nhận dạng các đặc tính khí động ....................................... 16

1.2. Nhận dạng các đạo hàm hệ số khí động từ dữ liệu bay ........................ 17

1.2.1. Mô hình động học chuyển động của máy bay ............................... 18

1.2.2. Thử nghiệm bay, thu nhận dữ liệu ................................................. 19

1.2.3. Ước lượng tham số khí động và xác định trạng thái ..................... 21

1.2.4. Xác nhận mô hình .......................................................................... 24

1.3. Tình hình nghiên cứu ngoài nước ......................................................... 25

1.4. Tình hình nghiên cứu trong nước ......................................................... 33

1.5. Đặt vấn đề nghiên cứu .......................................................................... 35

1.5.1. Những vấn đề còn tồn tại ............................................................... 35

1.5.2. Xây dựng hướng nghiên cứu của luận án ...................................... 36

1.6. Kết luận chương 1 ................................................................................. 37

iv

CHƯƠNG 2: XÂY DỰNG MÔ HÌNH ĐỘNG HỌC CHO MỘT LỚP MÁY

BAY CÁNH BẰNG ........................................................................................ 38

2.1. Mô hình động học máy bay .................................................................. 38

2.1.1. Các hệ tọa độ sử dụng trong mô tả chuyển động của máy bay ..... 38

2.1.2. Các quy ước về chiều và dấu các tác động điều khiển .................. 41

2.1.3. Mô hình động học phi tuyến .......................................................... 43

2.2. Mô hình động học máy bay trong kênh độ cao .................................... 48

2.2.1. Mô hình trạng thái chuyển động phi tuyến .................................... 48

2.2.2. Mô hình trạng thái chuyển động tuyến tính kênh độ cao .............. 49

2.3. Mô hình động học dùng cho nhận dạng các đạo hàm hệ số khí động

của thiết bị bay khi ứng dụng mạng nơron nhân tạo ................................... 52

2.3.1. Mô hình động học thiết bị bay dùng cho mạng nơron nhân tạo .... 52

2.3.2. Mạng nơron đột biến ...................................................................... 54

2.4. Kết luận chương 2 ................................................................................. 63

CHƯƠNG 3: XÂY DỰNG THUẬT TOÁN NHẬN DẠNG MỘT SỐ ĐẠO

HÀM HỆ SỐ KHÍ ĐỘNG CỦA MÁY BAY ................................................. 64

3.1. Thuật toán nhận dạng các đạo hàm hệ số khí động của máy bay theo

các phương pháp truyền thống ..................................................................... 64

3.1.1. Thuật toán nhận dạng các đạo hàm hệ số khí động của máy bay

theo phương pháp hồi quy tuyến tính ...................................................... 64

3.1.2. Thuật toán nhận dạng các đạo hàm hệ số khí động của máy bay

theo phương pháp sai số đầu ra ................................................................ 68

3.2. Xây dựng thuật toán nhận dạng các đạo hàm hệ số khí động của máy

bay sử dụng mạng nơron nhân tạo ............................................................... 80

3.2.1. Xây dựng thuật toán nhận dạng các đạo hàm hệ số khí động của

máy bay sử dụng mạng RBF .................................................................... 80

v

3.2.2. Xây dựng thuật toán nhận dạng đạo hàm hệ số khí động của máy

bay ứng dụng mạng nơron đột biến ......................................................... 83

3.3. Kết luận chương 3 ................................................................................. 95

CHƯƠNG 4: MÔ PHỎNG VÀ ĐÁNH GIÁ CÁC THUẬT TOÁN NHẬN

DẠNG CÁC ĐẠO HÀM HỆ SỐ KHÍ ĐỘNG CỦA MÁY BAY ................. 96

4.1. Mô phỏng và đánh giá các thuật toán nhận dạng các đạo hàm hệ số

khí động của máy bay sử dụng phương pháp truyền thống ......................... 97

4.1.1. Mô phỏng và đánh giá thuật toán nhận dạng các đạo hàm hệ số

khí động theo phương pháp LR ............................................................... 97

4.1.2. Mô phỏng và đánh giá thuật toán nhận dạng đạo hàm hệ số khí

động theo phương pháp OEM................................................................ 100

4.2. Mô phỏng và đánh giá thuật toán nhận dạng đạo hàm hệ số khí động

ứng dụng mạng nơron nhân tạo ................................................................. 103

4.2.1. Mô phỏng và đánh giá thuật toán nhận dạng đạo hàm hệ số khí

động ứng dụng mạng RBF ..................................................................... 104

4.2.2. Mô phỏng và đánh giá thuật toán nhận dạng các đạo hàm hệ số

khí động ứng dụng mạng nơron đột biến ............................................... 109

4.3. Kết luận chương 4 ............................................................................... 116

KẾT LUẬN VÀ KIẾN NGHỊ....................................................................... 118

DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ .............. 120

TÀI LIỆU THAM KHẢO ............................................................................. 121

PHỤ LỤC ...........................................................................................................a

vi

DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT

1. Danh mục các ký hiệu

,  

0  

Góc tấn công, góc trượt

0

,

Góc tấn công đảm bảo cho máy bay ở chế độ bay bằng

,   

0  

Góc gật, góc liệng, góc hướng

, δ δ r e

, δ a

0  

Góc lệch cánh lái độ cao, cánh lái hướng, cánh lái liệng

3

e0δ 

Góc lệch cánh lái độ cao đảm bảo máy bay ở chế độ bay bằng

/kg m

 

 

Mật độ không khí



Sai lệch chuẩn



0

,

,

x

y

z

   Các thành phần tốc độ góc trong hệ tọa độ liên kết

2/s

 

 

Véc tơ các tham số mô hình

A, B, C, D Ma trận hệ thống tuyến tính

2

,

/m s

a a a , x y z

 

,

Các thành phần gia tốc trong hệ tọa độ liên kết

  m

b A

b e A

Cung khí động trung bình cánh nâng, cánh lái độ cao 

C C , L D



C C m

,

,

 Đạo hàm hệ số lực cản, hệ số lực nâng, hệ số mô men gật theo

D

L

y

Hệ số lực nâng và hệ số lực cản trong hệ tọa độ tốc độ

01 / 

 





y

y

z

 Đạo hàm hệ số lực cản, hệ số lực nâng, hệ số mô men gật theo

C C m

,

,

D

L

y

góc tấn công

0/s 

 



 e

C C m

,e

,

tốc độ góc gật

D

L

 e y

Đạo hàm hệ số lực cản, hệ số lực nâng, hệ số mô men gật theo

01 / 

 

,

,

C C C Các thành phần hệ số lực khí động trong hệ tọa độ liên kết

x

y

z

góc lệch cánh lái độ cao

vii

F

N

AF

Véc tơ lực tác động lên thiết bị bay 

N

GF

Véc tơ lực khí động tác động lên thiết bị bay 

N

PF

Véc tơ trọng lực tác động lên thiết bị bay 

N

2

g

Véc tơ lực đẩy động cơ tác động lên thiết bị bay 

/m s

 

Gia tốc trọng trường

H

  m

2

Độ cao thiết bị bay 

I

.kg m 

 

2

I

,

I

,

I Các mô men quán tính trong hệ tọa độ liên kết z

y

x

.kg m 

 

l

,

l

Ma trận mô men quán tính

m

e

N

, L D

m

Sải cánh nâng, cánh lái độ cao 

kg

Lực nâng và lực cản trong hệ tọa độ tốc độ  Khối lượng của thiết bị bay 

M

Nm

AM

Véc tơ mô men tác động lên thiết bị bay 

Nm

PM

Nm

,

,

x

y

z

Véc tơ mô men khí động tác động lên thiết bị bay 

Nm

,

,

m m m Các thành phần hệ số mô men khí động trong hệ tọa độ liên kết

x

y

z

Véc tơ mô men lực đẩy động cơ tác động lên thiết bị bay  M M M Các thành phần mô men khí động trong hệ tọa độ liên kết 

N

Oxyz

Số điểm dữ liệu bay ghi nhận được

Hệ tọa độ liên kết

Ox y z a a a

Ox y z Hệ tọa độ mặt đất

E E E

Ox y z Hệ tọa độ mặt đất di động

g g

g

P

Hệ tọa độ tốc độ

N

Lực đẩy động cơ 

3

q

viii

/N m

 

 

Áp suất khí động

R

S

Ma trận hiệp phương sai sai số

2m 

 

Diện tích đặc trưng cánh

x

,

,

X Y Z

N

Véc tơ tham số trạng thái Các thành phần lực khí động trong hệ tọa độ liên kết 

y, z

V

 /m s

,

V x

V V , y

z

Véc tơ tham số đầu ra mô hình và tập dữ liệu bay Không tốc của thiết bị bay 

 /m s

Các thành phần tốc độ trong hệ tọa độ liên kết 

2. Danh mục các chữ viết tắt

2.1. Tiếng Anh

ANN Artificial Neural Network Mạng nơron nhân tạo

ACD Aerodynamic Coefficient Đạo hàm hệ số khí động

Derivative

BP Back Propagation Lan truyền ngược

CFD Computational Fluid Tính toán động học chất lỏng

Dynamics

EKF Extended Kalman Filter Bộ lọc Kalman mở rộng

FEM Filter Error Method Phương pháp sai số bộ lọc

GN Gauss – Newton Thuật toán Gauss – Newton

IF Integrate and Fire Tích lũy và kích hoạt

LIF Leaky Integrate and Fire Tích lũy và kích hoạt có tổn thất

LS Least Squares Bình phương nhỏ nhất

LR Linear Regression Hồi quy tuyến tính

ix

ML Maximum Likelihood Tựa thực cực đại

MLP Multilayer Perceptron Perceptron nhiều lớp

NSEBP Normalized Spiking Error Lan truyền ngược sai số đột biến

Back Propagation chuẩn hóa

NGN Neural Gauss Newton Mạng nơron Gauss-Newton

OEM Output Error Method Phương pháp sai số đầu ra

RBF Radial Basis Function Hàm cơ sở xuyên tâm

ReSuMe Remote Supervised Method Phương pháp giám sát từ xa

RProp Resilient Propagation Lan truyền đàn hồi

SNN Spiking Neural Networks Mạng nơron đột biến

SRM Spike Response Model Mô hình đáp ứng đột biến

SpikeProp Spike Propagation Lan truyền ngược sai số đột biến

UAV Unmanned Aerial Vehicle Phương tiện bay không người lái

2.2. Tiếng Việt

ĐHHSKĐ Đạo hàm hệ số khí động

HSKĐ Hệ số khí động

HTĐ Hệ tọa độ

MB Máy bay

PK-KQ Phòng không - Không quân

TBB Thiết bị bay

TL Tên lửa

x

DANH MỤC CÁC BẢNG TRANG

Bảng 4.1. Kết quả nhận dạng các ĐHHSKĐ theo phương pháp LR .............. 97

Bảng 4.2. Sai lệch chuẩn đối với kết quả nhận dạng theo phương pháp LR ....... 97

Bảng 4.3. Sai lệch chuẩn đối với xác nhận mô hình theo phương pháp LR ... 98

Bảng 4.4. Kết quả nhận dạng các ĐHHSKĐ kênh độ cao theo OEM .......... 100

Bảng 4.5. Sai lệch chuẩn đối với kết quả nhận dạng tham số theo OEM .... 101

Bảng 4.6. Sai lệch chuẩn đối với kết quả xác nhận mô hình theo OEM ...... 102

Bảng 4.7. Sai lệch chuẩn đối với kiểm tra khi luyện mạng nơron RBF ........ 105

Bảng 4.8. Kết quả nhận dạng các ĐHHSKĐ theo phương pháp RBF - GN ..... 106

Bảng 4.9. Sai lệch chuẩn đối với nhận dạng theo phương pháp RBF - GN ...... 107

Bảng 4.10. Sai lệch chuẩn xác nhận mô hình theo phương pháp RBF-GN ...... 108

Bảng 4.11. Sai lệch chuẩn luyện SNN đối với góc gật trong 4 epoch .......... 111

Bảng 4.12. Sai lệch chuẩn luyện SNN các tham số đầu ra sau 4 epoch ....... 113

Bảng 4.13. Kết quả nhận dạng các ĐHHSKĐ theo phương pháp SNN-GN ..... 114

Bảng 4.14. Sai lệch chuẩn kết quả nhận dạng theo phương pháp SNN-GN ..... 115

Bảng 4.15. Sai lệch chuẩn xác nhận mô hình theo phương pháp SNN - GN ..... 116

xi

DANH MỤC CÁC HÌNH VẼ TRANG

Hình 1.1. Sơ đồ quy trình thiết kế thiết bị bay .................................................. 7

Hình 1.2. Ký hiệu quy ước trong hệ tọa độ liên kết của máy bay ................... 10

Hình 1.3. Sơ đồ cấu trúc nhận dạng các ĐHHSKĐ từ dữ liệu bay ................ 18

Hình 1.4. Hai tập dữ liệu bay trong kênh độ cao của máy bay ..................... 20

Hình 2.1. Mối quan hệ giữa hệ tọa độ liên kết so với hệ tọa độ tốc độ .......... 40

Hình 2.2. Mối quan hệ giữa hệ tọa độ liên kết với hệ tọa độ đất di động ...... 41

Hình 2.3. Quy ước về dấu đối với các cánh điều khiển .................................. 42

Hình 2. 4. Các hành vi nơron đột biến ............................................................ 56

Hình 2. 5. Đồ thị thời gian của điện thế màng u(t) của nơron LIF ............... 57

u

u t Hình 2.7. Đồ thị biểu diễn đột biến được phát khi ( )

Hình 2. 6. Mô hình SRM .................................................................................. 58

ng

........................ 60

Hình 3.1. Cấu trúc thuật toán nhận dạng tham số theo OEM ........................ 75

Hình 3.2. Lưu đồ nhận dạng theo OEM .......................................................... 79

Hình 3.3. Cấu trúc thuật toán nhận dạng RBF - GN ...................................... 81

Hình 3.4. Cấu trúc mạng nơron RBF cho mô hình động học kênh độ cao .... 82

Hình 3.5. Lưu đồ thuật toán nhận dạng đạo hàm hệ số khí động ................... 84



t 2,t

1

đột biến đầu vào được luyện .................. 88 Hình 3.6. Phân bố sai số đối với các lớp trong SNN có n lớp ........................ 87 Hình 3.7. Khoảng thời gian 

Hình 3.8. Lưu đồ thuật toán truyền thẳng cho một lớp nơron ........................ 90

Hình 3.9. Lưu đồ thuật toán luyện mạng SNN theo thuật toán NSEBP.......... 91

Hình 3.10. Cấu trúc thuật toán nhận dạng sử dụng SNN - GN ...................... 92

Hình 3.11. Cấu trúc mô hình SNN kênh độ cao .............................................. 93

Hình 4.1. Sự phù hợp đầu ra mô hình với dữ liệu khi nhận dạng theo LR ..... 98

Hình 4.2. Giá trị đạo hàm hệ số khí động thay đổi theo số lần lặp .............. 100

Hình 4.3. Sự phù hợp giữa mô hình với dữ liệu khi nhận dạng theo OEM ..... 101

xii

Hình 4.4. Sự phù hợp giữa mô hình với dữ liệu khi xác nhận theo OEM ..... 102

Hình 4.5. Kết quả sai số đối với tập kiểm tra khi luyện mạng RBF ............. 104

Hình 4.6. Giá trị các đạo hàm hệ số khí động phụ thuộc bước lặp khi nhận dạng

theo phương pháp RBF - GN ........................................................................ 105

Hình 4.7. Sự phù hợp giữa dữ liệu và mô hình khi nhận dạng theo phương pháp

RBF - GN ....................................................................................................... 107

Hình 4.8. Mã hóa thời gian - giá trị tham số góc gật .................................... 109

Hình 4.9. Kết quả luyện mạng SNN trong 4 epoch đối với góc gật .............. 110

Hình 4.10. Kết quả luyện SNN trong 4 epoch đối với góc gật ...................... 111

Hình 4.11. Kết quả luyện SNN đối với 6 tham số đầu ra .............................. 112

1

MỞ ĐẦU

1. Tính cấp thiết của đề tài luận án

Nghiên cứu thiết kế, chế tạo các thiết bị bay (TBB) là một lĩnh vực khoa

học và công nghệ hết sức phức tạp, mất rất nhiều thời gian, công sức và kinh tế

[1], [14], [65]. Hiện nay trên thế giới cũng chỉ có những nước có nền tảng khoa

học kỹ thuật và công nghệ phát triển mới có thể thực hiện được việc nghiên

cứu, thiết kế, chế tạo TBB. Việc thiết kế chế tạo thiết bị bay là một lĩnh vực rất

rộng, đòi hỏi phải có một tiềm lực lớn cả về khoa học công nghệ cũng như kinh

tế, có đội ngũ cán bộ khoa học, nhà nghiên cứu, kỹ sư, kỹ thuật viên chuyên

nghiệp cũng như hệ thống các viện, tập đoàn thiết kế chế tạo đủ mạnh. Một dự

án thiết kế chế tạo TBB có liên quan đến rất nhiều ngành khoa học công nghệ,

các lĩnh vực liên quan chặt chẽ đến kỹ thuật điều khiển và tự động hóa (phương

pháp điều khiển, tự động hóa điều khiển, các bài toán nhận dạng, các bài toán

điều khiển tối ưu đa mục đích, thiết kế khí động…), cũng như công nghệ vật

liệu, công nghệ chế tạo động cơ, công nghệ điện tử, xử lý tín hiệu, các công cụ

phần mềm trong thiết kế cũng như mô phỏng các điều kiện, chế độ hoạt động

và đánh giá hiệu quả.

Trong các bài toán ổn định và điều khiển, mô hình động học chuyển động

của TBB thường được xây dựng dưới dạng mô hình trạng thái chuyển động

(thông qua các lực và mô men tác động lên TBB) và mô hình hệ số khí động

(HSKĐ) biểu diễn quan hệ giữa các tham số khí động với các đặc trưng cấu

trúc khí động và điều kiện bay của TBB. Tính chất khí động học của bản thân

TBB thể hiện dưới dạng các đạo hàm hệ số khí động (ĐHHSKĐ). Các phương

trình điều khiển được xây dựng dựa trên mô hình đối với hệ số khí động của

TBB, trong đó, các tham số điều khiển được xác định thông qua các ĐHHSKĐ

trên cùng mô hình của TBB.

2

Trong thiết kế TBB, nhiệm vụ xác định các ĐHHSKĐ của TBB là rất

quan trọng, chất lượng điều khiển TBB phụ thuộc vào độ chính xác của các

ĐHHSKĐ. Việc xác định các ĐHHSKĐ của TBB hết sức phức tạp, các

ĐHHSKĐ của TBB cần thiết kế cần phải đáp ứng các yêu cầu về tính năng kỹ

- chiến thuật, cấu trúc, các tham số đặc trưng, động học của TBB và các điều

kiện môi trường. Do sự phụ thuộc ĐHHSKĐ vào động học bay và điều kiện

môi trường khí quyển mang tính phi tuyến, không dừng và có nhiều mối quan

hệ không dễ tính toán theo các phương pháp giải tích thông thường mà thường

được xác định nhờ nhận dạng.

Khi thiết kế TBB, các ĐHHSKĐ của TBB có thể xác định theo các

phương pháp: phương pháp tính toán lý thuyết (phương pháp giải tích và

phương pháp số); phương pháp thử nghiệm (phương pháp thử nghiệm mô hình

trong ống khí động và phương pháp bay thử nghiệm). Trong đó, phương pháp

nhận dạng các ĐHHSKĐ bằng thử nghiệm bay có những ưu điểm hơn so với

các phương pháp tính toán trên mô hình lý thuyết và thử nghiệm trên mô hình

trong ống thổi khí động: có thể cung cấp dữ liệu tương đối đầy đủ và chính xác

hơn các đặc tính khí động của máy bay, áp dụng cho việc mô hình hóa động

học của thiết bị bay; phục vụ cho các bài toán xác định khả năng ổn định, phân

tích, tổng hợp các luật điều khiển đối với TBB; đánh giá và kiểm chứng các

tính toán lý thuyết, các kết quả nhận được về các tham số động học, tham số

khí động TBB khi thử nghiệm mô hình trên ống thổi khí động; đánh giá và

khẳng định sự phù hợp các yêu cầu đặt ra trong giai đoạn hoàn thiện thiết kế

đối với TBB.

Với sự phát triển của khoa học kỹ thuật, cùng với sự hỗ trợ của các

phương tiện đo hiện đại, phần mềm tính toán chuyên dụng và máy tính có tốc

độ cao. Vấn đề nhận dạng các ĐHHSKĐ của TBB từ các tập dữ liệu bay đang

được quan tâm nghiên cứu nhằm phục vụ cho những bài toán thiết kế, chế tạo

3

TBB, hay trong các bài toán cải tiến nâng cao chất lượng khí động của TBB,

cũng như phục vụ bài toán điều khiển.

Với cách đặt vấn đề và xác định trọng tâm nghiên cứu như trên, cho thấy

việc thực hiện luận án “Ứng dụng mạng nơron nhận dạng các tham số khí động

kênh độ cao nhằm nâng cao hiệu quả thiết kế thiết bị bay” là cần thiết và có ý

nghĩa khoa học và thực tiễn cao. Kết quả nghiên cứu có thể ứng dụng cho công

tác nghiên cứu, thiết kế, chế tạo TBB, trong việc xây dựng các mô hình mô

phỏng phục vụ huấn luyện, đào tạo đội ngũ người lái, hỗ trợ việc cải tiến, nâng

cấp một số loại TBB trong trang bị.

2. Mục tiêu nghiên cứu

Về lý thuyết: Nghiên cứu xây dựng thuật toán nhận dạng các ĐHHSKĐ

sử dụng các tập dữ liệu bay ghi nhận được từ các chuyến bay của một lớp TBB

dạng máy bay cánh bằng, cơ cấu điều khiển khí động làm cơ sở cho việc tính

toán thiết kế lớp máy bay này.

Về thực nghiệm: Sử dụng công cụ phần mềm Matlab - Simulink để thực

hiện mô phỏng và đánh giá các thuật toán nhận dạng các ĐHHSKĐ của TBB.

3. Nội dung nghiên cứu

Các nội dung nghiên cứu của luận án nhằm mục đích giải quyết ba nhiệm

vụ cơ bản nhất khi nhận dạng các ĐHHSKĐ của TBB:

- Xây dựng các mô hình động học kênh độ cao cho một lớp máy bay

cánh bằng phục vụ cho nhận dạng các ĐHHSKĐ của TBB.

- Xây dựng cấu trúc mạng nơron hàm cơ sở xuyên tâm (RBF) kết hợp

với thuật toán Gauss – Newton để nhận dạng các ĐHHSKĐ trong kênh độ cao

của máy bay.

- Nghiên cứu mạng nơron đột biến (SNN), thuật toán lan truyền ngược

sai số đột biến chuẩn hóa (NSEBP) sử dụng mô hình nơron SRM0 để luyện

SNN; xây dựng cấu trúc SNN để luyện mạng với dữ liệu là các tham số chuyển

4

động và điều khiển kênh độ cao. Ứng dụng SNN để nhận dạng các ĐHHSKĐ

kênh độ cao của máy bay.

Để thực hiện các bài toán này cần nghiên cứu những nội dung sau:

- Tổng quan về các vấn đề nhận dạng và ước lượng các tham số; các

phương pháp nhận dạng các ĐHHSKĐ của TBB.

- Nghiên cứu tổng quan về các HTĐ sử dụng trong việc nhận dạng tham

số và điều khiển TBB, xây dựng hệ phương trình động học đầy đủ của TBB.

Xây dựng mô hình động học phi tuyến và tuyến tính trong kênh độ cao cho MB

cánh bằng.

- Xây dựng các mô hình và thuật toán nhận dạng các ĐHHSKĐ từ dữ

liệu bay theo các phương pháp truyền thống.

- Nghiên cứu về cấu trúc và nguyên tắc hoạt động của mạng nơron hàm

cơ sở (RBF), sử dụng mạng nơron RBF xấp xỉ gần đúng mô hình động học

TTB phục vụ cho bài toán nhận dạng các ĐHHSKĐ.

- Nghiên cứu về cấu trúc và nguyên tắc hoạt động, các thuật toán luyện

SNN, sử dụng SNN trong bài toán nhận dạng các ĐHHSKĐ của TBB.

- Sử dụng phần mềm Matlab - Simulink để mô phỏng và đánh giá chất

lượng nhận dạng theo các thuật toán nhận dạng. Nhận xét, so sánh các kết quả

giữa các phương pháp nhận dạng khác nhau làm cơ sở để phân tích hiệu quả và

những hạn chế cho thuật toán đề xuất.

4. Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu trong luận án là mô hình động học và các thuật

toán nhận dạng ĐHHSKĐ của một lớp TTB dạng máy bay cánh bằng, cơ cấu

điều khiển dạng khí động.

Phạm vi nghiên cứu: Luận án tiến hành nhận dạng một số ĐHHSKĐ

quan trọng trong kênh độ cao của TBB sử dụng các tập dữ liệu bay ghi nhận

được từ các chuyến bay.

5

5. Phương pháp nghiên cứu

Luận án chọn phương pháp nghiên cứu lý thuyết xây dựng các mô hình

động học của máy bay, xây dựng các thuật toán nhận dạng các đạo hàm hệ số

khí động của máy bay sử dụng các tập dữ liệu bay ghi nhận từ các chuyến bay.

Sử dụng phần mềm Matlab - Simulink để đánh giá và mô phỏng kiểm

chứng chất lượng các thuật toán nhận dạng các đạo hàm hệ số khí động từ các

tập dữ liệu bay thực tế của máy bay. Nhận xét, so sánh các kết quả giữa các

phương pháp nhận dạng khác nhau để minh chứng cho thuật toán đề xuất.

6. Ý nghĩa khoa học, thực tiễn

Ý nghĩa khoa học

- Phát triển thuật toán nhận dạng các ĐHHSKĐ cho một lớp máy bay

cánh bằng cố định có độ cơ động cao theo các tập dữ liệu ghi nhận được từ các

chuyến bay thực tế khi sử dụng ANN đóng vai trò mô hình trạng thái chuyển

động của máy bay;

- Nghiên cứu và ứng dụng mạng nơron thế hệ mới – mạng nơron đột biến

(SNN) với thuật toán Gauss - Newton để nhận dạng các ĐHHSKĐ của TBB.

Đây là cơ sở khoa học phục vụ cho việc thiết kế, chế tạo mới hoặc khai thác

các loại TBB.

Ý nghĩa thực tiễn

Việc nghiên cứu nhận dạng các ĐHHSKĐ trong kênh độ cao của máy

bay theo các tập dữ liệu ghi nhận được từ các chuyến bay thực tế sẽ cung cấp

cơ sở lý thuyết và thực nghiệm cho việc đánh giá các ĐHHSKĐ trong giai đoạn

thiết kế TBB, nâng cao độ chính xác và rút ngắn thời gian trong toàn bộ quá

trình thiết kế một lớp TBB.

7. Bố cục của luận án

Luận án được bố cục bao gồm các phần: mở đầu, nội dung, kết luận, tài

liệu tham khảo, phụ lục. Phần nội dung trình bày trong bốn chương.

6

Chương 1. Tổng quan về nhận dạng các ĐHHSKĐ của TBB. Trong đó,

sẽ trình bày vai trò, nhiệm vụ của việc nhận dạng ĐHHSKĐ trong quá trình

thiết kế, chế tạo TBB. Từ mô hình lực và mô men khí động, xác định được mô

hình đối với các HSKĐ trong kênh độ cao, qua đó xác định được các ĐHHSKĐ

trong kênh độ cao của TBB cần phải nhận dạng; xây dựng sơ đồ cấu trúc quá

trình nhận dạng các ĐHHSKĐ từ các tập dữ liệu bay của TBB; đánh giá tình

hình nghiên cứu, thiết kế TBB trong và ngoài nước, làm cơ sở để đặt ra các vấn

đề cần nghiên cứu cho luận án.

Chương 2. Xây dựng mô hình động học chuyển động trong kênh độ cao

của một lớp máy bay cánh bằng: xây dựng mô hình động học phi tuyến đủ của

MB; xây dựng mô hình động học phi tuyến kênh độ cao của MB; xây dựng mô

hình động học tuyến tính hóa kênh độ cao của MB; xác định các mô hình động

học sử dụng cho các phương pháp nhận dạng các ĐHHSKĐ ứng dụng ANN.

Chương 3. Xây dựng các thuật toán nhận dạng các ĐHHSKĐ kênh độ

cao của máy bay theo các phương pháp truyền thống. Đề xuất ứng dụng mạng

nơron hàm cơ sở xuyên tâm (RBF) và mạng nơron đột biến (SNN) để nhận

dạng các ĐHHSKĐ này. Trong đó, cần phải thực hiện các nhiệm vụ: xây dựng

cấu trúc mô hình mạng RBF (SNN) để luyện mạng với tập dữ liệu bay kênh độ

cao; xây dựng các thuật toán để luyện SNN; xây dựng thuật toán nhận dạng các

ĐHHSKĐ khi kết hợp mạng RBF (SNN) với thuật toán Gauss - Newton.

Chương 4. Trọng tâm của chương này là sử dụng công cụ phần mềm

Matlab - Simulink để mô phỏng và đánh giá các thuật toán nhận dạng các

ĐHHSKĐ trong kênh độ cao của máy bay đã được xây dựng ở chương 3 cùng

với các mô hình động học và mô hình HSKĐ kênh độ cao của MB được xác

định ở chương 2. Các tập dữ liệu bay ghi nhận được sử dụng để mô phỏng và

đánh giá các thuật toán nhận dạng các ĐHHSKĐ được lấy từ hệ thống tự động

ghi tham số trên các chuyến bay thực tế của MB Su-D.

7

CHƯƠNG I: TỔNG QUAN VỀ NHẬN DẠNG CÁC HỆ SỐ KHÍ ĐỘNG

CỦA MÁY BAY

1.1. Nhiệm vụ nhận dạng các đạo hàm hệ số khí động trong quy trình thiết

kế thiết bị bay

1.1.1. Các giai đoạn thiết kế thiết bị bay

Thiết kế chế tạo TBB là một dự án phức tạp [2], [55], [65]. Trong thực

tế, quá trình nghiên cứu, thiết kế, chế tạo TBB được thực hiện theo một quy

trình chung gồm có những bước theo thứ tự như hình 1.1.

Xác định các ĐHHSKĐ

Thử nghiệm ống thổi khí động Thử nghiệm bay Phương pháp tính toán

Thiết kế kỹ thuật Thiết kế thi công Sản xuất mẫu và thử nghiệm Thiết kế sơ bộ

Lập dự án thiết kế Đặt yêu cầu và lựa chọn giải pháp

Hình 1.1. Sơ đồ quy trình thiết kế thiết bị bay

Qua nghiên cứu tài liệu về thiết kế, chế tạo, thử nghiệm TBB, có thể chia

quy trình thiết kế thành các giai đoạn sau:

Giai đoạn đặt yêu cầu và lựa chọn giải pháp

Dựa trên các yêu cầu đối với TBB cần thiết kế, cần phải chỉ ra mức độ

cải tiến của TBB (nếu dự án dựa trên thiết kế đã có trước đó) hoặc các yêu cầu

hoàn toàn mới về cấu trúc, tính năng, chỉ tiêu chiến – kỹ thuật; từ đó đưa ra các

yêu cầu và giải pháp thiết kế phù hợp.

8

Các yêu cầu cần phải xác định trong giai đoạn này: Kích thước và khối

lượng giới hạn, vật liệu sử dụng trong chế tạo TBB cần thiết kế, điều kiện khai

thác sử dụng, hiệu quả kinh tế kỹ thuật…

Giải pháp kỹ thuật cơ bản cần phải xác định: số lượng, kiểu dạng động

cơ, giải pháp kỹ thuật hệ thống phát hiện và theo dõi mục tiêu, phóng và dẫn

tên lửa đến mục tiêu (đối với máy bay) hoặc phương pháp bám sát, điều kiển

quỹ đạo bay tiếp cận mục tiêu (đối với tên lửa)...

Giai đoạn thiết kế sơ bộ

Nhiệm vụ chính của giai đoạn này là thực hiện chọn cấu hình, hình dạng

bên ngoài, xác định được cấu trúc phân hệ của TBB (hệ thống động lực, hệ

thống điều khiển, hệ thống quan sát không gian…). Đối với các TBB dạng thiết

kế hoàn toàn mới, cần phải tính toán các tham số hình học, dạng sơ đồ cấu trúc

khí động, các tham số cơ bản về cấu trúc thân, cánh, vỏ…; đối với các TBB

dạng thiết kế có sẵn cần phải chỉnh sửa và hiệu chỉnh lại sơ đồ thiết kế trước đó

theo yêu cầu nhiệm vụ mới đặt ra.

Với những cấu trúc thiết kế đã chọn, trong giai đoạn này cần tiến hành

mô phỏng trên các mô hình nhằm đưa ra đánh giá bộ tham số về hình dạng khí

động và bố trí cấu trúc các thành phần của thiết bị bay thỏa mãn các yêu cầu

đặt ra.

Giai đoạn thiết kế kỹ thuật

Trên cơ sở bộ tài liệu thiết kế sơ bộ, các bộ phận thiết kế cần phải tính

toán thiết kế chi tiết cho các hệ thống cấu thành của thiết bị bay theo tiêu chuẩn

thiết kế. Giai đoạn thiết kế này rất quan trọng, quyết định đến khả năng thực

hiện các chức năng của các hệ thống. Sản phẩm đầu ra của giai đoạn thiết kế

này là các bộ bản vẽ cấu trúc tổng thể, các bản vẽ chi tiết (hoặc chương trình

phần mềm) tính toán thiết kế cho từng phần tử, chi tiết kỹ thuật trong mỗi hệ

thống.

9

Giai đoạn thiết kế thi công

Từ các bộ bản vẽ (chương trình phần mềm) thiết kế kỹ thuật, giai đoạn

này cần phải hình thành các bản vẽ thi công một cách chi tiết, các quy trình

công nghệ, thiết bị phương tiện dùng trong thi công từng chi tiết đơn cũng như

các cụm chi tiết cấu thành hệ thống của TBB.

Dựa trên các bản vẽ và quy trình công nghệ, các chi tiết sản phẩm sẽ

được gia công chế tạo (nếu là chi tiết cơ khí), hoặc tích hợp cài đặt thuật toán,

chương trình phần mềm (với các modul điện tử điều khiển), sau đó sẽ được

kiểm tra đánh giá chất lượng theo bộ chỉ tiêu đánh giá. Nếu kết quả không đạt

cần phải gia công lại hoặc chỉnh sửa chương trình phần mềm thuật toán. Tiếp

theo đó, các cụm chi tiết cũng được tổ hợp, lắp ráp kiểm tra và hoàn thiện.

Giai đoạn sản xuất nguyên mẫu và thử nghiệm bay

Trên cơ sở bộ tài liệu thiết kế kỹ thuật, thi công, cơ quan thiết kế phải

kết hợp chặt chẽ với các cơ sở chế tạo từng cụm khối cụ thể để xây dựng bộ tài

liệu, quy định rất chặt chẽ các yêu cầu kỹ thuật của từng chi tiết, từng đơn vị

lắp ráp và có quy trình công nghệ chế tạo cho đến từng công đoạn, ví dụ bản vẽ

các khuôn mẫu, quy trình gia công v.v...trên cơ sở các cụm, khối, hệ thống đã

được thiết kế thực hiện việc lắp ráp theo từng hệ thống, kiểm tra chất lượng và

lắp ráp hoàn chỉnh TBB. Trước khi thực hiện bay thử cần phải có sự đánh giá

kiểm tra nghiêm ngặt theo phân cấp và được cho phép thử nghiệm bay.

Mỗi giai đoạn thiết kế có thể không nhận được các kết quả mong muốn.

Trong trường hợp này cần phải quay lại các giai đoạn thiết kế trước đó và có

thể phải bắt đầu lại toàn bộ.

1.1.2. Mô hình khí động của thiết bị bay

Xem xét hình dạng cấu trúc một loại máy bay dạng cánh bằng thông

thường (hình 1.2), khi biểu diễn các tham số chuyển động của máy bay trong

10

hệ tọa độ liên kết và hệ tọa độ tốc độ sử dụng các ký hiệu như sau [32]:

Hình 1.2. Ký hiệu quy ước trong hệ tọa độ liên kết của máy bay

,   - góc tấn công và góc trượt;

-

- V - không tốc của máy bay;

X Y Z - các thành phần lực khí động tác động lên MB xác định trong

,

,

-

,

,

HTĐ liên kết;

M M M - các thành phần mô men khí động tác động lên MB xác

x

y

z

-

,

,

định trong HTĐ liên kết;

V V V - các thành phần tốc độ máy bay trong HTĐ liên kết; x

y

z

,

,

-

 - các thành phần tốc độ góc trong HTĐ liên kết;

x

y

z

,

,

-

   - góc lệch cánh lái liệng, cánh lái độ cao và cánh lái hướng. a

e

r

-

1.1.2.1 Phương trình động lực học

Tất cả các bài toán nhận dạng động học dùng cho TBB đều phải dựa trên

các mô hình động học mô tả chuyển động của TBB (chuyển động tịnh tiến và

chuyển động quay) cùng các tập dữ liệu mang thông tin về biến đầu vào, trạng

thái, đầu ra. Phương trình chuyển động cơ bản của máy bay dạng véc tơ được

xác định như sau [32]:

11

F



m

 



 ( )





(

F F V,ω,u,θ )

(1.1)

 V ω V F m G

P

A



(1.2)

M Iω ω Iω M M V, ω, u, θ )

 







A(

P



trong đó:

-  các góc Euler biểu diễn tư thế máy bay so với HTĐ đất;



- u - véc tơ tác động điều khiển;

PF

AF

trọng lực;  lực đẩy động cơ;   - F lực tác động tổng ( GF

lực khí động);



PM

- M mô men tác động tổng ( mô men do lực đẩy động cơ sinh 

AM

ra, mô men do lực khí động sinh ra); 

-  - véc tơ các tham số mô hình;

- I - ma trận quán tính;

- m - khối lượng TBB.

Nhận dạng các ĐHHSKĐ sẽ tập trung vào việc xác định cấu trúc mô

AF ) và mô men khí động (

AM ); ước lượng các tham

hình đối với lực khí động (

số chưa biết trong các cấu trúc mô hình đó, dựa trên dữ liệu bay ghi nhận được.

AF và

AM được gọi là các mô hình khí động,

Cấu trúc mô hình đối với



=

được xác định trong HTĐ liên kết như sau [14]:

(1.3)

F A

X Y Z

    

    

C  x  qS C  y  C  z

    

M

l m .

x

M



.

M



y

A

y

M

A l m .

z

z

    

    

 x  qS b m   

    

(1.4)

,

,

trong đó:

C C C - các thành phần hệ số lực khí động trong HTĐ liên kết;

x

y

z

,

,

-

m m m - các thành phần hệ số mô men khí động trong HTĐ liên kết;

x

y

z

-

2

q

V

/ 2

12

- - áp lực khí động, với - mật độ không khí;

- S - diện tích đặc trưng cánh;

- l - sải cánh nâng;

- Ab - cung khí động trung bình cánh nâng.

1.1.2.2 Mô hình hệ số khí động tổng quát của thiết bị bay

Một cách tổng quát nhất, các HSKĐ của thiết bị bay có thể được mô tả

f



 ,   ( , ,

)

,

,

,

,

x i

5

 2   l l Vl , , 2 2 V V V

2   l Vl V V m I , , , 3    l lg a

tV l

dd V

l

dưới dạng quan hệ hàm số như sau [32]:

,

,

,

,

,

,

trong đó: (1.5) ix - ký hiệu các thành phần hệ số lực và mô men khí động trong HTĐ

m m m );  - độ lệch các cánh lái (

C C C , y

x

z

x

y

z

   );  - tốc r

a

e

,

,

liên kết (

  ); l - đặc tính độ dài;

dd - tần số dao động;

x

y

z

 ddl V

độ góc TBB ( -

số Strouhal (đặc trưng cho hiệu ứng dòng chảy dao động không ổn định);



2V lg

 V l V l   

 

- độ nhớt động học; - số Froude (tỷ - số Reynolds (Re); r

số lực quán tính /lực hấp dẫn đối với TBB).

Đối với các chuyến bay thử nghiệm, các tác động của chuyển động quay

và dao động cưỡng bức được mô hình hóa dưới dạng hàm của tốc độ góc trong

,  ) và các đạo hàm bậc nhất của

HTĐ liên kết, góc tấn công và góc trượt (

chúng. Khi MB bay trong dòng chảy được xem như là dừng và tốc độ bay là



f

(

 ,   , , ,

,

,

,

)

thấp, sự phụ thuộc dạng hàm hệ số lực và mô men như sau:

x i

 b l y A x , 2 V 2 V

     l b l A z 2 2 V 2 V V

V V 0

(1.6)

0V là tốc độ bay ở điều kiện tham chiếu.

trong đó

13

,

,

,

,

,

,

Các biến trong phương trình (1.5), (1.6) được gọi là biến độc lập. Các

V   , ,

V V V    ( x

x

y

y

z

z

,

,

   ) và điều khiển . Sự phụ thuộc này là phi tuyến [13].

x

y

z

HSKĐ là hàm của các biến trạng thái

1.1.2.3 Mô hình hệ số khí động tuyến tính kênh độ cao của thiết bị bay

Các thành phần HSKĐ kênh độ cao TBB thường được xác định gồm các

C C - hệ số lực nâng và hệ số lực cản được xác

ym (

C C và L

, D

, D

L

tham số

ym - hệ số mô men gật được xác định trong HTĐ liên

định trong HTĐ tốc độ;

kết). Mô hình đối với HSKĐ kênh độ cao dạng tuyến tính được xây dựng dựa

D , lực nâng L và mô men gật

yM ) với giả định về tham số bay ổn định và

trên dạng tuyến tính của mô hình lực và mô men khí động kênh độ cao (lực cản

chuyển động của dòng không khí bao quanh máy bay là dòng chảy dãn.

,

,

Thực hiện khai triển chuỗi Taylor thành phần lực nâng L theo các tham

V   và tác động cánh lái độ cao

y

e của máy bay và lấy thành

số trạng thái

    

  ...

phần bậc nhất:

 L L 0

L V L  V

  e

  L  y y

L  e

(1.7)



  ,

 ,





 ; 0

trong đó:

0

e

e

0

   y z

x

,...,

- 0L - lực nâng khi MB bay ổn định:

VL L L ,

L  - các thành phần đạo hàm riêng của L theo các tham số

,   y

e

,...,

,

,



;

,...

V   tại điều kiện tham chiếu (

-

y

e

L V

0

0

 L  V

 L  L   

.).

ym .

Việc khai triển tương tự cho thành phần lực cản D và mô men gật

Trong thực tế, điều kiện bay tham chiếu của chuyến bay thẳng với tốc độ

0M (hoặc 0V ),

và độ cao ổn định được xác định bởi: góc tấn công 0, số Mach

0H , khối lượng

0m và mô men quán tính 0I .

độ cao

14

Với giả định chuyển động của máy bay trong kênh độ cao và kênh hướng

độc lập nhau, thực hiện tuyến tính hóa hàm số biểu diễn lực và mô men khí

động kênh độ cao theo từng đoạn với giả định sự thay đổi giá trị các biến trong

từng đoạn là nhỏ.

Để thể hiện đầy đủ hơn chuyển động của máy bay trong kênh độ cao

dưới dạng tuyến tính hóa phục vụ cho mục đích dự báo chuyển động, phương

 .

trình tuyến tính hóa đối với lực nâng và mô men gật được bổ sung thêm hai

 và M 

thành phần L 

,

,

Các lực và mô men khí động kênh độ cao bị ảnh hưởng nhiều nhất theo

V   và biến điều khiển

y

e. Sau khi tuyến tính hóa,

các biến trạng thái





a ( )



 

 e

0

V

  D  y y

D  e





b ( )



các lực và mô men tuyến tính kênh độ cao được xác định:

       L V L  V

L  

 e

 L L 0

   L  y y

L  e

 M M M V M

 



M

M





c ( )

V

0

y

   

     

 y

 e

 y

M  e

    D D D V D     

(1.8)





2 V SC

)









;





(

L V

L

V SC 0 0

0

2 V S 0 0

L 

0

2 V S 0 0

0

L 0

C  L  

1 2

Trong phương trình (1.8-b) các hệ số đạo hàm riêng được xác định:





;





;





L  

2 V S 0 0

0

2 V S 0 0

L 

0

2 V S 0 0

0

L  y

 C L   

1 2

C  L  V 1 2

1 2  C L  

  V 1 2

1 2  C L   y

     

(1.9)

Các hệ số đạo hàm riêng sẽ được tính tương tự trong các phương trình

(1.8-a, c)

Trong nhận dạng các ĐHHSKĐ của máy bay, thường biểu diễn mô hình

đối với các hệ số lực và mô men khí động thông qua các ĐHHSKĐ.

Mô hình HSKĐ tuyến tính theo kênh độ cao [32]:





a ( )

V C D

    C  D

 C y D

 y

 C e D

  e

b A V 2 0





b ( )

15

 y

V C L

 C e L

 C y L

    C  L

  e

c ( )





y

    m  y

 m y y

  e

 m e y

V m y

 y

0

 V V 0  V V 0  V V 0

 C C   D D 0   C C   L L 0   m m   y  C

,

,

b A V 2 0 b A V 2 0 C m - hệ số lực cản, lực nâng và mô men gật khi

(1.10)

D

0

L

0

y

0



 

0

,

,

trong đó:

C C m - đạo hàm hệ số lực cản, lực nâng và mô men gật

e

V D

V L

V y





C C m

,

,

;

 - đạo hàm hệ số lực cản, lực nâng và mô men gật

D

L

y





y

y

z

C

,

C m ,

theo tốc độ TBB;

 - đạo hàm hệ số lực cản, lực nâng và mô men

D

L

y

C C m

,

,

theo góc tấn công;

 e D

e L

 e y

gật theo tốc độ góc gật; - đạo hàm hệ số lực cản, lực nâng và mô

men gật theo góc lệch cánh lái.

Các thành phần đạo hàm HSKĐ theo các tham số được gọi chung là các

ĐHHSKĐ, có thể chia thành các thành phần ĐHHSKĐ ổn định và các thành

phần ĐHHSKĐ điều khiển. Các thành phần ĐHHSKĐ ổn định liên quan đến

...

,

,

các biến trạng thái gồm có: các thành phần ĐHHSKĐ ổn định tĩnh liên hệ đến

V   ); các ĐHHSKĐ ổn định động liên quan đến . Các thành phần

(

ĐHHSKĐ điều khiển liên hệ đến các biến điều khiển  .

;



;



;



 C D

0

 C y D

0

 C e D

0

0

C  D  V

C  D  

;



;



;



;



 C L

0

  C L

0

 C y L

0

 C e L

0

0

 C L  V

 C L  

Trong kênh độ cao, các thành phần ĐHHSKĐ được xác định như sau:

;



;



;



;



 m y

0

  m y

0

 m y y

0

 m e y

0

0

 m y  V

 m y  

V C  2 D 0   b A y  V C 2 0 L    b A  mV 2 y 0    b A

C  D   e  V C 2 0 L   b y A  m y   y

V 2 0 b A

 C L   e  m y   e



;





  C C m y y L y

  L

    m m y y y

 V C V   0 D   V C V   0 L   V m V   0 y    C y  L

(1.11)

16

1.1.3. Vai trò nhận dạng các đặc tính khí động

Từ việc xem xét quy trình thiết kế TBB cho thấy việc xác định các các

đặc tính khí động của TBB được có mặt trong suốt quá trình thiết kế, ví dụ như

bố trí khí động, đường kính và độ dài thân, hình dáng của mũi, hình dạng, diện

tích, profin của cánh.

Việc xác định các đặc tính khí động của TBB trong giai đoạn thiết kế thi

công và thử nghiệm bay được thực hiện thông qua vấn đề nhận dạng các tham

số khí động. Để nhận dạng các tham số khí động thì việc quan trọng là cần phải

hình thành được một mô hình động học mô tả mối quan hệ giữa các tham số

khí động (lực khí động, mô men khí động) với các biến trạng thái, biến điều

khiển, các tham số hình học của các phần tử thân - cánh, mũi, khối lượng tải

trọng… trong điều kiện thay đổi của điều kiện bay hoặc chế độ bay. Các tham

số khí động này đóng vai trò quyết định cho việc đảm bảo các chỉ tiêu chiến kỹ

thuật đặt ra cho nhiệm vụ thiết kế (tốc độ cực đại, khả năng tăng tốc, khả năng

cơ động, cự ly, trần bay…). Mối quan hệ này cực kỳ phức tạp, phi tuyến, nhiều

tham số tính toán chỉ có thể nhận được dưới dạng bảng, đồ thị xác định từ quá

trình thực nghiệm.

Việc nhận dạng các tham số khí động phải dựa trên các tập dữ liệu thử

nghiệm (nhận được thông qua thử nghiệm mô hình trong ống thổi khí động

hoặc thử nghiệm bay), để từ đó đánh giá được các đặc tính khí động đối với

mẫu TBB cần được thiết kế. Nếu như các tham số khí động này không đạt được

như mong muốn sẽ quay trở lại xem xét việc tính toán hình học và cấu trúc khí

động trong giai đoạn thiết kế sơ bộ. Quá trình này có thể được tiến hành lặp lại

nhiều lần nhằm đạt được một sơ đồ khí động với các tham số hình học của các

phần tử thân- cánh, cơ cấu chấp hành điều khiển của TBB thỏa mãn các yêu

cầu chiến kỹ thuật đặt ra.

17

Hướng nghiên cứu của luận án là nhận dạng các tham số khí động từ dữ

liệu bay ghi nhận được qua thực nghiệm bay của TBB. Kết quả nhận dạng là

cơ sở khoa học và thực tiễn để đánh giá toàn bộ quá trình thiết kế và đưa ra

những kết luận sơ bộ, có thể sử dụng để hiệu chỉnh, hoàn thiện thiết kế đảm bảo

đáp ứng các yêu cầu chiến kỹ thuật của TBB dự định thiết kế. Để nhận dạng

các tham số khí động của TBB cần phải tiến hành các bài bay thực nghiệm

(hoặc các dữ liệu nhận được từ thiết bị ghi dữ liệu từ các chuyến bay thực tế)

để thu thập các tập dữ liệu phục vụ nhận dạng, xây dựng mô hình động học

chuyển động của TBB, trong đó có sự xuất hiện của các tham số khí động (các

tham số mô hình cần phải nhận dạng) áp dụng cho các phương pháp nhận dạng.

1.2. Nhận dạng các đạo hàm hệ số khí động từ dữ liệu bay

Nhận dạng các đặc tính khí động của TBB (cụ thể là máy bay dạng cánh

bằng) bao gồm các dạng như sau:

- Nhận dạng cấu trúc mô hình hệ số khí động (các thành phần hệ số lực

và mô men khí động): từ tập dữ liệu đầu vào (đối với biến điều khiển), dữ liệu

AF và

AM trong phương trình (1.3) và (1.4), tức là nhận dạng các hệ số khí

đầu ra (các HSKĐ) nhận được, cần phải nhận dạng được cấu trúc mô hình cho

C

,

,

,

,

,

C C m m m x z

y

y

z

x

động ( ).

- Nhận dạng tham số mô hình khí động (các đạo hàm hệ số lực và mô

men khí động): Giả định rằng, cấu trúc mô hình đối với hệ số khí động là đã

,

, cần phải nhận

V    , e

,y



được xác định (quan hệ giữa hệ số khí động trong kênh độ cao phương trình (1.10) đối với các biến chuyển động và điều khiển 

C

,

,

C

,

C m , ,

C m , 0

L

y

0

D

0

V D

V L

V y

dạng các đạo hàm hệ số khí động chưa biết (

,

m

C

,

C

,

,

C

,

m

 CC , D

 L

 , y

 y D

 y L

 m C , z y

 e D

 e L

 e y

) trong cấu trúc mô hình.

Trường hợp đơn giản nhất là các HSKĐ phụ thuộc tuyến tính và bất biến

theo thời gian vào các tham số chuyển động và điều khiển, khi đó mô hình nhận

18

dạng là mô hình tuyến tính dừng, mô hình hệ số khí động kênh độ cao được xác

định theo phương trình (1.10). Trong trường hợp HSKĐ phụ thuộc phi tuyến

vào các tham số chuyển động và điều khiển sẽ là nhận dạng phi tuyến và nếu

sự phụ thuộc là thay đổi theo thời gian thì mô hình nhận dạng sẽ là không dừng.

Sơ đồ cấu trúc nhận dạng tham số của mô hình khí động MB có thể được

biểu diễn trên hình 1.3.

Thử nghiệm bay, thu thập dữ liệu Các tham số đặc trưng của MB

Kiểm tra tương thích dữ liệu

Dữ liệu bay

Mô hình động học Ước lượng tham số và trạng thái

Xác nhận mô hình Các bộ dữ liệu khác

Hình 1.3. Sơ đồ cấu trúc nhận dạng các ĐHHSKĐ từ dữ liệu bay

Quá trình nhận dạng từ dữ liệu thử nghiệm MB bao gồm các giai đoạn:

Xây dựng mô hình động học của MB; Thực hiện thử nghiệm bay, thu nhận dữ

liệu; Phân tích khả năng tương thích dữ liệu; Nhận dạng trạng thái, tham số của

mô hình; Xác nhận sự thỏa mãn của mô hình nhận dạng.

Xem xét chức năng các khối cơ bản trong sơ đồ khối hình 1.3

1.2.1. Mô hình động học chuyển động của máy bay

Việc xây dựng mô hình động học chuyển động của máy bay là bước đầu

tiên trong quá trình nhận dạng. Trong bài toán nhận dạng các tham số của mô

hình đối với các hệ số khí động, dạng của mô hình phải được xác định từ trước.

Dạng mô hình có thể là mô hình hộp đen, mô hình dạng đa thức, mô hình dạng

19

hàm truyền (không gian trạng thái), mô hình mạng nơron …Yêu cầu mô hình

động học chuyển động máy bay phải đáp ứng được:

- Biểu diễn gần đúng nhất động học chuyển động thực tế của máy bay

thông qua các tham số cần nhận dạng;

- Có độ phức tạp vừa phải để có thể triển khai các thuật toán nhận dạng.

Đối với chuyển động của máy bay là chuyển động trong không gian và việc

nhận dạng các tham số khí động đồng thời trong cả 3 mặt phẳng chuyển động

là rất khó khăn, do đó, mô hình chuyển động của máy bay thường được xây

dựng theo từng mặt phẳng (kênh) điều khiển được cho là độc lập với nhau (kênh

độ cao và kênh hướng) [1], [4], [14], [32].

Đối với bài toán nhận dạng các hệ số khí động mỗi kênh điều khiển, cũng

cần phải xây dựng mô hình biểu diễn quan hệ giữa các hệ số khí động đối với

các tham số trạng thái và tham số điều khiển đối với kênh điều khiển đó. Tùy

thuộc vào mức độ yêu cầu của bài toán nhận dạng các hệ số khí động, mô hình

đối với các hệ số khí động có thể được xây dựng là mô hình tuyến tính hoặc phi

tuyến, mô hình dừng hoặc không dừng.

Trong luận án, sẽ sử dụng hai dạng mô hình động học đối với kênh độ

cao của máy bay:

- Mô hình tuyến tính không dừng dạng đa thức;

- Mô hình dùng mạng nơron nhân tạo.

Đối với mô hình hệ số khí động kênh độ cao của máy bay, trong luận án

sẽ sử dụng mô hình dạng tuyến tính dừng.

1.2.2. Thử nghiệm bay, thu nhận dữ liệu

Mục đích của luận án là thực hiện việc nhận dạng các đạo hàm hệ số khí

động trong kênh độ cao của máy bay sử dụng các tập dữ liệu nhận được từ các

chuyến bay thực tế của máy bay Su-D (thông qua hệ thống tự ghi các tham số

trong từng chuyến bay). Để xây dựng mô hình động học, nhận dạng và xác

20

nhận mô hình với các tham số nhận dạng được, được các hệ số khí động theo

kênh độ cao của MB, luận án sẽ sử dụng 12 tập dữ liệu từ các chuyến bay thực

tế có độ cơ động khác nhau xác định trong phụ lục B.

0

Các tham số chuyển động trong kênh độ cao lấy từ hệ thống tự ghi các

 0 

    ; Góc gật

0

/

V m s ; Góc lệch cánh lái độ cao





y

0 / s  

  ; Tốc độ máy bay

e    ; Gia tốc

2

tham số bay bao gồm: Góc tấn công ; Tốc độ góc gật

/

a  z m s 

  ; Gia tốc chuyển động theo trục dọc

2

T



0,02

chuyển động theo trục đứng

/

  s

a  x m s 

  . Các tập dữ liệu có chu kỳ lấy mẫu tín hiệu

. Các dữ

liệu thu nhận được này trước khi sử dụng trong các thuật toán nhận dạng được

xử lý theo thuật toán trung bình trượt.

Trên hình 1.4 biểu diễn giá trị hai tập dữ liệu bay từ các chuyến bay thực

tế sẽ được sử dụng trong luận án để nhận dạng tham số và xác nhận mô hình.

Hình 1.4. Hai tập dữ liệu bay trong kênh độ cao của máy bay

Các tham số là các HSKĐ không đo được trực tiếp mà được xác định

,

thông qua các tham số chuyển động khác và các tham số đặc trưng của máy bay

C C m ) , D

L

y

được cho trong Phụ lục A. Các HSKĐ trong kênh độ cao của MB (

,

,

a a  ) theo công thức sau [32]: x

y

z

được xác định thông qua các tham số (



a - ) )

(

ma P x



b )

sin -

cos



c )



21

-



cos

d sin )



-



C z C z

I

e )



  y y

m y

1 qS ma z qS C x C x 1 qSb A

 C  x   C  z  C  L  C  D    

(1.12)

1.2.3. Ước lượng tham số khí động và xác định trạng thái

Ước lượng tham số khí động và xác định trạng thái chuyển động là nội

dung cơ bản của quá trình nhận dạng ĐHHSKĐ của máy bay. Việc ước lượng

các tham số khí động (thông qua các hệ số khí động nhận dạng được) và xác

định trạng thái chuyển động cúa máy bay (theo mô hình động học) là mục đích

trọng tâm của luận án. Thực hiện mục đích này thông qua việc áp dụng các

thuật toán nhận dạng. Các thuật toán thường được áp dụng là:

- Thuật toán hồi quy tuyến tính (LR) theo tiêu chuẩn trung bình bình

phương nhỏ nhất với các phương pháp tính toán biến dụng cụ, phương pháp

không gian con [39];

- Thuật toán dựa trên tiêu chuẩn tựa thực cực đại (ML) với ba phương

pháp nhận dạng cơ bản, phụ thuộc vào mô hình động học của đối tượng cần

nhận dạng [20], [47]:

+ Phương pháp sử dụng bộ lọc Kalman (tuyến tính hoặc phi tuyến) đánh

giá các tham số trạng thái của mô hình động học TBB. Phương pháp này cũng

còn được gọi là phương pháp lọc đầu ra, đặc biệt có hiệu quả đối với mô hình

động học dạng tuyến tính của TBB khi ma trận hiệp phương sai đối với nhiễu

quá trình và nhiễu quan sát được cho là biết trước. Đối với mô hình động học

phi tuyến của TBB với ma trận hiệp phương sai đối với nhiễu quá trình và nhiễu

quan sát là không biết, phương pháp này là không có hiệu quả [32], [54];

22

+ Phương pháp sai số đầu ra (OEM), sử dụng khi mô hình động học của

TBB được giả định không có nhiễu quá trình đối với các trạng thái chuyển động

TBB [56].

+ Phương pháp sai số phương trình, sử dụng khi ma trận quan sát trong

phương trình quan sát giống như ma trận trạng thái trong phương trình trạng

thái TBB, ngoại trừ việc bổ sung các thành phần sai số phép đo.

- Các thuật toán tìm cực trị dựa trên lý thuyết điều khiển hiện đại (thuật

toán Gen, thuật toán dựa trên ANN, dựa trên Fuzzy Logic…) [17], [18], [42].

Mỗi dạng thuật toán nhận dạng này đều có những ưu điểm và hạn chế

riêng. Việc lựa chọn một thuật toán hoặc một phương pháp tính toán cụ thể nào

xuất phát từ mô hình cần phải nhận dạng, độ chính xác, độ tin cậy của dữ liệu

phục vụ nhận dạng cũng như độ phức tạp trong việc triển khai tính toán. Hai

thuật toán LR và ML được áp dụng chủ yếu trong các bài toán nhận dạng mô

hình động học và HSKĐ của TBB. Sự khác biệt cơ bản của hai thuật toán này

dựa trên tiêu chuẩn đánh giá chất lượng nhận dạng thông qua giá trị tham số

nhận được từ đầu ra mô hình nhận dạng và giá trị tham số nhận được đối với

hệ thống thực [47].

Các thuật toán tìm cực trị dựa trên lý thuyết điều khiển hiện đại thường

được áp dụng trong các bài toán nhận dạng tham số các đối tượng có mô hình

động học dạng phi tuyến, có tính bất định và yêu cầu độ chính xác nhận dạng

không quá cao. Độ chính xác và độ tin cậy của thuật toán nhận dạng này phụ

thuộc rất lớn vào cấu trúc mô hình được đề xuất và việc đánh giá chất lượng

thường được tiến hành qua các thử nghiệm thực tế. Thuật toán này thường được

áp dụng cho các thiết bị bay dạng đơn giản về cấu trúc, ví dụ như UAV.

Từ các đặc điểm trên đây, trong luận án sẽ sử dụng thuật toán nhận dạng

ML với phương pháp sai số đầu ra làm thuật toán nhận dạng các hệ số khí động

đối với đối tượng nghiên cứu của luận án là một lớp máy bay dạng cánh bằng.

23

Các kỹ thuật tối ưu hóa có thể áp dụng cho vấn đề tối ưu hóa hàm phụ

thuộc phi tuyến, từ đó nhận được véc tơ tham số  cần được đánh giá thường

được áp dụng [20]:

( )

- Nhóm thuật toán tìm kiếm trực tiếp (thuật toán bậc không): chỉ sử dụng

J  để xác định tham số  . Ví dụ của

các thông tin về giá trị phiếm hàm

phương pháp này là thuật toán tìm kiếm “điểm vàng” hoặc thuật toán chia đôi.

Ưu điểm thuật toán là đơn giản nhưng có hạn chế chỉ áp dụng cho vấn đề tối

ưu hóa hàm phi tuyến với một biến số;

- Nhóm thuật toán giảm độ dốc lớn nhất (thuật toán bậc nhất): sử dụng

đạo hàm bậc nhất của phiếm hàm để cập nhật giá trị tham số  theo chiều âm

( )

của đạo hàm bậc nhất với một hệ số cập nhật dương nào đó. Phương pháp này

J  , tuy nhiên

có ưu điểm là luôn luôn tiến về điểm cực tiểu của phiếm hàm

độ hội tụ rất chậm do phương pháp này chỉ sử dụng hiểu biết hạn chế về độ dốc

cục bộ của phiếm hàm;

- Nhóm thuật toán bậc hai: dựa trên xấp xỉ cục bộ phiếm hàm theo khai

triển Taylor đến bậc 2, có các thuật toán chính:

( )

+ Thuật toán Newton (Newton-Raphson): xác định tham số  để cực

J  thông qua các phép lặp và không phải xác định giá

tiểu hóa phiếm hàm

( )

trị hệ số cập nhật. Phương pháp này có độ hội tụ tốt đến cực tiểu toàn cục của

J  nếu như giá trị ban đầu của  được chọn tương đối chính xác,

phiếm hàm

( )

tuy nhiên có thể hội tụ đến cực tiểu toàn cục hoặc điểm yên ngựa của phiếm

J  nếu như giá trị  ban đầu được chọn không đủ chính xác.

hàm

+ Thuật toán tựa Newton (quasi-Newton): giống như thuật toán Newton,

tuy nhiên thay vì xác định đạo hàm bậc 2 (ma trận Hessian), ở đây sử dụng

tham số tìm kiếm theo đường để xấp xỉ ma trận này. Sự phức tạp tính toán của

24

thuật toán này giảm đi đáng kể so với thuật toán Newton do không phải tính

nghịch đảo ma trận Hessian.

+ Thuật toán Gauss -Newton: tìm kiếm bước lặp xấp xỉ của thuật toán

Newton thông qua lượng dư giữa hai lần lặp, ưu điểm của thuật toán này là quá

trình tính toán không quá phức tạp. Hạn chế của thuật toán cũng giống như

thuật toán Newton.

+ Thuật toán Levenberg – Marquadt: dung hòa giữa sự đảm bảo hội tụ

của thuật toán giảm độ dốc lớn nhất và tính hội tụ nhanh của thuật toán Gauss

–Newton. Hiệu quả của thuật toán phụ thuộc rất lớn vào giá trị một hệ số

(dương) cho mỗi lần tính toán lặp.

Trong luận án sẽ xây dựng các thuật toán nhận dạng các đạo hàm hệ số

khí động ở chương 3, bao gồm các thuật toán nhận dạng hồi quy tuyến tính

(LR), thuật toán dựa trên tiêu chuẩn tựa thực cực đại (ML) với phương pháp

sai số đầu ra (OEM). Mô hình động học chuyển động của máy bay trong kênh

độ cao trong luận án sử dụng là các mô hình tuyến tính hóa, mô hình dựa trên

mạng nơron (RBF và SNN).

1.2.4. Xác nhận mô hình

Xác nhận mô hình đã được nhận dạng là bước cuối trong quy trình nhận

dạng. Để kiểm tra khả năng tổng quát hóa cần một tập dữ liệu kiểm tra riêng

mà không sử dụng trong nhận dạng. Phương pháp xác nhận dựa trên nguyên

tắc này được gọi là xác nhận chéo. Mô hình được chấp nhận thông qua việc

đánh giá, so sánh dựa trên các tập dữ liệu nhận được từ đầu ra mô hình và các

tập dữ liệu nhận được từ thực tế theo một tiêu chuẩn đã đặt ra trước đó. Đối với

các bài toán nhận dạng tham số mô hình, việc khẳng định mô hình thường dựa

trên giá trị trung bình bình phương của sai số giữa hai tập dữ liệu này [40], [45].

25

1.3. Tình hình nghiên cứu ngoài nước

Đối với các nước tiên tiến trên thế giới, từ cuối thế kỷ 19, quá trình thiết

kế, chế tạo TBB đã bắt đầu được hình thành và phát triển. Cùng với sự phát

triển của khoa học và công nghệ, đặc biệt là sau chiến tranh thế giới lần thứ 2,

các TBB đã được phát triển rất đa dạng về chủng loại và được ứng dụng cho

nhiều mục đích khác nhau, đặc biệt trong lĩnh vực quân sự. Cho đến nay, các

công trình, tài liệu về nghiên cứu, thiết kế, chế tạo TBB được công bố khá

nhiều. Đối với các vấn đề về nghiên cứu, tính toán xác định, nhận dạng các hệ

số (đạo hàm) hệ số khí động thiết bị bay đã được công bố trong nhiều nguồn tài

liệu với các mức độ chi tiết và tính công khai khác nhau. Do tính chất phức tạp

của vấn đề nhận dạng hệ số khí động thiết bị bay, luận án sẽ thực hiện đánh giá

tổng quan các nghiên cứu, công trình đã công bố về vấn đề nhận dạng các

ĐHHSKĐ trong quá trình thiết kế, bao gồm các nhiệm vụ chính: mô hình động

học; các phương pháp nhận dạng ĐHHSKĐ; số liệu thực nghiệm.

Mô hình động học chuyển động TBB

Mô hình động học chuyển động của TBB thường được xây dựng dưới

dạng mô hình trạng thái chuyển động (thông qua các lực và mô men tác động

lên TBB) và mô hình HSKĐ biểu diễn quan hệ giữa các tham số khí động với

các đặc trưng cấu trúc khí động và điều kiện bay của TBB.

Với hầu như tất cả các nguồn tài liệu, khi xét chuyển động của TBB

dạng cánh bằng đều xem TBB như là một vật rắn, chuyển động theo 6 bậc tự do,

chuyển động của nó xác định theo các định luật vật lý của Newton. Trong [14],

[55], [65] đưa ra mô hình chuyển động trong không gian theo cả 3 mặt phẳng

và có sự liên quan các tham số khí động giữa các mặt phẳng này. Do tính chất

phức tạp của bài toán nhận dạng hệ số khí động khi tính tới ảnh hưởng lẫn nhau

trong 3 mặt phẳng chuyển động, trong các tài liệu này đều đưa ra các giả thiết

chấp nhận được để chuyển về mô hình động học đối với các mặt phẳng chuyển

26

động độc lập nhau, tuy nhiên vẫn biểu diễn dưới dạng các mô hình phi tuyến.

Trong [32], [47] đã bổ sung thêm các giả định, chủ yếu về các điều kiện và chế

độ bay của TBB để tiến hành tuyến tính hóa và đưa ra mô hình động học chuyển

động TBB dạng tuyến tính đối với các hệ số khí động cần phải nhận dạng trong

các mặt phẳng độc lập nhau.

Các tài liệu [14], [64] đã đi sâu vào nghiên cứu động học bay, bắt đầu từ

cơ sở khí động học, phân tích quá trình hình thành các lực và mô men khí động

của TBB, đưa ra các mô hình phụ thuộc của các hệ số khí động vào các tham

số cấu hình thiết bị bay và các chế độ bay. Trong các tài liệu này đã tiến hành

xây dựng các mô hình xác định các lực, mô men khí động theo bố trí khí động

và các tham số cấu hình các thành phần (thân, cánh nâng và cánh điều khiển)

của thiết bị bay và các chế độ bay và điều kiện bay.

Trong vài thập kỉ gần đây, ANN đã được nhiều người quan tâm và đã áp

dụng thành công trong giải quyết các vấn đề về nhận dạng hệ thống động học

thiết bị bay [35], [38], [43], [57]. ANN đã được áp dụng trong các vấn đề về

xấp xỉ phi tuyến mô hình động học của MB phục vụ cho các bài toán nhận dạng

các ĐHHSKĐ. Do các tính chất xấp xỉ tốt mô hình động học phi tuyến phức

tạp của máy bay mà mạng sử dụng là mạng nơron nhiều lớp lan truyền thẳng

(MLP) [38] để xấp xỉ hóa mô hình trạng thái phi tuyến đối với máy bay và đánh

giá ĐHHSKĐ sử dụng phương pháp đạo hàm riêng đối với mô hình tuyến tính

hóa đối với các ĐHHSKĐ trong kênh độ cao; dữ liệu bay ghi nhận từ các

chuyến bay thử nghiệm đối với máy bay vận tải loại nhỏ có tính linh hoạt cao.

Các kết quả nhận dạng được so sánh với phương pháp sai số đầu ra OEM và

đưa ra kết quả kém hơn do những sai số trong quá trình tính toán đạo hàm. Tài

liệu [27] sử dụng mạng nơron hàm cơ sở xuyên tâm (RBF) đóng vai trò xấp xỉ

đạo hàm bậc nhất trong việc tính toán ma trận độ nhạy khi lan truyền ngược

trong quá trình luyện mạng. Mô hình toán các hệ số khí động là mô hình tuyến

27

tính với các tham số góc trượt, tốc độ góc liệng, góc hướng, góc quay cánh lái

liệng và cánh lái hướng; đầu ra là các hệ số lực bên, hệ số mô men liệng, mô

men hướng và tham số cần phải nhận dạng là các ĐHHSKĐ tương ứng với

kênh điều khiển bên. Việc cập nhật các tham số mạng được thực hiện theo thuật

toán lọc Kalman mở rộng (EKF).

Trong những năm gần đây, mạng nơron đột biến (SNN) đã được nghiên

cứu và phát triển mạnh mẽ [16], [46], [51]. SNN có những thuộc tính giống như

quá trình xử lý thông tin như trong não bộ con người. Mạng SNN được phát

triển dựa trên những nghiên cứu rất sâu về cấu trúc sinh hóa và cách thức hình

thành, lan truyền và xử lý tín hiệu thần kinh đối với các nơron và tổ chức thần

kinh trên động vật sống và con người. Trong các tài liệu [10], [59] trình bày chi

tiết về các dạng mô hình của SNN và mô hình đột biến trong SNN, thuật toán

luyện mạng theo mô hình có chuyên gia đối với SNN nhiều lớp, phân tích việc

sử dụng SNN trong việc phân lớp mẫu dữ liệu, các tập dữ liệu chuẩn để đánh

giá hiệu quả học của mạng SNN. Việc sử dụng SNN trong các vấn đề nhận

dạng mô hình động học của TBB chưa được quan tâm nhiều. Tài liệu [46] đã

xây dựng mạng SNN để nhận dạng mô hình động học phi tuyến của một đối

tượng điều khiển, được cho dưới dạng mô hình nhận dạng song song. Mô hình

đối tượng điều khiển được cho dưới dạng quan hệ hàm phi tuyến đa thức đối

với đầu vào – đầu ra. SNN cũng được sử dụng đóng vai trò là bộ điều khiển PD

đối với mô hình phi tuyến. Kết quả nhận dạng và điều khiển cho thấy các kết

quả khá tốt khi sử dụng SNN cũng như các ưu điểm của quá trình luyện mạng.

Các phương pháp nhận dạng đạo hàm hệ số khí động

Các phương pháp xác định ĐHHSKĐ của TBB có thể phân thành 2 dạng

là tính toán lý thuyết và thực nghiệm (nhờ nhận dạng). Phương pháp tính toán

lý thuyết để xác định các ĐHHSKĐ thường sử dụng phương pháp tính toán

động học dòng chảy (CFD), có sự hỗ trợ đáng kể của máy tính trong quá trình

28

tính toán. Các phần mềm hỗ trợ tính toán các ĐHHSKĐ như: Datcom, Elements

CFD, Ansys… Tài liệu [55] đã trình bày khá chi tiết về quy trình tính toán thiết

kế, chế tạo một lớp máy bay tùy thuộc cấu hình khí động cụ thể được lựa chọn

sử dụng phần mềm Datcom.

Phương pháp thử nghiệm để thu thập dữ liệu cần thiết phục vụ bài toán

nhận dạng, có thể thực hiện theo hai phương pháp là phương pháp thử nghiệm

mô hình trong ống thổi khí động và phương pháp bay thử nghiệm. Thử nghiệm

mô hình trong ống thổi khí động yêu cầu có mô hình thử nghiệm đồng dạng về

hình học với TBB thật. Đây là phương pháp hiệu quả và có thể sử dụng kết quả

thử nghiệm để nhận dạng các ĐHHSKĐ sau khi xử lý những kết quả nhận được

thông qua phương pháp tính toán lý thuyết [11], [33]. Phương pháp này có

nhược điểm là dễ bị ảnh hưởng do có sai số của thiết bị đo, các vị trí có đồ gá

cố định, các đường dây dẫn tín hiệu đo... Vì vậy rất khó tránh khỏi sai lệch giữa

kết quả nghiên cứu và kết quả thử nghiệm. Kết quả của phương pháp thử

nghiệm ống thổi khí động được sử dụng trong quá trình tính toán thiết kế và

đánh giá các nghiên cứu lý thuyết.

Phương pháp bay thử nghiệm là một trong những phương pháp phổ biến

nhằm kiểm tra toàn diện TBB sau quá trình thiết kế chế thử, trong đó có việc

xác định các đặc tính khí động thông qua việc nhận dạng các HSKĐ và các

ĐHHSKĐ. Đây là phương pháp được thực hiện ngay trên mô hình thực của

TBB trong giai đoạn bay thử nghiệm [25], [32], [35]. Có 2 phương pháp nhận

dạng dựa trên số liệu thử nghiệm bay là nhận dạng trực tiếp các tham số ngay

trong quá trình thử nghiệm và xử lý số liệu thực nghiệm sau quá trình bay thử

nghiệm. Nhận dạng trực tiếp các tham số ngay trong quá trình thử nghiệm khi

xem TBB là đối tượng điều khiển, giữa tham số đầu vào và đầu ra có quan hệ

với nhau bằng một hàm truyền [52]. Yêu cầu của phương pháp là thực hiện

nhận dạng các tham số điều khiển được biểu diễn dưới dạng hàm truyền. Vì các

29

tham số điều khiển được xác định từ các ĐHHSKĐ nên việc nhận dạng các

tham số điều khiển thực chất là nhận dạng các ĐHHSKĐ.

Nhận dạng các ĐHHSKĐ dựa trên phương pháp xử lý số liệu thực

nghiệm sau quá trình bay thử nghiệm được xem xét tương đối toàn diện [32],

[47]. Những công trình này nghiên cứu kỹ mô hình vật lý của TBB, thiết lập

mô hình và các thuật toán nhận dạng đạo hàm hệ số khí động của TBB.

Do tính chất không quá phức tạp về triển khai thuật toán và tính trực

quan trong kết quả đánh giá chất lượng nhận dạng, thuật toán hồi quy tuyến

tính (LR) được áp dụng rất nhiều trong các bài toán nhận dạng hệ số (đạo hàm

hệ số) khí động TBB [39]. Với tất cả các bài toán nhận dạng theo thuật toán LR

đều xuất phát từ giả định rằng việc tính toán theo mô hình bình phương nhỏ

nhất (LS) được thực hiện khi không có bất kỳ thông tin nào về xác xuất liên

quan đến tham số cần nhận dạng  và nhiễu đo trạng thái đầu ra.

Thuật toán dựa trên tiêu chuẩn tựa thực cực đại xuất phát từ giả thiết rằng

mô hình động học của TBB tuân theo mô hình Fisher [20], được áp dụng đối

với mô hình khi tham số cần nhận dạng  là không đổi và đã biết phân bố xác

xuất của nhiễu đo trạng thái đầu ra. Trong [19], [21], [29], [33], [34] đã thực

hiện nhận dạng hệ số khí động TBB theo thuật toán này. Tùy thuộc vào đặc

điểm mô hình động học TBB được lựa chọn, thuật toán này được triển khai với

phương pháp lọc Kalman, sai số phương trình, sai số đầu ra (OEM) [25], [43],

[52]. Các tài liệu [32], [33] đã trình bày tổng quan về nhận dạng các ĐHHSKĐ

của MB từ các tập dữ liệu là các tham số chuyển động và điều khiển theo các

phương pháp truyền thống. Tài liệu [29] đã thực hiện nhận dạng các ĐHHSKĐ

của MB khi sử dụng mô hình khí động là tuyến tính và xem xét, đánh giá kết

quả nhận dạng, so sánh khi sử dụng mô hình khí động là phi tuyến. Kết quả

nhận được cho thấy rằng việc sử dụng mô hình khí động dạng phi tuyến cho

kết quả nhận dạng ĐHHSKĐ chính xác hơn.

30

Trong những năm gần đây, mạng nơron nhân tạo (ANN) đã được nhiều

người quan tâm và đã áp dụng thành công trong giải quyết các vấn đề về nhận

dạng hệ thống động học thiết bị bay [29], [35], [43], [57]. ANN đã được áp

dụng trong các vấn đề về xấp xỉ phi tuyến mô hình động học của MB phục vụ

cho các bài toán nhận dạng các ĐHHSKĐ. Trong [58] sử dụng mạng nơron

truyền thẳng (MLP) để xấp xỉ hóa mô hình trạng thái phi tuyến đối với máy

bay, kết quả nhận dạng tham số theo mô hình MLP được so sánh với mô hình

trạng thái tuyến tính hóa theo phương pháp đạo hàm riêng trên tập các dữ liệu

nhận được từ các chuyến bay thử nghiệm đối với máy bay vận tải loại nhỏ có

tính linh hoạt cao. Kết quả nhận dạng khi sử dụng mô hình MLP có độ chính

xác cao hơn đáng kể so với mô hình tuyến tính hóa.

Trong [35], [43] thực hiện thuật toán nhận dạng các hệ số khí động đối

với kênh hướng và kênh độ cao của máy bay, trong đó đã sử dụng MLP để dự

báo một bước các tham số chuyển động theo kênh hướng (thay cho việc giải

phương trình trạng thái chuyển động) và kết hợp với thuật toán Gauss - Newton

để đánh giá các HSĐHKĐ, dữ liệu bay ghi nhận được từ máy bay thử nghiệm

loại Hansa – 3. Kết quả cho thấy rằng, độ chính xác các hệ số khí động cần

nhận dạng khi sử dụng phương pháp truyền thống (thuật toán LR và OEM) và

phương pháp sử dụng mạng nơron kết hợp với thuật toán Gauss – Newton

(NGN) là như nhau khi thực hiện thử nghiệm mô hình máy bay trong ống thổi

khí động. Các kết quả mô phỏng trong các tài liệu này cũng đưa ra đánh giá về

sự phụ thuộc giữa độ chính xác nhận dạng vào chất lượng dữ liệu thu được từ

các chuyến bay, khẳng định sự cần thiết phải chính xác lại dữ liệu nhận được

từ các chuyến bay phục vụ cho bài toán nhận dạng hệ số khí động.

Trong [27] sử dụng mạng RBF đóng vai trò xấp xỉ mô hình hệ số khí

động của thiết bị bay theo các tham số trạng thái và điều khiển. Quá trình lan

truyền ngược trong thuật toán luyện mạng được thực hiện thông qua ma trận

31

tính toán đạo hàm riêng và các hệ số trọng lượng đối với từng hàm cơ sở

(Gauss). Các hệ số trọng lượng này được chọn tối ưu qua thuật toán lọc Kalman

mở rộng (EKF). Mô hình đối với đạo hàm hệ số khí động được chọn là tuyến

tính. Kết quả nhận dạng được tiến hành trên kênh bên của một loại máy bay đối

với 3 dạng cơ động và được cho là có độ chính xác tương đương khi so sánh

với các phương pháp sử dụng mạng MLP dùng hàm sigmoid và phương pháp

sai số phương trình.

Dữ liệu phục vụ cho bài toán nhận dạng ĐHHSKĐ thiết bị bay

Nhiệm vụ nhận dạng ĐHHSKĐ của TBB, cũng như bất kỳ một bài toán

nhận dạng nào, đều yêu cầu nguồn dữ liệu phục vụ cho việc đánh giá mô hình

nhận dạng và kiểm tra độ tin cậy và xác nhận mô hình nhận dạng được. Đối với

nhận dạng ĐHHSKĐ của TBB, trong các bài báo, công trình nghiên cứu ở nước

ngoài, tập trung vào ba nguồn dữ liệu chính:

- Dữ liệu từ các chương trình mô hình hóa: với sự phát triển mạnh mẽ

của các công cụ tính toán và mô phỏng hiện nay, các giai đoạn thiết kế, chế tạo

và thử nghiệm ảo các chế độ bay nhằm xác định sơ bộ các đặc tính điều khiển,

đặc tính ổn định, các đặc trưng khí động… cho một lớp TBB đã được xây dựng

dưới dạng các chương trình phần mềm độc lập hoặc tích hợp đầy đủ. Trong

[55] đã đưa ra chương trình đánh giá các đặc tính ổn định và điều khiển, ứng

dụng trong thiết kế sơ bộ. Ưu điểm của các dữ liệu này là được phát ra từ các

chương trình mô phỏng, mô hình hóa nên các dữ liệu nhận được là khá đa dạng,

tương ứng nhiều tình huống khác nhau theo yêu cầu sử dụng. Hạn chế cơ bản

là không có độ chính xác cao so với các dữ liệu nhận được từ các chuyến bay

thử nghiệm hoặc thực tế, một số chương trình mô hình hóa không được phổ

biến rộng rãi.

- Dữ liệu từ mô hình ống thổi khí động: trong thiết kế, chế tạo TBB đều

phải trải qua bước thử nghiệm mô hình ống thổi khí động để xác định các

32

HSĐHK [11], [33]. Trong ống thổi khí động, các TBB được thiết kế dạng mô

hình với cấu trúc khí động như mong muốn nhưng với 1 tỷ lệ thu nhỏ nhất định

và các thiết bị đo cần thiết được gắn lên mô hình. Với mô hình ống thổi khí

động có thể quan sát và đo đạc trực quan hơn các tham số và hiện tượng khí

động xảy ra (dùng luồng khí có màu [11]). Dữ liệu thu nhận được từ các ống

thổi khí động mang tính thực tế nhiều hơn so với dữ liệu nhận được từ phần

mềm mô phỏng, tuy nhiên cũng có những hạn chế như: Không thể bố trí quá

nhiều thiết bị đo trên mô hình thu nhỏ TBB, vì các khung, giá đỡ thiết bị đo và

bản thân mô hình sẽ cản trở dòng chảy liên tục của luồng khí; Không có nhiều

chế độ và điều kiện bay do việc xác định các tham số khí động theo nguyên lý

tương đương (luồng khí được thổi tương đương tốc độ bay), việc thực hiện phải

tiến hành nhiều lần và sử dụng các biến đổi toán học để tính các ĐHHSKĐ với

tỷ lệ thực của TBB; Giá thành rất cao đối với các hệ thống ống thổi khí động

hiện đại, chỉ có thể có tại các nước có nền công nghệ hàng không phát triển.

- Dữ liệu từ các chuyến bay thử nghiệm: đánh giá tham số từ dữ liệu

chuyến bay thử nghiệm là một thủ tục bắt buộc trong quá trình thiết kế chế tạo

một loại thiết bị bay mới nhằm tính toán, chuẩn hóa lại các số liệu phục vụ cho

thiết kế mà không thể nhận được theo tính toán lý thuyết trên phần mềm cũng

như từ ống thổi khí động. [15], [25]. Với các TBB thử nghiệm, có thể bố trí các

thiết bị đo cần thiết đủ để thu nhận dữ liệu. Mỗi lần bay thử nghiệm có thể được

thực hiện theo một kế hoạch đã được thiết kế nhằm đánh giá các tham số khí

động và một loạt các tính năng kỹ - chiến thuật mà TBB phải đáp ứng trong

quá trình sử dụng. Cũng như ống thổi khí động, việc sử dụng các TBB dạng

thử nghiệm nguyên mẫu chỉ phát triển đối với các TBB sẽ sản xuất loạt lớn và

tại các nước có nền công nghệ hàng không phát triển.

33

1.4. Tình hình nghiên cứu trong nước

Trong nước, nền công nghệ kỹ thuật hàng không còn hết sức khiêm tốn.

Các công trình, tài liệu công bố về việc nghiên cứu thiết kế, chế tạo TBB đặc

biệt là MB dạng cánh bằng có người lái với tải trọng lớn, độ cơ động cao còn

hạn chế. Nhiệm vụ chủ yếu các dự án là chế tạo TBB không người lái đơn giản

dạng máy bay mô hình, máy bay tạo giả mục tiêu hàng không, các UAV loại

nhỏ với các mục đích tìm kiếm, trinh sát.

Các công trình nghiên cứu về chế tạo TBB không người lái có thể kể đến

như: Nghiên cứu chế tạo tổ hợp máy bay không người lái phục vụ nghiên cứu

khoa học của Viện Hàn lâm Khoa học và Công nghệ Việt Nam thực hiện. Trong

tài liệu [7] đã sử dụng máy bay 82 IRKUT-70V để tiến hành thực nghiệm bay

thu thập dữ liệu. Viện Kỹ thuật PK – KQ đã tiến hành các nghiên cứu: cải tiến

thành công tên lửa không đối không có điều khiển thành mục tiêu bay dùng

trong huấn luyện bắn đạn thật của lực lượng phòng không; thiết kế, chế tạo máy

bay không người lái điều khiển chương trình mang tên M400-CT, đã thử

nghiệm thành công tại sân bay Kép (Bắc Giang) dùng cho mục đích trinh sát,

theo dõi mục tiêu trên chiến trường, tìm kiếm cứu nạn.

Trong lĩnh vực chế tạo TBB dạng tên lửa, hiện nay trong nước đang có

hai hướng nghiên cứu cơ bản: nghiên cứu thiết kế chế tạo dạng tên lửa vác vai

tầm thấp dựa theo nguyên mẫu; nghiên cứu thiết kế chế tạo dạng tên lửa đối hải

tầm trung, tốc độ cận âm dựa theo nguyên mẫu.

Hiện nay, đối với những đề tài, công trình thực hiện trong nước, việc xác

định các ĐHHSKĐ chủ yếu đang thực hiện theo hai phương pháp:

- Phương pháp tính toán: do các hạn chế về sự phát triển nền công nghệ

chế tạo TBB trong nước, cũng như sự không công khai của các chương trình

phát triển nên không có nhiều tài liệu liên quan đến tính toán và nhận dạng tham

số khí động đối với một lớp TBB dạng cánh bằng. Trong [2] đã trình bày tương

34

đối chi tiết về các giai đoạn bắt buộc khi thiết kế chế tạo một lớp TBB mới,

trong đó đặt ra việc tính toán các hệ số khí động dạng tập hợp các công thức

toán học phụ thuộc vào cấu trúc hình học các phần tử của TBB và điều kiện

bay nhưng không đặt ra vấn đề nhận dạng các hệ số khí động. Trong [8], [9] sử

dụng phần mềm Datcom để tính một số ĐHHSKĐ cơ bản nhằm mô phỏng quỹ

đạo của TBB dạng tên lửa.

- Phương pháp thực nghiệm: các hướng nghiên cứu chế tạo các TBB

trong nước đều dựa trên nguyên mẫu nên việc có được các cơ sở dữ liệu dựa

trên các mô hình TBB trong ống thổi khí động hoặc từ các chuyến bay thử

nghiệm thực tế là hạn chế hoặc sử dụng chủ yếu cho mục đích hiệu chuẩn các

tham số và thuật toán điều khiển. Trong tài liệu [7] xác định các tham số khí

động trong giai đoạn thử nghiệm thiết bị bay của một lớp máy bay cánh bằng.

Tác giả đã phân tích toán học bài toán động lực học thuận (xác định tham số

chuyển động) và bài toán động lực học ngược (xác định lực và mô men khí

động) và thực hiện xác định các ĐHHSKĐ thông qua việc giải hệ phương trình

động lực học dựa trên phương pháp thống kê thực nghiệm. Nhược điểm của

phương pháp này là khi các tham số chuyển động có sự thay đổi lớn hay có sự

tác động của nhiễu quá trình (không phù hợp với đường bay giả lập) sẽ gây sai

số đến kết quả xác định các ĐHHSKĐ lớn, thậm chí còn không thực hiện được

thuật toán. Vì vậy phương pháp này không phù hợp để xác định các ĐHHSKĐ

từ các chuyến bay thực tế.

Đến nay, chưa có đề tài, công trình nghiên cứu trong nước nào thực hiện

nghiên cứu ứng dụng mạng nơron trong nhận dạng các ĐHHSKĐ từ các tập dữ

liệu bay ghi nhận từ những chuyến bay thực tế của một lớp máy bay cánh bằng

có người lái.

35

1.5. Đặt vấn đề nghiên cứu

1.5.1. Những vấn đề còn tồn tại

Qua nghiên cứu, đánh giá tổng quan tình hình nghiên cứu trong và ngoài

nước về các vấn đề liên quan đến bài toán nhận dạng các đạo hàm hệ số khí

động (ĐHHSKĐ) của TBB nói chung và một lớp máy bay dạng cánh bằng nói

riêng, tác giả luận án nhận thấy:

- Việc nhận dạng các ĐHHSKĐ của TBB là một nhiệm vụ cần thiết, bắt

buộc, các ĐHHSKĐ nhận dạng được có ý nghĩa quan trọng trong các giai đoạn

thiết kế, thử nghiệm và chế tạo TBB, trong việc xây dựng các mô hình mô

phỏng phục vụ huấn luyện, đào tạo đội ngũ người lái;

- Quá trình nhận dạng ĐHHSKĐ bao gồm nhiều nội dung, quan trọng

nhất là xây dựng mô hình động học, thuật toán áp dụng cho bài toán nhận dạng

và tập hợp các dữ liệu phục vụ nhận dạng và kiểm tra mô hình nhận dạng được.

Độ chính xác của mô hình động học, độ tin cậy của thuật toán và phương pháp

nhận dạng, sự chính xác và độc lập của các tập dữ liệu bay quyết định đến độ

chính xác các ĐHHSKĐ nhận dạng được;

- Hiện nay, việc xấp xỉ động học phi tuyến chuyển động của TBB được

thực hiện bằng các mô hình ANN được quan tâm nhiều do sự phát triển mạnh

của các thuật toán luyện mạng, đặc biệt là sự phát triển mạng SNN trong những

năm gần đây. Vấn đề nghiên cứu mô hình SNN áp dụng vào mục đích nhận

dạng ĐHHSKĐ của TBB chưa có những công bố trong nước;

- Ở trong nước, vấn đề sử dụng các tập dữ liệu bay ghi nhận được từ các

thử nghiệm trên mô hình ống thối khí động hoặc từ các chuyến bay thử nghiệm

phục vụ cho mục đích nhận dạng các ĐHHSKĐ còn rất hạn chế, đối với một

lớp máy bay cánh bằng có người lái thực tế là chưa có.

36

1.5.2. Xây dựng hướng nghiên cứu của luận án

Từ các đánh giá trên, mục đích của luận án là nghiên cứu, thực hiện nhận

dạng các ĐHHSKĐ cho một lớp máy bay cánh bằng có người lái sử dụng ANN

đóng vai trò mô hình động học của máy bay và các tập dữ liệu bay thực nghiệm

phục vụ nhận dạng thu nhận được từ các chuyến bay thực tế.

Để đạt được mục đích, luận án cần giải quyết các nhiệm vụ cơ bản sau:

- Xây dựng mô hình động học chuyển động của máy bay và mô hình đối

với hệ số khí động đối với kênh độ cao của một lớp máy bay cánh bằng có

người lái phục vụ cho mục địch nhận dạng ĐHHSKĐ; Việc xây dựng mô hình

động học hướng tới sử dụng mạng ANN thế hệ 2;

- Đề xuất sử dụng mạng nơron đột biến (SNN) trong việc xây dựng mô

hình động học kênh độ cao của máy bay, trong đó tập trung vào việc phân tích

và xây dựng thuật toán luyện mạng SNN theo phương pháp SpikeProp và

phương pháp NSEBP;

- Sử dụng thuật toán nhận dạng ML theo phương pháp sai số đầu ra, giải

quyết bài toán nhận dạng các ĐHHSKĐ kênh độ cao của máy bay từ dữ liệu

bay theo thuật toán tính toán Gauss – Newton (GN) khi mô hình động học máy

bay được xây dựng theo ANN thế hệ thứ hai và SNN. Các kết quả này được so

sánh với thuật toán tính toán cơ bản là hồi quy tuyến tính (LR).

Trong quá trình thực hiện các nhiệm vụ trên, các tập dữ liệu bay ghi nhận

được từ các chuyến bay thực tế đóng vai trò xây dựng mô hình, nhận dạng các

tham số mô hình và xác nhận mô hình được nhận dạng, làm cơ sở để đánh giá

chất lượng của thuật toán nhận dạng các ĐHHSKĐ dựa trên ANN, SNN. Các

đặc trưng hình học, cấu trúc hình dạng khí động, tham số kỹ thuật của một loại

máy bay cánh bằng thực tế được xem là đã biết khi nghiên cứu các nội dung

của luận án.

37

1.6. Kết luận chương 1

Chương 1 luận án đã thực hiện được một số nội dung sau:

Phân tích mô hình động học của một lớp máy bay cánh bằng trong không

gian. Xác định mô hình HSKĐ và qua đó nhận được các ĐHHSKĐ trong kênh

độ cao của máy bay. Các ĐHHSKĐ trong kênh độ cao của máy bay sẽ là đối

tượng nghiên cứu cụ thể của luận án.

Đã thực hiện phân tích xác định cấu trúc nhận dạng tham số đối với mô

hình động học chuyển động kênh độ cao của máy bay từ dữ liệu chuyến bay.

Với cấu trúc nhận dạng tham số mô hình, đã thực hiện đánh giá tình hình nghiên

cứu trong và ngoài nước về các nội dung cơ bản cần phải giải quyết trong lĩnh

vực nhận dạng các ĐHHSKĐ trong thiết kế, chế tạo MB.

Từ những đánh giá phân tích, nhận thấy việc sử dụng ANN trong việc thay

thế mô hình động học phi tuyến của máy bay có rất nhiều ưu thế và đang được

quan tâm hiện nay và luận án sẽ tập trung vào hướng nghiên cứu này phục vụ

cho mục đích nhận dạng các ĐHHSKĐ kênh độ cao máy bay và đề xuất mục

đích và các nội dung chính cần phải nghiên cứu của luận án.

38

CHƯƠNG 2: XÂY DỰNG MÔ HÌNH ĐỘNG HỌC CHO MỘT LỚP

MÁY BAY CÁNH BẰNG

Để nhận dạng các ĐHHSKĐ cho MB thì trước tiên phải xây dựng mô

hình động học của MB. Các mô hình mô tả chuyển động của MB được xây

dựng trong các HTĐ dựa trên định luật Newton và các góc Euler khi coi MB là

vật rắn chuyển động với 6 bậc tự do. Trong nội dung chương này, việc xây

dựng mô hình sẽ thực hiện cho một lớp MB cánh bằng. Mô hình xây dựng được

sẽ sử dụng cho nhận dạng các ĐHHSKĐ cũng như mô phỏng và đánh giá kết

quả nghiên cứu.

2.1. Mô hình động học máy bay

2.1.1. Các hệ tọa độ sử dụng trong mô tả chuyển động của máy bay

Các chuyển động của TBB trong không gian thường được mô tả bởi một

số HTĐ nhất định. Trong việc nghiên cứu về nhận dạng các ĐHHSKĐ cho

TBB, không thể bỏ qua việc xác định các HTĐ. Có nhiều HTĐ sử dụng trong

nghiên cứu thiết kế chế tạo, điều khiển, dẫn đường, nhận dạng... hoặc khai thác

sử dụng TBB [1], [14], [32], [41], [65]. Các HTĐ tham chiếu thường sử dụng

để nghiên cứu động học TBB trong quá trình nhận dạng hệ thống hoặc tham số

khí động TBB bao gồm: HTĐ quán tính, HTĐ đất, HTĐ đất di động, HTĐ liên

kết, HTĐ tốc độ, HTĐ quỹ đạo. Các HTĐ này cho phép xây dựng hệ các phương

trình động học, mô tả chuyển động của MB.

Hệ tọa độ quán tính

Định luật Newton được áp dụng trong HTĐ chuyển động tham chiếu

quán tính. Theo định luật Newton, hệ tọa độ quán tính là hệ tọa độ không

chuyển động hay chuyển động không có gia tốc, gốc tọa độ cố định hoặc di

chuyển với tốc độ không đổi tương đối so với các ngôi sao ở xa, hướng là tùy

chọn và cố định [41].

39

Theo định nghĩa như vậy, HTĐ quán tính có thể là HTĐ có gốc tại tâm

trái đất (khi nghiên cứu MB với cự ly liên lục địa, MB có độ cao hoạt động lớn

dạng vệ tinh...), cũng có thể là HTĐ có gốc tại vị trí cất cánh ban đầu MB (các

MB có cự ly, độ cao hoạt động nhỏ).

Hệ tọa độ đất

Ox y z thường được gắn cố định với mặt đất [1], [32]. Thông

E E E

HTĐ đất

EOx hướng về phía

thường gốc tọa độ O đặt ở điểm xuất phát của MB, trục

EOy hướng về phía Đông và trục

EOz vuông góc với mặt phẳng

E EOx y ,

Bắc,

hướng đến tâm trái đất và tạo thành tam diện thuận. Đối với các bài toán nhận

dạng hệ thống máy bay dạng cánh bằng, HTĐ đất được xem là HTĐ quán tính.

Hệ tọa độ đất di động

Ox y z có gốc tọa độ O đặt tại tâm trọng MB, định

g

g g

HTĐ đất di động

hướng của các trục song song với trục HTĐ đất. HTĐ này được sử dụng khi

cần phải xác định hướng quay hoặc tư thế của MB so với thời điểm ban đầu.

Hệ tọa độ liên kết

Chuyển động của MB có thể mô tả trong HTĐ liên kết Oxyz [1], [32].

HTĐ liên kết có gốc tọa độ O đặt tại trọng tâm MB. Trục Ox trùng với trục

dọc và hướng về phía mũi MB. Trục Oy vuông góc với Ox hướng sang cánh

phải. Trục O z hướng xuống dưới vuông góc với các trục Ox và Oy tạo thành

một tam diện thuận.

Hệ tọa độ tốc độ

aOx y z có gốc tọa độ O đặt tại trọng tâm MB [3], [32].

a

a

HTĐ tốc độ

aOx trùng với hướng véc tơ không tốc V của MB. Trục

aOy hướng sang

Trục

aOx , mặt phẳng

aOx y vuông góc với mặt phẳng

a

cánh phải, vuông góc với trục

aOz hướng xuống dưới, vuông góc với mặt phẳng

aOx y và tạo thành tam diện thuận.

a

đối xứng của MB. Trục

40

HTĐ tốc độ, HTĐ liên kết cùng với HTĐ quán tính được sử dụng trong

hầu hết lĩnh vực nhận dạng các tham số khí động, nhận dạng mô hình của các

phần tử trong hệ thống điều khiển cũng như mô hình chuyển động của TBB.

Ma trận chuyển tọa độ

Trong các bài toán điều khiển, nhận dạng, đo lường tham số MB… luôn

luôn có sự chuyển đổi các giá trị tham số từ HTĐ này sang một HTĐ khác.

Việc chuyển đổi thực hiện thông qua phép quay các góc Euler một cách tuần

tự và được biểu diễn dưới dạng ma trận chuyển đổi [32], [65]. Ma trận này được

gọi là ma trận cosin định hướng. Sau đây sẽ xem xét một số phép chuyển giữa

các HTĐ được sử dụng khi nghiên cứu chuyển động của MB dạng cánh bằng:

- Ma trận định hướng giữa HTĐ liên kết và HTĐ tốc độ

Hình 2.1. Mối quan hệ giữa hệ tọa độ liên kết so với hệ tọa độ tốc độ

HTĐ tốc độ có thể được hình thành từ HTĐ liên kết bằng cách quay 2

B

(

,

 ) xyz

lần liên tiếp theo các góc α (góc tấn công) và β (góc trượt):

x y z a a a Ma trận cos-sin định hướng B có dạng như sau:



cos





B



(2.1)

   ,

  cos cos sin    sin .cos



  sin cos    sin .sin

sin 0  cos

(2.2)

41

- Ma trận định hướng giữa HTĐ liên kết và HTĐ đất di động

,

Hình 2.2. Mối quan hệ giữa hệ tọa độ liên kết với hệ tọa độ đất di động

,) xác định hướng của HTĐ liên kết đối với HTĐ

Các góc Euler (

đất di động. Thực hiện bởi 3 lần quay liên tiếp có thể chuyển từ HTĐ đất di

động sang HTĐ liên kết: quay quanh trục Ozg một góc bằng góc hướng  được

Ox y z ; quay quanh trục

1 1 1

1Oy một góc bằng góc gật  được HTĐ

Ox y z ; tiếp tục quay quanh trục Ox2 một góc bằng góc liệng  ta được HTĐ

2 2 2

HTĐ mới

C

liên kết Oxyz :

 ( , ) , xyz 

x y z g g g

(2.3)



Ma trận cos-sin định hướng C có dạng sau:

C

 ( , , )



  cos cos 

  cos sin 

 sin sin cos

cos cos

cos sin

cos cos

sin cos

sin sin





  sin sin cos   cos sin cos 

              cos sin sin               cos sin sin 

(2.4)

2.1.2. Các quy ước về chiều và dấu các tác động điều khiển

2.1.2.1 Quy ước xác định chiều các lực và mô men khí động tác động

Khi đặt HTĐ liên kết và HTĐ tốc độ lên máy bay [32], chiều của các lực

và mô men được quy ước như sau:

42

aOx (lực cản chính diện D )

Trong HTĐ tốc độ, lực tác động theo trục

hướng từ tâm áp về phía đuôi MB và ngược với hướng véc tơ tốc độ máy bay;

aOy (lực hướng) hướng theo cánh nâng bên phải; lực tác

lực tác động theo trục

aOz (lực nâng L ) hướng lên phía trên.

động theo trục

xM ) hướng

Trong HTĐ liên kết, mô men theo trục Ox (mô men liệng

yM )

aOz (mô men gật

từ trọng tâm về phía đầu mũi MB, mô men theo trục

hướng sang cánh nâng bên phải máy bay khi nhìn máy bay từ phía sau, mô men

zM ) hướng xuống phía dưới.

theo trục O z (mô men hướng

2.1.2.2 Quy ước dấu các tác động điều khiển

Xem xét hoạt động của ba cánh lái tác động đến đặc trưng khí động của

MB dạng cánh bằng, mỗi cánh có vai trò tạo ra mô men cho một trục trong

HTĐ Oxyz . Quy ước xác định dấu đối với các cánh lái như sau (hình 2.3):

Hình 2.3. Quy ước về dấu đối với các cánh điều khiển

- Cánh lái độ cao (Elevator) bố trí ở rìa sau của cánh đuôi ngang, ký hiệu

e, có góc quay là dương (+) nếu nhìn từ phía

góc lệch của cánh lái độ cao là

đuôi theo trục dọc MB thì mép sau cánh hướng xuống phía dưới.

- Cánh lái kênh hướng (Rudder) bố trí ở rìa sau cánh đuôi đứng hoặc toàn

r, có góc quay là dương (+) nếu nhìn từ phía

bộ cánh đuôi đứng, được ký hiệu

đuôi của MB thì phía sau cánh hướng sang bên phải.

43

,

- Cánh lái liệng (Ailerons) là một cặp cánh bố trí ở rìa sau hai cánh nâng

aR  ), có chiều quay ngược nhau. Góc quay của cánh lái này được

aL

cố định (

ký hiệu a, có giá trị dương khi rìa cánh bên phải quay lên phía trên.

2.1.3. Mô hình động học phi tuyến

Một số giả định khi xây dựng phương trình động học của máy bay [32]:

- Máy bay là vật thể rắn với khối lượng và phân bố cố định;

- Không khí ở trạng thái tĩnh so với mặt đất (không có gió);

- Trái đất được coi là cố định trong không gian quán tính;

- MB bay trong khí quyển gần mặt đất, mặt đất được coi như là phẳng;

- Trọng trường là đồng nhất và không thay đổi theo độ cao.

Các phương trình động lực học

Với các ký hiệu lực và mô men trong HTĐ liên kết như trên mô hình MB

cánh bằng (hình 1.1), chuyển động tổng quát của MB có thể mô tả bằng chuyển

F

(

m

động tịnh tiến và chuyển động quay như sau:

V )

d dt

M

(

(2.5)

Iω )

d dt

(2.6)

Các véc tơ và ma trận biểu biễn trong các phương trình (2.5) và (2.6)

x

-

x

xy

xz

được xác định trong HTĐ liên kết như sau:

F

=

M

=

; ; (2.7)

I

I I

I I

- -

I I

y

yx

y

yz

M M M

-

I

-

I

I

F x F y F z

z

zx

zy

z

    

    

    

    

    -  

    

I



I



I



I



0

Với một vật rắn đối xứng qua mặt phẳng Oxz trong HTĐ liên kết thì ma

xy

yx

yz

zy

. trận quán tính I đối xứng, khi đó

Đối với vật thể tham gia đồng thời cả chuyển động tịnh tiến và chuyển

động quay, vi phân các véc tơ lực và mô men sẽ có hai thành phần được mô tả:

(.)



(.)

 

 (.)

44

d dt

  t

(2.8)

Kết hợp các phương trình (2.5), (2.6) và (2.8), sẽ có các phương trình

động lực học của MB:

F



 V ω

 

m

m

V







(2.9)

M Iω ω Iω 

(2.10)

Trong HTĐ liên kết, các thành phần lực và mô men khí động được xác

định như sau:



m





)

F x

  V z z

V y

y

Các thành phần lực:



m





)

F y

  V x x

V z

z



m





)

F z

 V ( x  V ( y  V ( z

  V y y

V x

x

    

(2.11)



M







(

I



I

)



x

    I z z

I x x

xz

y

z

 y

I x xz

y

M



I

(



I

I

)



)

I

Các thành phần mô men:

y

y

    z

x



M



y I





(

I

2 x I





)

z

x z     I x xz y

x

z

z

y

2    ( z xz  y

x

I z xz

    

(2.12)

Xem xét các lực và mô men tác động lên MB theo các phương trình (1.1),

PF , trọng lực GF và lực khí động

AF ; mô men sinh ra từ

(1.2) gồm: lực đẩy

AM và mô men sinh ra từ lực đẩy

PM .

các lực khí động

- Lực và mô men khí động: xác định bởi các phương trình (1.3), (1.4).

- Trọng lực: Các thành phần của trọng lực xác định trong HTĐ liên kết

thay đổi theo định hướng của MB trong HTĐ đất, biểu diễn thông qua ba góc

x





Euler (γ,  , ψ), biểu diễn trong HTĐ liên kết như sau:

(2.13)

F G

y

- mg mg 

z

g   m g   g 

    

    

 mg sin    sin cos    cos cos 

45

- Lực đẩy và mô men đẩy: Giả sử lực đẩy tác động dọc trục Ox của HTĐ

liên kết và đi qua trọng tâm, khi đó véc tơ lực đẩy được biểu diễn:

(2.14)

F

=

P

0



0 T 

P

Khi tính đến khối lượng quay của phần động cơ tạo lực đẩy cho MB,

động lượng góc của phần khối lượng quay trong động cơ tạo lực đẩy được xác

định trong HTĐ liên kết:

h

=

0



0 T 

P

I  P

P

p - tốc độ góc.

trong đó: pI - quán tính của phần khối lượng quay;

Mô men quay sinh ra từ khối lượng quay trong động cơ tạo lực đẩy cho

I

I

P

z

P

P

P

MB xác định theo phương trình (2.8) như sau:

)=



 0



(2.15)

M = P

(h P

0  z

   y   0 x

d dt

0

0

0

   x

y

    

    

    

    

   P    0     t   

    

    

   I P   I  P P z    I   P y P

    

0

Nếu tốc độ góc của phần khối lượng quay trong động cơ tạo lực đẩy của

p 

MB là không đổi ( ), khi đó công thức (2.15) được xác định lại như sau:

(2.16)

M



P

P

 z P  y P

 0   I P    I

    

Các thành phần lực và mô men trong HTĐ liên kết

sin





P



cos

  sin



cos cos

 



F x F y F z

Tổng hợp các thành phần lực và mô men khí động trong HTĐ liên kết:

 qSC mg x  qSC mg y  qSC mg z  M qSlm

x

x M qSb m



A

y

M qSlm I



z

z

  I y P   P

 P z  P y

         

(2.17)

46

Thay các phương trình (2.11), (2.12) vào phương trình (2.17) thu được:

m



m



)



sin





P

  ( V y y

V z

z

 qSC mg x

Phương trình lực:

m





)



qSC



mg

cos

  sin

  V ( m V z z

x

x

y

m



m



)



qSC



m

g

cos co

 

s

 V x  V y  V z

  ( V x x

V y

y

z

    

(2.18)

=

(

I



I

)



I x x

I z xz

qSlm x

 - y z

z

 y

I x xz

y

=

I

(



I

)



I

)



I

Phương trình mô men:

z I (





I



P I

qSb m A y I = x x z

z

 - x z x  - qSlm z x y

y

2 2    ( z x xz  ) I y z

x

xz

  P z   P y

P

         I  y y       I  z

(2.19)

Hệ phương trình động hình học (Kinematic Equations)

Phương trình động hình học mô tả sự định hướng của máy bay trong hệ

tọa độ đất di động. Sử dụng phép quay các góc Euler được biểu diễn trong hình

(





tg

sin



x

z

2.2 thực hiện quay hướng từ hệ tọa độ đất di động sang hệ tọa độ liên kết.

cos

sin





z

cos

sin

y

z

       

        cos )  y              

(2.20)

y 1 cos Hệ phương trình dẫn đường (Navigation Equations)

Các phương trình dẫn đường dùng để xác định vị trí của máy bay trong

HTĐ đất. Hệ phương trình dẫn đường biểu diễn qua tốc độ MB được xác định



    cos cos cos cos V



V

sin



(cos

   sin sin





sin cos   

sin sin )         (cos   V    in s

sin cos (sin sin sin

trong HTĐ đất từ tốc độ MB trong HTĐ liên kết qua phép quay ba góc Euler:

 x E sin cos )    V  sin cos   V cos cos y E



sin cos

 

(si

  n sin sin

  c os



sin

 )

s s co  V c o





sin

 

V sin



cos sin

 



V

sin cos

 

 cos cos



cos cos )    z E

      

(2.21)

47

Hệ phương trình chuyển động

Khi nghiên cứu các bài toán về điều khiển MB, thường sử dụng hệ

phương trình chuyển động, thể hiện qua các thành phần tốc độ, góc tấn công 

và góc trượt  (hình 2.1). Các thành phần này của hệ phương trình chuyển

động được xác định thông qua các hệ số khí động, các tốc độ góc trong HTĐ

liên kết, các góc Euler, tham số MB (khối lượng, lực đẩy động cơ, diện tích đặc



C



-

os c

 c os





g (c

os

  c os

 sin c

os





D

qS m 

F P m  sin sin

c

os



-

 sin c

os

 c os

 )



-

C



- tan (

    sin )

os c





L

 y

x

z

qS os c



trưng cánh) và chế độ bay (mật độ không khí) như sau:

(c

os

 c os



c

os





sin



sin



) -

V



F P mV

 sin  s co



C



sin -

os c



c os



 sin c

os





y

 x

   z

g V

mV g os c qS mV 

F P

g ( sin c

  os

-

g

c os

  os c

 sin



 )

sin V

cos m

  V                  

(2.22)

Các hệ số lực trong HTĐ tốc độ trong hệ phương trình trên có thể được

cos

L

xác định từ các hệ số lực khí động trong HTĐ liên kết như sau:

C C

 

C -

x C

sin -  C   cos

  sin

z C

x

z

D

  

(2.23)

Phương trình đối với gia tốc

Ngoài ra, cần bổ sung thêm hệ phương trình gia tốc trong HTĐ liên kết,







g

sin



  V V y z y z

khi cần xác định phương trình động học chuyển động đầu ra của thiết bị bay:







g

cos sin

y

   V V z x z x







g

s cos co

 

z

  V V x y x y

   a V x x   a V  y   a V    z

(2.24)  

48

2.2. Mô hình động học máy bay trong kênh độ cao

2.2.1. Mô hình trạng thái chuyển động phi tuyến

Để giảm độ phức tạp khi giải các hệ phương trình động học phi tuyến

mô tả chuyển động của TBB, nhiều tài liệu trình bày về việc đơn giản hóa,

tuyến tính các hệ các phương trình phi tuyến [1], [14]. Trong các ứng dụng thực

tế đối với bài toán điều khiển hoặc nhận dạng, hệ phương trình chuyển động

,

,

phi tuyến trong không gian có thể được đơn giản hóa bằng cách tách thành hai

V  ) và chuyển động kênh

,y

kênh độc lập: chuyển động trong kênh độ cao (

  ) và tuyến tính hóa các phương trình về điều kiện tham chiếu,

,

,

,

x

z

hướng (

điều kiện tham chiếu được chọn là bay bằng ổn định.

   , lực

0

Với các giả định trong điều khiện bay bằng và ổn định (

đẩy động cơ P trùng với hướng O x trong HTĐ liên kết), khi kết hợp các

phương trình lực khí động (2.18), mô men khí động (2.19), phương trình động

hình học (2.20), phương trình chuyển động trong không gian (2.22) có thể xác

os



-

C

- sin(

g

 - )

c



D

qS m

P m

sin



-

C



c

os

 (

-

 )

-



L

 y

qS mV

g V

P m V

định được hệ phương trình động học chuyển động TBB trong kênh độ cao:



A



m

y

y

  V             y  qSb     y I 

(2.25)

Mô hình đầu ra kênh độ cao của máy bay, ngoài các tham số trạng thái

a



qSC



P

)

(

x

x

như trong phương trình (2.25) còn bổ sung thêm các gia tốc thẳng:

z

a



z

1 m qSC m

    

(2.26)

49

Mô hình động học chuyển động của TBB trong kênh độ cao (2.25) và

phương trình đầu ra (2.26) biểu diễn động học của TBB phụ thuộc vào đặc

trưng TBB, điều kiện bay và các hệ số khí động. Với mục đích nhận dạng các

hệ số khí động, cần phải xây dựng mô hình đối với các hệ số khí động này.

2.2.2. Mô hình trạng thái chuyển động tuyến tính kênh độ cao

Các phương trình chuyển động phi tuyến của TBB có thể được tuyến tính

hóa bằng cách áp dụng lý thuyết nhiễu động nhỏ. Mỗi biến trong các phương

trình bao gồm hai phần (thành phần ổn định, không đổi trong điều kiện tham

chiếu ổn định và nhiễu động). Đối với các tham số, các giá trị ổn định ký hiệu

bằng chỉ số 0 và nhiễu động ký hiệu Δ, các tham số kênh độ cao có thể được



 

 



,

 

V

 V V 0

viết như sau:

     , , y  

y C

 

y C



,





,

C

,

e

D

0

D

 

0 

0 C

C



,

 e  

Da m

,...

0       e C m m y

L

L

L

0

y

y

0

(2.27)

Trong trường hợp khi giá trị ổn định bằng 0, khi đó giá trị của biến sẽ

bằng giá trị nhiễu động, do đó ký hiệu  sẽ bị loại bỏ.

x ,

cosx  và tanx 1

x , các xấp xỉ

Áp dụng các xấp xỉ góc nhỏ: sinx



 

c

os



sin

 0

   0

 

sin



c os

khi tuyến tính hóa:

 0

   0

tan



tan

   

    c os 0      0      

0

0

  sin   

(2.28)

Với việc sử dụng lý thuyết nhiễu động nhỏ vào hệ phương trình trạng



C



C

, D

L

ym được mở rộng đối với mô hình HSKĐ (1.10). Các thử nghiệm bay để nhận

thái chuyển động kênh độ cao (2.25), các nhiễu động các HSKĐ và

0P  ), có thể xác định

dạng các ĐHHSKĐ thực hiện với lực đẩy không đổi (

mô hình trạng thái chuyển động tuyến tính kênh độ cao như sau:



-

C



C

  

C



C





C



V D

 D

 y D

 y

 e D

 e

D

qS m

 V V 0

b A V 2 0

  

  

P 0

 0

- c

g

os

(









 )







 0

sin m



-

C



C

  

C

 



C



C





V L

 L

  L

 y L

 y

 e L

 e

50

qS V m 0

b A V 2 0

  

   g

 V V 0  0

 0

P 0

+

-

(











) -





 y

sin V 0

b A V 2 0 os c mV 0





m

  

m

 



m





V m y

 y

  y

 y y

 y

 m e y

 e

qSb A I

y

 V V 0

b A V 2 0

b A V 2 0

  

  

  V                  y        y

(2.29)



V

,



  , ,

Đối với phương trình đầu ra động kênh độ cao tuyến tính, ngoài các trạng

 y

thái tuyến tính hóa của mô hình cũng là các đầu ra, cần bổ

 a

,x

 . a z

xung thêm các gia tốc thẳng tuyến tính

Đối với gia tốc chuyển động tịnh tiến, phương trình tuyến tính hóa đối

0P  ) được xác định:

C

 

C

  a x

x

x 0

qS mg

 V V 0

  

  

với phương trình (2.26) với lực đẩy không đổi (

C 2

 

C

z

z

z

0

qS mg

 V V 0

  

  

      a  

(2.30)

zC C từ

,x

LC C trong phương trình (2.23). Sau đó, các ,D

Có thể xác định

C

 

os c

os c

C



sin

C



C



sin



 0

 0

0

x

D

 0

C a ) L

D 0

L 0

nhiễu động

xC và  C

sin

os c

os c

C









C

C



sin



C

b

)

 0

0

 0

z

L

 0

D

zC được xác định như sau:        

 

L 0

D 0

    

(2.31)

0

Đơn giản hóa hơn nữa các phương trình chuyển động khi thực hiện xấp

V  , bỏ qua phương trình đối với

xỉ trong khoảng thời gian ngắn, giả định

lực cản, đưa ra thêm các giả định:

51

0  ( 0    );

0

cos

 trong phương trình (2.29) tương đối

- Góc nghiêng quỹ đạo



P 0

mV / 0

o

- Thành phần 

nhỏ, có thể bỏ qua.

Mô hình trạng thái chuyển động tuyến tính thời gian ngắn kênh độ cao

C

  

C





a )

-

 L

 y L

 y

 C e L

 e

qS mV 0

b A V 2 0

  

  

có dạng như sau:



  

 



m





b )

 m y

  m y

 y y

 y

 m e y

 e

qSb A I

y

b A V 2 0

b A V 2 0

  

  

      y       y 

(2.32)

-

C

  

C





 L

 y L

 y

 C e L

 e

qS mV 0

b A V 2 0

  

  

Thay  từ phương trình (2.32a) vào phương trình (2.32-b) ta được:

*



m



* 

*    m  y

 y y

 y

 m e y

 e

qSb A I

y

b A V 2 0

  

  

      y       y 

m



m



 * y

 y

   m C y L

 Sb A 4 m

*

(2.33)

m



m



1



C

m

 y y

 y y

 L

  y

 Sb A m 4

  

*





 m e y

 m e y

  m C e y L

   Sb  A m 4

        

V 

0

trong đó: (2.34)

Giả định TBB chuyển động với tốc độ không đổi ( ), phương

xa được bỏ qua nên chỉ còn

za . Thay

zC từ phương

trình (2.30) đối với

0 nhỏ, ta được:

za , đối với

-

C

C





trình (2.31) vào phương trình

  a z

    L

 y L

 y

 C e L

 e

qS mg

b A V 2 0

  

  

(2.35)

Các phương trình (2.33), (2.35) có thể được viết dưới dạng các thành

phần dẫn xuất đối với biến ổn định và biến điều khiển:

     

(1





L 

 ) y

 e

L  y

L  e

52



M

M



M



   

 y

 e

 y

 e

       y

(2.36)

Phương trình đầu ra đối với các biến trạng thái (2.36) và bổ sung đầu ra là

gia tốc thẳng (2.35) được viết dưới dạng các thành phần dẫn xuất đối với biến

 

ổn định và biến điều khiển, như sau:

a

  





)

   z

L 

 y

 e

L  y

L  e

V 0 ( g

         y y   

,

,

,



 - các thành phần dẫn xuất đối với biến ổn

L L ,   y

L M M M ,  e

 y

e

(2.37)

trong đó





C

;



C

L 

 y L

 e L

 C L ;  L y

L  e

q Sb 0 A 2 mV 2 0

q S 0 mV 0

q S  0 e mV 0

định và biến điều khiển, được xác định như sau:

M









 m M ; y

 m M ; y y

 m e y

 y

 e

q Sb 0 A I

 q S b e  0 a e I

y

2 q Sb 0 A V I 2 0

y

y

      

(2.38)

2.3. Xác định mô hình động học của máy bay khi ứng dụng mạng nơron

nhân tạo để nhận dạng các đạo hàm hệ số khí động

2.3.1. Mô hình động học của máy bay khi ứng dụng mạng nơron nhân tạo

Trong khoảng thời gian vài chục năm trở lại đây, mạng nơron nhân tạo

(ANN) đã phát triển rất mạnh mẽ, được ứng dụng rộng rãi trong rất nhiều lĩnh

vực kỹ thuật cũng như kinh tế [18], [22], [30], [50]. Do sự linh hoạt trong xây

dựng cấu trúc mạng, sự phát triển mạnh mẽ của các thuật toán luyện mạng và

kỹ thuật tính toán, ANN được sử dụng khá nhiều trong các bài toán thuộc lĩnh

vực điều khiển và nhận dạng TBB [13], [15], [27], [43].

Do đặc tính xấp xỉ tốt và khả năng tổng quát hóa, ANN được sử dụng

trong các bài toán điều khiển và nhận dạng với các vai trò: Mô hình thay thế

53

cho các hệ thống động học phi tuyến và phức tạp (mô hình động học và mô

hình động học đảo) của TBB [58], [62]; Mô hình bộ điều khiển, dùng cho điều

khiển phi tuyến và điều khiển thích nghi TBB; Mô hình các bộ quan sát trạng

thái, đánh giá các tham số trạng thái không quan sát được phục vụ cho nhận

dạng và điều khiển.

Đối với nhiệm vụ nhận dạng các hệ số khí động TBB, theo cấu trúc thuật

toán nhận dạng như trên hình 1.3, tương ứng mô hình động học chuyển động

TBB trong kênh độ cao (2.25), nhận thấy rằng: mô hình động học (2.25) là phi

y , góc tấn

tuyến đối với các trạng thái (tốc độ V , góc gật  , tốc độ góc gật

công ) và các HSKĐ; mô hình HSKĐ kênh độ cao tổng quát cũng là các hàm

phi tuyến đối với các biến trạng thái và điều khiển. Để có thể nhận dạng các

HSKĐ trong kênh độ cao theo các phương pháp truyền thống, trước hết, các hệ

số khí động cần được tuyến tính hóa qua các ĐHHSKĐ như mô hình (1.10),

sau đó, cần phải xây dựng mô hình động học chuyển động tuyến tính từ mô

hình động học chuyển động phi tuyến (2.25) theo mô hình HSKĐ tuyến tính.

Một số giải pháp khi thực hiện tuyến tính hóa và đơn giản hóa mô hình động

học chuyển động phi tuyến được sử dụng trong các tài liệu [5], [32], [55].

Luận án đề xuất sử dụng ANN để xấp xỉ mô hình động học chuyển động

phi tuyến kênh độ cao (2.25). Về lý thuyết xấp xỉ phi tuyến sử dụng ANN, có

thể sử dụng một cấu trúc mạng bất kỳ với điều kiện hàm kích hoạt của nơron

trong mạng là hàm liên tục khả vi [3]. Hai dạng ANN được sử dụng nhiều nhất

trong việc xấp xỉ các hàm phi tuyến phức tạp là mạng nơron nhiều lớp lan

truyền thẳng (MLP) và mạng nơron hàm cơ sở xuyên tâm RBF [30], [45], [50].

Sử dụng RBF có các ưu điểm hơn so với MLP:

- Thời gian luyện mạng nơron RBF nhanh hơn MLP, do mạng nơron

RBF không có trọng lượng trong liên kết đầu vào và chỉ có 1 lớp ẩn, trong khi

MLP có liên kết trọng lượng tại đầu vào và thường có nhiều hơn 1 lớp ẩn.

54

Luyện MLP sử dụng thuật toán BP theo mô hình “supervised learning” trong

khi luyện mạng nơron RBF sử dụng thuật toán “lai”, bao gồm “supervised

learning” đối với lớp đầu ra và “unsupervised learning” đối với lớp ẩn [62];

- Có thể dễ dàng phân tích giá trị hàm số tại các điểm xấp xỉ, từ đó xác

định sai số tại các điểm xấp xỉ để đưa ra phương án luyện mạng thích hợp (thay

đổi tâm hoặc độ rộng của hàm Gauss, thay đổi trọng lượng liên kết của nơron

trong lớp ra, bổ sung nơron vào lớp ẩn);

- Tính tổng quát hóa của mạng RBF được tăng lên khi sử dụng một số

thuật toán điều chỉnh trong quá trình luyện mạng, ví dụ như thuật toán “Kernel

Learning” trong [28].

Việc triển khai mạng nơron RBF dùng cho xấp xỉ mô hình (2.25) cũng

như trong nhận dạng các tham số khí động sẽ được xem xét trong chương 3 của

luận án. Ngoài ra, Luận án cũng đề xuất sử dụng ANN thế hệ mới là mạng

nơron đột biến (SNN) để nhận dạng các tham số khí động kênh độ cao.

2.3.2. Mạng nơron đột biến

Trong những năm gần đây, lĩnh vực nghiên cứu về ANN có nhiều nghiên

cứu rất sâu về các quá trình sinh – hóa học diễn ra trong não bộ cũng như trong

từng nơron thần kinh động vật sống, tương ứng, cũng đã xuất hiện các nghiên

cứu trong việc xây dựng cấu trúc, các thuật toán xử lý liên quan đến các mô

hình, luật học..., ứng dụng đối với một thế hệ ANN mới, được gọi là mạng

nơron đột biến (SNN) [16], [44]. Đối với ANN thế hệ thứ nhất và ANN thế hệ

thứ hai dựa trên mô hình nơron của McCulloch-Pitts, trong đó sự lan truyền,

xử lý thông tin dựa trên trọng lượng liên kết giữa các nơron và sự kích hoạt

phản ứng đầu ra của nơron có thể được xem như tốc độ kích hoạt được chuẩn

hóa trong một chu kỳ thời gian nào đó, tức là thực hiện mã hóa tỷ lệ (Rate

Coding). Với ANN thế hệ thứ nhất, hàm kích hoạt nơron được sử dụng là hàm

55

dạng mức; với ANN thế hệ thứ hai, hàm kích hoạt được dùng là các dạng hàm

liên tục (dạng hàm sigmoid) [46].

Đối với ANN thế hệ thứ ba (SNN), việc xử lý thông tin dựa trên liên kết

trọng lượng giữa các nơron và thời điểm xuất hiện đột biến (Skipping) dưới

dạng xung khi đầu ra nơron đạt tới một mức ngưỡng nào đó, tức là thực hiện

mã hóa thời gian xung (Pulse Encoding).

So với ANN, SNN có những ưu điểm nổi bật sau:

- Do thông tin được truyền trong mạng dưới dạng mã xung do đó bền

vững với các tác động nhiễu loạn;

- Cho phép ứng dụng các quy tắc học gần giống như các quy tắc học của

nơron sinh học, ví dụ như quy tắc Hebbian và quy tắc Spike Time Dependant

Plasticity (STDP) [26], [44]. Các quy tắc này cho phép tăng cường hệ số trọng

lượng giữa 2 nơron nếu như 2 nơron này có tương quan và suy giảm hệ số này

nếu như ngược lại;

- Do sự mã hóa thông tin theo thời gian, SNN có khả năng sử dụng động

học của mạng trong quá trình học, ví dụ như chuỗi các đột biến cho phép giải

mã đầu ra của mạng từ các mẫu đồng bộ và điều này dẫn đến yêu cầu một số

lượng nhỏ các nơron trong các tính toán [23].

2.3.2.1 Tổng quan về mô hình nơron đột biến

SNN có thể được mô hình hóa bằng nhiều mô hình khác nhau. Những

mô hình này gần giống nhau trong các hành vi nơron sinh học có thể tạo ra. Hai

đặc trưng quan trọng đối với mô hình nơron đột biến:

- Sự tương tự về mặt sinh học: Nơron đột biến có thể tạo các mẫu đột

biến hoặc hành vi được thể hiện gần giống nơron sinh học như hình 2.4 [10];

- Hiệu quả tính toán: Yếu tố này được xác định bởi số lượng biến được

sử dụng để biểu diễn mô hình nơron và số lượng các phép toán số thực cần thiết

để thực hiện trong 1 ms của mô hình mô phỏng.

56

Hình 2. 4. Các hành vi nơron đột biến

Khi nghiên cứu SNN có thể sử dụng nhiều loại mô hình khác nhau [10],

[51], [59], các mô hình SNN có thể kể đến như sau [10]:

- Mô hình Izhikevich;

- Mô hình tích lũy và kích hoạt IF (Integrate and Fire) và tích lũy và kích

hoạt có tổn thất LIF (Leaky Integrate and Fire);

- Mô hình Wilson;

- Mô hình Wang-Buszaki;

- Mô hình Morris–Lecar;

- Mô hình Hindmarsh–Rose;

- Mô hình đáp ứng đột biến SRM (Spike Response Model).

Trong các mô hình nơron đột biến, trong kỹ thuật nhận dạng tham số các

hệ thống điều khiển, sử dụng nhiều nhất là mô hình IF và mô hình SRM [59].

Mô hình IF và LIF

Mô hình LIF và IF có vai trò quan trọng trong việc tìm hiểu mối quan hệ

giữa tác động đầu vào nơron và sự biến đổi đầu ra của chúng. Trong mô hình

LIF, hoạt động của nơron được xây dựng theo nguyên tắc nạp – phóng điện:

57

ngu thì sẽ kích hoạt ra điện thế (đột biến) và phóng điện.

màng nơron được nạp bởi dòng chạy trong nó, khi điện thế màng đạt ngưỡng

m

C



-

u t

( )



t ( ))

Động học của nơron theo LIF mô tả theo công thức sau:

t ( ( ) i 0

w i j

j

 

( ) du t dt

1 R

j

 1

(2.39)

 u t - biến trạng thái mô hình (điện thế màng nơron); C - điện dung

trong đó:

  t

  t

0i

ji

- dòng điện đưa vào nơron; - dòng điện màng; R - điện trở đầu vào;

jw - trọng số của khớp nối thứ j ; m - số khớp

đưa vào lớp màng từ khớp nối j ;

nối đến nơron, khi R→ ∞, công thức (2.39) trở thành mô tả mô hình IF.

resu . Dưới tác

Trong cả mô hình IF và LIF, điện thế màng nơron ban đầu

  t

  t

0i

ji

động của dòng điện và đưa đến, điện thế màng được tăng lên. Khi

 u t

 u t

resu hình 2.5.

ngu nơron phát đột biến và

đạt ngưỡng trở về giá trị

Hình 2. 5. Đồ thị thời gian của điện thế màng u(t) của nơron LIF

i t có thể mô tả bằng hàm mũ:

58



i t ( )

S s t

( - )exp(-

ds )

Trong mô hình đơn giản, dòng  

j

 

s  s

0

(2.40)

s - hằng số thời gian khớp và

  jS t

trong đó: - chuỗi đột biến trước khớp.

Mô hình SRM

Mô hình đáp ứng đột biến (SRM) mô tả mối quan hệ giữa đột biến đầu

vào và biến trạng thái trong của nơron. Để xác định mô hình SRM, xét SNN có

cấu trúc như hình 2.6 [24], gồm 3 lớp: lớp đầu vào H (có HS nơron), lớp ẩn I

IS nơron) và lớp đầu ra J (có

JS nơron). Các nơron tạo các kích hoạt (đột

(có

 u t

ngu .

biến) khi biến trạng thái trong "điện thế màng" đạt mức ngưỡng

Lớp đầu vào H Lớp ẩn I Lớp đầu ra J

a) b)

Hình 2. 6. Mô hình SNN

trong hình 2.6: a) SNN truyền thẳng, b) kết nối nhiều khớp đầu ra.

Xét nơron thứ j trong lớp đầu ra J , nhận tác động của chuỗi đột biến

từ lớp I . Trạng thái

T

,

t

,

t

,...,

t

I

 

ju t được xác định:

S

t 1

2

3

S

  

 

IS



)

u t ( ) j

 t ( w t ij i



i

 1

(2.41)

ijw - trọng số liên kết; it - thời điểm tác động đột biến đầu vào;

trong đó:

 t - hàm mô tả phản ứng kích động có dạng:

59



t ( )



t  1 e 

t 

(2.42)

Mỗi nơron thứ i lớp ẩn I và nơron thứ jlớp ra J có nhiều đường kết

kd đến nơron được xác định:

k

t ( )

 t (

d

)

nối ( m khớp) (hình 2.6- b), xem xét tác động của khớp thứ k có độ giữ chậm

k y i

  t i

(2.43)

Mở rộng phương trình (2.41) đến m khớp xác định như phương trình

  t

ju

IS

m

(2.43). Biến trạng thái được mô tả như tổng có trọng số các tác động:

u t ( ) j

k w y t ( ) i

k ij

 

i

 1

k

 1

k

(2.44)

ijw - trọng số liên kết với đầu ra thứ k ; k - ký hiệu chỉ số khớp kết

k



1



m

trong đó:

). nối giữa nơron i với nơron j (

2.3.2.2 Các phương pháp luyện mạng SNN theo mô hình SRM

Việc luyện SNN đã được xem xét trong nhiều nghiên cứu [16], [44].

Thuật toán luyện được nghiên cứu đầu tiên dựa trên thuật toán luyện ANN thế

hệ 2 là thuật toán lan truyền ngược (BP), được gọi là SpikeProp (Spike

Propagation) đã được trình bày chi tiết trong [51]. Thuật toán SpikeProp có ưu

điểm cơ bản là khá đơn giản trong cấu trúc và dễ triển khai theo các tính toán

toán học. Hạn chế của SpikeProp là gặp phải sai số lớn khi thực hiện lấy đạo

hàm bậc nhất tại các thới điểm xuất hiện đột biến và sự hội tụ khá chậm.

Giải quyết hạn chế này, đã có nhiều nghiên cứu một số thuật toán sửa

đổi được đề xuất như thuật toán lan truyền ngược sai số đột biến chuẩn hóa

(NSEBP) [60], SpikeProp với động học [49], [51], SpikeProp tác động nhanh

lan truyền đàn hồi (RProp) [24], phương pháp học có giám sát từ xa (ReSuMe)

[44]. Mỗi một thuật toán này đều có các ưu điểm và hạn chế nhất định.

60

2.3.2.3 Thuật toán lan truyền ngược sai số đột biến

t

Trong thuật toán lan truyền ngược sai số đột biến (SpikeProp) [24], [51],

u

u t theo công thức (2.44)) đạt mức ngưỡng ( ( )

đối với nơron khi điện áp đầu ra (xác định thời điểm phát đột biến đầu ra out

ng

u

u t Hình 2.7. Đồ thị biểu diễn đột biến được phát khi ( )

ng

), biểu diễn trên hình 2.7.

Việc lan truyền ngược sai số thời gian được thực hiện như sau:

- Đối với lớp đầu ra

d

a

- Xác định hàm sai số trung bình bình phương giữa chuỗi đột biến đầu ra

mong muốn và thực tế :

T

T

d

jt

a

jt

 

 

 

 

JN

E



t

a j

d j

2

  t

1 2

j

 1

j

(2.45)

N  1 J

jt - thời điểm đột biến đầu ra thực tế thứ j(

jt - thời điểm

trong đó: a ); d

JN - số lượng đột biến đầu ra;

k

đột biến đầu ra mong muốn;

ijw :

- Khi lan truyền ngược sai số, tính toán thay đổi trọng số liên kết

k    w ij

 E  k  w ij

k

(2.46)

ijw - trọng số của liên kết k từ nơron i đến j.

với  - tốc độ học;

61

 t

 t

)

a j

- Thành phần gradient được tính theo công thức chuỗi:





)

 E k  w ij

a  E j k a  t w  ij j

 E a  t j

a j  u t ( j

a j

 u t ( j k  w ij

IN m

)}

k k w y t ( ij i

a j

 { 

)

a j

i

 1

k







)

t (

-

t

)

(2.47)

k y t ( i

a j

a j

d j

 u t ( j k  w ij

1  k  w ij

 E a  t j

trong đó: ;

(2.48)

 

ju t thay đổi tuyến tính bậc nhất so với t trong khoảng lân

Với giả thiết

 t

1

1







N

m

I

)

a j  u t ( j

a j

   t u j j  u t ( ) j

u



u

 w y t ( (

) /

 t

)

j

ng

k i

a j

k ij

a j



i

 1

k

 1

j

 u t ( ) j    t u j

u



u

j

ng

cận giá trị tại thời điểm đạt đến mức ngưỡng kích hoạt đột biến:

(2.49)

1





 



t ) (

-

t

)





do đó:

 ) j

k w ij

k y t ( i

a j

a j

d j

k y t ( i

a j

N

m

I

 w y t ( (

) /

 t

)

k i

a j

k ij

a j



i

 1

k

 1

1



t (

-

t

)

(2.50)

 j

a j

d j

N

m

I

 w y t ( (

) /

 t

)

k i

a j

k ij

a j



i

 1

k

 1

với (2.51)

- Đối với lớp ẩn

i đối với từng nơron

Để truyền ngược sai số trong các lớp ẩn, sai số

N

N

J

J

 t

)

)

a j

a j

: trong lớp I với thời điểm kích động thực tế a it







 i

 j





)

)

)

)

j

 1

j

 1

a  t i  u t ( i

a i

 E a  t i

a  t i  u t ( i

a i

 E a  t j

a j  u t ( j

a j

 u t ( j a  t i

a  t i  u t ( i

a i

 u t ( j a  t i

(2.52)

1

Các thành phần trong (2.52) được tính như sau:





N

L

H

)

a  t i  u t ( i

a i

(

) /

 t

)

l w hi

l  y t ( h

a i

a i



1  u t ( ) i a  t i

h

 1

l

 1

- Thành phần thứ nhất:

m

IN

k ij

a j

 k w y t i



m

)

a j

 1

k

i



a j

    

  





62

k w ij



k

 1

1  a  t i

 u t ( j a  t i

 k  y t i a  t i

-Thành phần thứ hai:

N

m

J



y

a j



)

k y t ( h

a i

k w ij

   j

k i 

 t

j

 1

k

 1

t a i

Như vậy đối với lớp ẩn, quy tắc điều chỉnh trọng số như sau:

 



    )



k w hi

k y t ( h

a i

i

N

L

H

(



) /



t

)

l w hi

l y t ( h

a i

a i



h

 1

l

 1

(2.53)

Quy tắc điều chỉnh trọng số trong phương trình (2.53) với SNN nhiều

lớp ẩn bằng cách tính theo ảnh hưởng lan truyền ngược sai số.

Thuật toán SpikeProp được thực hiện theo các bước sau [51]:

Bước 1: Xác định chuỗi đột biến đầu vào ; chuỗi

T

,

t

,

t

,...,

t

I

S

t 1

2

3

S

  

 

d

đột biến đầu ra đích ; Chọn giá trị sai số trung bình bình phương

T

d

jt

 

 

0E mà bài toán cần đạt được;

HS

mong muốn

Bước 2: Xác định cấu trúc SNN (số nơron trong lớp đầu vào , số

IS và số nơron lớp đầu ra

JS , số khớp kết nối m);

nơron lớp ẩn

Bước 3: Khởi tạo ma trận trọng số ban đầu; tính toán lan truyền thuận

0W đã chọn, so sánh giá trị ngưỡng, xác

theo công thức (2.44) với các trọng số

định thời điểm kích hoạt thực tế a jt ;

d

a

Bước 4: Xác định hàm sai số trung bình bình phương E giữa tập đột biến

đầu ra mong muốn và thực tế theo biểu thức (2.45);

T

T

d

jt

a

jt

 

 

 

 

j cho tất cả các đầu ra theo (2.51);

Bước 5: Đối với lớp đầu ra J , Tính

điều chỉnh trọng số lớp ra theo (2.50);

i cho tất cả nơron theo (2.52); Điều

Bước 6: Đối với lớp ẩn I , tính

chỉnh trọng số các lớp ẩn theo (2.53);

63

Bước 7: Thuật toán SpikeProp sẽ lặp lại từ bước 2 đến bước 7 cho đến

E

E

0

khi sai số trung bình bình phương .

Bước 8: Xác định chuỗi đột biến đầu ra aT và sai lệch chuẩn.

2.4. Kết luận chương 2

Chương 2 của luận án đã xây dựng các mô hình chuyển động trong không

gian của một lớp máy bay cánh bằng. Từ việc phân tích các phương trình

chuyển động cơ bản theo định luật Newton đã đưa về dạng biểu diễn qua các

hệ số (đạo hàm hệ số) khí động đối với các thành phần ổn định và điều khiển

phục vụ mục đích nhận dạng các hệ số (đạo hàm hệ số) khí động này.

Dựa trên các giả định hợp lý về chế độ bay và các điều kiện môi trường

cho phép phân tích mô hình chuyển động máy bay trong không gian thành

chuyển động trong các kênh độc lập, từ đó xác định được mô hình chuyển động

phi tuyến trong kênh độ cao. Thực hiện tuyến tính hóa từng đoạn đối với mô

hình động học phi tuyến để xây dựng các mô hình động học tuyến tính đối với

các ĐHHSKĐ trong kênh độ cao. Các bài báo 2 và 3 đã thực hiện nhận dạng

các ĐHHSKĐ kênh độ cao của máy bay theo các phương pháp truyền thống

(phương pháp LR và OEM). Trong các bài báo này xây dựng được các mô hình

động học tuyến tính trong kênh độ cao của máy bay phục vụ cho nhận dạng.

Để có thể sử dụng mô hình động học phi tuyến trong kênh độ cao, chương

này đã phân tích việc sử dụng ANN và SNN xấp xỉ các mô hình động học phi

tuyến, đưa ra mô hình và thuật toán luyện mạng SNN thông dụng nhất làm cơ

sở trong chương 3 thực hiện nhận dạng các đạo hàm hệ số khí động. Các bài

báo 4 và 5 đã thực hiện ứng dụng ANN vào nhận dạng các tham số khí động

của máy bay. Trong các bài báo này đã xây dựng được mô hình động học phi

tuyến trong kênh độ cao và sử dụng cấu trúc ANN thay thế mô hình động học

phi tuyến trong kênh độ cao của máy bay.

64

CHƯƠNG 3: XÂY DỰNG THUẬT TOÁN NHẬN DẠNG MỘT SỐ ĐẠO

HÀM HỆ SỐ KHÍ ĐỘNG CỦA MÁY BAY

Trong chương này sẽ tiến hành xây dựng các thuật toán nhận dạng các

ĐHHSKĐ kênh độ cao của máy bay từ dữ liệu bay theo các phương pháp nhận

dạng truyền thống và phương pháp dựa trên ứng dụng mạng nơron nhân tạo.

3.1. Thuật toán nhận dạng các đạo hàm hệ số khí động của máy bay theo

các phương pháp truyền thống

Nhận dạng các ĐHHSKĐ của máy bay từ các tập dữ liệu bay theo các

phương pháp truyền thống liên quan đến việc xác định mô hình toán học đối

với các hệ số lực và mô men khí động dưới dạng các hàm số phụ thuộc các

tham số trạng thái và điều khiển, điều kiện bay và các tham số đặc trưng của

máy bay. Các ĐHHSKĐ định lượng sự phụ thuộc hàm của các hệ số khí động

học vào các tham số đo được, khi mô hình toán học là tham số. Quá trình nhận

dạng tham số bao gồm việc tìm các giá trị của các tham số mô hình chưa biết

trong một cấu trúc mô hình giả định, dựa trên các phép đo bị ảnh hưởng bởi

nhiễu. Việc nhận dạng các tham số khí động có thể gặp các vấn đề khi ứng dụng

vào các hệ thống thực như có sai số đo; sự hiện diện của nhiễu quá trình trong

các biến trạng thái; mô hình toán học không mô tả chính xác hoạt động của hệ

thống đang được khảo sát. Để nhận dạng các ĐHHSKĐ của máy bay, các

phương pháp được sử dụng rộng rãi nhất là phương pháp hồi quy tuyến tính

(LR) và phương pháp sai số đầu ra (OEM).

3.1.1. Thuật toán nhận dạng các đạo hàm hệ số khí động của máy bay theo

phương pháp hồi quy tuyến tính

Phương pháp hồi quy tuyến tính (LR) là phương pháp thống kê cổ điển,

được phát triển từ rất sớm dùng trong các bài toán ước lượng, đánh giá nói

chung và nhận dạng các ĐHHSKĐ của máy bay nói riêng [39]. Phương pháp

LR không yêu cầu xây dựng mô hình động học bay mà tiến hành xác định trực

65

tiếp hàm giá theo mô hình đối với HSKĐ. Hàm giá được xác định không dựa

trên lý thuyết xác suất mà dựa trên thuật toán trung bình bình phương nhỏ nhất

tuyến tính nên khá đơn giản trong tính toán các ĐHHSKĐ. Độ tin cậy khi sử

dụng của phương pháp LR bị ảnh hưởng bởi chất lượng các tập dữ liệu bay, kết

quả đạt được độ chính xác cần thiết khi các tham số đo là các biến độc lập

không có sai số đo và không bị tác động bởi nhiễu quá trình. Phương pháp LR

được sử dụng nhiều do tính chất đơn giản và có độ chính xác cần thiết.

3.1.1.1 Mô hình phương pháp hồi quy tuyến tính

Mô hình tổng quát khi thực hiện nhận dạng tham số theo phương pháp

n

LR như sau [39]:

 y  o

   j j

j

 1

(3.1)

trong đó:

j- các biến độc lập, được gọi là các phần tử hồi quy; -

θ , θ , θ ,. . . ,θ - các tham số mô hình cần phải nhận dạng.

- y - biến phụ thuộc;

1

2

n

- 0

Tuy nhiên, do nhiễu tác động cũng như sai số các thiết bị đo lường, khi

đó công thức (3.1) được viết đối với các tham số đo khi các biến phụ thuộc khi

n

z i ( )







i ( )

có sai số như sau:

 o

j

j



  i ( )  1

j

i



1, 2,...,

N

(3.2)

 , z i

trong đó: - các phép đo; ( )i - nhiễu đo.

Phương pháp LR theo tiêu chuẩn sai số bình phương nhỏ nhất (LS)

Khi nhận dạng theo tiêu chuẩn LS, các tham số mô hình được giả sử là

hằng số chưa biết và các phép đo chỉ bị tác động bởi nhiễu loạn ngẫu nhiên. Nhiệm vụ của bài toán là ước lượng véc tơ tham số ˆ theo tiêu chuẩn LS.

66

Dạng tổng quát của mô hình (3.1) và (3.2) có thể được viết như sau:

(3.3)

y = X θ

(3.4)

z = X θ + ν

trong đó:

z



z

 ,

  z 1 ,

  2 ,

 z N



 

T  

1N  , tương ứng với các giá trị biến đầu ra đo được;

- - véc tơ tham số đầu ra đo được, kích thước

ν

,

1N 

  = ν 1 , ν 2 … , ν N

 



 

 T  

T

- - véc tơ các sai số đo, kích thước

θ

[

,

,

,θ

]

= θ θ , θ … 1

0

2

n

1pn 

1

- - véc tơ các tham số chưa biết, kích thước

n  );

pn

(

pN n , bao gồm các véc tơ cột của một véc tơ có

- X - ma trận hồi quy

giá trị 1 và n véc tơ của các hồi quy, mỗi véc tơ có N giá trị.

)θ của phương pháp LR như sau [31]:

T

Hàm giá J(

z - Xθ

  J θ =

 

(3.5)

 z - Xθ



1 2

)θ (3.5) theo tiêu chuẩn bình phương sai số nhỏ

Tối thiểu hóa hàm giá J(

nhất giữa giá trị đo được z trong mô hình (3.4) và giá trị thực y xác định theo

T

T

ˆ 

mô hình (3.3) sẽ nhận được véc tơ tham số θ cần ước lượng:

 1  (X X X z

(3.6)

Giá trị ước lượng ˆ chỉ xác định khi ma trận không suy biến.

T (X X

 1

3.1.1.2 Tham số mô hình và dữ liệu phục vụ nhận dạng

Dữ liệu phục vụ cho bài toán nhận dạng trong luận án là hai tập dữ liệu

bay đối với các tham số chuyển động kênh độ cao của MB như trên hình 1.4

mục 1.2.2, ngoài ra, để phục vụ cho xác nhận mô hình, trong luận án cũng sử

dụng các tập dữ liệu ở các chế độ bay được xác định trong phụ lục B.

Các tham số đặc trưng của MB được cho trong phụ lục A của luận án.

67

3.1.1.3 Nhận dạng các ĐHHSKĐ trong kênh độ cao của máy bay

Để thực hiện nhận dạng các ĐHHSKĐ theo phương pháp LR cần có mô

hình HSKĐ tuyến tính của MB. Trong luận án sẽ sử dụng mô hình HSKĐ kênh

độ cao của MB (1.10), do các tập dữ liệu bay được ghi nhận từ chuyến bay bằng

0V  ), khi đó mô hình (1.10) có dạng:

C



C



C

  

C



C



a ( )

D

 D

 y D

 y

 e D

 e

D 0

b A V 2 0

(

C



C



C

  

C



C



b ( )

L

 L

 y L

 y

 e L

 e

L 0

b A V 2 0

 m m



m

  

m





c ( )

y

y

0

 y

 y y

 y

 m e y

 e

b A V 2 0

        

(3.7)

Trong mô hình (3.7), véc tơ tham số mô hình  bao gồm các ĐHHSKĐ



















T

y

y

e

e



kênh độ cao thể hiện trong phương trình sau:

[

C

,

C C ,

,

C

,

C

,

C C ,

,

C m ,

,

m m m

z ,

,

]

D

D

D

e D

L

L

L

y

0

z

z

z

0

L 0

(3.8)

Ước lượng tham số

,

,

Véc tơ tham số đầu ra đo được y: tham số đầu ra mô hình (3.7) là các

C C m ), các tham số này không đo được trực tiếp từ thiết bị ghi

D

L

y

,

,

HSKĐ (

a a  ) theo công thức (1.12). x

y

z

tham số mà được xác định từ các tham số (

4N  (gồm một

Xác định ma trận hồi quy X : Ma trận X có kích thước

,

cột các giá trị 1 và 3 cột tương ứng là dữ liệu các tham số trạng thái và điều

   ), được xác định như sau:

, y

e



(1)

(1)

(1)

 y

 e

b A V 2 0



(2)

(2)

(2)

 y

 e

khiển (

X

b A V 2 0









 (

N

)

(

N

)

(

N

)

 y

 e

b A V 2 0

 1    1       1  

          

(3.9)

68

Việc nhận dạng các ĐHHSKĐ theo mô hình (3.7) được thực hiện riêng

đối với từng phương trình hệ số khí động:

T

y

- Véc tơ ĐHHSKĐ đối với hệ số lực cản DC theo mô hình (3.7-a) là:

, được nhận dạng theo công thức:

θ

C

,

C ,

C

 C C , D

D

 e D

D

D 0

  

 

1

T

(3.10)

T (X X

 

X C

ˆ   C

D

D

LC mô hình (3.7-b) là:

T

y

1

T

- Véc tơ ĐHHSKĐ đối với hệ số lực nâng

: được nhận dạng như sau:

θ

C

,

C ,

T (X X

 

X C

C

 C C , L

L

 e L

ˆ   C

L

L

L 0

L

  

 

T

- Véc tơ ĐHHSKĐ đối với hệ số mô men gật

θ

m m m m ,

,y

m

 y

yo

,

y

 e y

y

  

 

1

T

T (X X

 

X m

ym mô hình (3.7-c), nhận dạng theo công thức:

ˆ   m

y

y

3.1.2. Thuật toán nhận dạng các đạo hàm hệ số khí động của máy bay theo

phương pháp sai số đầu ra

Trong nhiều thập kỷ gần đây, phương pháp sai số đầu ra (OEM) đã được

áp dụng thành công cho việc nhận dạng các ĐHHSKĐ của MB từ các tập dữ

liệu bay thực nghiệm. Việc áp dụng phương pháp OEM vào nhận dạng các

ĐHHSKĐ của MB từ các tập dữ liệu bay đòi hỏi mô hình trạng thái chuyển

động tuyến tính và mô hình đầu ra tuyến tính của máy bay. OEM để nhận dạng

các ĐHHSKĐ dựa trên dữ liệu bay đã được sử dụng như phương pháp tiêu

chuẩn để nhận dạng các tham số khí động trong quy trình thiết kế, chế tạo MB.

OEM được xuất phát từ phương pháp tựa thực cực đại (ML), việc nhận

dạng tham số theo mô hình thuật toán dựa trên tiêu chuẩn tựa thực cực đại ML

cần phải tìm cực đại của hàm tựa thực, tương ứng với giảm thiểu sai số bình

phương nhỏ nhất có trọng số giữa đầu ra đo và đầu ra mô hình. Trong thuật

toán ML, giải pháp kết hợp ước lượng trạng thái sử dụng bộ lọc Kalman và ước

lượng tham số phi tuyến. Sở dĩ phải sử dụng bộ lọc Kalman để ước lượng trạng

thái bởi sự hiện diện của nhiễu quá trình trong mô hình động học làm cho các

69

trạng thái ngẫu nhiên. Thuật toán ước lượng tham số phi tuyến được yêu cầu

do kết nối phi tuyến giữa các tham số mô hình và đầu ra mô hình.

Để ứng dụng mô hình thuật toán ML nhận dạng các ĐHHSKĐ của MB,

thực tế thường sử dụng OEM với giả định không có nhiễu quá trình. Để loại bỏ

nhiễu quá trình trong mô hình, các thử nghiệm bay được thực hiện vào những

ngày không khí yên tĩnh và các cơ động sao cho cấu trúc mô hình khí động

tuyến tính sẽ đủ để mô tả dữ liệu. Đối với OEM, các trạng thái sẽ được xác định

bằng tích phân từ các phương trình trạng thái, hàm tựa thực cực đại được xác

định bằng bình phương sai số có trọng số giữa các đầu ra đo và đầu ra mô hình.

Đối với vấn đề giảm thiểu hàm giá, trong luận án sẽ dùng thuật toán

Gauss-Newton (Newton-Raphson sửa đổi), có được từ việc đơn giản hóa thuật

toán Newton- Raphson trong thành phần đạo hàm bậc hai đối với hàm giá.

3.1.2.1 Thuật toán nhận dạng tham số theo phương pháp tựa thực cực đại

Nhận dạng hệ thống thực tế đặc trưng bởi các phép đo rời rạc thực hiện

trên hệ thống động học liên tục. Khi mô tả động học của hệ thống, một thành

phần tác động ngẫu nhiên được thêm vào mô hình động học để mô hình hóa

nhiễu. Mô hình thuật toán dựa trên tiêu chuẩn tựa thực cực đại (ML) tổng quát

đối với hệ thống động học tuyến tính, ngẫu nhiên gồm có: phương trình trạng

x

t ( )



thái, phương trình đầu ra và phương trình quan sát, được mô tả [32]:

A

t ( )



B



w

a ( ) ) t

  

B w

y

t ( )



x

t ( )



u

t ( ) )

b

(3.11)

z

i ( )



y

   x    C  

i ( )

i ( ); i



   u t ( )    D 1,2,...,

N

c )

    

( )tx

( )tu

( )ty

trong đó: - véc tơ trạng thái; - véc tơ đầu vào điều khiển; - véc

i



1, 2,



,

N

)(iz

tơ tham số đầu ra; - véc tơ dữ liệu bay ( - số điểm dữ liệu),

 tw - nhiễu quá trình;

 iν

0x - véc tơ điều kiện đầu;

- nhiễu đo.

70

Nếu các nhiễu dạng tạp trắng, các thành phần trong ,

x

( 0 )

 tw ,

 iν

 tw ,

 iν

là không tương quan, có trung bình và phương sai được xác định:

E x [

(0)]



x



E x {[

(0)



x

][

x

(0)



x

T ] }



R 0

T

(3.12)

E w [

t ] ( )



0

E w [

w



R

 (



t

)

0 t

0 

(t ) i

t ( ) w i

j

0 (t )] j

i

E

 [ (i)]



0



E

T   [ (i)

(j)]



(i)

R v

 ij

    

, D

A

C

,

và véc tơ trạng thái ban ma trận Các phần tử của véc tơ tham số  xuất hiện trong các phần tử của các   

    , B

  

  





, R , R R v

, B w

w,

0

đầu

0x . Các ma trận

0R , R , R thường có dạng đường chéo. Trạng thái x là

w

v

véc tơ của các biến ngẫu nhiên do thành phần tác động ngẫu nhiên

  B w . t

w

Xây dựng hàm giá

z



z

 , ,

    z 1 2 ,

 z N



N

 

T  

(1), (2),..., (

z



) /

Hàm tựa thực cực đại của các giá trị đo

Z

L

Z

Z

L



/



  ;

N

-1

N

-1

N

 L z N ( 1) /

Z



L

Z

) /



z N   ;

  );  L z N (

  ;

được xác định như sau [20]:   

  ;  Z

  ;

 L z  L z N (

N

-2

N

-1

N

-2



=

N

( ) /

(3.13)

Z

 L z i

  ;

N i -

 

i

 1

Đánh giá cực đại của hàm tựa thực (3.13) được biểu diễn qua đánh giá

N

ˆ max  

L

các hệ số khí động:

Z



( ) /

Z



  ;

 L z i

  ;

N

N i -





max 

i

 1

N

 min



ln

( ) /

(3.14)

Z

 L z i

N i -



   ;





i

 1

)(iz

 tw ,

 iν

Nếu độc lập và phân bố chuẩn, thì các giá trị đo trong

(3.11-c) cũng sẽ có tính chất này, do đó hàm tựa thực cực đại có dạng:

( ) /



( );

71

 L z i

 

 L z i

(3.15)

 Z  ; -1 i

( );

i ( /

1)



i

(3.16) có các giá trị trung bình và phương sai được xác định như sau:  ˆ y 

 z E i

C ov

z

i ( );





E

i ( )



R





i ( )

T    ( ) i 

 

(3.17)

i ( )



với: (3.18) 

z

i ( ) -

ˆ y

(

i

/

i



1)

 i - véc tơ làm mới có kích thước ( 0 1n  ); 0n - số lượng đầu ra mô hình

 iR

(cũng là số tham số đầu ra đo được); - ma trận phương sai làm mới.

Khi tốc độ lấy mẫu cao, mật độ xác suất của các sai lệch tiếp cận phân

-

-

1

1 2

0n 2

bố Gauss. Do đó, hàm tựa thực cực đại được viết:

(3.19)

z

i ( )

(i)

(i) (i)





  θ L (i); = 2π

R 

 R 

T   

 

1 2

 exp -  

   

N

1

Hàm tựa thực cực đại âm log cho dữ liệu bay được xác định:

(3.20)

)θ



i ( )

i ( )





ln

i ( )

  i

 -ln L



(Z ; N

 R 

R 



 

T   

1 2

i

 1

Ước lượng tham số đạt được bằng cách cực tiểu hóa hàm tựa thực cực

N

N

đại âm log (3.20) dẫn đến bài toán đánh giá cực tiểu hàm số đối với hàm giá:

J





i ( )

i ( )



  

1 T  R v

(3.21)

R i ( )





1 2

1 2

i

 1

i

 1

Thuật toán tối ưu hóa theo phương pháp Gauss - Newton

Quá trình tối ưu nhằm cực tiểu hóa hàm giá (3.21) thông qua việc tìm

J  theo  là phi tuyến nên quá trình tối ưu





các giá trị tham số  . Do hàm

hóa phải thực hiện theo phương pháp lặp.

Trong phần này xem xét cụ thể việc áp dụng phương pháp Gauss -

Newton trong việc cực tiểu hóa hàm giá (3.21).

Giả sử giá trị θ có thể biểu diễn thông qua các nhiễu động xung quanh

0 :

giá trị danh định

2

72

J





J

 

T 

 

T 





    



0

  0

   0

   0

J   

J  T    

(3.22)

trong đó:

;

j



1, 2 ,. .

n . ,

-   - nhiễu động đối với  ;

p

J 

 J  j

2

;

j k ,



- - véc tơ gradient gồm các thành phần ;

n 1, 2 ,..., p

2 J T   

 J     j k

J

- - ma trận Hessian, với các phần tử ;

   , điều kiện tối thiểu hóa xác



0

Đạo hàm bậc nhất đối với  cho

2

định khi đạo hàm bậc nhất đối với  bằng không:

J









0

   0

   0

 

      

  

 J  

J  T    

(3.23)



1

2

Giải phương trình (3.23) được ước lượng cho véc tơ thay đổi tham số:

   0

   0

 J T    

 J  

 ˆ      

   Giả định ma trận Hessian không suy biến, ước lượng tham số ˆ được

(3.24)





cập nhật theo biểu thức:

ˆ ˆ     0

(3.25)

3.1.2.2 Phương pháp sai số đầu ra

OEM là một phương pháp nhận dạng sử dụng mô hình thuật toán dựa

trên tiêu chuẩn tựa thực cực đại (ML) [20], [25], với giả định là không có nhiễu

x

t ( )



quá trình. Đối với nhận dạng theo OEM, mô hình (3.11) có dạng như sau [32]:

A

t ( )



B

y

t ( )



x

t ( )



t ( ) )

u

b

(3.26)

z

i ( )



y

   x    C  

i ( )

i ( ); i



   u a ( ) ) t    D 1,2,...,

c )

N

    

73

, khi đó phương trình trạng Bởi vì không có nhiễu quá trình, nên w 0R

thái (3.26-a) là xác định, do đó không cần sử dụng bộ lọc Kalman để đánh giá

trạng thái và trạng thái được xác định bằng việc tích phân phương trình trạng

( )i sẽ trở thành sai số mô hình (phần

thái (3.26-a). Các thành phần làm mới

dư), được xác định:



i ( )



(3.27)

z

i ( )



ˆ y

i ( )



z

i ( )



C

x

i ( )



D

u

i ( )

  ˆ 

  ˆ 

N

1

0

Đối với mô hình Fisher [32], hàm tựa thực cực đại âm log có dạng:

- ln

L

(

(3.28)

Z

 ;



T 

i ( )

R

i ( )



i ( )



ln

R



 ln 2

 



 )

N

 v

v



N 2

Nn 2

1 2

i

 1

vR , xác định được:

N

T

Cực tiểu hóa vế bên phải của (3.28) theo

  i ( )

i ( )

(3.29)

ˆ R

v

1   N  1 i

 J  , được xác định:



N

Đối với phương pháp sai số đầu ra, hàm giá



i ( )

i ( )

J

  

ˆ  1 T R v

1   2

 1

i

(3.30)

 J  thông qua việc tìm các



Quá trình tối ưu nhằm cực tiểu hóa hàm giá

 J  theo  , nên



giá trị tham số  . Do sự phụ thuộc phi tuyến của hàm giá

quá trình tối ưu hóa phải được thực hiện theo phương pháp lặp. Có thể sử dụng

 J  (giảm dốc lớn nhất, gradient liên



các thuật toán dựa trên gradient hàm giá

 J  (Newton - Raphson, Gauss -



hợp), hay đạo hàm bậc hai hàm giá

Newton, Levenberg - Marquardt).

Trong luận án, việc tối ưu hóa hàm giá (3.30) sẽ được thực hiện bằng

T

N



1







phương pháp Newton - Raphson. Đạo hàm bậc nhất hàm giá được xác định:

 



i ( );

j



1, 2,...,

n

v

p

  J  

 y

(3.31)

( ) ˆ i R 

 1

i

Đạo hàm bậc hai (ma trận Hessian) của hàm giá được tính:

2

T

2

N

N



1



1



i ( )

74







i ( );

j k ,



1, 2,...,

n

(3.32)

ˆ R v

ˆ R v

p





i

 1

i

 1

   J      j k

y   j

y  ( ) i   k

y  ( ) i     j k

Nếu thành phần đạo hàm riêng thứ hai trong (3.32) bị bỏ qua, thuật toán

tối ưu hóa đơn giản được gọi là Gauss-Newton (Newton-Raphson sửa đổi).

2

T

N

 1



Khi này, ma trận thông tin Fisher được đơn giản hóa thành:

Z

  ;

 

M E  



(3.33)

ˆ R v



  ln L  N T    

( ) y  i  

( ) y  i  

i

 1

   

   

 1

T

T

N

N

 1

 1

ˆ 





i ( )

Ước lượng thay đổi véc tơ tham số được xác định theo biểu thức:

(3.34)

ˆ R v

ˆ R v





y  i ( )  

y  i ( )  

y  i ( )  

i

 1

i

 1

  

  

      0

      0

Ma trận - ma trận độ nhạy đầu ra, được xác định như sau [32].

y   



C



x



u ,

j



1,2,...,

n

  

p

(3.35)

x    j

  C     j

  D     j

y    j

Ma trận độ nhạy đầu ra (3.35) được tính toán trong phụ lục D của luận

án. Việc tính toán chi tiết các ma trận độ nhạy đầu ra theo các thành phần được

thực hiện theo phụ lục E.2 (chương trình Matlab nhận dạng các thành phần

ĐHHSKĐ từ tập dữ liệu thu thập từ các chuyến bay thực tế theo OEM)



Ước lượng tham số cập nhật được xác định lại như sau:

ˆ  0

(3.36)

M 

1  

0

( )  

 J  

      0

Cov



(3.37) Ma trận hiệp phương sai tham số cần thỏa mãn bất đẳng thức:   ˆ 1   M ˆ   

Bất đẳng thức (3.37) được gọi là giới hạn dưới Cramer - Rao được tính

toán cụ thể trong Phụ lục C.

75

Sơ đồ cấu trúc thuật toán nhận dạng tham số theo phương pháp sai số

đầu ra được biểu diễn trên hình 3.1.

Hình 3.1. Cấu trúc thuật toán nhận dạng tham số theo OEM

3.1.2.3 Xây dựng thuật toán nhận dạng các ĐHHSKĐ trong kênh độ cao của

máy bay theo OEM

Việc tính toán nhận dạng các thành phần ĐHHSKĐ kênh độ cao của máy

bay từ dữ liệu bay theo OEM sử dụng thuật toán Gauss – Newton được thực

hiện theo các bước như sau:

- Xây dựng mô hình động học của MB;

- Xác định tham số mô hình và dữ liệu phục vụ nhận dạng;

- Nhận dạng tham số của mô hình sử dụng thuật toán GN;

- Xác nhận sự thỏa mãn của mô hình nhận dạng.

76

Mô hình động học trong kênh độ cao của máy bay

Mô hình hệ động học trong kênh độ cao của máy bay sử dụng cho OEM

được xây dựng trong chương 2 gồm: mô hình trạng thái chuyển động (2.36) và

mô hình đầu ra (2.37) (phương trình đo). Để nhận dạng chính xác các hệ số khí

động trong mô hình (2.36), yêu cầu phải có sự tương thích dữ liệu từ nguồn dữ

liệu bay trực tiếp thông qua các thiết bị đo trên MB và các dữ liệu được tính

toán theo mô hình động học thông qua các nguồn dữ liệu khác. Do bản thân các

thiết bị đo dữ liệu đều chịu tác động của sai số (ngẫu nhiên, hệ thống) cũng như

sự không hoàn toàn chính xác của mô hình động học mô tả chuyển động của

máy bay trong kênh độ cao mà sự tương thích tuyệt đối dữ liệu là rất khó nhận

được. Việc biểu diễn sự không tương thích này thông qua một giá trị, được gọi

là độ chệch (bias) của các tham số trạng thái và đầu ra [25].

Ký hiệu giá trị độ chệch đối với biến trạng thái góc tấn công là , đối

y , đối với biến đo là

za . Khi đó các mô

với biến trạng thái tốc độ góc gật là

hình trạng thái (2.36) và mô hình đầu ra (2.37) được viết lại như sau:

     

(1



L 

 ) y

  e

  

L  y

L  e

Phương trình trạng thái:



M

  

M



M



 y

  e

 y

   y

 e

       y

(3.38)

 

Phương trình đầu ra:

y

 





z

L 

   ) a

e

  L  y y

L  e

z

V 0 ( g

         y     a 

(3.39)

Các mô hình trạng thái (3.38) và mô hình đầu ra (3.39) được biểu diễn

dạng không gian trạng thái, trong khi các phương trình (3.26-a), (3.26-b) được

77

x

( )t

( )tx

( )tu

biểu diễn dưới dạng các véc tơ và ma trận. Khi đó, các véc tơ , ,

A  , 

B  , 

C  , 

D  được xác định như sau:



;

;

và các ma trận

 x

t ( )

x

t ( )

;

;

y

t ( )



u

t ( )

  y

        y

  

   

  

 e 1

  

  

z

        y   a 

-

1-

-

L 

 

L  y

L  e

;

;

A

B

  

  

M

M

M

     

     

     



 y

 e

  y

    

   

    

   

1

0

0

0

0

1

0

0

  C 

  D 

-

-

  

  

  

L 

L  y

e

 za

V 0 g

V 0 g

V 0 L g 

       

        

        

       





y

za

, , Các giá trị độ chệch    cần được đánh giá cùng với các đạo hàm









T

 e

z

z

  

hệ số khí động, do đó, véc tơ tham số cần phải nhận dạng được xác định:



[

,

,

,

,

,

,

,

]

C C C m m m  ,



 e y

L

L

L

y

y

a

y

z

(3.40)

Tham số mô hình và dữ liệu phục vụ nhận dạng

- Các tham số mô hình phục vụ nhận dạng đối với mô hình trạng thái

(3.38) và mô hình đầu ra (3.39) được cho trong phụ lục A của luận án.

- Dữ liệu phục vụ cho bài toán nhận dạng tham số mô hình là hai tập dữ

liệu bay thu nhận từ các chuyến bay thực tế như trên hình 1.4. Ngoài ra, để phục

vụ cho xác nhận mô hình, trong luận án cũng sử dụng các tập dữ liệu thu nhận

từ các chuyến bay ở các chế độ bay khác nhau được xác định trong phụ lục B.

Nhận dạng tham số của mô hình sử dụng thuật toán GN;

0x , véc tơ tham số ban đầu

0 ; giải

- Xác định véc tơ trạng thái ban đầu

mô hình trạng thái và đầu ra (2.37), xác định trạng thái và đầu ra của mô hình;



  1 1 1 1 1 1 0 0 0 T   

 0

trong luận án chọn .

78

( )i theo công thức (3.27), ma trận phương sai sai

- Tính toán phần dư

J  theo công thức (3.30);





vR theo công thức (3.29), hàm giá

số ˆ

- Tính toán hàm độ nhạy đầu ra , gradient của hàm giá g , ma trận

S

( i )

  sau mỗi lần lặp:

k 

1

i ( ,

 )

j

thông tin M và giá trị cập nhật

S

i ( )

jk

 (i)= s 

j k

 

1,2,..., 1,2,...,

n 0 n

p

 k

(3.41)

y      

  

T

N



1



(3.42)

g



 



i ( )

   J  

( ) ˆ y i   R v 

i

 1

N

 1

T

S

(i)

(i)

ˆ R S v

M 

i

 1

-

(3.43)

1  M g

ˆ    1 k

(3.44) - Cập nhật các tham số cần nhận dạng theo thuật toán Gauss – Newton

và tính giới hạn Cramer- Rao:



ˆ  k

 1

ˆ  k

ˆ  k  1

(3.45)

Cov

(3.46)

-1 M   0

    ˆ 

J

)

ˆ  ( k

ˆ  k

- Lặp lại các bước tính toán cho đến khi thỏa mãn điều kiện hội tụ:



 J

J ) - (  1 ˆ(  J ) k

(3.47)



3

J



1 0

Giá trị J được chọn tùy thuộc yêu cầu độ chính xác của tham số cần

nhận dạng. Đối với tham số là hệ số khí động của máy bay, [32].

Lưu đồ thuật toán nhận dạng ĐHHSKĐ theo OEM

Việc tính toán nhận dạng các thành phần ĐHHSKĐ kênh độ cao của máy

bay từ dữ liệu bay theo OEM sử dụng thuật toán Gauss – Newton được thực

hiện theo lưu đồ thuật toán biểu diễn trên hình 3.2.

79

Bắt đầu

,

Xác định giá trị trạng thái đầu tham số đánh giá ban đầu

Dữ liệu bay

Xác định (3.26-a), (3.26-b),

(3.27), (3.29), (3.30)

Xác định độ nhạy (3.35)

sai

đúng (3.42), Xác định (3.43), (3.44)

Cập nhật (3.45) và tính giới

hạn Cramer- Rao (3.46)

sai

Kiểm tra hội tụ (3.47)

đúng Xác định và sai lệch chuẩn

Kết thúc

Hình 3.2. Lưu đồ nhận dạng theo OEM

80

3.2. Xây dựng thuật toán nhận dạng các đạo hàm hệ số khí động của máy

bay sử dụng mạng nơron nhân tạo

Khi ứng dụng ANN cho bài toán nhận dạng các ĐHHSKĐ kênh độ cao

của MB, ANN có vai trò thay thế mô hình chuyển động phi tuyến kênh độ cao

của MB (gồm mô hình trạng thái (2.25) và mô hình đầu ra (2.26)). Để giải quyết

bài toán nhận dạng các ĐHHSKĐ, cần thực hiện ba nhiệm vụ:

- Quá trình luyện mạng: cấu trúc ANN kênh độ cao của MB được xây

dựng để xấp xỉ véc tơ dữ liệu đầu vào và đầu ra mô hình chuyển động phi tuyến

kênh độ cao của MB, tương ứng;

- Quá trình nhận dạng: cấu trúc ANN đã được luyện sẽ được sử dụng để

xác định véc tơ đầu ra từ véc tơ dữ liệu đầu vào (ANN có chức năng thay thế

mô hình chuyển động của MB), véc tơ đầu ra được đưa đến tính độ nhạy đầu

ra rồi. ANN sẽ kết hợp với thuật toán Gauss - Newton nhận dạng các ĐHHSKĐ;

- Xác nhận mô hình: mô hình HSKĐ với các ĐHHSKĐ đã được nhận

dạng sẽ được xác nhận bằng các tập dữ liệu bay khác với tập dữ liệu nhận dạng.

Để phục vụ cho việc nhận dạng các tham số khí động theo phương pháp

ANN - GN, trong luận án sử dụng hai tập dữ liệu được xác định mục 1.2.2.

Ngoài ra, để phục vụ cho xác nhận mô hình, trong luận án cũng sử dụng các tập

dữ liệu ở các chế độ bay khác nhau được xác định trong phụ lục B của luận án.

Trong luận án đề xuất hai phương pháp nhận dạng các ĐHHSKĐ kênh

độ cao của máy bay sử dụng ANN: phương pháp RBF- GN (kết hợp mạng

nơron RBF với thuật toán Gauss – Newton (GN)) và phương pháp SNN – GN.

3.2.1. Xây dựng thuật toán nhận dạng các đạo hàm hệ số khí động của máy

bay sử dụng mạng RBF

3.2.1.1 Cấu trúc thuật toán nhận dạng của phương pháp RBF – GN

Phương pháp RBF – GN sử dụng mô hình mạng nơron RBF kết hợp với

thuật toán GN để nhận dạng các ĐHHSKĐ đề xuất theo sơ đồ hình 3.3

()

81

Dữ liệu nhận dạng ()

+

( + 1)

Tính độ nhạy () Mạng nơron RBF + Dữ liệu luyện +

(), (), ()

Đúng

+ sai

- + Tính các HSKĐ từ dữ liệu (1.12)

( + 1) Luyện mạng

(), (), ()

(), (), (), ()

Dừng luyện, sử dụng mạng để nhận dạng

()

(), () ()

(), () Dữ liệu bay ((), (), (), (), (), (), ())

()

()

Mô hình HSKĐ (3.7) sai

Thuật toán Gauss – Newton: - Xác định tham số ,

()

; Kiểm tra hội tụ (3.47) (3.45); đúng

- Cập nhật giá trị - Tính giới hạn Cramer- Rao (3.46).

Nhận dạng theo thuật toán Gauss - Newton

Xác định véc tơ tham và sai lệch chuẩn số

Hình 3.3. Cấu trúc thuật toán nhận dạng RBF - GN

Hoạt động theo sơ đồ cấu trúc thuật toán nhận dạng RBF - GN như sau:

a) Sử dụng mạng nơron RBF để xấp xỉ tập dữ liệu đầu vào – đầu ra tương

ứng các tham số đầu vào – đầu ra trong mô hình động học phi tuyến kênh độ

cao của MB (gồm mô hình trạng thái (2.25) và mô hình đầu ra (2.26)). Căn cứ

 iu

vào mô hình động học, véc tơ đầu vào luyện gồm có 7 tham số (các trạng

 và các HSKĐ (

,

,

C C m )). Véc tơ đầu ra

,

,

 iy

D

L

y

,y V

thái có 6 tham số

,

,

,

,

 , y

V a a x

z

chuyển động ( );

82

b) Mô hình mạng RBF sau khi luyện sẽ được sử dụng để nhận dạng tham

số. Trong quá trình nhận dạng, mô hình mạng RBF sử dụng để xác định đầu ra

  iS k

 iy

 iu

,

,

mô hình khi có tác động đầu vào , tính độ nhạy đầu ra . Trong

C C m ) trong véc tơ đầu vào

 iu

D

L

y

quá trình nhận dạng, các HSKĐ ( được

cập nhật theo giá trị các ĐHHSKĐ ˆθ bởi mô hình HSKĐ (3.7).

  iS k

 iy

c) Tham số đầu ra mô hình động học của máy bay và độ nhạy

được đưa đến tính toán cập nhật các ĐHHSKĐ theo thuật toán GN.

Việc tính toán qua các bước lặp lại đến khi thỏa mãn tiêu chuẩn hội tụ.

3.2.1.2 Mạng RBF xấp xỉ dữ liệu bay kênh độ cao của máy bay

Sơ đồ cấu trúc mạng nơron RBF đề xuất cho mô hình động học kênh độ

cao của máy bay như trên hình 3.4.

Hình 3.4. Cấu trúc mạng nơron RBF cho mô hình động học kênh độ cao

Mạng nơron RBF là mạng nơron truyền thẳng 3 lớp: lớp vào, lớp ẩn và

lớp ra, như trên hình 3.4. Lớp đầu vào bao gồm các nơron đầu vào. Số nơron

lớp ẩn phụ thuộc vào độ chính xác xấp xỉ yêu cầu đối với tham số mô hình.

2

Hàm kích hoạt của nơron lớp ẩn là hàm Gauss:

u c -

j



g

u ( )

exp

j

2

 2

j

    

    

(3.48)

jc - tâm của hàm cơ sở xuyên tâm thứ j,

j- sai lệch chuẩn.

trong đó:

83

n

- Lớp ra có hàm kích hoạt dạng tuyến tính, đầu ra mạng được xác định:

u ( )

y k

w g jk

j

 

j

 1

(3.49)

Đầu vào mạng là véc tơ với 7 tham số:

u



i ( ),

i ( ),

i V i ( ),

( ),

( ),

( ),

( )]T

  i

   [ y

D

y

C i C i m i L 1i y )

(

Véc tơ đầu ra của mạng là dự báo một bước (3.50) đối với các tham số

chuyển động của máy bay:

(3.51)

y

i





 [ (

i



1),

 (

i



1),

(

i



1),

V i (



1),



1),

a

(

i



T 1)]



 1

 y

a i ( x

z

3.2.1.3 Nhận dạng các đạo hàm hệ số khí động theo phương pháp RBF - GN

Mạng nơron RBF kết hợp thuật toán GN để nhận dạng các ĐHHSKĐ

T













y

y

 e

 e

z

theo sơ đồ hình 3.3. Sử dụng mô hình HSKĐ (3.7) có véc tơ các ĐHHSKĐ:



C C C C ,

,

,

,

C

,

C C C m ,

,

,

,

m

,

m m ,

D

D

 e D

L

L

L

z

z

z

y

0

D 0

L 0

  

 

(3.52)

Phương pháp RBF – GN được thực hiện theo trình tự như sau:

Thuật toán GN thực hiện cập nhật các tham số nhận dạng giống như trong

xác định bởi mô hình mạng RBF. OEM, chỉ khác là véc tơ đầu ra  iy

0 được lấy:



  

Bộ giá trị tham số ban đầu

  0 0 0 0 0 1 1 1 0 1 1 1 T

 0

(3.53)

  k iS

Ma trận độ nhạy tại lần lặp k được xác định theo công thức sau:

y

y

-

  i

pk

k

S





  i

k

  i   j

(3.54)

  y   i     

jk

pky (phản hồi nhiễu) thu được bằng cách thay thế véc

j

trong đó, các giá trị số

    e (

je - véc tơ cột có giá trị bằng 1 hàng thứ j và

j

tơ tham số  bởi

bằng 0 ở vị trí khác) trong véc tơ biến đầu vào của nơron được luyện.

Lưu đồ thuật toán nhận dạng của phương pháp RBF – GN được thực hiện

theo trên hình 3.5.

84

Bắt đầu

Xác định các tham số ban đầu

Mô hình HSKĐ (3.7)

Mạng RBF Dữ liệu bay: (

Tính độ nhạy (3.54)

sai

đúng

Xác định (3.27), (3.29),

(3.30), (3.44)

(3.42), M (3.43),

(3.45) và tính

Cập nhật giới hạn Cramer- Rao (3.46)

sai Hội tụ (3.47)

đúng

Xác định giá trị

và sai lệch chuẩn

Kết thúc

Hình 3.5. Lưu đồ thuật toán nhận dạng đạo hàm hệ số khí động theo phương pháp RBF - GN

85

3.2.2. Xây dựng thuật toán nhận dạng đạo hàm hệ số khí động của máy bay

ứng dụng mạng nơron đột biến

3.2.2.1 Thuật toán lan truyền ngược sai số đột biến chuẩn hóa

Thuật toán lan truyền ngược sai số đột biến chuẩn hóa NSEBP

(Normalized Spiking Error Back Propagation) được trình bày chi tiết trong tài

liệu [60]. Trong đó, sử dụng mô hình đáp ứng đột biến chuẩn hóa (SRM0).

t

t ,

t ,

t ,...,

Trong SRM0 có cấu trúc như hình 2.6-a, xét nơron thứ j trong lớp đầu

ra J được tác động bởi chuỗi đột biến đầu vào từ lớp

T S

1 S

2 S

3 S

IN S

  

 

động ẩn I đưa tới. Khi có đột biến từ nơron lớp trước đưa đến, hàm phản ứng kích  t được kích hoạt, nơron j sẽ tích hợp có trọng số của tất cả ảnh hưởng

j

của các đột biến từ các nơron lớp trước đưa đến sau đó lấy tổng để được điện

 

 

outt

ju t , nơron j sẽ phát ra một đột biến

ju t đạt đến

 

áp màng nếu điện áp

ju t được mô tả như sau:

IN

ext

ngưỡng ngu , điện áp





t ( -

)



t ( -

t

)



u

u t ( ) j

ˆ j t out

 w ij j

i S



i

 1

(3.55)

ijw - trọng số liên kết đột biến

i

i

  1

N

i với nơron đầu ra j ,

- thời điểm phát đột biến gần nhất; trong đó: ˆ j outt

St - thời điểm đột biến i của lớp trước (

I

),

extu

ˆ )j t t ( - out

- hàm hồi phục (refractory function), - điện áp kích thích ngoài.

(

s

)



[exp(



)



exp(



)]

H s (

)

 j

i

i

s i  1

s i  2



t ( - t

(3.56)

s i

)i S



0

trong đó: , 1 , 2 - các hằng số thời gian.

)

H s ( i

0,



0

khi s i khi s i

1,    

(3.57)

Trong thuật toán này sẽ ứng dụng cửa sổ học thế năng sau PSP (Post

Synaptic Potential), trong đó thể hiện mối quan hệ giữa sự điều chỉnh trọng số

86

với sự thay đổi thời điểm đột biến. Sự thay đổi trọng số chỉ ảnh hưởng khi các

(

)



0

 A 1 j

s i

tác động của đột biến lớp trước xuất hiện trước thời điểm phát đột biến.

)

W s ( ind i

0



0

khi s i khi s i

   

(3.58)

1A là một hằng số, trong luận án cho

1 1A  .

trong đó:

Luyện mạng SNN giữa 2 lớp I và lớp J

t

t ,

t ,

t ,...,

Xét với nơron đầu ra thứ j trong lớp ra, khi có chuỗi đột biến đầu vào

. Yêu cầu tạo ra chuỗi đột biến mong muốn (đích)

T S

1 S

2 S

3 S

IN S

  

 

t ,

t ,

t ,...,

.

T d

1 d

2 d

3 d

JN d

   t

 

dt .

Giả sử yêu cầu nơron thứ j phát ra một đột biến đích tại thời điểm j

 j du t

Nhưng thực tế điện áp của nơron j xác định được là khác với điện áp

ngu . Sai số E giữa

ngu và

j  du t

E



u

u - ( t

)

ngưỡng được xác định:

j d

ng

(3.59)

Việc luyện mạng nhằm đạt được sai số của (3.59) đạt giá trị nhỏ nhất,

bao gồm hai giai đoạn.

n

n

Giả sử mạng SNN có n lớp. Quá trình luyện, sai số E được chia thành

wE ,

tE và phân bố tới n lớp nhờ tham số phân bố r , như sau:

hai phần

n

rE

Sai số được gán cho lớp hiện tại:

wE

(3.60)

n



(1- )

r E

Sai số được gán cho n-1 lớp trước đó:

tE

(3.61)

Từ các công thức (3.60) và (3.61) thấy rằng, nếu như mạng càng có nhiều

lớp thì sai số được gán cho lớp cuối cùng sẽ càng ít, phần lớn sai số được gán

cho các lớp ẩn. Phân bố sai số cho các lớp được thể hiện trên hình 3.6.

87

Hình 3.6. Phân bố sai số đối với các lớp trong SNN có n lớp

n

Việc luyện mạng gồm hai phần:

wE khi luyện lớp hiện tại;

- Thay đổi trọng số liên kết để loại bỏ

- Biến động thời gian đột biến đầu vào để lan truyền ngược sai số.

n wE

n

Điều chỉnh trọng số để loại bỏ

wE trong công thức (3.60) về 0 nhờ thay đổi trọng

Để luyện mạng đưa

ijw

,



  w ij

n  i

số theo công thức:

W s ( ) ind i m 2

n  i  j

n E w s ( ) i

)

W s ( ind k



 k m 1

(s )

( )

(3.62)

j được tính bởi công thức (3.56),

j

jW s được tính bởi công thức

ind

j

)

trong đó:

  tại

is (

j

s ( ) i

u v

j

dt

(3.58). Để tránh quá nhỏ, chỉ các đột biến có mới

được luyện, các giá trị giới hạn 1t



t

u 1 4 ) / 2) 

j d

i   t S



t



t



ln((1





2

j d

i S

 1

u 1 4 ) / 2) 

  t  1  t 

t và mức ngưỡng

2, t

vu như trong hình

, m m , tương ứng.

được xác định như sau:  và 2t  ln((1 1 (3.63)



1

2

Mối liên hệ giữa các thời điểm 1 3.7. Phạm vi chỉ số đột biến được biểu thị bằng 

88



t 2,t

1

Hình 3.7. Khoảng thời gian  đột biến đầu vào được luyện

n

1

Biến động thời gian xuất hiện đột biến đầu vào

n  lớp trước. Đối với đột biến đầu vào thứ i,

tE phân bố tới

Sai số

sai số này sẽ được xác định tương ứng với lượng thay đổi điện áp, như sau:

  u i

in n E t t

m 2



/



khi E



0





 A W s 1 i

ind

 A W s 1

ind

k







 ,



 k m 1

(3.64)

in  t

m

2

/

,

khi E



0





 W s ind

k



 k m 1

       W s  ind i 

0

với (3.65)

iu  tương ứng với việc thay đổi thời điểm đột biến

i

2

Việc luyện đưa

iu thay đổi theo:

 2

St . Nếu chọn 1



0

w ij



t (



t

)

   u

(



t (



,



0

 w ij j

j d

i S

i

 j

j d

i t w )) S ij

hi w k ij

và đầu vào thứ i một lượng

1 4

(



(

t



t (



t

),



0

 j

j d

i t w )) S ij

    u i

 w j ij

j d

i S

khi w ij

       

1 4

2

  b



4

ac

i

(3.66)

ln(

)

St được xác định:

i   t S

 1

b a 2

t exp((



t

) /

);

t exp((



t

) /

);

w ij

i S

j d

 2

 b w ij

i S

j d

 1

thì (3.67)

t exp((



) /

)



t exp((



t

) /

)

i S

j t d

 2

w i j

i S

j d

 1

  u i

   a   c w   ij

với: (3.68)

89

3.2.2.2 Xây dựng thuật toán lan truyền ngược sai số đột biến chuẩn hóa

Trong xây dựng thuật toán đối với nơron đầu ra j , các tham số: chu kỳ



t ( -

)

 

t exp((



) /

),

 , điện áp tác động ngoài

0

ˆ j t out

A 2

ˆ j t out

 1

A 2

hồi phục

extu

 , chuỗi đột biến đầu vào

0

t

t ,

t ,

t ,...,

, chuỗi đột biến mong

T S

1 S

2 S

3 S

IN S

  

 

muốn , khởi tạo ma trận trọng số ban đầu

T

t

,

t

,

t

,...,

t

0W ngẫu

d out

1 out

2 out

3 out

JN out

  

 

0 m - chỉ số đột biến đầu tiên tác động đến nơron j ,

ngu - điện áp ngưỡng

nhiên.

tạo đột biến, 1, 2 - các hằng số thời gian xác định trong công thức (3.56).

Quá trình tính toán truyền thẳng

t

Quá trình tính toán truyền thẳng xác định mối quan hệ giữa chuỗi đột

t

,

t

,

t

,...,

t

j out

biến đầu vào với thời điểm xuất hiện đột biến của

T S

1 S

2 S

3 S

IN S

  

 

nơron đầu ra j , thể hiện qua định lý 1 [60]. Mối quan hệ này được thể hiện qua

việc tìm nghiệm của hàm bậc hai, như sau:

t [

i ),

  1

N

 trong chuỗi đột biến đầu vào

1

t ,

I

i S

 1 i S

- Đối với mỗi khoảng

, A B theo công thức:

t

,

t

,

t

,...,

t

, tính

T S

1 S

2 S

3 S

IN S

  

 

i

A

exp(

)

w m

m t  / S 2

 

 m m 0

i

B



t exp(

/

/

)

(3.69)

w m

m S

 A ) 2

1

ˆ j t exp( out

 1



 m m 0

2

A



0,

B



4

uA



0,

2

(3.70)

   1

1

ng

t

t [

,

)

- Kiểm tra điều kiện , nếu thỏa mãn thì

j ou t

i S

t  1 i S

2

B



B



4

A u ng

 

ln(

)

j t out

 1

2

A

nơron j sẽ tạo đột biến tại thời điểm trong khoảng được tính:

(3.71)

Các bước tính toán truyền thẳng thực hiện qua lưu đồ thuật toán hình 3.8.

90

Bắt đầu

Xác định các tham số , , , , , ,

khởi tạo giá trị trọng số ban đầu

Xác định A (3.69) và B (3.70); nếu

và thì tính

sai

đúng sai j = j+1

đúng

Xác định chuỗi đột biến đầu ra

Kết thúc Hình 3.8. Lưu đồ thuật toán tính toán truyền thẳng cho một lớp nơron

Quá trình luyện mạng theo thuật toán NSEBP

0E  gồm hai phần: Thay đổi

n

Quá trình luyện mạng SNN nhằm đưa

wE khi luyện lớp hiện tại; Biến động thời gian đột

trọng số liên kết để loại bỏ

a

d

biến đầu vào để lan truyền ngược sai số.

outT về

outT được minh

Thuật toán NSEBP nhằm luyện mạng SNN đưa

họa qua lưu đồ thuật toán trên hình 3.9.

91

Bắt đầu

Xác định các chuỗi đột biến đầu vào và

đích , giá trị trọng số ban đầu

Tính: (3.55), (3.59),

(3.60) và (3.61)

Tính (3.62), (3.67)

sai

đúng

sai Cập nhật

đúng sai

đúng

Kết thúc

Hình 3.9. Lưu đồ thuật toán luyện mạng SNN theo thuật toán NSEBP

3.2.2.3 Cấu trúc thuật toán nhận dạng đạo hàm hệ số khí động

Cấu trúc thuật toán nhận dạng các ĐHHSKĐ kênh độ cao của máy bay

theo phương pháp SNN – GN được đề xuất theo sơ đồ trên hình 3.10.

Phương pháp bao gồm các nội dung chính:

- Sử dụng SNN để xấp xỉ tập dữ liệu đầu vào – đầu ra kênh độ cao;

- Sử dụng phương pháp SNN - GN để nhận dạng các ĐHHSKĐ;

92

- Xác nhận mô hình nhận dạng

SNN

Giải mã Tính độ nhạy Mã hóa

Dữ liệu bay: (

)

Mô hình HSKĐ (3.7)

sai

Thuật toán Gauss – Newton: - Xác định , , , , ,

M, ;

Kiểm tra hội tụ (3.47) (3.45); đúng

Tính và sai lệch chuẩn - Cập nhật giá trị - Tính giới hạn Cramer- Rao (3.46)

Hình 3.10. Cấu trúc thuật toán nhận dạng sử dụng SNN - GN

3.2.2.4 Xây dựng cấu trúc mô hình SNN kênh độ cao

Sơ đồ cấu trúc mạng SNN đề xuất như trên hình 3.11, trong đó sử dụng:

lớp đầu vào với 7 chuỗi tham số, 1 lớp ẩn với 50 nơron và lớp đầu ra gồm 6

nơron, tương ứng 6 chuỗi tham số đầu ra.

Để phục vụ cho việc luyện mạng thay thế mô hình phi tuyến chuyển động

trong kênh độ cao ứng dụng mạng SNN, trong luận án sử dụng tập dữ liệu thứ

nhất được xác định trong mục 1.2.2. Véc tơ đầu vào mạng:

, véc tơ đầu ra đích của

u



i ( ),

i ( ),

( ),

( ),

T i ( )]

  i

SN

N

   [ y

i V i C i C i m ( ), ( ), D

L

y

1i z ) (

mạng là dự báo một bước đối với các tham số chuyển động của máy

z

i





 [ i (



1),

 i (



1),

i (



1),

V i (



1),

a

i (



1),



1)

]T



 1

SNN

 y

x

a i ( z

bay: .

93

Mạng SNN xử lý tín hiệu dạng thời điểm đột biến nên các tín hiệu đầu

z

1

vào và mong muốn sẽ được mã hóa thành các chuỗi thời

  u SNN i

 SNN i 

d out

sT và

  T 

tương ứng. Quá trình luyện mạng gồm tính toán gian đột biến 

a out

  T 

truyền thẳng theo sơ đồ hình 3.8 (xác định chuỗi đột biến đầu ra ) và

a out

  T 

luyện mạng nhằm điều chỉnh các thời điểm đột biến đầu ra đạt tới giá

d out

  T 

trị các thời điểm đột biến đầu ra mong muốn sơ đồ hình 3.9.

+ - Tính MÃ HÓA

…

E

Tính

…

… MÃ HÓA

GIẢI MÃ

…

Hình 3.11. Cấu trúc mô hình SNN kênh độ cao

Quá trình nhận dạng các ĐHHSKĐ kênh độ cao và xác nhận mô hình

nhận dạng khi kết hợp SNN với thuật toán Gauss – Newton giống như phương

pháp RBF - GN đã thực hiện trong mục 3.2.1, chỉ khác là tín hiệu đầu vào và

đầu ra SNN phải được mã hóa và giải mã tương ứng.

3.2.2.5 Mã hóa và giải mã

Việc mã hóa giá trị tín hiệu – thời gian và giải mã thời gian – tín hiệu

t

t ,min max

u

,

u

được thực hiện với khoảng thời gian [ ]. Theo tập dữ liệu thứ nhất, các

SNN

_

min

SNN

_ m

a

x

 

  của các tham số đầu vào xác định theo bảng 3.1.

giá trị

u

,

u

94

SNN

_

min

SNN

_ m

a

x

 

  véc tơ các tham số đầu vào

Bảng 3.1 Dải giá trị

u

S N N

_ m in

SN Nu

_ m a

x

Tham số

0

1,9519 3,3905

0

1,6476 6.0143

-0.1344 0.1525

2

 0            / s  y   V m s / m s xa /

124,8805 140,0235

2

m s /

-0,0086 0,1267

   

0

0,9529 1,2852

   za  e   

2,0238 2,4905

u

,

u

Dải thời gian thay đổi tương ứng dải giá trị các tham số

SNN

_

min

SNN

_ m

a

x

 

  được chọn trong khoảng 0 32

[ms]. Với cơ chế kích

hoạt nằm trên sườn lên của điện áp đầu ra, nơron đột biến nhận được tín hiệu

cao hơn sẽ kích hoạt sớm hơn so với nơron nhận được tín hiệu yếu hơn.

u



u

t

t



SNN

SNN

_ min

max

min



  .

)



t





Công thức mã hóa các giá trị biến đầu vào thành chuỗi đột biến [46]:

t u ( i

SNN

max

min



u

SNN

_max

SNN

_ min

  i  u

 

  round t  

   

(3.72)

t x t ( ), i

,m

t in max

trong đó: - giá trị tức thời, nhỏ nhất, lớn nhất của thời điểm đột

u

,

u

,

u

  i

SNN

SNN

_ min

SNN max _

biến; - giá trị tức thời, nhỏ nhất và lớn nhất của đầu

; round - phép toán làm tròn số nguyên. vào SNNu

Để chuyển đổi ngược lại từ các chuỗi thời điểm đột biến về tập các giá trị

y



y

_ SNN min





tín hiệu đầu ra mạng sử dụng công thức biến đổi ngược như sau:

y



y



t

  i

SNN

SNN max _

i a

_ SNN max t



t





max

min

   

   

(3.73)

i at

với - thời điểm đột biến đầu ra mạng.

95

3.3. Kết luận chương 3

Chương 3 thực hiện xây dựng các thuật toán nhận dạng các ĐHHSKĐ

kênh độ cao của MB từ dữ liệu bay, cụ thể là:

- Đã thực hiện nhận dạng các ĐHHSKĐ theo các phương pháp truyền

thống (phương pháp LR và OEM) trong kênh độ cao của MB dựa trên dữ liệu

bay. Phương pháp LR thực hiện với giả định mô hình HSKĐ là tuyến tính đối

với các ĐHHSKĐ cần nhận dạng, có ưu điểm là đơn giản và kết quả nhận được

là các giá trị ban đầu khi sử dụng thuật toán lặp Gauss – Newton kết hợp mạng

RBF xấp xỉ mô hình phi tuyến trạng thái động học của máy bay kênh độ cao.

Các thuật toán nhận dạng các ĐHHSKĐ theo các phương pháp này đã được

xây dựng trong các công trình khoa học 2, 3 của tác giả.

- Xây dựng được phương pháp RBF – GN để nhận dạng các ĐHHSKĐ

kênh độ cao của MB từ các tập dữ liệu bay, trong đó, đã xây dựng được cấu

trúc mạng nơron RBF xấp xỉ tập dữ liệu kênh độ cao và triển khai thuật toán để

thực hiện nhận dạng các ĐHHSKĐ theo phương pháp này (được công bố trong

công trình khoa học 4 của tác giả).

- Đề xuất ứng dụng SNN, cụ thể là cấu trúc mạng SRM kết hợp với thuật

toán Gauss – Newton để nhận dạng các ĐHHSKĐ trong kênh độ cao của MB

từ các tập dữ liệu bay: đã đề xuất được cấu trúc SNN để xấp xỉ tập dữ liệu bay

kênh độ cao, ứng dụng thuật toán NSEBP cho mô hình nơron SRM0 để luyện

SNN, đã xây dựng được cấu trúc thuật toán nhận dạng các ĐHHSKĐ trong

kênh độ cao của máy bay khi kết hợp mạng SNN với thuật toán Gauss - Newton.

Kết quả của thuật toán này cùng với chương 4 được thể hiện trong công trình

khoa học 5 trong mục các công trình đã được công bố của tác giả.

96

CHƯƠNG 4: MÔ PHỎNG VÀ ĐÁNH GIÁ CÁC THUẬT TOÁN NHẬN

DẠNG CÁC ĐẠO HÀM HỆ SỐ KHÍ ĐỘNG CỦA MÁY BAY

Trọng tâm của chương này là sử dụng công cụ phần mềm Matlab để tính

toán, mô phỏng và đánh giá các thuật toán nhận dạng các ĐHHSKĐ trong kênh

độ cao của máy bay đã được xây dựng ở chương 3 cùng với các mô hình động

học và mô hình HSKĐ được xác định ở chương 2.

Các tập dữ liệu bay sử dụng để tiến hành mô phỏng và đánh giá tham số

được lấy từ hệ thống tự động ghi tham số trên các chuyến bay thực tế của máy

bay Su-D. Trong luận án sẽ sử dụng mười hai tập dữ liệu bay ghi nhận được từ

các chuyến bay khác nhau trong huấn luyện được xác định trong phụ lục B. Các

tập dữ liệu bay được sử dụng như sau:

- Tập dữ liệu thứ nhất được thu thập từ chuyến bay bằng sẽ được sử dụng

phục vụ cho việc đánh giá các ĐHHSKĐ kênh độ cao của máy bay theo các

phương pháp nhận dạng đã đề xuất trong chương 3.

- Tập dữ liệu thứ hai cũng được thu thập từ chuyến bay bằng sẽ phục vụ

cho việc đánh giá chất lượng nhận dạng, còn gọi là xác nhận mô hình

(validation).

- Các tập dữ liệu còn lại (10 bộ) được thu thập từ các bài bay có độ phức

tạp khác nhau cũng sẽ được sử dụng phục vụ cho việc đánh giá chất lượng mô

hình nhận dạng, khẳng định lại khả năng, phạm vi dự báo của mô hình toán học

với các tham số đã được nhận dạng.

Các kết quả nhận dạng các đạo hàm hệ số khí động trong kênh độ cao

của máy bay theo các phương pháp sẽ được nhận xét, đánh giá và so sánh để

minh chứng cho thuật toán đề xuất. Việc xác nhận mô hình từ nhiều bộ số liệu

khác nhau cũng làm cơ sở để so sánh đánh giá khả năng nhận dạng giữa các

phương pháp.

97

4.1. Mô phỏng và đánh giá các thuật toán nhận dạng các đạo hàm hệ số

khí động của máy bay sử dụng phương pháp truyền thống

Mô phỏng và đánh giá các thuật toán nhận dạng các đạo hàm hệ số khí

động trong kênh độ cao của máy bay sử dụng phương pháp truyền thống với

các thuật toán được trình bày trong phần 3.1.

4.1.1. Mô phỏng và đánh giá thuật toán nhận dạng các đạo hàm hệ số khí

động theo phương pháp LR

Kết quả nhận dạng

Việc nhận dạng các ĐHHSKĐ kênh độ cao của máy bay theo phương pháp LR với mô hình đối với hệ số khí động (3.7) được thực hiện trên tập dữ liệu thứ nhất, các kết quả nhận dạng được cho trong bảng 4.1.

ˆ (LR)

ˆ (LR) Tham số

y

Bảng 4.1. Kết quả nhận dạng các ĐHHSKĐ theo phương pháp LR

LC 

e

30,9125

LC 

y

0ym

0,5382 Tham số 0DC DC 

DC 

e

0,1163 0,0851 - 1,2129 - 5,8175

ym 

DC 

y

-0,7163

ym 

0LC

e

ym

-18,2157

LC 

-0,8371 - 0,0638 0,5317 2,7696

Tính toán sai lệch chuẩn giữa đầu ra mô hình và dữ liệu bay đối với kết

quả nhận dạng (tập dữ liệu 1) được cho trong bảng 4.2.

Bảng 4.2. Sai lệch chuẩn đối với kết quả nhận dạng theo phương pháp LR

ym

LC

DC

Tham số

Sai lệch chuẩn 0.0312 0.0427 0.0725

98

Mô phỏng và đánh giá chất lượng nhận dạng

Các kết quả ĐHHSKĐ nhận dạng được trong bảng 4.1 được đưa trở lại

mô hình HSKĐ (3.7). Mô hình HSKĐ với các tham số là các ĐHHSKĐ nhận

dạng được sẽ được sử dụng để tính các tham số đầu ra mô hình theo tập dữ liệu

chuyến bay thứ hai. Sự phù hợp giữa đầu ra mô hình và dữ liệu bay đối với các

hệ số lực và mô men khí động trong kênh độ cao (mô hình (3.7)) được thể hiện

trên hình 4.1. Trong đó, các kết quả đầu ra mô hình (biểu diễn dạng đường đứt

nét) được so sánh với dữ liệu bay thực tế (đường liền nét).

Hình 4.1. Sự phù hợp đầu ra mô hình với dữ liệu khi nhận dạng theo LR

Sai lệch chuẩn giữa dữ liệu đầu ra mô hình và dữ liệu bay đối với việc

xác nhận mô hình nhận dạng được cho trong bảng 4.3.

Bảng 4.3. Sai lệch chuẩn đối với xác nhận mô hình theo phương pháp LR

ym

LC

DC

Tham số

Sai lệch chuẩn 0.0519 0.0673 0.0865

99

Từ các kết quả được thể hiện trên hình 4.1 có nhận xét sau:

- Với các giá trị nhận dạng được theo bảng 4.1, thực hiện đánh giá chất

lượng nhận dạng khi sử dụng tập dữ liệu thứ hai. Sự phù hợp giữa đầu ra mô

hình với tập dữ liệu thứ hai thể hiện trên hình 4.1. Về mặt định tính, điều này

cho thấy chất lượng nhận dạng khá tốt. Giá trị sai lệch chuẩn giữa dữ liệu đầu

ra mô hình sau khi đã nhận dạng với tập dữ liệu thứ hai thể hiện trên bảng 4.3.

Có thể thấy phản ứng đo được rất phù hợp với đáp ứng ước lượng của mô hình

cho tất cả các tập dữ liệu chuyến bay.

- Mặc dù sai lệch chuẩn cho thấy gần đúng giữa dữ liệu đầu ra mô hình

và dữ liệu bay của hệ số mô men gật, nhưng tác giả nhận thấy rằng, hệ số này

thay đổi khá nhanh, có thể không phù hợp với thực tế chuyển động của máy

bay. Điều này là do không thể đo được gia tốc góc gật mà phải thực hiện đạo

hàm 2 lần từ góc gật nhận được theo dữ liệu chuyến bay.

- Việc xác nhận mô hình cũng được thực hiện trên các tập dữ liệu 3, 4,

5, 6 là các tập dữ liệu thu thập trong các chuyến bay bằng ở các độ cao và tốc

độ khác nhau. Các kết quả cho thấy sự phù hợp giữa dữ liệu bay với đáp ứng

đầu ra của mô hình hệ số khí động cho tất cả các tập dữ liệu chuyến bay.

- Phương pháp LR tiếp tục được áp dụng cho tất cả sáu tập dữ liệu còn

lại (các tập dữ liệu thu thập từ các chuyến bay cơ động) để ước lượng các tham

số khí động. Có thể thấy rằng các tham số chuyển động của các chuyến bay này

có sự thay đổi khá lớn nên các điều kiện giả định khi xây dựng mô hình đối với

hệ số khí động tuyến tính đối với tham số, các tham số độc lập là không tương

quan và sai số đo của thiết bị đo nhỏ, có thể bỏ qua đều không còn đảm bảo

nữa. Quá trình nhận dạng có thể xảy ra là ma trận hồi quy không khả đảo, nếu

có cho kết quả nhận dạng thì các tham số ước lượng được sẽ không chính xác

(sai lệch chuẩn lớn).

100

4.1.2. Mô phỏng và đánh giá thuật toán nhận dạng đạo hàm hệ số khí động

theo OEM

Nhận dạng theo OEM được thực hiện theo lưu đồ thuật toán hình 3.2.

Các tham số hội tụ rất nhanh đến giá trị hằng số sau các vòng lặp, kết quả tính

y

C m , y

toán cho thấy thuật toán dừng lại sau 30 vòng lặp, khi thỏa mãn điều kiện hội

 qua các lần lặp.

L

y

tụ. Trên hình 4.2 biểu diễn giá trị hai tham số

Hình 4.2. Giá trị đạo hàm hệ số khí động thay đổi theo số lần lặp

Trên cột 2 bảng 4.4 là kết quả nhận dạng theo phương pháp OEM, kết

quả nhận dạng theo phương pháp OEM được so sánh với kết quả nhận dạng

theo phương pháp LR cho trong cột 3.

Bảng 4.4. Kết quả nhận dạng các ĐHHSKĐ kênh độ cao của MB theo OEM

ˆ (OEM)

ˆ (LR)

Tham số

y

2,5451 2,7696

e

31,2557 30,9125

0,4562 0,5382

y

-0,8485 -0,7163

e

-19,2566 -18,2157

-0,7639 -0,8371

0,0135 -

-0,0523 -

LC  LC  LC  ym  ym ym  y e

-0,0715 -

101

Các kết quả nhận dạng các ĐHHSKĐ trong bảng 4.4 được sử dụng để

tính các tham số đầu ra mô hình theo phương pháp OEM (biểu diễn dạng đường

đứt nét) được so sánh với dữ liệu bay thực tế (đường liền nét) đối với các tham

,

số chuyển động trong kênh độ cao. Sự tương thích giữa đầu ra mô hình và dữ

y  và

za ) sau 30 vòng lặp thể

liệu bay đối với các tham số chuyển động (

hiện trên hình 4.3.

Hình 4.3. Sự phù hợp đầu ra mô hình với dữ liệu khi nhận dạng theo OEM

Sai lệch chuẩn giữa đầu ra mô hình và dữ liệu bay khi nhận dạng được

xác định trong bảng 4.5.

2

0

Bảng 4.5. Sai lệch chuẩn đối với kết quả nhận dạng tham số theo OEM

0 /

s

y

  za m s / 

 

   

  

 

Tham số

Sai lệch chuẩn 0.0373 0.0722 0.0439

102

Xác nhận mô hình

Việc xác nhận mô hình được thực hiện trên tập dữ liệu thứ hai, mô hình

động học với các ĐHHSKĐ được nhận dạng trong cột 2 bảng 4.4 được sử dụng

để xác định các tham số đầu ra theo OEM (đường đứt nét), so sánh với dữ liệu

bay thực tế (đường liền nét) đối với các tham số chuyển động trong kênh độ

,

za ). Sự phù hợp giữa mô hình với dữ liệu bay thể hiện hình 4.4.

y  và

cao (

Hình 4.4. Sự phù hợp đầu ra mô hình với dữ liệu khi xác nhận theo OEM

Sai lệch chuẩn giữa đầu ra mô hình và dữ liệu bay đối với tập dữ liệu

xác nhận mô hình nhận dạng cho trong bảng 4.6.

2

0

Bảng 4.6. Sai lệch chuẩn đối với kết quả xác nhận mô hình theo OEM

s

0 /

y

  za m s / 

 

  

Tham số

    0.0573

  0.0785

Sai lệch chuẩn 0.0531

So sánh kết quả nhận dạng theo phương pháp LR và OEM trên bảng 4.4

có thể đưa ra các nhận xét sau:

- Các kết quả nhận dạng các đạo hàm hệ số khí động học theo kênh độ

cao theo các phương pháp LR, OEM có độ chính xác hợp lý để có thể sử dụng

làm phương pháp ước lượng tham số ĐHHSKĐ trong điều kiện tham chiếu.

103

- Nhận dạng các ĐHHSKĐ theo OEM hội tụ khá nhanh, chỉ sau một số

n 

30

vòng lặp, tuy nhiên để đạt độ chính xác theo tiêu chuẩn (3.47) thì số lần lặp khá

lớn ( ). Kết quả này một phần do chất lượng của các tập dữ liệu và sự

không có thông tin cụ thể về sai số của các thiết bị đo cũng như việc xác định

0 .

bộ giá trị đầu khi thực hiện tính theo phương pháp lặp

0 gần đúng bộ giá trị thực

- Việc chọn giá trị ban đầu của các tham số

sẽ đảm bảo các hệ số cần nhận dạng sự hội tụ nhanh hơn (số vòng lặp ít hơn).

- Việc xác nhận mô hình theo OEM cũng được thực hiện trên các tập dữ

liệu 3, 4, 5, 6 là các tập dữ liệu thu thập trong các chuyến bay bằng ở các độ

cao và tốc độ khác nhau. Các kết quả cho thấy sự phù hợp giữa dữ liệu bay với

đáp ứng đầu ra của mô hình động học cho tất cả các tập dữ liệu bay.

- Phương pháp OEM tiếp tục được áp dụng cho tất cả sáu tập dữ liệu còn

lại (các tập dữ liệu thu thập từ các chuyến bay cơ động) để ước lượng các tham

số khí động. Có thể thấy rằng các tham số chuyển động của các chuyến bay này

có sự thay đổi khá lớn nên các điều kiện giả định khi xây dựng mô hình trạng

thái chuyển động tuyến tính không còn đảm bảo. Quá trình nhận dạng đối với

các tập dữ liệu này có thể gặp phải là ma trận hiệp phương sai sai số Rv và ma

trận thông tin M không khả đảo, thuật toán Gauss – Newton không đạt được sự

hội tụ. Vấn đề xảy ra đối với quá trình nhận dạng bởi vì mô hình động học mô

tả trạng thái chuyển động lúc này đã không còn chính xác.

4.2. Mô phỏng và đánh giá thuật toán nhận dạng đạo hàm hệ số khí động

ứng dụng mạng nơron nhân tạo

Việc đánh giá thuật toán nhận dạng các ĐHHSKĐ kênh độ cao khi ứng

dụng ANN được thực hiện với các nhiệm vụ sau: đánh giá kết quả luyện mạng

đối với tập dữ liệu luyện theo cấu trúc ANN được xây dựng; đánh giá kết quả

nhận dạng các ĐHHSKĐ kênh độ cao khi kết hợp ANN với thuật toán Gauss -

104

Newton nhận dạng các ĐHHSKĐ; đánh giá kết quả xác nhận mô hình với các

tham số đã được nhận dạng bằng các tập dữ liệu khác.

4.2.1. Mô phỏng và đánh giá thuật toán nhận dạng đạo hàm hệ số khí động

ứng dụng mạng RBF

4.2.1.1 Mô phỏng và đánh giá kết quả luyện mạng RBF

Với cấu trúc mạng RBF kênh độ cao như trên hình 3.4, tiến hành luyện

được thực hiện đối với tập dữ liệu thứ nhất. Tập dữ liệu gồm 600 điểm được

chia thành 3 tập con, được sử dụng như sau: tập thứ nhất có 60% điểm dùng để

luyện mạng (training), tập thứ hai có 20% điểm dùng để xác nhận mô hình

(validation) và tập thứ ba có 20% điểm dùng để kiểm tra mạng trong và sau quá

trình luyện mạng (test).

Đối với mạng RBF, độ chính xác xấp xỉ mô hình của mạng phụ thuộc

-3

10

vào số nơron lớp ẩn. Đối với tập dữ liệu luyện mạng và sai lệch chuẩn khi xấp

e  0

xỉ mạng cho trước là , kết quả nhận được là 164 nơron. Kết quả kiểm

tra mạng sau khi luyện với tập dữ liệu kiểm tra (test) thể hiện trên hình 4.5.

Hình 4.5. Kết quả sai số đối với tập kiểm tra khi luyện mạng RBF

Sai lệch chuẩn đối với tập dữ liệu kiểm tra trong quá trình luyện mạng

được cho trong bảng 4.7.

105

0

0

2

2

Bảng 4.7. Sai lệch chuẩn đối với kết quả kiểm tra khi luyện mạng nơron RBF

0 /

s

/





y

 V m s /

   

   

  

 

  xa m s 

 

  za m s / 

 

Tham số

0.0483 0.0285 0.0617 0.0435 0.0251 0.0212 Sai lệch chuẩn

Với các sai lệch chuẩn nhận được, mạng RBF có độ chính xác cần thiết

để thay thế cho mô hình chuyển động kênh độ cao của máy bay. Mạng RBF sẽ

được kết hợp với thuật toán Gauss-Newton để nhận dạng các ĐHHSKĐ.

4.2.1.2 Đánh giá kết quả nhận dạng các hệ số khí động kết hợp RBF - GN

Việc kết hợp mạng RBF thuật toán Gauss-Newton để nhận dạng các

ĐHHSKĐ được thực hiện trên tập dữ liệu thứ nhất theo sơ đồ hình 3.3 và lưu

đồ thuật toán hình 3.5. Kết quả tính toán theo thuật toán cho thấy các ĐHHSKĐ

hội tụ sau 43 lần lặp. Hình 4.6 biểu diễn giá trị theo các lần lặp của một số

ĐHHSKĐ theo điều kiện hội tụ (3.47).

Hình 4.6. Giá trị các đạo hàm hệ số khí động phụ thuộc bước lặp khi nhận dạng theo phương pháp RBF - GN

106

Quá trình nhận dạng các ĐHHSKĐ kênh độ cao của MB theo phương

pháp RBF - GN sẽ dừng khi điều kiện hội tụ (3.47) được thỏa mãn. Giá trị các

ĐHHSKĐ được nhận dạng cho trong cột 2 bảng 4.8. Để thuận tiện cho việc so

sánh, đánh giá kết quả nhận dạng với các phương pháp truyền thống, các kết

quả nhận dạng theo phương pháp hồi quy tuyến tính (LR) và phương pháp sai

số đầu ra (OEM) cũng được đưa ra trong cột 3 và cột 4 của bảng 4.8.

Bảng 4.8. Kết quả nhận dạng các ĐHHSKĐ theo phương pháp RBF - GN

ˆθ (RBF - GN) 0,0983

ˆθ (LR) 0,0851

ˆθ (OEM) -

Tham số

y

- -1,4115 -1,2129

e

- -5,1297 -5,8175

- -0,0881 -0,0638

- 0,4192 0,5317

y

2,5013 2,7696 2,5451

e

31,5327 30,9125 31,2557

0,5112 0,5382 0,4562

0DC DC  DC  DC  0LC LC  LC  LC  0ym

- 0,0886 0,1163

ym 

y

-0,7733 -0,7163 -0,8485

ym 

e

-19,3229 -18,2157 -19,2566

ym

-0,7125 -0,8371 -0,7639

Các giá trị ĐHHSKĐ được nhận dạng theo phương pháp RBF - GN trong

cột 2 bảng 4.8 được thay vào mô hình HSKĐ kênh độ cao của MB (3.7), kết

hợp với dữ liệu bay (các gia tốc thẳng và gia tốc góc gật) để xác định các HSKĐ.

Các HSKĐ cùng các trạng thái đầu chuyển động kênh độ cao sẽ xác định đầu

vào mạng RBF Mạng RBF dự báo các giá trị đầu ra (biểu diễn dạng đường đứt

nét) và được so sánh với dữ liệu bay thực tế (đường liền nét) đối với các tham

107

số chuyển động trong kênh độ cao tương ứng. Kết quả phù hợp giữa dữ liệu

bay và mô hình mạng RBF được thể hiện trên hình 4.7.

Hình 4.7. Sự phù hợp giữa dữ liệu và mô hình khi nhận dạng theo RBF - GN

Sai lệch chuẩn đối với kết quả nhận dạng thực hiện trên tập dữ liệu thứ

nhất được xác định trên bảng 4.9.

0

0

2

2

0 /

s

Bảng 4.9. Sai lệch chuẩn đối với nhận dạng theo phương pháp RBF - GN

/  V m s

y

   

  

 

  xa m s / 

 

  za m s / 

 

  

 

Tham số

0.0573 0.0317 0.0717 0.0519 0.0287 0.0239 Sai lệch chuẩn

4.2.1.3 Xác nhận mô hình

Việc xác nhận mô hình nhận dạng khi ứng dụng phương pháp RBF – GN

được thực hiện trên tập dữ liệu thực tế thứ hai. Trước tiên, các ĐHHSKĐ được

nhận dạng bằng phương pháp RBF - GN. Các mô hình HSKĐ được xây dựng

bằng cách thay các ĐHHSKĐ được nhận dạng vào mô hình HSKĐ (3.7). Mô

108

hình HSKĐ ước lượng cùng với các điều kiện ban đầu, các giá trị đầu vào trạng

thái và điều khiển được sử dụng để tạo véc tơ tín hiệu đầu vào mạng RBF.

Mạng RBF dự báo véc tơ các giá trị đầu ra sau đó được so sánh với tập dữ liệu

bay tương ứng. Sai lệch chuẩn giữa hai tập dữ liệu này thể hiện trên bảng 4.10.

0

0

2

2

0 /

s

/

/

Bảng 4.10. Sai lệch chuẩn xác nhận mô hình theo phương pháp RBF-GN

/  V m s

y

   

   

  

 

  xa m s 

 

  za m s 

 

Tham số

0.0613 0.0365 0.0791 0.0588 0.0305 0.0257 Sai lệch chuẩn

Từ các kết quả trên, có thể đưa ra các nhận xét sau:

- Giá trị hội tụ các ĐHHSKĐ theo phương pháp RBF -GN gần với

phương pháp OEM. Chất lượng của phương pháp này phụ thuộc việc chọn và

luyện mạng với số nơron lớp ẩn phù hợp với biến thiên của dữ liệu;

0LC ,

0DC sẽ hội tụ khá nhanh đến giá trị ổn định, các

e

- Đối với ĐHHSKĐ

LC  hội tụ đến các giá trị thỏa mãn tiêu chuẩn chậm hơn;

LC  ,





y

y

y

C C m

,

,

tham số

 quá trình hội tụ mang tính chất dao

D

L

y

- Đối với các ĐHHSKĐ

động. Tiêu chuẩn hội tụ phụ thuộc chủ yếu vào sự hội tụ ba tham số này;

- Việc xác nhận mô hình bằng phương pháp RBF - GN sau đó cũng được

thực hiện trên các tập dữ liệu 3, 4, 5, 6. Các kết quả cho thấy sự phù hợp giữa

dữ liệu bay với đầu ra của mô hình cho tất cả các tập dữ liệu bay;

- Khác với OEM, các ĐHHSKĐ được nhận dạng bằng phương pháp RBF

- GN không phụ thuộc vào độ lớn hoặc dấu của các giá trị tham số ĐHHSKĐ

ban đầu. Điều này có được là do phương pháp RBF - GN đề xuất không yêu

cầu giải phương trình trạng thái chuyển động;

- Phương pháp RBF - GN tiếp tục được áp dụng cho tất cả sáu tập dữ

liệu còn lại (các tập dữ liệu thu thập từ các chuyến bay cơ động) để ước lượng

các tham số khí động. Có thể thấy rằng các tham số chuyển động của các tập

109

dữ liệu này có sự thay đổi khá lớn nên các điều kiện giả định khi xây dựng mô

hình đối với hệ số khí động tuyến tính không còn đảm bảo. Kết quả nhận dạng

các ĐHHSKĐ được không chính xác (sai lệch chuẩn lớn) bởi vì mô hình mô tả

đối với HSKĐ lúc này đã không còn chính xác. Mặc dù kết quả nhận dạng các

ĐHHSKĐ không chính xác, nhưng qua đó cho thấy phương pháp RBF - GN

được đề xuất có thể ước lượng thành công tất cả các tập dữ liệu bay thực tế.

4.2.2. Mô phỏng và đánh giá thuật toán nhận dạng các đạo hàm hệ số khí

động ứng dụng mạng nơron đột biến

4.2.2.1 Mã hóa tín hiệu đầu vào

Với cấu trúc mạng SNN kênh độ cao của máy bay như trên hình 3.11,

Tập dữ liệu luyện mạng gồm 600 điểm dữ liệu được chia thành 2 tập con: tập

u

được mã hóa thành chuỗi đột biến đầu kiểm tra mạng. Véc tơ đầu vào thứ nhất có 400 điểm dành cho việc luyện và tập thứ hai có 200 điểm dành cho   SNN i

z

i 

vào , véc tơ dữ liệu bay được

T



,

,

,

T

,

T



1

SN N

S

T T , S

S

S

S

T T T , S 

S 

V

C

C

m

D

L

y

S  y

 

 

mã hóa thành các chuỗi đột biến đầu ra mong muốn

, việc mã hóa theo công thức (3.72).

T

T

,

T

,

T

,

T

,

T

,

T

d o ut

d out

d out

d out

d out

d ut o





d out V

a

a

z

x

 y

  

 

3 2

Đối với tham số góc gật  , mối quan hệ giá trị tham số từ dữ liệu bay -

thời gian với khoảng thời gian kích hoạt từ 0 [ms] với tập dữ liệu luyện

được thể hiện trên hình 4.8 .

Hình 4.8. Mã hóa thời gian - giá trị tham số góc gật

110

4.2.2.2 Đánh giá kết quả luyện và kiểm tra mạng

Tính toán truyền thẳng

Tính toán truyền thẳng được thực hiện trước khi tiến hành luyện mạng

theo lưu đồ thuật toán hình 3.8. Mạng SNN sẽ tính toán xác định các chuỗi đột

biến đầu ra từ chuỗi đột biến đầu vào

T

T

,

T

,

T

,

T

,

T

,

T

a o ut

a out

a out

a out

a out

a ut o





a out V

a

a

z

x

 y

  

 

.

T



,

,

,

T

,

T

S

T T , S

S

S

S

T T T , S 

S 

V

C

C

m

D

L

y

S  y

 

 

ngu gồm hai

out

 u t

Việc luyện mạng nhằm đưa đạt tới giá trị ngưỡng Luyện mạng đưa sai số E về 0 j

phần: Thay đổi trọng số liên kết để hoàn thành việc luyện lớp hiện tại; biến

động thời gian đột biến đầu vào để lan truyền ngược sai số.

Việc luyện mạng được thực hiện theo lưu đồ thuật toán biểu diễn trên

hình 3.9. Thuật toán hội tụ rất nhanh, chỉ sau 4 epoch luyện. Xét quá trình luyện

cho tham số là góc gật  , chuỗi đột biến đầu ra trong 4 epoch được biểu

T

a out

diễn trên hình 4.9.

Hình 4.9. Kết quả luyện mạng SNN trong 4 epoch đối với góc gật

111

Xem xét quá trình luyện mạng SNN đối với tham số góc gật, sự sai khác

thời điểm đột biến đầu ra

T (cột màu xanh)so với thời điểm đột biến mong

a out

muốn

T (cột màu đen) qua các epoch luyện thể hiện trên hình 4.10.

d out

Hình 4.10. Kết quả luyện SNN trong 4 epoch đối với góc gật

Sai lệch chuẩn giữa chuỗi đột biến đầu ra mạng SNN

a T với chuỗi đột out

d

outT đối với góc gật  qua các epoch được xác định trên bảng 4.11.

biến đích

Bảng 4.11. Sai lệch chuẩn kết quả luyện SNN đối với góc gật trong 4 epoch

Số epoch Sai lệch chuẩn đối với

tập dữ liệu luyện 0.1557 Sai lệch chuẩn đối với tập dữ liệu kiểm tra 0.1713 1

2 0.1055 0.1262

3 0.0635 0.0781

4 0,0352 0,0417

112

Sau khi đã thực hiện luyện mạng SNN với 4 epoch, mạng được kiểm tra

trên tập dữ liệu kiểm tra. Đánh giá chất lượng luyện mạng SNN theo sai lệch

chuẩn giữa thời điểm đột biến đầu ra mạng SNN (cột màu xanh) với thời điểm

đột biến đích mong muốn (cột màu đen), với 6 tham số đầu ra sử dụng biểu đồ

so sánh hình 4.11.

Hình 4.11. Kết quả luyện SNN đối với 6 tham số đầu ra

113

Trong bảng 4.12 chỉ ra sai lệch chuẩn sau 4 chu trình luyện giữa các tham

số đầu ra mạng SNN với tập dữ liệu bay tương ứng của 6 tham số đầu ra.

Bảng 4.12. Sai lệch chuẩn luyện SNN các tham số đầu ra sau 4 epoch

Tham số

0

Sai lệch chuẩn đối với tập dữ liệu luyện Sai lệch chuẩn đối với tập dữ liệu kiểm tra

   

0

0.0322 0.0385

   

0

/

s

0.0352 0.0417

y

  

 



/

0.0585 0.0626



 V m s

2

/

0.0253 0.0335

  xa m s 

 

2

/

0.0218 0.0256

  za m s 

 

0.0284 0.0327

Từ các kết quả luyện mạng trên, có thể đưa ra một số kết luận sau:

- Đối với quá trình luyện SNN, số thời điểm xuất hiện đột biến trong

chuỗi đầu ra mạng

a T sai khác với chuỗi thời điểm mong muốn out

d T giảm out

xuống rất nhanh sau một số ít chu trình luyện mạng (epoch).

- Số nơron trong lớp ẩn của mạng SNN khá nhỏ (50 nơron) (so với

mạng thế hệ 2 xấp xỉ tốt nhất là mạng RBF là 164 nơron).

- Với các sai lệch chuẩn nhận được trong bảng 4.12, mạng SNN có độ

chính xác cần thiết để thay thế cho mô hình chuyển động kênh độ cao của máy

bay. Mạng SNN sẽ được kết hợp với thuật toán Gauss-Newton để nhận dạng

các ĐHHSKĐ.

4.2.2.3 Đánh giá kết quả nhận dạng ĐHHSKĐ theo phương pháp SNN - GN

Sử dụng phương pháp SNN - GN (NSEBP) (phương pháp SNN – GN

với việc luyện mạng SNN bằng thuật toán NSEBP) để nhận dạng các ĐHHSKĐ

114

kênh độ cao của máy bay từ dữ liệu bay theo cấu trúc thuật toán nhận dạng như

trên hình 3.10 và cấu trúc mạng SNN kênh độ cao của máy bay như trên hình

3.11. Khi quá trình nhận dạng thỏa mãn điều kiện hội tụ (3.47), kết quả nhận

dạng các ĐHHSKĐ được cho trong cột 2 bảng 4.13. Để thuận tiện cho việc so

sánh đánh giá kết quả nhận dạng, các kết quả nhận dạng theo phương pháp

SNN – GN (SkipeProp) (phương pháp SNN – GN, luyện mạng SNN bằng thuật

toán SkipeProp) và kết quả nhận dạng theo phương pháp RBF - GN cũng được

đưa ra trong cột 3 và cột 4 của bảng 4.13.

ˆθ (RBF - GN)

Bảng 4.13. So sánh các kết quả nhận dạng giữa các phương pháp nhận dạng

ˆ (SNN - GN) (NSEBP)

ˆ (SNN - GN) (SpikeProp)

Tham số

0DC

DC 

0,0815 0,0792 0,0983

y

- 1,4983 -1,4115 - 1,4592

DC 

e

DC 

- 5,2055 -5,1297 - 5,3127

- 0,0798 -0,0881 - 0,0827

0LC

LC 

0,3911 0,4192 0,3871

y

2,9331 2,5013 2,7151

LC 

e

LC 

32,1132 31,5327 32,1377

0,6011 0,5112 0,5791

0ym

0,07256 0,0886 0,0685

ym 

y

-0,7133 -0,7733 -0,7871

ym 

e

-20,1229 -19,3229 -19,763

ym

-0,8717 -0,7125 -0,7553

Các giá trị ĐHHSKĐ nhận dạng được theo các phương pháp trong bảng

4.13 được đưa trở lại mô hình đối với HSKĐ kênh độ cao của MB (mô hình

115

HSKĐ (3.7)) để tính toán xác định các HSKĐ đầu ra mô hình, các HSKĐ này

cùng với các dữ liệu bay là các tham số trạng thái tạo thành véc tơ đầu vào các

mạng SNN (NSEBP), SNN (SpikeProp) và RBF, các mạng nơron cho các giá

trị đáp ứng đầu ra tương ứng. Đem so sánh giá trị đầu ra các mạng với tập dữ

liệu bay thực tế, kết quả phù hợp giữa hai tập dữ liệu được đánh giá qua sai lệch

chuẩn, sai lệch chuẩn đối với các tham số chuyển động đầu ra của các mạng

được cho trong bảng 4.14.

Bảng 4.14. Các sai lệch chuẩn trong kết quả nhận dạng của các phương pháp

0

RBF - GN Tham số SNN - GN (NSEBP) SNN - GN (SkipeProp)

0

0,0376 0,0457 0,0573

       

0

/

s

0.0332 0.379 0.317

y



/

0.0635 0.0681 0.0717

  

    V m s

2

/

0,0387 0,0235 0,0519

  xa m s 

2

/

0,0257 0,0266 0,0287

  za m s 

   

0,0288 0,0302 0,0239

Việc xác nhận mô hình khi sử dụng phương pháp SNN - GN (NSEBP)

để nhận dạng các đạo hàm hệ số khí động trong kênh độ cao của MB được xem

xét khi sử dụng tập dữ liệu thứ hai để thực hiện xác nhận chéo. Sai lệch chuẩn

giữa dữ liệu đầu ra mô hình cấu trúc SNN (NSEBP) và tập dữ liệu bay ghi nhận

được từ chuyến bay thực tế được thể hiện trong cột thứ hai của Bảng 4.15. Để

thuận tiện cho việc so sánh, đánh giá kết quả nhận dạng giữa các phương pháp,

các cột thứ ba và thứ tư của bảng 4.15 biểu diễn kết quả độ lệch chuẩn khi thực

hiện xác nhận mô hình nhận dạng theo các phương pháp SNN - GN (SkipeProp)

và RBF - GN, tương ứng.

116

Bảng 4.15. Sai lệch chuẩn khi xác nhận mô hình của các phương pháp

Sai lệch chuẩn RBF-GN SNN – GN (NSEBP) SNN – GN (SkipeProp)

0,0417 0,0595 0,0613

s



  

0.0385 0.0432 0.0365

y



/

0.0751 0.0788 0.0791

2

0,0468 0,0519 0,0588

2

0,0292 0,0319 0,0305

  deg   deg  deg/   V m s     xa m s /      za m s / 

0,0314 0,0338 0,0257

Từ các kết quả nhận được theo phương pháp SNN - GN (NSEBP), có thể

so sánh với kết quả nhận dạng theo phương pháp SNN – GN (SpikeProp) và

phương pháp RBF - GN, có các nhận xét sau:

- Kết quả nhận dạng của cả ba phương pháp đều có độ chính xác phù hợp

(sai lệch chuẩn nhỏ) nên có thể sử dụng làm phương pháp nhận dạng các

ĐHHSKĐ của máy bay.

- Nhận dạng các ĐHHSKĐ kênh độ cao của máy bay theo phương pháp

SNN – GN (NSEBP) và SNN – GN (SpikeProp) có kết quả chính xác hơn so

với phương pháp RBF - GN.

- Độ chính xác nhận dạng theo phương pháp SNN – GN (NSEBP) không

hơn nhiều so với phương pháp SNN – GN (SpikeProp), tuy nhiên, số epoch

luyện mạng nhỏ hơn nhiều, dẫn đến thời gian thực hiện sẽ nhanh hơn.

4.3. Kết luận chương 4

Trong chương 4 đã sử dụng công cụ phần mềm Matlab để mô phỏng và

đánh giá các thuật toán nhận dạng các ĐHHSKĐ cùng với các mô hình động

học trong kênh độ cao của máy bay từ các tập dữ liệu thu nhận được từ các

chuyến bay thực tế của máy bay Su-D. Qua so sánh các kết quả nhận được, có

các nhận xét như sau:

117

- Nhận dạng bằng phương pháp LR có ưu điểm là đơn giản, dễ thực hiện.

Nhược điểm là sai số nhận dạng lớn đặc biệt là đối với các bài bay có tác động

của nhiễu quá trình hay có sự thay đổi lớn của các tham số chuyển động.

- Nhận dạng bằng OEM có thể thực hiện đối với các bài bay có tác động

của nhiễu quá trình. Kết quả nhận dạng các đạo hàm hệ số khí động theo OEM

được so sánh với phương pháp LR và cho thấy có những kết quả tốt hơn. Tuy

nhiên OEM cũng có nhược điểm là không nhận dạng được đối với các chuyến

bay có sự thay đổi lớn của các tham số chuyển động. Những kết quả mô phỏng

và đánh giá đối với hai phương pháp LR và OEM được thể hiện trong các bài

báo 2, 3 trong mục các công trình đã được công bố của tác giả.

- Phương pháp RBF - GN thực hiện nhận dạng đơn giản hơn OEM khi

không cần xây dựng mô hình động học tuyến tính và không cần giải phương

trình đầu ra. Các kết quả nhận được đã phản ảnh được hiệu quả hơn so với các

phương pháp nhận dạng truyền thống. Phương pháp RBF - GN có thể thực hiện

nhận dạng được đối với các chuyến bay có sự thay đổi lớn của các tham số

chuyển động. Nhưng để đạt được độ chính xác cần thiết phải xây dựng lại mô

hình HSKĐ phù hợp. Các kết quả nhận dạng theo phương pháp RBF - GN được

thể hiện trong bài báo 4 đã cho thấy những ưu điểm so với các phương pháp

truyền thống.

- Nhận dạng các đạo hàm hệ số khí động theo phương pháp SNN – GN

cho các kết quả chính xác và tin cậy so với phương pháp RBF - GN. Luyện

mạng SNN theo thuật toán NSEBP đạt hiệu quả luyện cao trong mỗi chu trình,

đạt được sự hội tụ nhanh chóng chỉ sau một số ít chu trình. Kết quả mô phỏng

cho thấy thuật toán có nhiều ưu điểm hơn so với thuật toán SpikeProp và các

thuật toán luyện mạng truyền thống. Các kết quả nhận dạng theo phương pháp

SNN - GN được thể hiện trong bài báo 5 trong mục các công trình đã được

công bố đã minh chứng điều này.

118

KẾT LUẬN VÀ KIẾN NGHỊ

1. Kết luận

Qua quá trình nghiên cứu, luận án đã đạt được một số kết quả sau:

- Xây dựng được các mô hình toán học kênh độ cao của máy bay dạng

cánh bằng sử dụng cho mục đích nhận dạng các đạo hàm hệ số khí động;

- Xây dựng được thuật toán nhận dạng các đạo hàm hệ số khí động kênh

độ cao của máy bay từ các tập dữ liệu bay thực nghiệm theo các phương pháp

truyền thống (phương pháp LR và OEM).

- Xây dựng được phương pháp RBF - GN để nhận dạng các đạo hàm hệ

số khí động cho kênh độ cao của máy bay, trong đó, xây dựng cấu trúc mạng

nơron RBF để luyện mạng với tập dữ liệu kênh độ cao của máy bay; xây dựng

được cấu trúc thuật toán nhận dạng các đạo hàm hệ số khí động bằng việc kết

hợp mạng nơron RBF với thuật toán Gauss - Newton.

- Đề xuất sử dụng SNN để nhận dạng các đạo hàm hệ số khí động cho

kênh độ cao của máy bay, trong đó, xây dựng cấu trúc mô hình SNN để luyện

mạng với tập dữ liệu kênh độ cao; đã áp dụng các thuật toán SpikeProp và

NSEBP để luyện SNN hiệu quả với cấu trúc SNN đề xuất; xây dựng được cấu

trúc thuật toán nhận dạng các đạo hàm hệ số khí động kênh độ cao khi kết hợp

SNN – GN.

2. Những đóng góp mới của luận án

- Xây dựng thuật toán nhận dạng các thành phần đạo hàm hệ số khí động

của kênh độ cao cho thiết bị bay cánh bằng dựa trên việc kết hợp mạng nơron

RBF và thuật toán Gauss-Newton với các tập dữ liệu bay thực nghiệm ghi nhận

từ các chuyến bay huấn luyện.

- Xây dựng thuật toán nhận dạng các thành phần đạo hàm hệ số khí động

của kênh độ cao cho thiết bị bay cánh bằng dựa trên việc kết hợp mạng nơron

119

đột biến SRM0 và thuật toán Gauss-Newton với các tập dữ liệu bay thực nghiệm

ghi nhận từ các chuyến bay huấn luyện.

3. Hướng nghiên cứu tiếp theo

Luận án đã đạt được một số kết quả ban đầu trong việc xây dựng các

thuật toán nhận dạng hệ số (đạo hàm hệ số) khí động cho kênh chuyển động độ

cao của máy bay. Việc phát triển kết quả nghiên cứu tiếp theo của luận án cần

thiết phải:

- Nghiên cứu thuật toán nhận dạng đạo hàm hệ số khí động đối với mô

hình chuyển động trong không gian của máy bay;

- Nghiên cứu thuật toán nhận dạng hệ số (đạo hàm hệ số) khí động với

các chế độ chuyển động phức tạp đối với máy bay (máy bay thực hiện cơ động,

các điều kiện bay thay đối phức tạp...);

- Đánh giá bổ sung thêm tính tổng quát hóa, chứng minh tính hội tụ của

các thuật toán nhận dạng đã đề xuất.

120

DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ

[1]. Trương Đăng Khoa, Nguyễn Đức Thành (12, 2016), Nhận dạng hệ số lực

nâng theo góc tấn công của thiết bị bay bằng mạng nơron hồi quy phi tuyến,

Tạp chí Nghiên cứu KH&CN Quân sự, Số 46, Tr. 19-26.

[2]. Nguyễn Đức Thành, Trương Đăng Khoa, Hoàng Minh Đắc (4, 2019), Nhận

dạng hệ số khí động kênh điều khiển độ cao máy bay dựa trên mô hình tuyến

tính, Tạp chí Nghiên cứu KH&CN Quân sự, Số Đặc san KTĐK – TĐH, Tr.

188-194.

[3]. Nguyễn Đức Thành, Trương Đăngv Khoa, Hoàng Minh Đắc, Nguyễn Văn

Tuấn (12, 2019), Nhận dạng hệ số khí động kênh điều khiển độ cao máy bay

theo phương pháp sai số đầu ra, Tạp chí Nghiên cứu KH&CN Quân sự, Số

64, Tr. 73-82.

[4]. Nguyễn Đức Thành, Trương Đăng Khoa, Hoàng Minh Đắc (02, 2020), Nhận

dạng dẫn xuất khí động kênh độ cao máy bay sử dụng mạng RBN và phương

pháp Gauss- Newton, Tạp chí Nghiên cứu KH&CN Quân sự, Số 65, Tr. 15-24.

[5]. Nguyen Quang Vinh, Nguyen Duc Thanh, Hoang Minh Dac, Truong Dang

Khoa (2020), Identify aerodynamic derivatives of the airplane attitude

channel using a spiking neural network , International Journal of Aviation,

Aeronautics and Aerospace, issue 3, Vol 7, ISSN, 2374 – 6793, ( ISI -Q4).

121

TÀI LIỆU THAM KHẢO

Tài liệu tiếng Việt

[1]. Nguyễn Đức Cương (2002), Mô hình hóa và mô phỏng chuyển động

của các khí cụ bay tự động, NXB Quân đội nhân dân.

[2]. Lê Kỳ Biên (2011), Thiết kế sơ bộ tên lửa đẩy nhiên liệu lỏng, Viện Khoa

học và Công nghệ Việt Nam.

[3]. Trương Đăng Khoa (2012), Các phương pháp nhận dạng hệ thống, Nhà

xuất bản Quân Đội nhân dân, Hà Nội.

[4]. Hoàng Lương (1999), Động lực học bay và cơ động chiến đấu của máy

bay. Học Viện PK - KQ.

[5]. Đàm Hữu Nghị, Nguyễn Văn Quảng (2001), Động học các hệ thống điều

khiển tên lửa, tập 1,2, Học viện kỹ thuật quân sự.

[6]. Nguyễn Doãn Phước, Phan Xuân Minh, Hán Thành Trung (2006), Lý

thuyết điều khiển phi tuyến, NXB Khoa học và Kỹ thuật.

[7]. Mai Duy Phương (2018), Xây dựng phương pháp xác định đặc tính khí

động của khí cụ bay làm cơ sở hiệu chỉnh theo các tham số chuyển động

ghi được, Luận án tiến sỹ kỹ thuật.

[8]. Nguyễn Vĩ Thuận (2017), Nghiên cứu xây dựng mô hình động học và các

thuật toán xử lý ứng dụng trong hệ thống điều khiển Tên lửa phòng không

thế hệ mới, Luận án tiến sỹ kỹ thuật.

[9]. Nguyễn Thanh Tùng (2018), Nghiên cứu hoàn thiện phương pháp dẫn từ

xa theo hướng tối ưu năng lượng tên lửa trên cơ sở lý thuyết điều khiển

hiện đại, Luận án tiến sỹ kỹ thuật.

Tài liệu tiếng Anh

[10]. Ahmed A. Abusnaina (2012), Spiking Neuron Models, A Review, School

of Computer Sciences, Universiti Sains Malaysia.

122

[11]. Alan Pope M.S (1954), Wind Tunnel Testing, 2nd Edition, PrenticeHall,

New Jersey.

[12]. Chauhan R.K. & Singh S (2017), Application of Neural Networks Based

Method for Estimation of Aerodynamic Derivatives, In 7th International

Conference on Cloud Computing, Data Science & Engineering-

Confluence, Noida, India

[13]. D.J Linse and R.F Stengel (1992), Identification of Aerodynamic

Coefficients Using Computational Neural Network, AIAA P.92-0172.

[14]. David A. Caughey (2011), Introduction to Aircraft Stability and Control

Course Notes for M&AE 5070. Cornell University.

[15]. Dmitry Ignatyev, Alexander Khrabrov (1018), Experimental Study and

Neural Network Modeling of Aerodynamic Characteristics of Canard

Aircraft at High Angles of Attack, Aerospace.

[16]. Filip Ponulak, Andrzej Kasiński (2011), Introduction to Spiking Neural

Networks: Information Processing, Nearning and Applications, Institute

of Control and Information Engineering, Poznan University of

Technology, Poznan, Poland.

[17]. G. C Goodwin and R. L Payne (1997), Dynamic System Identification,

Academic Press, New York.

[18]. Gábor Horvath (1994), Neural Networks in System Identification,

Department of Measurement and Information Systems, Budapest

University of Technology and Economics, Budapest, Hungary

[19]. Gera J (1986), Dynamic and Controls Flight Testing of the X-29A

Airplane, NASA TM-86803.

[20]. H. Akaike (1972), Information Theory and an Extension of the Maximum

Likelihood Principle, Second Intnl. Symposium on Information Theory,

Akadémiai Kiadó, Budapest, pp. 267-281.

123

[21]. Hall W. E, Gupta N. K, Smith R. G (1974), Identification of Aircraft

Stability and Control Coefficients for the High Angle-of-Attack Regime,

Systems Control, Inc., Engineering TR 2, Palo Alto, CA.

[22]. Huajin Tang, Kay Chen Tan, Zhang Yi (2007), Neural Networks:

Computational Models and Applications, Studies in Computational

Intelligence, Volume 53.

[23]. J. Feldmann, et al (2019), All-optical Spiking Neurosynaptic Networks

with Self-learning Capabilities, Nature, 569, 208–215.

[24]. J. Xin and M. J. Embrechts (2001), Supervised Learning with Spiking

Neural Networks, the International Joint Conference on Neural

Networks, Washington D.C, vol. 3, pp. 1772-1777.

[25]. Jared A. Grauer (2014), Real-Time Parameter Estimation using Output

Error, American Institute of Aeronautics and Astronautics.

[26]. Jilles Vreeken (2000), Spiking Neural Networks, an Introduction,

Adaptive Intelligence Laboratory, Institute for Information and

Computing Sciences, Utrecht University.

[27]. Jitu Sanwale and Dhan Jeet Singh S (2018), Aerodynamic Parameters

Estimation using Radial Basis Function Neural Partial Differentiation

Method, Control, Aircraft Upgrade Research & Design Centre,

Hindustan Aeronautics Limited, Nasik - 422 207, India.

[28]. Jos´e M. Valls, In´es M. Galvan´ (2006), Pedro Isasi, Improving the

Generalization Ability of RBNN using a Selective Strategy Based on the

Gausian Kernel Function, Computing and Informatics, Vol. 25, pp. 1–15.

[29]. Juntao Liu, Shaobin Li, Xizhen Song, Chenxi Wang (2017), Influence of

Linear and Nonlinear Aerodynamic Models on Parameter Identification

for Aircraft, International Conference on Control, Automation and

Information Sciences (ICCAIS), Thailand.

124

[30]. K. S Narendra, K Pathasarathy (1990), Identification and Control of

Dynamical Systems Using Neural Networks, IEEE Trans. Neural

Networks.

[31]. Karel J. Keesman (2011), System Identification, Springer London

Dordrecht Heidelberg New York.

[32]. Klein E. A. Morelli (2006), Aircraft System Identification – Theory and

Practice, AIAA Education Series, Reston, pp. 181-349.

[33]. Klein V and Murphy P. C (1999), Aerodynamic Parameters of High

erformance Aircraft Estimated from Wind Tunnel and Flight Test Data,

System Identification for Integrated Aircraft Development and Flight

Testing, NATO Res. and Techn. Org, pp. 18.

[34]. Klein V, Ratvasky T. R, and Cobleigh B. R (1990), Aerodynamic

Parameters of High-Angle-of-Attack Research Vehicle (HARV)

Estimated from Flight Data, NASA TM-102692.

[35]. Kumar R. and Ghosh A.K (2014), Estimation of Lateral-Directional

Aerodynamic Derivatives from Flight Data Using Conventional and

Neural Based Methods, The Aeronautical Journal, Vol. 118, No. 1210.

[36]. Lennart Ljung, GUI_Identification_2013, www. mathworks. Com.

[37]. Lennart Ljung, Torkel Glad (2017), Modeling of Dynamic Systems,

Prentice Hall Information and System Sciences Series.

[38]. Majeed Mohamed, Vikalp Dongare (2018), Aircraft Neural Modeling

and Parameter Estimation using Neural Partial Differentiation, Aircraft

Engineering and Aerospace Technology.

[39]. Montgomery D. C, Peck E. A and Vining G (2001), Introduction to

Linear Regression Analysis, 3rd ed., Wiley, New York.

125

[40]. Norgaard M, Jorgensen CC, Ross JS (1997), Neural Network Prediction

of New Aircraft Design Coefficients, // Technical University of Denmark,

Ames Research Center, Moffett Field, California.

[41]. Oleg S. Salychev (1988), Inertial Systems in Navigation and Geophysics,

Bauman MSTU Press Moscow.

[42]. Oliver Nelles (2000), Nonlinear System Identification. Kronberg.

[43]. Peyada N.K and Ghosh A.K (2009), Aircraft Parameter Estimation using

New Fltering Technique Based on Neural Network and Gauss-Newton

Method, Aeronaut J, 113, (1142).

[44]. Ponulak F, Kasinski A (2010), Supervised Learning in Spiking Neural

Networks with ReSuMe: Sequence Learning, Classification, and Spike

Shifting, Neural Computation, pp. 467–510.

[45]. Qichao Que, Mikhail Belkin (2016), Radial Basis Function Networks

Revisited, Appearing in Proceedings of the 19th International Conference

on Artificial Intelligence and Statistics (AISTATS).

[46]. Rahib H. Abiyev, Okyay Kaynak, Yesim Oniz (2012), Spiking Neural

Networks for Identification and Control of Dynamic Plants, IEEE/ASME

International Conference on Advanced Intelligent Mechatronics.

[47]. Ravindra Jategaonkar (2008), Aerodynamic Modeling and System

Identification from Flight Data, Senior Scientist Institute of Flight

Systems DLR - German Aerospace Center.

[48]. S.C Raisinghani, A.K Ghosh (2000), Parameter Estimation of an

Aeroelastic Aircraft using Neural Networks, Department of Aerospace

Engineering, Indian Institute of Technology Kanpur, India.

[49]. S McKennoch, D Liu, and L. G Bushnell (2006), Fast Modifications of

the SpikeProp Algorithm, the International Joint Conference on Neural

Networks, Vancouver, Canada, pp. 3970-3977.

126

[50]. S Haykin (1999), Neural Networks, A Comprehensive Foundation,

Second Edition, Prentice Hall, N. J.

[51]. Sander M. Bohte, Joost N. Kok, Han La Poutre (2002), Error-

backpropagation in Temporally Encoded Networks of Spiking Neurons,

Neurocomputing 48, pp. 17–37.

[52]. Shi Zhong-ke (2002), On-line State Estimation and Parameter

Identification for Flight, http://www.IEEE.org IEEE Xplore Digital

Library.

[53]. T Söderström and P Stoica (1989), System Indentification, Prentice Hall,

Enhlewood Cliffs, NJ.

[54]. Taylor L.W, Iliff K.W and Powers B.G (3, 1969), A Comparison of

Newton-Raphson and Other Methods for Determining Stability

Derivatives from Flight Data, AIAA Paper 69-315.

[55]. The USAF Stability and Control Digital Datcom, Implementation of

Datcom Methods (Volume 1,2), McDonnell Douglas Astronautics

Company St. Louis Division St Louis, Missouri 63166, Updated by

Public Domain Aeronautical Software Santa Cruz CA 95061, 1999.

[56]. TohruKat ayama, (1971), Subspace Methods for System Identification,

McGraw-Hill, New York.

[57]. Troudet T, Garg S, Merrill W. C (2017), Neural Network Application to

Aircraft Control System Design, Lewis Research Center, Ohio.

[58]. Vikalp Dongare, Majeed Mohamed (2015), Lateral-Directional

Aerodynamics Parameter Estimation using Neural Partial

Differentiation, Research Scholar Department of Aeronautical

Engineering M.V.J. College of Engineering Bangalore, India.

[59]. Wulfram Gerstner, Werner M. Kistler (2002), Spiking Neuron Models

(Single Neurons, Populations, Plasticity), Cambridge University Press.

127

[60]. Xiurui Xie, Hong Qu, Guisong Liu, Malu Zhang, Jürgen Kurths, (2016),

An Efficient Supervised Training Algorithm for Multilayer Spiking

Neural Networks, Plos one.

[61]. Youssef, H.M. and Jaung, J.C. (8, 1993), Estimation of Aerodynamic

Coeffcients using Neural Networks, AIAA, pp. 93-3639.

[62]. Youmin Zhang, X. Rong Li (1996), Hybrid Training of RBF Networks

with Application to Nonlinear Systems Identification, Conferenceon

Declsionand Control Kobe, Japan December.

Tài liệu tiếng Nga

[63]. Васильев В.И, Ильясов Б.Г, Кусимов С.Т (2004).

Нейрокомпьютеры и их Применение. Книга 14 “Нейрокомпьютеры

в Авиации (Самолеты)”, Изд. Радиотехника.

[64]. Касторский В.Е (2010), Основы Аэродинамики и Динамики Полета,

Рига, Институт Транспорта и Связи.

[65]. Голубев И.С, Светлов В.Г, (2001), Проектированиe Зенитных

Управляемых Ракет, Изд. МАИ.

[66]. Корсун О. Н, Веселов Ю. Г, Гулевич С. П (2011), Прогнозирование

Параметров Движения Самолета на Основе Идентификации

Упрощенной Линейной Модели, Наука и Образование.

[67]. А.Н Дилигенская (2009), Идентификация Объектов Управления,

Самарский Государственный Технический Университет.

[68]. С. В Богословский, А. С Пантелеев (2001), Идентификация

Передаточной Функции Динамической Системы по Результатам

Экспимента, Научное Приборостроение, Том 11, № 2, c. 78–85.

a

PHỤ LỤC

PHỤ LỤC A: CÁC THAM SỐ ĐẶC TRƯNG SU-D

Với mục đích nhận dạng các hệ số khí động trong kênh điều khiển độ,

máy bay được khảo sát là máy bay Su-D của KQNDVN, là máy bay chiến đấu

hai động cơ, được thể hiện trong hình P.1 trong đó các đặc điểm cơ bản của máy

bay theo: “Giáo án huấn luyện chuyển loại kỹ thuật hàng không – Giới thiệu

chung về máy bay Su-D”.

Hình P.1. Máy bay Su-D

P



74600

N

Các tham số đặc trưng của máy bay bao gồm:







24900

kg

- Lực đẩy động cơ: ;





m 0

l



14,7

m

; - Khối lượng máy bay:





9,8

m

- Sải cánh nâng: ;





  l

e



4,645

- Sải cánh lái độ cao: ;



 m

Ab

e

1,25

m

- Cung khí động trung bình cánh nâng: ;





  Ab

2

S



62

- Cung khí động trung bình cánh lái độ cao: ;

m 

  ;

2



12,24

m

- Diện tích đặc trưng cánh:

eS



 

  ;

2

- Diện tích cánh lái độ cao:



10761

xI

kg m . 

  ;

- Mô men quán tính theo trục Ox :

2

2

2



29122



62010



717

yI

zI

xyI

kg m . 

  ;

kg m . 

  ;

kg m . 

  ;

2

g



9,8

m s

b

 

  ;

2

2

q



[

/N

m

]

- Gia tốc trọng trường:

 V 2

- Áp suất khí động: .

PHỤ LỤC B: CÁC TẬP DỮ LIỆU BAY

Trong luận án sử dụng mười hai tập dữ liệu bay ghi nhận được từ các

chuyến bay có các điều kiện và chế độ bay khác nhau để đánh giá các tham số

khí động và xác nhận mô hình theo kênh độ cao bằng các phương pháp. Trong

đó, 6 tập dữ liệu đầu biểu diễn trên hình P.2 đến P.7 được lấy từ các chuyến

bay bằng ở các độ cao và tốc độ khác nhau. 6 tập dữ liệu tiếp theo từ hình P.8

đến P.13 được lấy từ các chuyến bay cơ động.

Bảng P.1 trình bày các thông tin bổ xung về các chuyến bay như số hiệu

MB, tên người lái, thời gian bay và độ cao bay.

Bảng P.1. Thông tin bổ xung về các chuyến bay

Phi công Thời gian bay Độ cao (m)

Bộ dữ liệu Máy bay

8578 Hải - Tùng 14h30-24.8.16 4600 1

8571 Hậu - Andray 13h-7.10.15 3800 2

4125 8571 Tú - An 14h20-15.11.16 3

8571 Hùng - Huỳnh 9h30-12.8.16 900 4

Hà - Tùng 13h-27/9/16 4000 8581 5

Nam - Anh 13h – 06/06/2014 6125 8579 6

Hậu - Anh 17h30-30.12.14 0 – 750 8578 7

Huy - Hùng 11h00-28.8.16 3450 – 40000 8578 8

Hậu-Hùng 13h-6.8.2016 2600 - 4000 8571 9

c

10 8576 Hinh - Huỳnh 11h00-24.8.16 162 - 760

1800 - 4000 11 8571 Cường-Andray 19h - 06.10.15

200-2000 12 8579 Dũng - IGO 11h - 29.10.15

Hình P.2. Tập dữ liệu thứ nhất Hình P.3. Tập dữ liệu thứ hai

Hình P.4. Tập dữ liệu thứ ba Hình P.5. Tập dữ liệu thứ bốn

Hình P.6. Tập dữ liệu thứ 5 Hình P.7. Tập dữ liệu thứ 6

d

Hình P.8. Tập dữ liệu thứ 7 Hình P.9. Tập dữ liệu thứ 8

Hình P10. Tập dữ liệu thứ 9 Hình P.11. Tập dữ liệu thứ 10

Hình P.12. Tập dữ liệu thứ 11 Hình P.13. Tập dữ liệu thứ 12

e

PHỤ LỤC C: MA TRẬN THÔNG TIN FISHER VÀ GIỚI HẠN

DƯỚI CRAMER - RAO

C.1. Ma trận thông tin Fisher

Ma trận thông tin Fisher M được xác định:

(P.1)

M

lnL   

lnL   

  

  

T   

   E  

   

Trong đó L là hàm khả năng, bằng hàm mật độ xác suất của z cho θ :

z/ ( L

θ )

z/ ( p

θ )

(P.2)

θ

)

θ

M

(P.3) Do đó:

z /  lnp (  

z /  lnp (  

  

) T   

    E    

   



Một biểu thức thay thế M có thể bắt đầu với việc xác định:

z / θ ( p

dz )



1





(P.4)

(

ln p z / θ ) đủ mịn, độ dốc đối với θ là:



 )



Theo định nghĩa của hàm mật độ xác suất có điều kiện. Giả định là

θ

)

p

θ

)





(P.5)

 ( z / ln p  

1 z /

p

(

θ

)

z / (  

  

  

Từ (P.5) tính được:

θ

)

 p

θ

)



p

(

z /

θ

)

(P.6)

z / (  

( z /  lnp  



Tích phân phương trình (P.4) theo θ và sử dụng phương trình (P.6):

θ

)

θ

)



θ

)



p

(

z /

θ

dz )



0



(P.7)

z /  lnp (  

z /  lnp ( T  

2 z / lnp ( T    



  

  

T

2

Từ (P.1), (P.2), (P.7) xác định được:

(P.8)

M



E

 

E

lnL   

lnL   

lnL  T    

  

  

  

  

  

   

   

Thành phần bên phải (P.8) là biểu thức thay thế cho ma trận Fisher M.

f

C.2. Giới hạn dưới Cramer-Rao

Cực tiểu hóa ma trận hiệp phương sai tham số ước tính cho thuật toán

ước lượng không chệch, được gọi là giới hạn dưới Cramer-Rao, bằng với

nghịch đảo của ma trận thông tin Fisher. Điều này có nghĩa là ma trận hiệp

Cov

ˆ( ) 1   M

phương sai tham số ước lượng thỏa mãn bất đẳng thức:

(P.9)



E



p

(

Để rút ra biểu thức, xét với thuật toán ước lượng không chệch:

z /

θ

dz )



0

(P.10)

  ˆ 

  ˆ 



 Lấy vi phân theo θ ta được:

T





θ

)



(P.11)

I p

(

z /

θ

dz )



dz



0

  ˆ 





z / (  

 p  

  







p

(

z / θ

dz )



1





T



trong đó I là một ma trận xác định, khi thì:

θ

)

dz



(P.12)

I

  ˆ 



z / (  

 p  

  



Giới thiệu ký hiệu toán tử kỳ vọng và sử dụng phương trình (P.8)

θ

)

E



(P.13)

I

z / (  p  

  

  

   ˆ   

  



1

T

T

T

E

(P.14)

XX

XY

YY

E

E

E













 

 

 YX T θ

)

X =

Y =

Áp dụng bổ đề với: Bổ đề: Đặt X và Y là hai véc tơ ngẫu nhiên có cùng chiều, khi đó:    ˆ 

 ( z / lnp  

T

θ

)

θ

)

ˆ

E

E

I

(P.15) Từ phương trình (P.14) cho kết quả:     ˆ    

z /  lnp (  

z /  lnp ( T  

  

  

 1   

    I    Kết hợp với (P.12) ta được:

T

ˆ

Cov





1  M

  ˆ 

(P.16)

    ˆ    

  

g

PHỤ LỤC D: TÍNH ĐỘ NHẠY ĐẦU RA

1,2,...,

Độ nhạy đầu ra xác định bằng cách lấy các đạo hàm riêng phương trình

 j , j

n p



đầu ra (3.26 – b) theo các tham số :

C



x



u ,

j



1,2,...,

n

  

p

(P.17)

y    j

x    j

   C    j

   D    j

, (0)

x = A

x + B

u x

  

(P.18) Trạng thái x được tính từ các phương trình trạng thái (3.26 - a):   

= x 0

,

j



1,2,...,

n

p

Độ nhạy trạng thái được tính bằng cách giải các

x    j

phương trình độ nhạy trạng thái, thu được bằng cách đạo hàm phương trình



trạng thái (P.18) đối với các tham số ĐHHSKĐ:

A



x



u,



j 0 ,



1,2,...,

n

  

p

(P.19)

x    j

   A    j

   B    j

x  (0)   j

 x  d   dt    j

   

i ( )

1)

Để giải các phương trình vi phân (P.17), (P.18) theo phương pháp số, các

u





(

i



công thức rời rạc có thể sử dụng với ma trận chuyển trạng thái xác định:  (P.20)

x

i ( )





x

(

i

  1)



, x

(0)



x

0

u 2

Phương trình xác định độ nhạy trạng thái:

x

i ( )



i (



1)

 1

1)

 



 A t









+ A

(e

- I).

  

x 2

x  i ( )   j

x   i (   j

  A    j

(P.21)

u

i ( )





1)



B



,



0

  

u ( i 2

   B    j

x  (0)   j

   A    j

    

   

 t

   A

e

 t

 1



 t

trong đó: (P.22)

   A

   A

e

d  B



e

  

  

  



 = A 

 - I) B 

0

        

h

PHỤ LỤC E: CÁC CHƯƠNG TRÌNH NHẬN DẠNG CÁC ĐẠO HÀM

HỆ SỐ KHÍ ĐỘNG

E.1. Chương trình matlab nhận dạng đạo hàm hệ số khí động từ dữ liệu thu thập

từ chuyến bay thực tế theo phương pháp LR

clear all; clf %#### NHAP DU LIEU CHUYEN BAY BAY TU EXCEL ##### Data = xlsread('D:\Thanh_NCS\DLMB_Su-D\Dulieu_1.xls'); tocdo= data(:,3); % du lieu toc do a_x= data(:,5); % du lieu gia toc thang a_z= data(:,6); % du lieu gia toc dung alpha = data(:,7); % du lieu goc alpha goc_gat = data(:,10); % du lieu goc gat omega_y= data(:,18); % du lieu toc do goc gat delta_e= data(:,17); % du lieu goc lech canh lai do cao %#### CAC THAM SO DAC TRUNG VÀ DIEU KIEN BAY ##### b_A= 4.6; % Cung khi dong canh nang l= 14.7; % sai canh nang P=14500; % luc day dong co S= 62.0; % dien tich dac trung canh; m= 24900; % trong luong may bay; Vo=236.11; % toc do tham chieu V0=850km/h ; ro= 0.67; % mat do khong khi; q= ro*Vo^2/2; % ap suat khi dong; g=9.806; % gia toc trong truong Ix= 12350; % mo men quan tinh trục Ox; Iy= 62010; % mo men quan tinh trục Oy; Iz= 27600; % mo men quan tinh trục Oz; Ixz= 756; % mo men quan tinh; % XAC DINH HE SO LUC NANG VA LUC CAN TU DU LIEU BAY C_z= m*a_z/(q*S); % cong thuc (1.12) C_x= (m*a_x-P)/(q*S); % cong thuc (1.12) C_L= -C_z.*cos(alpha)+C_x.*sin(alpha); % Tính C_L theo(1.12) C_D= -C_x.*cos(alpha)-C_z.*sin(alpha); % Tính C_D theo(1.12) %### TINH HE SO MÔ MEN GAT TU DU LIEU BAY #### N=length(goc_gat); giatoc_gat= diff(omega_y); % Tính dao ham tocdo_goc gat m_y= Iy.*giatoc_gat1/(q*S*b_A); % Cong thuc(1.12) %#### NHAN DANG CAC DHHSKD (3.7) ##### % Tinh ma tran hoi quy X u1=alpha; u2=b_A*omega_y/(2*Vo); u3=delta_e; u0_VT=ones(N,1); % tao vec to cot =1 X_MT=[u0_VT u1 u2 u3]; % ma tran hoi quy(3.9) % Nhan dang he so luc can CD trong ct(3.7_a): y1= C_D; % Du lieu CD

i

CD_TS=(inv(X_MT'*X_MT))*X_MT'*y1; % Nhan dang CD theo(3.6) CD=CD_TS(1,1)+CD_TS(2,1)*u1+CD_TS(3,1)*u2+CD_TS(4,1)*u3; % Tinh CL theo (3.7_b) y2= C_L'; % Du lieu CL CL_TS=(inv(X_MT'*X_MT))*X_MT'*y2'; % Nhan dang CL theo(3.6) CL=CL_TS(1,1)+CL_TS(2,1)*u1+CL_TS(3,1)*u2+CL_TS(4,1)*u3; % Tinh my theo (3.7_c) y3= m_y'; % m_y du lieu my_TS= (inv(X_MT'*X_MT))*X_MT'*y3'; % Nhan dang CL (3.6) my=my_TS(1,1)+my_TS(2,1)*u1+my_TS(3,1)*u2+my_TS(4,1)*u3; %VE DO THI KET QUA NHAN DANG % do thi so sanh giua du lieu do y1 va dau ra mo hinh CD subplot(3,1,1); plot(1:N,y1,'b',1:N,CD, 'r'); xlabel('t[s]]'); ylabel('HE SO C_D'); grid on % do thi so sanh giua du lieu do y2 va dau ra mo hinh CL subplot(3,1,2); plot(1:N,y2,'b',1:N,CL, 'r'); xlabel('t[s]'); ylabel('HE SO C_L'); grid on % do thi so sanh giua du lieu do y3 va dau ra mo hinh my subplot(3,1,3); plot(1:N,y3,'b',1:N,my, 'r'); xlabel('t[s]'); ylabel('HE SO m_y'); grid on

clear all; clf %#### NHAP DU LIEU CHUYEN BAY BAY TU EXCEL ##### data= xls('D:\Thanh_NCS\DLMB_Su-D\bay_bang_1.xls'); docao = data(:,2); % du lieu do cao bay tocdo= data(:,3); % du lieu toc do ro= data(:,20); % mat do không khi (thay doi theo H) goc_gat = data(:,10); % du lieu goc gat alpha = data(:,7); % du lieu goc tan cong a_z= data(:,4); % du lieu gia toc dung a_x= data(:,5); % du lieu gia toc thang delta_e= data(:,17); % du lieu goc lech canh lai do cao omega_y= data(:,18); % du lieu toc do goc gat delta_TB= data(:,19); % du lieu goc lech canh lai do cao TB %CAC THAM SO DAC TRUNG CUA MB VÀ DIEU KIEN BAY THAM CHIEU b_A= 4.645 ; % Cung khi dong canh nang b_A_delta=1.25; % Cung khi dong cánh lái do cao l= 14.7; % sai canh nang P=14500; % luc day dong co S= 62.0; % dien tich dac trung canh S_delta= 12.24; % dien tich canh lai do cao tham chieu

E.2. Chương trình Matlab nhận dạng ĐHHSKĐ từ dữ liệu bay theo OEM

m= 24900 ; % trong luong may bay Vo=236.11; % toc do MB tham chieu; q= ro*Vo^2/2; % ap suat khi dong g=9.806; % gia toc trong truong Ix= 12350; % mo men quan tinh theo truc Ox Iy= 62010; % mo men quan tinh theo truc Oy Iz= 27600; % mo men quan tinh theo truc Oz Ixz= 756; % mo men quan tinh %XAC DINH HE SO LUC NANG VA LUC CAN TU DU LIEU BAY C_z= m*a_z/(q*S); % cong thuc (1.12) C_x= (m*a_x-P)/(q*S); % cong thuc (1.12) C_L= -C_z.*cos(alpha)+C_x.*sin(alpha); % Tính C_L (1.12) C_D= -C_x.*cos(alpha)-C_z.*sin(alpha); % Tính C_D (1.12) %### TINH HE SO MÔ MEN GAT TU DU LIEU BAY #### N=length(goc_gat); giatoc_gat= diff(omega_y); % Tính dao ham tocdo_goc gat giatoc_gat1= [giatoc_gat(1:N-1);giatoc_gat(N-2)]; m_y= Iy.*giatoc_gat1/(q*S*b_A); % Cong thuc (1.12) % ### TINH CAC DAN XUAT THEO (2.38) ##### L_alpha=q*S/(m*Vo); % dan suat luc nang theo α L_omega=q*S*b_A/(2*m*Vo*Vo); % dan suat luc nang theo ωy L_delta=q*S_delta/(m*Vo); % dan suat luc nang theo δe M_alpha=q*S*b_A/Iy; % dan suat mô men gat theo α M_omega=q*S*b_A*b_A/(2*Vo*Iy); % dan suat My theo ωy M_delta=q*S_delta*b_A_delta/Iy; % dan suat My theo δe %**** TINH CAC DHHSKD THEO PP OEM **** tol= 1e-3; % do chinh xac tham so maxstep = 50; % so luong buoc lap cuc dai teta0=[1 10 0.1 -0.1 -10 -0.1 0 0 0]'; % gia tri dau teta teta_old= teta0; J_old = 0; for k=1:maxstep %#### XAC DINH CAC MA TRAN A, B, C, D ##### % Tinh ma tran A A11=-L_alpha* teta_old(1); A12= L_omega* teta_old(2); A21= M_alpha* teta_old(4); A22= M_omega* teta_old(5); A=[A11, (1-A12);A21, A22]; % ma tran A % Tinh ma tran B B11= -L_delta*teta_old(3); B12= teta0(7); B21= M_delta*teta_old(6); B22= teta_old(8); B= [B11 B12;B21 B22]; % ma tran B % Tinh ma tran C C11=1; C12=0; C21=0; C22= 1; C31= -(Vo*L_alpha*teta_old(1))/g; C32= -(Vo*L_omega*teta_old(2))/g; C=[C11 C12; C21 C22; C31 C32]; % C=[1 0; 0 1; C31 C32] % Tinh ma tran D D11=0; D12=0; D21=0; D22=0;

j

D31=-(Vo*L_delta*teta_old(3))/g; D32=teta_old(9); D=[D11 D12; D21 D22; D31 D32]; % D=[0 0;0 0;D31 D32] % XAC DINH DAO HAM CAC A, B, C, D THEO THAM SO TETA % tinh dao ham ma tran A theo teta (dA_dteta) d_A_dteta1= [-L_alpha 0; 0 0 ]; % dao ham A theo CL_α d_A_dteta2= [0 -L_omega; 0 0 ]; % dao ham A theo CL_ωy d_A_dteta3= [0 0; 0 0]; d_A_dteta4= [0 0;M_alpha 0]; % dao ham A theo my_α d_A_dteta5= [0 0; 0 M_omega]; % dao ham A theo my_ωy d_A_dteta6= [0 0; 0 0]; d_A_dteta7= [0 0; 0 0]; d_A_dteta8= [0 0; 0 0]; d_A_dteta9= [0 0; 0 0]; % Tinh dao ham ma tran B theo teta (d_B_dteta) d_B_dteta1= [0 0; 0 0 ]; d_B_dteta2= [0 0; 0 0 ]; d_B_dteta3= [-L_delta 0; 0 0 ]; % dao ham B theo CL_δe d_B_dteta4= [0 0; 0 0 ]; d_B_dteta5= [0 0; 0 0 ]; d_B_dteta6= [0 0; M_delta 0 ]; % dao ham B theo my_δe d_B_dteta7= [0 1;0 0]; % dao ham B theo teta7 d_B_dteta8= [0 0;0 1]; % dao ham B theo teta8 d_B_dteta9= [0 0; 0 0 ]; % tinh dao ham ma tran C theo teta(dC_dteta) dC_dteta1= [0 0;0 0;-(Vo*L_alpha)/g 0]; % dao ham C theo CL_α dC_dteta2= [0 0;0 0; 0 -(Vo*L_omega)/g];%dao ham C theo CL_ω dC_dteta3= [0 0;0 0; 0 0]; dC_dteta4= [0 0;0 0; 0 0]; dC_dteta5= [0 0;0 0; 0 0]; dC_dteta6= [0 0;0 0; 0 0]; dC_dteta7= [0 0;0 0; 0 0]; dC_dteta8= [0 0;0 0; 0 0]; dC_dteta9= [0 0;0 0; 0 0]; % tinh dao ham ma tran D theo teta (dD_dteta) d_D_dteta1= [0 0;0 0;0 0]; d_D_dteta2= [0 0;0 0;0 0]; d_D_dteta3= [0 0;0 0; -(Vo*L_delta)/g 0]; d_D_dteta4= [0 0;0 0;0 0]; d_D_dteta5= [0 0;0 0;0 0]; d_D_dteta6= [0 0;0 0;0 0]; d_D_dteta7= [0 0;0 0;0 0]; d_D_dteta8= [0 0;0 0;0 0]; d_D_dteta9= [0 0;0 0;0 1]; % dao ham ma tran D theo teta9 % TINH TRANG THAI x(i)THEO CONG THUC(P.20) % Tinh CT (P.22) PHI=expm(A/50); % tinh PHI theo(P.22)(ham e_mu; T=1/50 (s)) A_1=inv(A); % MT nghich dao

k

I=eye(2); % MT duong cheo GO= (A_1*(PHI-I))*B; % tinh MT GO(P.22) % Tinh u_i va u_TB=(ui1+ui2)/2 u_i1= delta_e'; u_TB1= delta_TB'; % tinh u_TB1= (delta(i)+(delta(i+1))/2 u_i2=[ones(1,600)]; %tao vec to 600 phan tu co gia tri 1 u_i=[u_i1;u_i2] ; % vec to dau vao dieu khien u_TB=[u_TB1; u_i2]; % gia tri vec to dau vao dieu khien z_i=[alpha'; omega_y'; a_z']; % Du lieu dau ra x10=sum(alpha)/N; % gia tri trang thai dau cua alpha x20=sum(omega_y)/N; % gia tri trang thai dau cua omega x0=[x10;x20]; % gia tri vec to trang thai dau for i=1:600 x= PHI*x0 + GO*u_TB(:,i); % cong thuc(P.20) y= C*x+ D*u_i(:,i); % Tinh gia tri dau ra theo (3.26_b) x_TB_i=(x0+x)/2 ; % Tinh x_iTB=(x(i)+x(i+1))/2 x_TB(:,i)=x_TB_i; x_i(:,i) = x; y_i(:,i) = y; x0=x; % x= [alpha(i);omega_y(i)]; end % Tinh sai lech E_i (3.27)va phuong sai R CT (3.29) E_i=z_i-y_i; % sai so giua dau ra mo hình va du lieu R1=(E_i*E_i')/N; % ma tran hiep phuong sai sai so %#### TINH DO NHAY TRANG THAI (P.21) ##### dx_dteta0=zeros(2,9); % gia tri dao ham trang thai dau dx_i_dteta0= dx_dteta; M_T=zeros(9); g_T=zeros(9,1); J_T=0; for i=1:600 % Tinh dA_dteta_xTB trong phan tu thu hai cua ct(P.21) dx_i_dteta_j_1= PHI* dx_i_dteta0; % TP thu 1 trong(P.21) % Tinh ma tran [dA_dteta_xTB] trong phan tu thu hai (P.21) dA1_xTB= d_A_dteta1* x_TB(:,i); dA2_xTB= d_A_dteta2* x_TB(:,i); dA3_xTB= d_A_dteta3* x_TB(:,i); dA4_xTB= d_A_dteta4* x_TB(:,i); dA5_xTB= d_A_dteta5* x_TB(:,i); dA6_xTB= d_A_dteta6* x_TB(:,i); dA7_xTB= d_A_dteta7* x_TB(:,i); dA8_xTB= d_A_dteta8* x_TB(:,i); dA9_xTB= d_A_dteta9* x_TB(:,i); dA_dteta_xTB=[dA1_xTB dA2_xTB dA3_xTB dA4_xTB dA5_xTB dA6_xTB dA7_xTB dA8_xTB dA9_xTB]; dx_i_dteta_j_2= PHI*dA_dteta_xTB; % TP thu 2 trong ct (P.21) %### Tinh phan tu thu ba cua ct (P.21) #### % Tich cac ma tran (d_A_dteta*B + d_B_dteta)cong thuc(P.21)

l

D_AB1=d_A_dteta1*B+d_B_dteta1; D_AB2=d_A_dteta2*B+d_B_dteta2; D_AB3=d_A_dteta3*B+d_B_dteta3; D_AB4=d_A_dteta4*B+d_B_dteta4; D_AB5=d_A_dteta5*B+d_B_dteta5; D_AB6=d_A_dteta6*B+d_B_dteta6; D_AB7=d_A_dteta7*B+d_B_dteta7; D_AB8=d_A_dteta8*B+d_B_dteta8; D_AB9=d_A_dteta9*B+d_B_dteta9; % Tinh TP thu 3 cong thuc(P.21) dAB1= D_AB1*u_TB(:,i); dAB2= D_AB2*u_TB(:,i); dAB3= D_AB3*u_TB(:,i); dAB4= D_AB4*u_TB(:,i); dAB5= D_AB5*u_TB(:,i); dAB6= D_AB6*u_TB(:,i); dAB7= D_AB7*u_TB(:,i); dAB8= D_AB8*u_TB(:,i); dAB9= D_AB9*u_TB(:,i); dAB_dteta_uTB=[ dAB1 dAB2 dAB3 dAB4 dAB5 dAB6 dAB7 dAB8 dAB9]; dx_i_dteta_j_3=(A_1*(PHI-I))*dAB_dteta_uTB; % TP thu 3(P.21) % Tinh do nhay trang thai theo cong thuc (P.21) dx_i_dteta_j= dx_i_dteta_j_1+dx_i_dteta_j_2+ dx_i_dteta_j_3; dx_i_dteta_j_N(:,:,i)= dx_i_dteta_j; % CT(P.21)ca bo du lieu dx_i_dteta0=dx_i_dteta_j; % TINH DO NHAY DAU RA THEO(P.17) % Tinh TP thu nhat trong (P.17) dy_i_dteta_j_1= C*dx_i_dteta_j; % TP thu 1 cua(P.17) % Tinh TP thu hai trong (P.17) dC1_x= dC_dteta1* x_i(:,i); dC2_x= dC_dteta2* x_i(:,i); dC3_x= dC_dteta3* x_i(:,i); dC4_x= dC_dteta4* x_i(:,i); dC5_x= dC_dteta5* x_i(:,i); dC6_x= dC_dteta6* x_i(:,i); dC7_x= dC_dteta7* x_i(:,i); dC8_x= dC_dteta8* x_i(:,i); dC9_x= dC_dteta9* x_i(:,i); dC_dteta_x=[dC1_x dC2_x dC3_x dC4_x dC5_x dC6_x dC7_x dC8_x dC9_x]; dy_i_dteta_j_2= dC_dteta_x; % TP thu 2 (P.17) % Tinh TP thu ba trong (P.17) dD1_u=d_D_dteta1*u_i(:,i); dD2_u=d_D_dteta2*u_i(:,i); dD3_u=d_D_dteta3*u_i(:,i); dD4_u=d_D_dteta4*u_i(:,i); dD5_u=d_D_dteta5*u_i(:,i);

m

dD6_u=d_D_dteta6*u_i(:,i); dD7_u=d_D_dteta7*u_i(:,i); dD8_u=d_D_dteta8*u_i(:,i); dD9_u=d_D_dteta9*u_i(:,i); dD_dteta_u=[dD1_u dD2_u dD3_u dD4_u dD5_u dD6_u dD7_u dD8_u dD9_u]; dy_i_dteta_j_3= dD_dteta_u; % TP thu 3 (P.17) dy_i_dteta_j= dy_i_dteta_j_1 + dy_i_dteta_j_2 + dy_i_dteta_j_3;% Tinh(P.17) % Tinh J, M, g theo cong thuc (3.47, 48) S_i(:,:,i)= dy_i_dteta_j; M_MT(:,:,i) = S_i(:,:,i)'* inv(R)* S_i(:,:,i); g_MT(:,i) = S_i(:,:,i)'* inv(R)*E_i(:,i); J_MT(:,i)= E_i(:,i)'* inv(R)*E_i(:,i); M_T= M_T+ M_MT(:,:,i) ; % ma tran thong tin g_T= g_T+ g_MT(:,i); % gradient teta J_T= J_T+ J_MT(:,i); % tinh ham gia J_TT(:,k)=J_T; % gia tri ham gia qua k lan lap end delta_teta = inv(M_T)*g_T ; % tinh sai so delta_teta Delta_teta(:,k)=delta_teta; % sai so Δθ qua k lan lap teta= teta_old+ delta_teta; % cap nhat gia tri teta E_teta= cov(teta0); % Tinh phuong sai tham so teta E_cov(:,k)=E_teta; % phuong sai θ cac vong lap TETA(:,k)=teta; % gia tri θ qua k vong lap % xac dinh dieu kien dung (3.47) err(k)=(J_T-J_old)/J_old; % tinh cho tham so my_omega if (abs(err(k)) <= tol); % neu nho hon tolerance thi break break end teta_old = teta; J_old= J_T; end steps = k; % ve do thi hoi tu tham so CL_α theo so lan lap subplot(6,1,1); plot(1:k,TETA(1,:),'k*');grid on xlabel('so lan lap'); ylabel('CL_alpha'); % ve do thi hoi tu tham so CL_ωy theo so lan lap subplot(6,1,2); plot(1:k,TETA(2,:),'k*');grid on xlabel('so lan lap'); ylabel('CL_omega'); % ve do thi hoi tu tham so CL_δe theo so lan lap subplot(6,1,3); plot(1:k,TETA(3,:),'k*');grid on xlabel('so lan lap'); ylabel('CL_delta'); % ve do thi hoi tu tham so my_α theo so lan lap subplot(6,1,4);

n

o

plot(1:k,TETA(4,:),'k*');grid on xlabel('so lan lap'); ylabel('my_alpha'); % ve do thi hoi tu tham so my_ωy theo so lan lap subplot(6,1,5); plot(1:k,TETA(5,:),'k*');grid on xlabel('so lan lap'); ylabel('my_omega'); % ve do thi hoi tu tham so my_δe theo so lan lap subplot(6,1,6); plot(1:k,TETA(5,:),'k*');grid on xlabel('so lan lap'); ylabel('my_delta'); E.3. Chương trình Matlab nhận dạng đạo hàm hệ số khí động từ dữ liệu

clear all; clf % NHAP BO DU LIEU CHUYEN BAY THU NHAT (DE LUYEN MANG) Data = xlsread('D:\Thanh_NCS\DLMB_Su-D\Dulieu_1.xls'); docao = data(:,2); % du lieu goc alpha ro= data(:,20); % mat do không khi (thay doi theo H) alpha = data(:,7); % du lieu goc alpha goc_gat = data(:,10); % du lieu goc gat omega_y= data(:,18); % du lieu toc do goc gat tocdo= data(:,3); % du lieu toc do may bay a_z= data(:,4); % du lieu gia toc dung a_x= data(:,5); % du lieu gia toc dung delta_e= data(:,17); % du lieu goc lech canh lai do cao delta_TB= data(:,19); % du lieu goc lech canh lai TB % NHAP DU LIEU CHUYEN BAY THU HAI (SU DUNG DE NHAN DANG) Data2 = xlsread('D:\Thanh_NCS\DLMB_Su-D\Dulieu_2.xls'); docao2 = data2(:,2); % du lieu goc alpha ro2= data2(:,20); % mat do không khi(thay doi theo H) alpha2 = data2(:,7); % du lieu goc alpha goc_gat2 = data2(:,10); % du lieu goc gat omega_y2= data2(:,18); % du lieu toc do goc gat tocdo2= data2(:,3); % du lieu toc do may bay a_z2= data2(:,4); % du lieu gia toc dung a_x2= data2(:,5); % du lieu gia toc dung delta_e2= data2(:,17); % goc lech canh lai do cao delta % CAC THAM SO DAC TRUNG CUA MB VÀ DIEU KIEN BAY THAM CHIEU b_A= 4.645 ; % Cung khi dong trung binh b_A_delta= 1.25 ; % Cung khi dong cánh lái l= 14.7; % sai canh P=14500; % luc day dong co S= 62.0 ; % dien tich canh nang tham chieu S_delta= 12.24 ; % dien tich canh lai do cao tham chieu m= 24900 ; % trong luong may bay

bay theo phương pháp RBF - GN

Vo= tocdo; % toc do tham chieu ; q= (ro.*(Vo.*Vo))/2 ; % ap suat khi dong (q=ro*Vo^2/2) q2= ro2.*(Vo2.*Vo2)/2 ; g=9.806; % gia toc trong truong Ix= 12350 ; % mo men quan tinh truc Ox(kg.m2); Iy= 62010 ; % mo men quan tinh truc Oy(kg.m2); Iz= 27600 ; % mo men quan tinh truc Oz(kg.m2); %### TINH HE SO LUC VA MÔ MEN_ CT 1.8 ### N=length(alpha); C_z= m*a_z./(q*S); % Tinh he so luc nang (1.12) C_x= (m*a_x-P)./(q*S); % Tinh he so luc can(1.12) C_L= -C_z.*cos(alpha)+C_x.*sin(alpha); % Tinh C_L (1.12) C_D= -C_x.*cos(alpha)-C_z.*sin(alpha); % Tinh C_D (1.12) giatoc_gat= diff(omega_y); % Tính dao ham tocdo_goc gat giatoc_gat= [giatoc_gat(1:N-1);giatoc_gat(N-2)]; m_y= (Iy.*giatoc_gat)./(q*S*b_A); % XAC DINH DU LIEU LUYEN MANG: DAU VAO u VA DAU RA z(i+1) V_TB=sum(Vo)/N; delta_Vo=Vo-V_TB; u=[alpha';goc_gat'; omega_y'; delta_Vo'; C_D'; C_L'; m_y']; % Vec to dau vao mang RBF alpha1=[alpha(1),alpha(1:(N-1))']; % Dau ra α1= α(i+1) goc_gat1=[goc_gat(1),goc_gat(1:(N-1))']; % Dau ra ϑ(i+1) omega_y1=[omega_y(1),omega_y(1:(N-1))']; % Dau ra ω_y(i+1) delta_Vo1=[delta_Vo(1),delta_Vo(1:(N-1))']; % Dau ra Vi+1) a_x1=[a_x(1),a_x(1:(N-1))']; % Dau ra a_x(i+1) a_z1=[a_z(1),a_z(1:(N-1))']; % Dau ra a_z(i+1) z=[alpha1; goc_gat1; omega_y1;delta_Vo1;a_z1;a_x1]; % z(i+1) % THIET KE CAU TRUC MANG RBF VOI DAU VAO u VA DAU RA Z(i+1) net = newrb(u,z,1e-3,0.2,300,20); % sai so =1e-3; spread=0.2; so nơron lop an max=300 view(net) % Mo phong dau ra RBF y voi dau vao mang la u y=sim(net,u); % Mo phong dau ra RBF y voi dau vao mang la u e=z-y; % sai so giua dau ra mang va th do thuc te E=mse(y,z); % sai so TBBP giua dau ra mang va dl thuc te % SU DUNG MANG RBF NHAN DANG DHHSKD VOI BO DU LIEU(DATA2) %### TINH HE SO LUC VA MÔ MEN_ CT 1.8 ### C_z2= m*a_z2./(q*S); % Tinh he so luc nang theo (1.12) C_x2= (m*a_x2-P)./(q2*S); % Tinh he so luc can theo (1.12) C_L2= -C_z2.*cos(alpha2)+C_x2.*sin(alpha2); % Tinh C_L (1.12) C_D2= -C_x2.*cos(alpha2)-C_z2.*sin(alpha2); % Tinh C_D (1.12) giatoc_gat2= diff(omega_y2); % Tính dao ham toc do_goc gat giatoc_gat2= [giatoc_gat2(1:N-1);giatoc_gat2(N-2)]; m_y2= (Iy.*giatoc_gat2)./(q2*S*b_A); % Tinh mô men gat (1.12) % GIA TRI DAU CUA CAC DHHSKD tol= 1e-3; % do chinh xac tham so maxstep = 50; % so luong buoc lap cuc dai

p

teta0=[0.1 0.1 0.1 0.1 0.1 1 10 0.1 0.1 -0.1 -10 -0.1 ]; teta_old= teta0; % gia tri dau vec to tham so teta J_old= 0; % gia tri dau ham gia for k=1: maxstep %### Tinh cac HSKD kenh do cao theo mo hinh(3.7)### CD2=teta_old(1)*ones(600,1)+teta_old(2)*alpha2+teta_old(3)*b_ A*omega_y2./(2*Vo)+teta_old(4)*delta_e2; CL2=teta_old(5)*ones(600,1)+teta_old(6)*alpha2+teta_old(7)*b_ A*omega_y2./(2*Vo)+teta_old(8)*delta_e2; my2=teta_old(9)*ones(600,1)+teta_old(10)*alpha2+teta_old(11)* b_A*omega_y2./(2*Vo)+teta_old(12)*delta_e2; % XAC DINH DU LIEU LUYEN MANG: DAU VAO u2 VA DAU RA Z2(i+1) V_TB2=sum(Vo2)/N; delta_Vo2=Vo2-V_TB2; u2=[alpha2';goc_gat2'; omega_y2'; delta_Vo2'; CD2'; CL2'; my2']; % Vec to dau vao mang RBF alpha21=[alpha2(2:N)',alpha2(N)]; % Dau ra α1= α(i+1) goc_gat21=[goc_gat2(2:N)',goc_gat2(N)]; % Dau ra ϑ(i+1) omega_y21=[omega_y2(2:N)',omega_y2(N)]; % Dau ra ω_y(i+1) delta_Vo21=[delta_Vo2(2:N)',delta_Vo2(N)]; % Dau ra V(i+1) a_x21=[a_x2(2:N)',a_x2(N)]; % Dau ra a_x(i+1) a_z21=[a_z2(2:N)',a_z2(N)]; % Dau ra a_z(i+1) z2=[alpha21; goc_gat21; omega_y21; delta_Vo21; a_z21; a_x21]; % Du bao dau ra RBF y2 voi dau vao mang la u2 y2=sim(net,u2); % dau ra RBF y2 voi dau vao mang la u2 e2 = z2-y2; % sai so giua dau ra va du lieu do thuc te R_E=(e2*e2')/N; % phuong sai sai so R_I=eye(6); R=R_E.*R_I; % R dang duong cheo R_1=inv(R); % Nghich dao R %% Tinh ma tran thong tin M_T và gradient sai so g_T M_T=zeros(12); % ma tran thong tin g_T=zeros(12,1); % gradient sai so J_T=0; for i=1:N % XAC DINH DO NHAY DAU RA (3.54) e_j= eye(12); % tao MT duong cheo 12x12 dteta=1e-2*teta_old; % dat sai so teta d_teta d_teta=[dteta;dteta;dteta;dteta;dteta;dteta;dteta;dteta;dteta ;dteta;dteta;dteta].*e_j; % MT sai so duong cheo 12x12 teta_MT=[teta_old;teta_old;teta_old;teta_old;teta_old;teta_ol d;teta_old;teta_old;teta_old;teta_old;teta_old;teta_old]+d_te ta; %dy_dteta_1 teta_old1= teta_MT(1,:); CD21(i)=teta_old1(1)+teta_old1(2)*alpha2(i)+teta_old1(3)*b_A* omega_y2(i)/(2*Vo(i))+teta_old1(4)*delta_e2(i); u21=[alpha2(i);goc_gat2(i); omega_y2(i); delta_Vo2(i); CD21(i); CL2(i); my2(i)];

q

y21=sim(net,u21); dy_dteta_1=(y21-y2(:,i))/dteta(1); % CT (3.54) %dy_dteta_2 teta_old2= teta_MT(2,:); CD22(i)=teta_old2(1)+teta_old2(2)*alpha2(i)+teta_old2(3)*b_A* omega_y2(i)/(2*Vo(i))+teta_old2(4)*delta_e2(i); u22=[alpha2(i);goc_gat2(i); omega_y2(i);delta_Vo2(i); CD22(i); CL2(i); my2(i)]; y22=sim(net,u22); dy_dteta_2=(y22-y2(:,i))/dteta(2); %dy_dteta_3 teta_old3= teta_MT(3,:); CD23(i)=teta_old3(1)+teta_old3(2)*alpha2(i)+teta_old3(3)*b_A* omega_y2(i)/2*Vo(i)+teta_old3(4)*delta_e2(i); u23=[alpha2(i);goc_gat2(i); omega_y2(i); delta_Vo2(i); CD23(i); CL2(i); my2(i)]; y23=sim(net,u23); dy_dteta_3=(y23-y2(:,i))/dteta(3); %dy_dteta_4 teta_old4= teta_MT(4,:); CD24(i)=teta_old4(1)+teta_old4(2)*alpha2(i)+teta_old4(3)*b_A* omega_y2(i)/(2*Vo(i))+teta_old4(4)*delta_e2(i); u24=[alpha2(i);goc_gat2(i); omega_y2(i); delta_Vo2(i); CD24(i); CL2(i); my2(i)]; y24=sim(net,u24); dy_dteta_4=(y24-y2(:,i))/dteta(4); %dy_dteta_5 teta_old5= teta_MT(5,:); CL25(i)=teta_old5(5)+teta_old5(6)*alpha2(i)+teta_old5(7)*b_A* omega_y2(i)/(2*Vo(i))+teta_old5(8)*delta_e2(i); u25(:,i)=[alpha2(i);goc_gat2(i); omega_y2(i); delta_Vo2(i); CD2(i); CL25(i); my2(i)]; y25(:,i)=sim(net,u25(:,i)); dy_dteta_5=(y25(:,i)-y2(:,i))/dteta(5); %dy_dteta_6 teta_old6= teta_MT(6,:); CL26(i)=teta_old6(5)+teta_old6(6)*alpha2(i)+teta_old6(7)*b_A* omega_y2(i)/(2*Vo(i))+teta_old6(8)*delta_e2(i); u26=[alpha2(i);goc_gat2(i); omega_y2(i); delta_Vo2(i); CD2(i); CL26(i); my2(i)]; y26=sim(net,u26); dy_dteta_6=(y26-y2(:,i))/dteta(6); %dy_dteta_7 teta_old7= teta_MT(7,:); CL27(i)=teta_old7(5)+teta_old7(6)*alpha2(i)+teta_old7(7)*b_A* omega_y2(i)/(2*Vo(i))+teta_old7(8)*delta_e2(i); u27=[alpha2(i);goc_gat2(i); omega_y2(i); delta_Vo2(i); CD2(i); CL27(i); my2(i)];

r

y27=sim(net,u27); dy_dteta_7=(y27-y2(:,i))/dteta(7); %dy_dteta_8 teta_old8= teta_MT(8,:); CL28(i)=teta_old8(5)+teta_old8(6)*alpha2(i)+teta_old8(7)*b_A* omega_y2(i)/(2*Vo(i))+teta_old8(8)*delta_e2(i); u28=[alpha2(i);goc_gat2(i); omega_y2(i); delta_Vo2(i); CD2(i); CL28(i); my2(i)]; y28=sim(net,u28); dy_dteta_8=(y28-y2(:,i))/dteta(8); %dy_dteta_9 teta_old9= teta_MT(9,:); my29(i)=teta_old9(9)+teta_old9(10)*alpha2(i)+teta_old9(11)*b_ A*omega_y2(i)/(2*Vo(i))+teta_old9(12)*delta_e2(i); u29=[alpha2(i);goc_gat2(i); omega_y2(i); delta_Vo2(i); CD2(i); CL2(i); my29(i)]; y29=sim(net,u29); dy_dteta_9=(y29-y2(:,i))/dteta(9); %dy_dteta_10 teta_old10= teta_MT(10,:); my210(i)=teta_old10(9)+teta_old10(10)*alpha2(i)+teta_old10(11 )*b_A*omega_y2(i)/(2*Vo(i))+teta_old10(12)*delta_e2(i); u210=[alpha2(i);goc_gat2(i); omega_y2(i); delta_Vo2(i); CD2(i); CL2(i); my210(i)]; y210=sim(net,u210); dy_dteta_10=(y210-y2(:,i))/dteta(10); %dy_dteta_11 teta_old11= teta_MT(11,:); my211(i)=teta_old11(9)+teta_old11(10)*alpha2(i)+teta_old11(11 )*b_A*omega_y2(i)/(2*Vo(i))+teta_old11(12)*delta_e2(i); u211=[alpha2(i);goc_gat2(i); omega_y2(i); delta_Vo2(i); CD2(i); CL2(i); my211(i)]; y211=sim(net,u211); dy_dteta_11=(y211-y2(:,i))/dteta(11); %dy_dteta_12 teta_old12= teta_MT(12,:); my212(i)=teta_old12(9)+teta_old12(10)*alpha2(i)+teta_old12(11 )*b_A*omega_y2(i)/(2*Vo(i))+teta_old12(12)*delta_e2(i); u212=[alpha2(i);goc_gat2(i); omega_y2(i); delta_Vo2(i); CD2(i); CL2(i); my212(i)]; y212=sim(net,u212); dy_dteta_12=(y212-y2(:,i))/dteta(12); dy_i_dteta_j=[dy_dteta_1 dy_dteta_2 dy_dteta_3 dy_dteta_4 dy_dteta_5 dy_dteta_6 dy_dteta_7 dy_dteta_8 dy_dteta_9 dy_dteta_10 dy_dteta_11 dy_dteta_12]; % Tinh M, g theo cong thuc (3.42, 3.43) S_i(:,:,i)= dy_i_dteta_j; M_MT(:,:,i) = S_i(:,:,i)'*R_1* S_i(:,:,i);

s

g_MT(:,i) = S_i(:,:,i)'*R_1*e2(:,i); J_MT(:,i)= e2(:,i)'*R_1*e2(:,i); M_T= M_T+ M_MT(:,:,i) ; % ma tran M_T (3.43) g_T= g_T+ g_MT(:,i); % gradient teta(3.42) J_T= J_T+ J_MT(:,i); % tinh ham gia end M_T_1=inv(M_T) delta_teta = M_T_1*g_T ; % Tinh delta_teta (3.44) Delta_teta(:,k)=delta_teta; teta= teta_old+ delta_teta'; % cap nhat gia tri teta E_teta= cov(teta0); % Tinh phuong sai tham so teta E_cov(:,k)=E_teta; % phuong sai teta cac vong lap TETA(:,k)=teta; J_TT(:,k)=J_T; % xac dinh dieu kien dung (3.47) err(k) = (J_T-J_old)/J_old; if (abs(err(k)) <= tol); % neu nho hon tolerance thi break break end teta_old = teta; J_old= J_T; end steps = k; % VE DO THI MO PHONG SƯ PHU HOP GIUA DAU RA RBF VA THUC TE t=1:N; % So diem du lieu ts=t/50; % Tan suat du lieu (60 DIEM MOT GIAY) subplot(6,1,1); plot(ts,y(1,:), 'r--',ts,z(1,:),'k' ); % GOC TAN CONG xlabel('t(s)'); ylabel('alpha(^0)'); grid on subplot(6,1,2); plot(ts,y(2,:),'r--',ts,z(2,:),'k' ); % GOC GAT xlabel('t(s) '); ylabel('goc_gat(^0)'); grid on subplot(6,1,3); plot(ts,y(3,:),'r--', ts,z(3,:),'k' ); % TOC DO GOC xlabel('t(s) '); ylabel('omega_y) (^0/s)'); grid on subplot(6,1,4); plot(ts,y(4,:),'r--', ts,z(4,:),'k' ); % TOC DO xlabel('t(s)'); ylabel('V (m/s)'); grid on subplot(6,1,5); plot(ts, y(5,:),'r--',ts, z(5,:), 'k' ); % GIA TOC DUNG xlabel('t(s)'); ylabel('a_z(m/s^2)'); grid on subplot(6,1,6); plot(ts,y(6,:),'r--', ts,z(6,:) ,'k') % GIA TOC THANG xlabel('t(s)'); ylabel('a_x(m/s^2)'); grid on

t