P. Schnetter, J. Kaste, T. Krüger

Im Rahmen des Forschungsprojekts Bürgernahes Flugzeug am Campus Forschungsflughafen in Braunschweig forscht das Institut für Luft- und Raumfahrtsysteme an adaptiven Flugregelungsverfahren. Ein wohl untersuchter Ansatz ist dabei die Erweiterung eines Reglers auf Basis der modellbasierten dynamischer Inversion um künstliche neuronale Netzwerke. Sollte es auf Grund vorliegender Modellunsicherheiten zu Inversionsfehlern gegenüber der tatsächlichen Regelungsstrecke kommen, wird die universelle Approximationseigenschaft eines neuronalen Netzwerks genutzt, um diesen Fehler zu adaptieren und ihn so zu kompensieren. Zur Sicherstellung eines transparenten Lernprozesses wird ein von der strukturvariablen Regelung abgeleitetes Lernverfahren verwendet. Dieses sogenannte Gleitzustandslernverfahren als Erweiterung des klassischen Gradientenabstiegs betrachtet das neuronale Netz als abstraktes Regelungssystem. Diese Betrachtung ermöglicht mit Hilfe von Schaltfunktionen eine transparente Gewichtsänderung und birgt zusätzlich den Vorteil einer dynamischen Bestimmung der optimalen Lernrate innerhalb stabiler Grenzen. In dieser Arbeit soll der Gleitzustand höherer Ordnung vorgestellt werden, welcher die Konvergenzgeschwindigkeit der trainierten Netzwerke weiter beschleunigt und auf diese Weise die Robustheit gegenüber Inversionsfehlern und nicht zuletzt auch Systemschäden weiter erhöht. Zur Analyse der Netzwerkeigenschaften wird die automatische Bahnfolge eines unbemannten Flugsystems unter dem Einfluss atmosphärischer Störungen und Modellunsicherheiten simuliert. Die Ergebnisse zeigen, dass die Erweiterung durch den Ansatz der Gleitzustandsregelung höherer Ordnung einen stabilen und robusten Flug trotz erheblicher Modellunsicherheiten gewährleistet.

"Within the framework of the "Citizen-Friendly Aircraft" research project at the Braunschweig Research Airport campus, the Institute of Aerospace Systems is investigating adaptive flight control methods. One well-studied approach is the extension of a controller based on model-based dynamic inversion using artificial neural networks. Should inversion errors occur compared to the actual control system due to model uncertainties, the universal approximation property of a neural network is used to adapt and thus compensate for this error. To ensure a transparent learning process, a learning method derived from structure-variable control is employed. This so-called sliding-state learning method, an extension of classical gradient descent, considers the neural network as an abstract control system. This approach enables transparent weight changes using switching functions and also offers the advantage of dynamically determining the optimal learning rate within stable limits. This work introduces a higher-order glide state, which further accelerates the convergence rate of trained networks, thereby increasing their robustness against inversion errors and, ultimately, system damage. To analyze the network properties, the automatic trajectory tracking of an unmanned aerial system is simulated under the influence of atmospheric disturbances and model uncertainties. The results show that the extension through the higher-order glide state control approach ensures stable and robust flight despite significant model uncertainties."

Deutscher Luft- und Raumfahrtkongress 2013, Stuttgart

Deutsche Gesellschaft für Luft- und Raumfahrt - Lilienthal-Oberth e.V., Bonn, 2013

Conference Paper

deutsch

21,0 x 29,7 cm, 11 Seiten

urn:nbn:de:101:1-2013112216272

Flugregelung, UAS

Download - Bitte beachten Sie die Nutzungsbedingungen dieses Dokuments: Copyright protected  

22.11.2013