P. Schnetter, T. Groth, T. Krüger

In dieser Arbeit wird die Erweiterung eines nichtlinearen und adaptiven Flugreglers auf Basis dynamischer Inversion kombiniert mit neuronalen Netzwerken um Algorithmen zur Rekonfiguration bei Ausfall eines oder mehrerer primärer Stellglieder vorgestellt. Dabei bildet der adaptive Regelkreis durch die Verwendung neuronaler Netzwerke in der Regelung der Rotationsdynamik die Basis zum Ausgleich von Inversionsfehlern als Ergebnis von Parameterunsicherheiten sowie von externen Störungen am Flugzeug. Bei dem in dieser Arbeit verwendete Lernverfahren handelt es sich um das Gleitzustandslernen, welches aus dem Bereich der strukturvariablen Regelung abgeleitet ist und durch die Betrachtung des Netzwerktrainings als Regelungsprozess eine höhere Konvergenzgeschwindigkeit durch die dynamische Berechnung der Lernrate ermöglicht. Kommt es jedoch zum Ausfall eines oder mehrerer primärer Steuergrößen können auch die neuronalen Netzwerke keinen Einfluss mehr auf die Stabilisierung des Fluggeräts nehmen. Für diese Degradationsszenarien wird der Regelkreis um die Möglichkeit zur Rekonfiguration erweitert. Dabei werden sekundäre Stellglieder verwendet, um die durch den Regler kommandierten Drehmomente um die drei Flugzeugachsen zu erzeugen. Dafür werden der differenzielle Schub, die Rollspoiler, die Höhenleitwerktrimmung sowie die sogenannte Direkte-Auftriebs-Klappen verwendet. In dieser Arbeiten wird die Leistungsfähigkeit des Regelungsansatzes für verschiedene Ausfallszenarien des Höhenruders untersucht. Im Anschluss werden die Ergebnisse einer Pilotenstudie im Flugsimulator AVES des DLR Braunschweig dazu verwendet den Sicherheitsgewinn durch dein Einsatz des adaptiven und rekonfigurierbaren Flugreglers abzuleiten.

This work presents the extension of a nonlinear and adaptive flight controller based on dynamic inversion, combined with neural networks, to include algorithms for reconfiguration in the event of the failure of one or more primary actuators. The adaptive control loop, through the use of neural networks in the control of rotational dynamics, forms the basis for compensating inversion errors resulting from parameter uncertainties as well as external disturbances to the aircraft. The learning method used in this work is sliding-state learning, which is derived from the field of structure-variable control and, by considering network training as a control process, enables a higher convergence rate through the dynamic calculation of the learning rate. However, if one or more primary control variables fail, even the neural networks can no longer influence the stabilization of the aircraft. For these degradation scenarios, the control loop is extended to include the capability for reconfiguration. Secondary actuators are used to generate the torques around the three aircraft axes commanded by the controller. This involves the use of differential thrust, roll spoilers, horizontal stabilizer trim, and so-called direct-lift flaps. This work investigates the performance of the control approach for various elevator failure scenarios. Subsequently, the results of a pilot study in the AVES flight simulator at the DLR Braunschweig are used to derive the safety benefits of using the adaptive and reconfigurable flight controller.

Deutscher Luft- und Raumfahrtkongress 2014, Augsburg

Deutsche Gesellschaft für Luft- und Raumfahrt - Lilienthal-Oberth e.V., Bonn, 2014

Conference Paper

deutsch

21,0 x 29,7 cm, 11 Seiten

urn:nbn:de:101:1-2014121719154

Adaptive Flugregelung, Rekonfiguration

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

17.12.2014