오랜기간 비행선의 이착륙은 사람에 의한 수동으로 이루어졌으나, 자동제어시스템의 개발과 함께 이를 비행선에 적용하여 보다 정확한 이착륙의 필요성이 대두되었으며, 많은 알고리즘이 개발되고 있다. 본 논문에서는 기낭의 압력제어에 의한 비행선의 이착륙제어를 다룬다. 비행선의 운동방정식은 비선형 방정식으로 매우 복잡하여 우선 간단한 PID제어기에 의한 해법을 제시하였다. 그러나, 운항시 대기조건이 빠르게 변하므로 변하는 예측 불가능한 외란에 대해서는 만족스런 성능을 보이지 못하였다. 따라서, 본지에서는 인공 신경망을 이용한 학습알고리즘을 토대로 원하는 궤적에 빠르게 추종하도록 설계하였다. 일반적으로 인공신경망은 복잡한 문제에 있어서 많은 수의 은닉층과 뉴런이 필요하고 또한 훈련시간이 많이 걸리는 단점이 있기에 이를 해결하기 위해 비행선 이착륙 문제에 대한 일반적인 인공신경망 적용에 대해 연구하였다. 본지에서는 RBFN(radial basis functionnetwork)제어기를 설계하였고, 신경 회로망의 가중치는 외란이 인가되거나 부하특성이 비선형적으로 변화되는 것을 고려하도록 기준입력과 실제 비행선 모델의 출력사이의 오차를 최소화하는 방향으로 학습을 진행하였다. 그 결과 최대 15m의 오차를 보이는 PID제어기보다 양호한 결과를 얻었다.
오랜기간 비행선의 이착륙은 사람에 의한 수동으로 이루어졌으나, 자동제어시스템의 개발과 함께 이를 비행선에 적용하여 보다 정확한 이착륙의 필요성이 대두되었으며, 많은 알고리즘이 개발되고 있다. 본 논문에서는 기낭의 압력제어에 의한 비행선의 이착륙제어를 다룬다. 비행선의 운동방정식은 비선형 방정식으로 매우 복잡하여 우선 간단한 PID제어기에 의한 해법을 제시하였다. 그러나, 운항시 대기조건이 빠르게 변하므로 변하는 예측 불가능한 외란에 대해서는 만족스런 성능을 보이지 못하였다. 따라서, 본지에서는 인공 신경망을 이용한 학습알고리즘을 토대로 원하는 궤적에 빠르게 추종하도록 설계하였다. 일반적으로 인공신경망은 복잡한 문제에 있어서 많은 수의 은닉층과 뉴런이 필요하고 또한 훈련시간이 많이 걸리는 단점이 있기에 이를 해결하기 위해 비행선 이착륙 문제에 대한 일반적인 인공신경망 적용에 대해 연구하였다. 본지에서는 RBFN(radial basis function network)제어기를 설계하였고, 신경 회로망의 가중치는 외란이 인가되거나 부하특성이 비선형적으로 변화되는 것을 고려하도록 기준입력과 실제 비행선 모델의 출력사이의 오차를 최소화하는 방향으로 학습을 진행하였다. 그 결과 최대 15m의 오차를 보이는 PID제어기보다 양호한 결과를 얻었다.
For long time, the takeoff and landing control of airship was worked by human handling. With the development of the autonomous control system, the exact controls during the takeoff and landing were required and lots of methods and algorithms were suggested. This paper presents the result of airship ...
For long time, the takeoff and landing control of airship was worked by human handling. With the development of the autonomous control system, the exact controls during the takeoff and landing were required and lots of methods and algorithms were suggested. This paper presents the result of airship take-off and landing by buoyancy control using air ballonet volume change and performance control of pitch angle for stable flight within the desired altitude. For the complexity of airship's dynamics, firstly, simple PID controller was applied. Due to the various atmospheric conditions, this controller didn't give satisfactory results. Therefore, new control method was designed to reduce rapidly the error between designed trajectory and actual trajectory by learning algorithm using an artificial neural network. Generally, ANN has various weaknesses such as large training time, selection of neuron and hidden layer numbers required to deal with complex problem. To overcome these drawbacks, in this paper, the RBFN (radial basis function network) controller developed. The weight value of RBFN is acquired by learning which to reduce the error between desired input output through and airship dynamics to impress the disturbance. As a result of simulation, the controller using the RBFN is superior to PID controller which maximum error is 15M.
For long time, the takeoff and landing control of airship was worked by human handling. With the development of the autonomous control system, the exact controls during the takeoff and landing were required and lots of methods and algorithms were suggested. This paper presents the result of airship take-off and landing by buoyancy control using air ballonet volume change and performance control of pitch angle for stable flight within the desired altitude. For the complexity of airship's dynamics, firstly, simple PID controller was applied. Due to the various atmospheric conditions, this controller didn't give satisfactory results. Therefore, new control method was designed to reduce rapidly the error between designed trajectory and actual trajectory by learning algorithm using an artificial neural network. Generally, ANN has various weaknesses such as large training time, selection of neuron and hidden layer numbers required to deal with complex problem. To overcome these drawbacks, in this paper, the RBFN (radial basis function network) controller developed. The weight value of RBFN is acquired by learning which to reduce the error between desired input output through and airship dynamics to impress the disturbance. As a result of simulation, the controller using the RBFN is superior to PID controller which maximum error is 15M.
참고문헌 (8)
J. D. Lowe, J. D. Delaurier, 'A six-degree of freedom heavy lift airship flight simulation', Institute for Aerospace Studies University of Toronto
B. L. Nagabhushan, N. P. Tomlinson, 'Flight Dynamics Simulation of a Heavy Lift Airship', J. aircraft, Vol. 18, No 2, 1981/2
S. B. V. Gomes, 'An Investigation of the Flight Dynamics of Airship with Application to the YEZ-2A', Ph.D. thesis, College of Aeronautics, Cranfield Institute of Technology, Cranfield, 1990
K. J. Astrom, T. Hagglund. 'Automatic Tuning of PID Controllers'
D. K. Chaturvedi, R. Chauhan, P. K. Kalra, 'Application of generalized neural network for aircraft landing control system', Soft computing 6, pp. 441-448, Springer-Verlag, 2002
Yongjin Chang, Guiaee Woo, Jongkwon Kim, Kyeumrae Cho, 'Application of neural network for airship take-off and landing system by buoyancy control', ICCAS2003, 2003
Alan F. Murray, Applications of Neural Networks, Kluwer Academic Publishers, pp.42-56, 1995
C.H. Chen, Fuzzy Logic and Neural Network Handbook, McGraw Hill, pp.98-110, 1996
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.