سید حسین ساداتی دکتر محمد باقر منهاج
دانشجوی دكتری- دانشگاه صنعتی امیر کبیر استاد- دانشگاه صنعتی امیر کبیر
Email: hsadati@hotmail.com Email: mbmenhaj @yahoo.com


چكیده:
بطور تئوری ساختار تعقیب كنترل مستقیم با استفاده از شبكه عصبی بیان شد. تاكید در اینجا بر روی كاربرد شبكه های عصبی در ساختار كنترل پرواز بر اساس خطی سازی دینامیك هواپیماست. شبكه های عصبی جهت تبدیل معكوس غیرخطی كه برای خطی سازی فید بك لازم است استفاده می‌شود. شبكه های عصبی قادر به یادگیری همزمان جهت خطای معكوس كه ممكن است از مدلسازی ناقص، تخمین معكوس یا تغییرات ناگهانی در دینامیكهای هواپیما ناشی شود، لازم می‌شوند. قانون سازگاری وزنهای پایدار برای شبكه های عصبی همزمان بدست آمده است. بر اساس فرضیات متعارف در مورد غیر خطی سازی كه حاكی از خطای معكوس می‌باشد، از سازگاری الگوریتم اطمینان حاصل می‌شود كه تمام سیگنالها در حلقه بطور یكنواخت محدود می‌شوند و وزنهای شبكه عصبی همزمان به مقادیر ثابت گرایش پیدا می‌كنند.هدف اصلی طراحی كنترل نشان دادن تطبیق نامعینی آیرودینامیكی در شكل متغیرات پارامترهای و دینامیكهای مدل نشده می‌باشد كه در طراحی كنترل معكوس نامی دیده نمی‌شود. در انتها ، نتایج شبیه سازی با معادلات شش درجه آزادی غیر خطی برای مدل هواپیمای F-18 نشان داده می شوند تا تاثیر قانون كنترل پیشنهاد شده اثبات شود.
كلمات كلیدی
شبكه عصبی- كنترل پرواز- كنترل تطبیقی- آیرودینامیك- ورارون دینامیك- نامعینی

Nonlinear Adaptive Flight Control Using Dynamic Inversion and Neural Networks Controller
M. B. Menhaj; S. H. Sadati
Abstract
The theoretical development of the direct adaptive tracking control architecture using neural networks is presented. Emphasis is placed on utilization of neural networks in a flight control architecture based on feedback linearization of the aircraft dynamics. Neural networks are used to represent the nonlinear inverse transformation needed for feedback linearization. Neural networks capable of on-line learning are required to compensate for inversion error, which may arise from imperfect modeling, approximate inversion, or sudden change in aircraft dynamics. A stable weights adjustment rule for the on-line neural network is derived. Under mild assumptions on the nonlinearities representing the inversion error, the adaptation algorithm ensures that all of the signals in the loop are uniformly bounded and that the weights of the on-line neural network tend to constant values. The main objective of the control design is to demonstrate adaptation to aerodynamic uncertainty in the form of both unmodeled parameter variations and unmodeled dynamics not present in the nominal inverting control design. Finally, nonlinear six-degree-of-freedom simulation results for an F-18 aircraft model are presented to demonstrate the effectiveness of the proposed control law.
Keywords
Neural Networks- Flight Control-Adaptive Control- Aerodynamic- Dynamic Inversion- Uncertainty