Increase the aviation efficiency of UAVs using artificial neural networks

Abstract

Мета. Відомо, що політ безпілотного літального апарату (БПЛА) здійснюється за допомогою датчиків, які передають роботу БПЛА, і на основі цієї інформації БПЛА контролюється і дає їм замовлення, необхідні для виконання завдання польоту БПЛА. Несправності в управлінні відбуваються під час польоту БПЛА, відповідно до концепцій авіації – критична ситуація, яка впливає на завершення місії. Ці несправності викликані головним чином збоєм в датчиках, які можна розділити на ситуації з польотом – про політ літальних апаратів (напрямок, висота, повітряна швидкість, вертикальна швидкість і кут атаки) і ситуація з управлінням польотом, це стосується поверхонь управління польотом, таких як кермо, елерон, кермо відхилення і датчики перемикача і регулятора висоти. У цій статті представлений ефективний метод, що дозволяє датчикам працювати з високою ефективністю. Методи. У цій роботі використовуються два різних підходи. Перший підхід заснований на інструменті на основі нейронної мережідля моделювання, симуляції та аналізу літаків, збою датчиків; виявлення, ідентифікації і рішення проблем. Другий підхід – нейронна мережа, що навчається задопомогою алгоритмів, представляє собою набір умов, які визначають, як структура мережі повинна бути адаптована, щоб краще відповідати даним навчання. Результати. Результати моделювання та аналізу датчиків літальних апаратів показали, що інструменти на основі нейронної мережі і алгоритми здатні показувати результати з високою роздільною здатністю щодо поведінки датчиків і, отже, поведінки БПЛА. Висновки. Можливості інструмента є наслідком великої модульності всієї системи моделювання. Це дозволяє легко міняти безпілотні літальні апарати, закони динаміки і контролю зворотнього зв'язку, а також оцінки нейронної мережі.