Intelligent Flight Control System pada Project NASA F-15

December 12, 2008

Introduction

Project NASA F-15 intelligent flight control System (IFCS) memasukkan sederetan konsep control yang didesain untuk menunjukkan mamfaat dari sebuah neural jaringan (NN) yang dapat beradaptasi dengan dasar controller.
Tujuan utama dari IFCS team adalah untuk menunjukkan evolusi control yang mendekati dan dapat meningkatkan kemampuan pesawat terbang dalam dua keadaan baik dalam kondisi normal dan kondisi gagal. Keadaan terkunci atau gagal control pada permukaan yang dapat mengakibatkan kerusakan pada saat pesawat sedang terbang.

IFCS team adalah implementing dari algorithm control generasi kedua yang lebih dikenal sebagai Gen 2″ untuk testing penerbangan di pesawat udara NASA F-15.

Spesifik tujuan untuk Gen 2 adalah untuk
1 implement and fly a direct adaptive neural network-based flight controller
2 menunjukkan kemampuan dari sistem untuk menyesuaikan sistem simulasi gagal di dua lintasan
By suppressing transients associated with the failure and
By reestablishing sufficient control and handling of the vehicle for safe recovery
3.Provide flight experience for development of verification and validation processes for flightcritical neural network software

Laporan ini meggambarkan bahwa Sistem Gen di implementasikan oleh IFCS team untuk evaluasi pengujian (test) penerbangan

Test Aircraft ( uji pesawat udara)
Pengujian (testing) pesawat terbang NASA 837 ditunjukkan pada gambar 1, yang merupakan modifikasi tinggi pesawat terbang F-15B dan tidak mewakili dari produksi pesawat terbang F-15. modifikasi kendaraan memasukkan dua puncak canard area depan diatas tekukan kecil pada sayap. Canard nya merupakan modifikasi dari garis datar permukaan ekor F-18 dan posisi terbangnya terjadwal untuk merespon serangan dari sudut (α). Sebuah tambahan modifikasi kendaraan memasukkan penggabungan dari mesin F100-PW-229 Pratt dan Whitney (West Palm Beach, Florida) yang dilengkapi dengan axisymmetric, pipa tolakan vectoring. Selama pengujian penerbangan. Kemampuan tolakan vectoring memungkinkan. Tetapi vectoring diperintahkan sampai ke nol. Pesawat terbang dikontrol oleh sebuah quaduplex, digital. Fly by wire, sistem control penerbangan, semua hubungan mechanical antara control stick, rudder pedals dan control permukaan telah dicabut dari pesawat terbang

Research Vehicle
Penelitian kendaraan mempunyai 5 jenis perbedaan dari permukaan control – canards, ailerons, stabilators, rudders, dan flaps. Masing masing jenis mempunyai dua sisi yaitu permukaan kiri dan kanan. Canards adalah bagian depan dari sayap, ailerons adalah bagian dari sayap, stabilators bertempat di belakang kendaraan, dan rudders bertampat di ekor tegak. Posisi melebar di perintah oleh pilot untuk naik atau turun, dan di posisi ini adalah dasar dari kecepatan angin.

clip_image0021

Gambar 1 Pesawat NASA 837 F-15

Intelligent Flight Control System Architecture
Gambar 2 menunjukkan arsitektur GEN 2 IFCS. Gen 2 mengunakan sebuah algoritma control pengarah keseimbangan ( direct adaptive control algorithm) dan mempunyai model kontrol kebalikan ( model inverse control ) dengan membalikkan aturan error dan neural network augmentation. Skema  control pokok telah dikembangkan oleh DR. Anthony calise dan Byoung S.Kim dari institute teknologi NASA Georgia. Pusat penelitian Ames menggunakan (implemented) skema control ini di konsep lanjutan simulator penerbangan mereka dan menunjukkan evaluasi luas pilot untuk tiga jenis perbedaan dari kendaraan-sebuah angkutan pesawat terbang besar, pesawat terbang NASA Dryden F-1 dan sebuah uninhabited aerial vehicle (UAV)

2008-12-12_113939

Figure 2. Gen 2 IFCS architecture.

Research Controller
Pengatur penelitian (research controller) adalah sebuah dynamic inversion-type controller dan asalnya dikembangkan oleh McDonnell Douglas Aircraft (St.Louis, Missouri). Garis dasar control hukum diambil dari program F-15 active inner-loop thrust vectoring (ILTV), tetapi IFCS team telah mencabut thrust vectoring controls untuk implementasi Gen 2. untuk original dynamic inverset controller, proporsional, intergritas, dan turunan (PID) tambahan

Research controller adalah sebuah pengatur inversion type yang dinamis. Dan asalnya dikembangkan oleh McDonnell Douglas AirCraft (St.louis, Missouri). Garis dasar kontrol hukum diambil dari program F-!5 active inner-loop thust vectoring (ILTV) , tetapi IFCS team telah dicabut thrust vectoring control untuk implementasi Gen 2. untuk dynamic inverse controller yang asli. Proporsional, terpadu dan turunan(PID) menambahkan ke achieve linear stability robustness, aeroservoelastic (ASE) mode attenuation, dan sistem non linear diperintahkan mengikuti hal nominal(no ada kegagalan).

Ketika testing original dynamic inverse controller mengunci simulasi kegagalan stabilator, significant lateral acceleration dan sudut dari sideslip merupakan hasil dari masukan lateral stick yang tercatat. Karena design yang subsequency dari jaringan neural tidak memungkinkan untuk mengubah kelakukan dan komentar pilot dari lanjutan sidang simulasi yang negative

Adaptive Neural Network
Neural network menyediakan penyesuaian online didalam skema control Gen 2 yang diketahui sebagai sigma pi. Jaringan neural Sigma pi yang namanya diambil dari persamaan pokok dari jaringan yang dijumlahkan  (sum (Σ) )  produk (n) dari masukan ke jaringan neural dengan kedekatan timbangan. Timbangan dari jaringan neural ditentukan dengan sebuah latihan algoritma. Dan Juga diketahui sebagai sebuah penyeimbang atau mempelajari aturan. Kata “Learning (latihan) ” yang digunakan disini maksudnya untuk melengkapi timbangan ini. Jadi jaringan mempunyai sebuah hubungan yang valid diantara masukan dan keluaran. Timbangan dari jaringan neural dihitung dengan menggunakan
� Commanded aircraft rates from the reference model
� PID error control and
� Adaptive control rates fed back from the neural network

Persamaan 1 menunjukkan perhitungan dari timbangan untuk neural network yang telah diimplementasikan si sistem Gen 2.

2008-12-12_114501

Dimana ΔW adalah hitungan berat untuk langkah waktu. Timbangan Neural network(W) adalah timbangan dari langkah waktu sebelumnya. Langkah waktu adalah Δt, dimana adalah 0.0125 seconds (80 Hz rate). Tambahan penyesesuaian adalah G, dimana kadang dipanggil dengan learning rate. Pengantian error adalah Ue. Fungsi dasar adalah B, which kandungan fungsi squashing digunakan didalam neural jaringan sigma pi. dead band error digunakan untuk mempelajari kesalahan ketika kesalahan kecil yang disimbolkan dengan L. Nilai untuk G dan L adalah susunan tetap. Fungsi squashing  yang digunakan di neural network adalah sebuah fungsi sigmoid dan mempunyai bentuk

2008-12-12_113956

Penyesuaian jaringan neural diimplementasikan untuk menguji penerbangan yang di subsidivisikan kedalam tiga jaringan pribadi yang terpisah. Satu untuk masing masing poros, puncak (pitch), roll dan yaw. Masukan masing masing ke jaringan neural pribadi dengan beragam nomor. Roll axis digunakan enam masukan, pitch axis mempunyai tujuh masukan, dimana yaw axis mempunyai sepuluh masukan. Ada juga tambahan delapan masukan ( dua masukan untu masing masing permukaan) yang mengendarai logika antiwindup. Total dari 31 masukan pergi ke tiga jaringan neural. Keluaran dari masing masing jaringan neural adalah perintah percepatan yang menambah control datangya sinyal dari research controller untuk masing masing poros (axis)

Antiwindup Logic
Bendera antiwindup bertindak sebagai sebuah switch untuk jaringan neural. ketika banyak permukaan(surface) menyeleweng dari batasanya. Tiga bendera antiwindup dihitung dengan delapan penyelewengan permukaan (empat permukaan – aileron,stabilator, canard dan rudder dari kiri dan kanan untuk masing masing permukaan. Yang masuk kedalam jaringan neural. Pitch axis mengecek stabililator dan penyelewengan canard. Roll axis mengecek aileron dan penyelewengan stabilator. Yaw axis mengecek penyelewengan rudder dan canard. Batasan untuk masing masing permukaan terdaftar di table 1 dibawah

2008-12-12_114008

Safety of Flight Monitors
Karena dari dinamis (dynamic) dan tidak mengetahui sifat dari penyesuaian neural network (neural network adaption), additional monitors telah ditambahkan kedalam sistem untuk membantu ketidak pastian keamanan dari penerbangan.
Satu monitor preexisting akan digunakan untuk penerbangan Gen 2.  monitor lain dikembangankan dengan khusus untuk sistem Gen 2 ke alamat spesifik kabar keamaman ( address specific safety issues) dan perhatian. Fungsi dari monitor ini adalah down-mode sistem nya ketika sewaktu-waktu kondisi tidak aman hadir selama penerbangan. Down-moding maksudnya computer penerbangan pesawat terbang yang menggunakan hukum control penelitian (research control laws) diganti dengan jaringan penyeimbang neural (adaptive neural networks) untuk mengunakan kumpulan dari standard atau dasar control hukum (basic control laws == dengan tanpa hadirnya penyeimbang neural network). Sebuah deskripsi singkat dari masing-masing monitor dibawah ini

Envelope monitor. Pick-a-limit (PAL) envelope monitor, dimana terdapat didalam sistem IFCS yang pertama (Gen 15­), jika mengingat pengalaman kondisi penerbangan tertentu atau batasan pesawat terbang  selama  penerbangan. These limits serve to keep the aircraft in a defined envelope with good known aircraft states. Gen 2 currently has two research flight envelopes defined – one more restrictive envelope that is a subset of a larger envelope. These two flight envelopes also aid in the build-up approach used during flight test.

Floating Limiter. Sebuah monitor keamaanan yang dipanggil jaringan neural “Floating limiter” telah ditambahkan kedalam sistem Gen 2. monitor keamanan ini membatasi nilai keluaran dari jaringan neural. Ada kandungan logika didalam jaringan neural yang membekukan timbangan(weights) ketika tanda (signal) keluaran jaringan neural telah dibatasi oleh floating limiter. Ini adalah logika tambahan yang menyebabkan pengatur research ( research controller )  ke down-model yang mengunakan standar control kukum (standard control laws) ketika batasan keras exceeded untuk menyesuaikan dengan sinyal, tanda (signal) yang dating dari jaringan neural.

Structural Safety Monitor. Karena jaringan neural yang mungkin memindahkan permukaan pesawat terbang ke jalur yang tidak terduga untuk melengkapi simulasi kegagalan. A structural safety monitor telah diimplementasikan kedalam ruangan control untuk mengamati beban pesawat terbang selama penerbangan. Monitor ini mengunakan kode warisan (legacy code), dimana menghitung susunan yang diambil dari 40 posisi yang berbeda didalam pesawat terbang. sebuah kumpulan dari penerbangan, diketahui sebagai penerbangan structural loads model validation (SLMV) yang dipersembahkan dengan khusus untuk menjabarkan kode yang di load (diambil) oleh computer. Penerbangan ini menjadi lebih dulu menyesuaikan ke penerbangan Gen 2 yang menggunakan penyesuaian jaringan neural ( neural network adaption ).

Simulation Results
Pengatur penelitian ( research controller)., jaringan neural (neural networks), dan kemampuan untuk menjalankan simulasi kegagalan selama penerbangan yang telah dipadukan kedalam simulasi nonlinear NASA Dryden six-degree-of freedom.
Hasil dari simulasi dibuat menampilkan ilustrasi pengalaman yang is to be flown dan highlight keuntungan yang disediakan oleh sistem kontrol Gen 2.

Kemampuan untuk menguji jaringan neural (neural network) selama penerbangan dengan dua jenis dari kegagalan telah diterapkan/dijalankan (implementasi) untuk penerbangan penelitian Gen 2.  satu jenis dari simulasi kegagalan, dimana diwakili oleh sebuah jenis aerodinamika dari kegagalan, memasukan sebuah multiplier kedalam canard. Jenis kedua dari simulasi kegagalan, dimana diwakili sebuah kegagalan permukaan, memasukan sebuah kegagalan stabilator ke sisi kiri atau kanan stabilator yang lain. Kedua kegagalan mempunyai jarak yang membangun ketingkat maximum yang dapat diterima dari jarak kegagalan dan telah diuji di penerbangan. Tingkat yang dapat diterima dari jarak kegagalan yang melewati simulasi non linear yang mengunakan g-transient guidelines yang disediakan oleh pilot dari pesawat terbang.

Karena simulasi nonlinear tanpa pilot telah digunakan untuk menjalankan kedua hal kegagalan, sebuah autopilot sederhana dibutuhkan untuk dimasukkan didalam simulasi yang dibuat untuk mengantikan aksi seorang pilot setelah  pesawat  terbang mempunyai pengalaman gagal. Percobaan autopilot untuk menjaga pesawat terbang pada tingkat sayap dan di kondisi ketinggian yang tetap, tetapi tidak menggunakan throttle setting yang dibuat untuk mengengam mach number. Persamaan yang digunakan didalam simulasi untuk autopilot adalah

2008-12-12_114016

Dimana dap adalah roll stick input, φ adalah sudut tepian ( bank angle), p adalah tingkat poros badan ( body axis roll rate), dep adalah pitch stick input, h adalah ketinggian pesawat terbang (aircraft altitude), dan hdot adalah laju waktu dari perubahan ketinggian pesawat terbang (time rate-of-change of the aircraft altitude) konstan c1- c4 adalah tambahan untuk autopilot. Tambahan ke autopilot terpilih jadi pesawat terbang nya kembali ke kondisi tingkat sayap (wings level) dalam 5 detik dari serangan kegagalan.

Simulasi digunakan untuk membandingkan dua hala untuk masing masing jenis kegagalan. Hal pertama dijalankan pengatur penelitian (research controller) dengan tanpa hadirnya penyesuaian jaringan neural (neural network adaption).
Di hal kedua, sistem Gen 2 telah berjalan penuh dan penyesuain jaringan neural telah hadir. Didalam semua hal, simulasi kegagalan diperintahkan sepuluh detik kedalam penerbangan dan autopilot telah memungkinkan. Adalah waktu henti dari empat rangka yang dimasukkan kedalam simulasi untuk menganti waktu henti yang telah disosialisasikan dengan kiriman data antara computer didalam kendaraan via 1553 data bus. Semua hal simulasi jalan selama 50 detik.

Plot ketiga didalam gambar 3 menunjukkan respon dari autopilot ke sebuah kegagalan stabilator kanan, positive 4 derajat dari trim, diperintahkan pada 10 detik kedalam history waktu dengan tanpa hadirnya augmentation jaringan neural. Autopilot mengembalikan pesawat terbang ke posisi wings level kpada kondisi original penerbangan.

Plot keempat dari gambar 4 menunjukkan kegagalan stabilator kanan diperintahkan pada 10 detik kedalam history waktu. Karena serangan kegagalan mempunyai dua detik henti. Kegagalan benar benar muncul pada 12 detik. Kegagalan stabilator kanan dimasukkan pada laju 1 radian per detik.

Gambar 5 menunjukkan setelah kegagalan muncul pada 12 detik, dan pesawat terbang kembali kondisi wings-level, pesawat terbang dengan  a -0.1 g offset dari ny dan a 1-degree offset in β, while nz eventually returns to the nominal value of 1g

2008-12-12_114024

Figure 3. Aircraft response for right stabilator failure with no neural network adaptation.

2008-12-12_114030

Figure 4. Stabilator positions for right stabilator failure with no neural network adaptation.

2008-12-12_1140361

Figure 5. Aircraft response for right stabilator failure with no neural network adaptation.

2008-12-12_114041

Figure 6 shows the comparison plots of the autopilot inputs for the right stabilator failure case with and without neural network augmentation present. The autopilot gains used for both runs are identical. The neural network has the effect of lessening the autopilot input commands needed to restore the aircraft to ‘wings-level, altitude hold’ controlled flight. This in turn lowers the g transients seen while the plane is returning to wings-level flight. The third plot of figure 7 shows a 0.3-g reduction in nz. The third plot of figure 6 shows that while the Mach number trace is almost identical for the two cases, the fourth plot of figure 6 shows that the aircraft holds altitude better by almost 100 feet for the case with neural network adaptation turned on.

2008-12-12_114049

Figure 7. Comparison of nz seen during flight for right stabilator failure.

For the aerodynamic type of failure, a canard multiplier of – 0.6 was used in two different cases – one with no neural network adaptation, and one case with neural network adaptation turned on. Both cases use the same autopilot defined previously in eq. 3 and eq. 4.

2008-12-12_1140552008-12-12_114100

Figure 8 shows that the neural network adaptation assists the autopilot in restoring the aircraft to nominal flight. The research controller, in conjunction with the autopilot, is able to eventually control the aircraft (although the oscillations indicate that the autopilot gains may be too high for a failure of this type), with assistance from the neural network – less control inputs are needed and the aircraft returns to 1g wings-level flight approximately 12 seconds earlier than in the case with no neural network adaptation present figure 9. Both failure cases demonstrate that the neural network is able to assist the research controller and autopilot, return the vehicle to nominal flight with lower nz transients, and in a shorter time period.

SUMARY
TLaporan ini mendeskripsikan arsitektur dari research controller dan jaringan neural yang telah diimplementasikan sebagai bagian dari projek intelligen flight control system untuk testing penerbangan pada modifikasi pesawat terbang NASA-F15. research controller yang digunakan adalah sebuah hybrid controller yang menggunakan dynamic inverse control untuk pitch dan roll axex, ketika sedang mengunakan sebuah classical β-dot controller untuk yaw axis. Jaringan neural ini digunakan untuk control algoritma direct adaptive yang melakukan percobaan untuk mengendari dari error ke nol antara model acuan dan kedudukan pesawat terbang sebenarnya. Jaringan neural menghasilkan tiga sinyal control penyesuain yang memperbesar control sinyal yang disediakan oleh research controller dan PID menambahkan persediaan penyesuaian online ke simulasi kegagalan didalam penerbangan. Meningkatnya  Isu dan kepastian dari implementasi sistem generasi kedua (Gen 2) didalam pesawat terbang untuk testing penerbangan dan solusi solusi telah diimplementasikan testing penerbangan

Ilustrasi hasil simulasi penerbangan Gen 2 telah diperlihatkan. Keuntungan dari jaringan neural adalah highlited untuk dua jenis perbedaan dari hal kegagalan simulasi, kegagalan stabilator dan canard multiplier bias. Kedua hal kegagalan membuktikan bagaimana jaringan neural memungkinkan untuk membantu research controller dan autopilot mengembalikan kendaraan pada penerbangan nominal (no kegagalan) dengan percepatan transient lower normal dan dalam waktu periode yang singkat. Hal ini menunjukkan kedua keutungan dari sistem kontorl penerbangan Gen 2 dan hasilnya didapatkan dari testing penerbangan.

Referensi :

Dryden Flight Research Center
National Aeronautics and Space Administration
Edwards, California, August 25, 2005

Oleh : Antoni Angkusuma – 23060168

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: