Содержание к диссертации
Введение
Глава 1. Анализ функционирования системы управления вертолетом и общая постановка задачи 10
1.1. Математическая модель системы вертолет-груз 10
1.1.1. Уравнения движения "свободного" вертолета 10
1.1.2. Уравнения движения вертолета с грузом 19
1.2. Математическая модель системы лебедка-тележка-груз 22
1.3. Введение о нейроконтроллерах 26
1.3.1. Искусственный нейрон и нейронные сети (НС) 26
1.3.2. НС прямого распространения и алгоритм обучения обратного распространения ошибки 29
1.3.3. Подходы к нейронному управлению 31
1.4. Общая постановка задачи 39
1.5. Выводы к главе 1 40
Глава 2. Планирование разновысотного полета с помощью НС 41
2.1. Решение задачи планирования разновысотного полета с помощью алгоритма "ветвей и границ" 41
2.1.1. Влияние высоты на рентабельность полета 41
2.1.2. Алгоритм "ветвей и границ" 44
2.2. Решение задачи планирования разновысотного полета с помощью НС 50
2.2.1. Применение сети прямого распространения для решения задачи планирования 50
2.2.2. Применение сети Хопфилда для решения задачи планирования 52
2.2.3. Применение сети Кохонена в сочетании с сетью Хопфилда для решения задачи планирования 58
2.3. Выводы к главе 2 69
Глава 3. Демпфирование колебания груза подвешенного под вертолетом с помощью НС 70
3.1. Демпфирование колебания груза с помощью системы лебедки-тележки 70
3.1.1. Демпфирование колебания груза с помощью обычного контроллера 70
3.1.2. Повышение точности управления с помощью фильтра Кальмана 72
3.1.3. Демпфирование колебания груза с помощью нейроконтроллера 76
3.2. Демпфированием колебаний груза продольным движением вертолета 84
3.2.1. Определение оптимального управления с помощью метода АКОР 84
3.2.2. Оценка погрешности управления при линеаризации уравнений движения системы 87
3.2.3. Выполнение оптимального управления нейронной сетью. 88
3.3. Выводы к главе 3 92
Глава 4. Десантирование груза с вертолета на палубу судна с помощью НС 93
4.1. Десантирование груза неироконтроллером, построенным по принципу максимума Понтрягина 94
4.1.1. Определение оптимального управления по принципу максимума 94
4.1.2. Выполнение оптимального управления НС 99
4.1.3. Конструирование нейроконтроллера при минимизировании времени и затрат на управление 101
4.2. Десантирование груза неироконтроллером, построенным по методу А.А. Колесникова 106
4.2.1. Определение оптимального управления 106
4.2.2. Выполнение оптимального управления НС 110
4.3. Выводы к главе 4 114
Глава 5. Экспериментальное моделирование на ЭВМ работы нейросетевого контроллера 115
5.1. Планирование разновысотпого полета вертолета с помощью НС 115
5.2. Демпфирование колебаний груза с помощью НС 117
5.3. Десантирование груза с помощью НС 121
5.4. Выводы к главе 5 124
Заключение 125
Список литературы 126
- Уравнения движения "свободного" вертолета
- Применение сети прямого распространения для решения задачи планирования
- Повышение точности управления с помощью фильтра Кальмана
- Определение оптимального управления по принципу максимума
Введение к работе
В настоящее время объем монтажных работ с помощью вертолетов и объем перевозок грузов на внешней подвеске непрерывно увеличивается. Вертолетный монтаж — один их самых сложных и зрелищных видов авиационных работ, где можно увидеть, как гигантский кран за считанные минуты собирает мачту сотовой связи, устанавливает многотонный купол храма или десантирует хрупкие вещи на палубу судна в сложных погодных условиях .
Монтаж мачты сотовой связи с помощью вертолета Однако эти работы являются не только сложными, но и опасными. Предугадать все, что может произойти при их выполнении невозможно, но можно максимально снизить степень риска. По мнению экспертов [1], существенную роль в уменьшении степени риска играет человеческий фактор. Монтажные работы, выполняемые на большой высоте или в сложных погодных условиях, требуют от летчика особого внимания при управлении, что создает дополнительные психофизиологические нагрузки, кардинально отличающиеся от нагрузок, переносимых им в обычном полете. Заметно разгрузить летчика и освободить его от функций автостабилизатора углового положения вертолета позволяет дифференциальное включение автопилота в основную проводку управления. Однако, в целом, как показывает практика, управление вертолетом на режиме висения и при малых перемещениях на монтаже остается сложным процессом. Существующие бортовые системы автоматического управления вертолетом на режиме висения и над заданной точкой монтажа пока еще не в полной мере отвечают необходимому для этого вида работ уровню точности. Поэтому их применение для этой цели без совершенствования системы управления не может считаться эффективным.
Из вышесказанного следует, что разработка технического средства, позволяющего автоматически стабилизировать груз на внешней подвеске-(демпфировать его колебания) и десантировать груз на заданную точку, является весьма актуальной задачей.
Целью диссертационной работы является создание унифицированного нейроконтроллера, позволяющего управлять вертолетом или системой лебедки-тележки при демпфировании колебания груза, его десантировании, а также определять субоптимальный маршрут разновысотного полета вертолета в конкретных условиях транспортировки грузов.
В соответствии с указанной целью определены следующие задачи исследований;
1. Проанализировать возможность использовать нейронный подход для решения задачи маршрутизации разновысотного полета вертолета при заданном составе обслуживаемых пунктов.
2. На основе уравнений движения вертолета с грузом, используя методы теории оптимального управления, определить оптимальные законы демпфирования колебаний груза при управлении продольным движением вертолета.
3. На основе уравнений движения системы лебедки - тележки определить оптимальные законы демпфирования колебаний груза при изменении положения тележки и десантирования груза с помощью лебедки.
4. На основе найденных законов управления, создать примеры для обучения нейроконтроллеров, имеющих возможность выполнения этих законов с нужным качеством.
5. На основе найденных нейроконтроллеров определить тип унифицированного нейроконтроллера, имеющего одинаковую структуру для всех перечисленных задач и проанализировать возможность его использования на практике.
Методы исследования. Решение поставленных в диссертационной работе задач проводилось на основе использования основных разделов теории автоматического и оптимального управления, теории нейронных сетей, а также методов имитационного моделирования.
Научная новизна. В результате проведенных исследований:
1. Впервые показана возможность нейросетевого подхода для маршрутизации разновысотного полета вертолета, при этом в случае расположения объектов назначения в определенной "трубе", маршрут определяется с помощью сети прямого распространения.
2. На основе построенных уравнений движения системы "вертолет-груз" и "лебедка-тележка-груз" найдены законы оптимального демпфирования колебаний груза и его десантирования на палубу судна в сложных погодных условиях.
3. Показана высокая эффективность сети прямого распространения при выполнении законов оптимального демпфирования колебаний груза и его десантирования и предложена единая структура унифицированного нейроконтроллера для последовательного решения всех транспортных задач. Практическая значимость результатов:
1. Разработанные нейросетевые алгоритмы планирования разновысотного полета вертолета позволяют резко уменьшать время, требуемое комбинаторными алгоритмами (например, алгоритм ветвей и границ) для получения маршрута при большом числе объектов назначения.
2. Возможность решения разных задач управления унифицированным нейроконтроллером облегчает реализацию на борту и сводит к минимуму массогабаритные характеристики устройства при относительно невысокой стоимости.
3. Показана высокая эффективность нейросетевого решения транспортных задач в сложных погодных условиях, обеспечивая мягкое десантирование груза на подвижную палубу судна.
Реализация результатов. Разработанные нейросетевые процедуры демпфирования колебания груза и его десантирования внедрены в МНПК "Авионика" при проектировании перспективных систем проведения монтажных работ с помощью транспортного вертолета, о чем имеется акт о внедрении.
Публикации. Основные результаты диссертационной работы опубликованы в 6 печатных и 2 рукописных работах, в том числе 2 статьи в журнале "Авиакосмическое приборостроение", рекомендуемом ВАК РФ при защите кандидатских диссертаций.
Структура и объем работы. Диссертация состоит из введения, пяти глав, заключения и списка литературы. Объем диссертации 128 страниц текста, включает 57 рисунков, 14 таблиц.
В первой главе представлены математическая модель "свободного" вертолета, вертолета с грузом и математическая модель системы лебедки-тележки с грузом. На основе этих уравнений, используя методы оптимального управления, в следующих главах определены законы демпфирования колебаний груза и его десантирования.
В этой главе также приведены некоторые подходы к нейроуправлению, включая нейронные сети (НС) прямого распространения и алгоритмы прямого распространения ошибки, а также обоснована целесообразность применения унифицированной НС для решения разных транспортных задач.
В завершении главы сформулированы задачи диссертационной работы.
Во второй главе приведена формула определения влияния высоты на рентабельность полета. Для решения задачи планирования разновысотного полета сначала представлен алгоритм ветвей и границ. Было показано, что с помощью этого алгоритма можно получить достаточно хорошие маршруты. Однако время его выполнения быстро возрастает при увеличении числа пунктов назначения. Поэтому, необходимо использовать другие подходы в том числе - нейронный подход. При случайном расположении пукнтов маршрут может быть определен с помощью сетьи Кохонена в сочетании с сетью Хопфилда, а при расположении пунктов в определенной трубе - с помощью отдельной сети прямого распространения.
Третья глава посвящена решению задач иейросетевого управления демпфированием колебания груза, подвешенного под вертолетом, путем перемещения верхнего конца троса либо с помощью системы лебедки-тележки, либо непосредственным управлением положением центра масс вертолета.
Для конструирования нейроконтроллера была предложена процедура с двумя этапами. На первом этапе законы управления определены с помощью метода АКОР. На втором этапе эти законы используются для создания примеров обучения НС с определенной архитектурой.
В четвертой главе решается задача иейросетевого управления десантированием груза с вертолета на палубу судна в простых и сложных погодных условиях. Законы управления определены с помощью принципа максимума Понтрягина или метода А.А. Колесникова.
В простых погодных условиях нейроконтроллер, построенный с помощью принципа максимума Понтрягина, позволяет минимизировать либо время, либо время и затрату управления. В сложных погодных условиях нейроконтроллер, построенный с помощью метода А.А. Колесникова, позволяет мягко десантировать груз в независимости от колебаний высоты вертолета и палубы.
В завершении четвертой главы рассмотрена процедура конструирования НС с учетом возможности самоторможения лебедки и приведен порог переключения управления.
В пятой главе представлена унифицированная архитектура нейроконтроллера в виде НС прямого распространения, позволяющая поочередно решать задачи планирования полета вертолета, демпфирования колебания груза и его десантирования. Для этих задач были приведены соответствующие параметры НС и результаты моделирования ее работы. Эти результаты подтверждают работоспособность полученного унифицированного нейроконтоллера.
В заключении приведены основные выводы по результатам диссертационной работы.
Уравнения движения "свободного" вертолета
Решение поставленных в диссертационной работе задач проводилось на основе использования основных разделов теории автоматического и оптимального управления, теории нейронных сетей, а также методов имитационного моделирования.
Научная новизна. В результате проведенных исследований: 1. Впервые показана возможность нейросетевого подхода для маршрутизации разновысотного полета вертолета, при этом в случае расположения объектов назначения в определенной "трубе", маршрут определяется с помощью сети прямого распространения. 2. На основе построенных уравнений движения системы "вертолет-груз" и "лебедка-тележка-груз" найдены законы оптимального демпфирования колебаний груза и его десантирования на палубу судна в сложных погодных условиях. 3. Показана высокая эффективность сети прямого распространения при выполнении законов оптимального демпфирования колебаний груза и его десантирования и предложена единая структура унифицированного нейроконтроллера для последовательного решения всех транспортных задач. Практическая значимость результатов: 1. Разработанные нейросетевые алгоритмы планирования разновысотного полета вертолета позволяют резко уменьшать время, требуемое комбинаторными алгоритмами (например, алгоритм ветвей и границ) для получения маршрута при большом числе объектов назначения. 2. Возможность решения разных задач управления унифицированным нейроконтроллером облегчает реализацию на борту и сводит к минимуму массогабаритные характеристики устройства при относительно невысокой стоимости. 3. Показана высокая эффективность нейросетевого решения транспортных задач в сложных погодных условиях, обеспечивая мягкое десантирование груза на подвижную палубу судна. Реализация результатов. Разработанные нейросетевые процедуры демпфирования колебания груза и его десантирования внедрены в МНПК "Авионика" при проектировании перспективных систем проведения монтажных работ с помощью транспортного вертолета, о чем имеется акт о внедрении. Публикации. Основные результаты диссертационной работы опубликованы в 6 печатных и 2 рукописных работах, в том числе 2 статьи в журнале "Авиакосмическое приборостроение", рекомендуемом ВАК РФ при защите кандидатских диссертаций. Структура и объем работы. Диссертация состоит из введения, пяти глав, заключения и списка литературы. Объем диссертации 128 страниц текста, включает 57 рисунков, 14 таблиц. В первой главе представлены математическая модель "свободного" вертолета, вертолета с грузом и математическая модель системы лебедки-тележки с грузом. На основе этих уравнений, используя методы оптимального управления, в следующих главах определены законы демпфирования колебаний груза и его десантирования. В этой главе также приведены некоторые подходы к нейроуправлению, включая нейронные сети (НС) прямого распространения и алгоритмы прямого распространения ошибки, а также обоснована целесообразность применения унифицированной НС для решения разных транспортных задач. В завершении главы сформулированы задачи диссертационной работы. Во второй главе приведена формула определения влияния высоты на рентабельность полета. Для решения задачи планирования разновысотного полета сначала представлен алгоритм ветвей и границ. Было показано, что с помощью этого алгоритма можно получить достаточно хорошие маршруты. Однако время его выполнения быстро возрастает при увеличении числа пунктов назначения. Поэтому, необходимо использовать другие подходы в том числе - нейронный подход. При случайном расположении пукнтов маршрут может быть определен с помощью сетьи Кохонена в сочетании с сетью Хопфилда, а при расположении пунктов в определенной трубе - с помощью отдельной сети прямого распространения. Третья глава посвящена решению задач иейросетевого управления демпфированием колебания груза, подвешенного под вертолетом, путем перемещения верхнего конца троса либо с помощью системы лебедки-тележки, либо непосредственным управлением положением центра масс вертолета. Для конструирования нейроконтроллера была предложена процедура с двумя этапами. На первом этапе законы управления определены с помощью метода АКОР. На втором этапе эти законы используются для создания примеров обучения НС с определенной архитектурой. В четвертой главе решается задача иейросетевого управления десантированием груза с вертолета на палубу судна в простых и сложных погодных условиях. Законы управления определены с помощью принципа максимума Понтрягина или метода А.А. Колесникова. В простых погодных условиях нейроконтроллер, построенный с помощью принципа максимума Понтрягина, позволяет минимизировать либо время, либо время и затрату управления. В сложных погодных условиях нейроконтроллер, построенный с помощью метода А.А. Колесникова, позволяет мягко десантировать груз в независимости от колебаний высоты вертолета и палубы. В завершении четвертой главы рассмотрена процедура конструирования НС с учетом возможности самоторможения лебедки и приведен порог переключения управления. В пятой главе представлена унифицированная архитектура нейроконтроллера в виде НС прямого распространения, позволяющая поочередно решать задачи планирования полета вертолета, демпфирования колебания груза и его десантирования. Для этих задач были приведены соответствующие параметры НС и результаты моделирования ее работы. Эти результаты подтверждают работоспособность полученного унифицированного нейроконтоллера.
Применение сети прямого распространения для решения задачи планирования
Построим полно-связную сеть Хопфилда для этой цели. Главная особенность этой сети состоит в том, что выход каждого нейрона связывает с входами сам себя и всех остальных нейронов. Это значит, элементы на главной диагонали матрицы весовых коэффициентов не равны нулю.
Сущность использования сети Хопфилда для решения задачи планирования (в частности, задачи коммивояжера) лежит в отображении целевой функцией в функцию "энергии" сети. Было показано [19], что сеть Хопфилда с симметрической матрицей весовых коэффициентов всегда эволюционирует так, что ее "энергия" уменьшается и очень быстро стабилизуется в состоянии, соответствующем минимальному значению функции "энергии". Поэтому если требования оптимальной задачи были отображены в функцию "энергии" так, что низкий уровень этой функции соответствует решению, то на выходе сети появится это решение.
Допустим, что пункты, которые необходимо посетить, помечены буквами: Л, В, С и Д а "расстояния" между парами пунктов есть d{A,B), d(B,C).... Решением является упорядоченное множество из N пунктов. Каждый пункт представлен строкой из N нейронов, поэтому сеть имеет N2 нейронов, распложенных в NxN матрице.
Активной функцией нейронов является функция сигнатуры, и закон изменения их выходов принимает вид:
В конечном состоянии в каждом строке матрицы нейронов есть один и только один нейрон с единичным выходом (выход всех остальных равен нулю). Этот равный единице выход нейрона показывает порядковый номер, в котором данный пункт посещается при обходе. В таблице 2.6 показан случай, когда пункт С посещается первым, пункт А - вторым, пункт D - третьим и пункт В - четвертым. Длина такого маршрута была бы равна d(C l)+d(A,D)+d(D,B)+d(B,C) . Так как каждый пункт посещается только один раз, и в каждый момент посещается лишь один пункт, то в каждой строке и в каждом столбце имеется по одной единице.
Каждый нейрон снабжен двумя индексами, которые соответствуют пункту и порядковому номеру его посещения в маршруте. Обозначим через v(xj), u(x,i)t w(x,iiyj) соответственно выход, внешний вход и связный коэффициент нейрона, находящегося на строке х и столбце / с нейроном, находящимся на строке у и столбце/ И так, v(x,/)=l показывает, что пункт д-был /-ым по порядку пунктом маршрута и наоборот v( ,/)=0 показывает, что пункт х- не был /-ым по порядку пунктом маршрута.
Итак, с помощью формул (2ЛЗ) — (2.15) можно определить весовые коэффициенты сети Хопфилда в зависимости от матрицы "расстояния" между пунктами. С этой архитектурой, исходя из начального состояния, сеть сама "крутится" до тех пор, пока энергия в сети не достигается своего минимума. Тогда на выходе сети можно получить оптимальный маршрут, как это показано в таблице 2.6.
Для проверки способности работы сети было проведено моделирование на компьютере. В работе [19] было опубликовано, что для задачи коммивояжера, где число пунктов JV=10, 50% попыток моделирования работы сети позволяет получить кратчайший маршрут. Однако, во многих других работах ([20], [21] и т.д.), авторы показывали, что маршруты, получаемые с помощью сети Хопфилда, не так хороши. Особенно, при увеличении числа пунктов, возможность получения допустимых решений уменьшается и средняя путевая погрешность увеличивается. В [21], [22], представлены некоторые алгоритмы моделирования работы сети, позволяющие повышение количества и качества получаемых решений.
Главная трудность при моделировании работы сети связана с правильным выбором значения коэффициентов, обеспечивающих глобальную концентрацию сети. В [23] представлен метод выбора констант, позволяющих обеспечить получение полного маршрута.
Повышение точности управления с помощью фильтра Кальмана
Оптимальные управления (3.27) и (3.28) найдены по методу ЛКОР на основе уравнения (3.24), полученного в результате линеаризации уравнений (1.12). Чтобы оценить погрешность управления при использовании этого закона для нелинейного объекта (1.12), моделируем работу системы на компьютере и сравниваем полученные результаты со случаем, когда объект управления является линейным (уравнение (1.13)). Разности переменных , и и 9 изображены нарис. 3.11.а и 3.11.6.
Из рис. 3.11.а и 3.11.6 видно, что погрешности управления по всем переменным приблизительно составляют 0,2 % их максимального значения и это возникает только во время переходного процесса. Итак, на практике закон управления, сконструированного по методу АКОР на основе линейных уравнений, обеспечивает желаемое качество управления.
В отличие от предложенного в параграфе 3.2.1 подхода, здесь рассматриваем метод построения нейроконтроллера, который копирует обычный контроллер, сконструированный традиционными методами. Пусть с помощью классических методов построен обычный контроллер, тогда он используется для создания примеров при обучении нейроконтроллера как показано на рис. 3.12, где ОК -обычный контроллер, НК - нейроконтроллер, ОУ - объект управления.
Схема обучения НК, копирующего обычный контроллер Нейроконтроллер этого типа часто используется, чтобы заменить человека (в этом случае человек играет роль контроллера) в неблагородных для жизни условиях. Кроме того, благодаря своей простоте, они могут реализоваться унифицированным нейроконтроллером, представляющим собой одну нейронную сеть, которая выполняет функцию разных контроллеров в зависимости от значения своих весовых коэффициентов.
Итак, процесс построения нейроконтроллера этого типа разделится на два этапа. На первом этапе сконструируем обычный контроллер традиционными методами, а на втором - копируем его нейроконтроллером. Ниже подробнее рассматриваем этот подход в примере построения нейроконтроллера при демпфировании колебаний и десантировании груза.
Найденные по методу АКОР оптимальные управления (3.27) и (3.28) являются линейными функциями вектора состояния, поэтому они очень легко выполняются с помощью простейших НС. Используем две одинаковые по конструкции НС прямо распространения, чтобы выполнить управления (3.27) и (3.28) (т.е. одна НС управляет автоматом перекоса, а другая - общим шагом). В вышестоящей схеме Ьц - пороговый коэффициент у-ого нейрона В І-ом слое, IWjj (LWtj) — весовой коэффициент между /-нейроном в слое / (L) и/-ым входным сигналом, S - суммирующее звено, f— активная функция. У каждой НС имеется два слоя (выходной слой и скрытый слой). Выходной слой содержит два нейрона с функцией активации гиперболического тангенса fx (#)- — -. В скрытом слое есть один нейрон с линейной функцией активации f2(x) х. Входными сигналами обеих НС являются компоненты вектора состояния Х( системы (1.15). Выходным сигналом первой НС является отклонение автомата перекоса 6В, а второй - отклонение общего шага р. Для создания примеров обучения НС, используем уравнения (3.27) и (3.28). По результатам моделирования работы системы с разными начальными условиями определим пределы изменения компонентов вектора состояния Х. Разделим эти пределы на равные части и на основе этих значений составим примеры обучения.
Определение оптимального управления по принципу максимума
Промоделировав систему с нейроконтроллером на компьютере, удалось установить, что полученные результаты практически совпадают с изображенными нарис, 4.12 результатами. Поэтому возможность управления процессом десантирования груза с вертолета на палубу в сложных погодных условиях с помощью неироконтроллера установлена.
В итоге, заметим, что в результате выполнения линейного закона управления, сигнал на выходе неироконтроллера (иначе напряжение, подаваемое двигатель) является непрерывным. Поэтому в условиях, когда на вертолете существует только источник с постоянными напряжениями, то для использования неироконтроллера нужно добавить на его выходе широтно-импульсный модулятор (ШИМ). Схема системы в этом случае имеет вид
Схема неироконтроллера с ШИМ Напряжение на выходе ШИМ (СЛ) является последовательностью прямоугольных импульсов с амплитудой А или -А и постоянной частотой. В зависимости от знака и абсолютного значения входного сигнала (Ц;) отношение положительного импульса к отрицательному импульсу в одном периоде U 2 имеет соответственное значение. Результат моделирования системы с. нейроконтроллером и ШИМ в основном не отличается от результата, изображенного на рис. 4.11. Кроме того, существует еще одна особенность, связанная с вышесказанной задачей. Если механическая передача лебедки имеет возможность самоторможения, то процесс определения закона управления и параметров неироконтроллера выполняется, как и прежде, принимая при этом следующее замечание. Когда груз опускается, масса груза не участвует в уравнении движения системы, поэтому оно не является (4,3) а имеет вид: При этом спуск груза зависит только от силы, создаваемой двигателем, иначе от управления. На основе уравнения (4.44), используя принцип максимума Понтрягина или метод А.А. Колесникова можно определить оптимальное управление, а потом копировать его нейроконтроллером. Итак, для управления десантированием груза в этом случае должны быть два нейроконтроллера. Один управляет подъемом, а другой - спуском. Для определения условия участия массы груза в уравнении движения системы или неучастия, при котором происходит переключение управления между двумя нейроконтроллерами, используем равенство; Л/, напряжение, под действием которого двигатель может поднимать груз (это тоже является условием переключения): U2 - ——. (4.46) Схема системы в этом случае изображена на рис. 4.15, где НК[, НКг -нейроконтроллеры, ЛЗ - логическое звено. Схема системы управления десантированием с учетом самоторможения механической передачи Логическое звено переключит управление на основе сравнения выхода нейрон контроллеров с пороговым значением, определенным (4.46). Результат моделирования работы системы с двумя НК в основном совпадает с вышеуказанными результатами.
1. Нейроконтроллер, сконструированный по принципу максимума Понтрягина, позволяет выполнить релейное управление десантированием груза с вертолета на палубу. Это удобно для использования в условиях, когда на вертолете существуют только источники с постоянными напряжениями. Однако качество управления обеспечивается только в простых погодных условиях, когда высота вертолета и палубы не изменяется.
2. В сложных погодных условиях нейроконтроллер, сконструированный по методу А.А. Колесникова, позволяет мягко десантировать груз вне зависимости от колебания высоты вертолета и палубы. Однако, сигнал на выходе НС является непрерывным, поэтому для выполнения релейного управления нужно добавлять широтно-импульсный модулятор (ШИМ) на выходе нейроконтроллера.
