页面加载中，请稍候
来源:电子技术应用发布时间:2018-08-28688浏览
询问 AI摘要：对现有飞机刹车防滑系统的控制算法进行了改进，采用了神经网络的BP算法和模糊实时控制，并且数字信号处理器（DSP）在嵌入式系统中实现了神经网络算法。结果表明，飞机防滑刹车效率有了明显改进，鲁棒性增强。
关键词：数字信号处理 飞机刹车系统 神经网络 模糊控制
飞机刹车系统是飞机上具有相对独立功能的子系统，承受飞机的动、静态载荷及着陆时的动能，实现飞机制动控制。
从20世纪40年代至今，飞机刹车系统已发展到第四代。第一代飞机刹车系统由离合开关调节压力来实现刹车控制；第二代用固定参考减速度为误差门限进行控制；1967年Hydro-Aire公司的第三代飞机刹车系统，以一定的滑移率为误差门限进行控制；20世纪70年代后，第四代系统用指令传感器代替液压阀，采用微处理器，将控制算法通过编程来实现。近年来，国外已着手运用最新控制理论——模糊控制和神经网络理论研究新一代防滑刹车系统，并成功地利用DC-9飞机的参数进行了仿真。结果表明：新系统具有更高的刹车效率、更好的控制鲁棒性。我们也已开始了相应的研究，并成功地进行了软件仿真，本系统在文献[5]的基础上，在硬件上实现了神经网络和模糊控制，较大程度地提高了飞机刹车效率。
1 工作原理
1.1 飞机刹车系统原理
飞机刹车制动主要靠刹车时轮胎和地面间产生的结合力来使飞机减速。影响结合力大小的主要因素是结合系数μ。该系数与滑移量σ之间存在一个复杂的非线性关系，在整个刹车过程中，存在一个最大值μmax，它对应的滑移量为最佳滑移量σp，如图1所示。
在整个刹车过程中，飞机速度不断下降，因此σ也不断变化，必然引起μ变化。为了达到最佳刹车，应不断调节刹车力矩，使刹车机轮在结合系数为最大值或者在其附近区域II、III的情况下产生运动。
目前在刹车系统对μ-σ的处理中，μ取为定值，这与实际情况存在较大差异。有文献采用多级σ值的计算方法来实现μ随σ变化而变化，但控制效果交不理想。本文采用神经网络来处理μ-σ的非线性关系，因为根据Kolmogorov神经网络映射存在以下理论：任何一个给定的连续函数或映射，都能够用一个三层神经网络来精确实现。
现有刹车系统根据不同的跑道状况，由速度反馈单元不断地对参考速度进行修正，具有一定自适应能力。但当飞机由干路面进入积水路面时，会引起刹车减速率的突变，引起系统和起落架的震动。在本文研制的系统中，按模糊规则来控制系统，系统受略面影响较小，具有较好的鲁棒性。
1.2 神经网络原理
神经网络中应用最广的是多层前向网络。多层前向网络应用于具体实时控制问题时，必须有一个训练网络权值的算法，应用最广的是BP算法。这种算法思路简洁明了，具有自适应、自学习、自组织功能，根据实际训练样本不断实时调节自己的参数，以达到理想输出的目的。在本系统中即采用BP算法。图2即为一个典型的三层前向网络。
1.3 模糊控制原理
模糊控制是利用人的智能和经验，制定一些模糊规则，进行推理，得出控制查询库，按查询库来控制系统。采用模糊控制，可以有效地克服参数变化对系统造成的不利影响，极大地增强系统的鲁棒性。同时避免不精确建模造成的误差，使系统有效地工作，故的年来获得越来越广泛的应用。神经网络和模糊控制两者是互补的。简单地说，神经网络是模拟人的大脑结构，而模糊控制模拟人的大脑功能，两者的有机结合可组成性能更好的系统。
2 系统总体结构
系统根据μ-σ曲线上的μmax计算出期望的飞机速度及机轮转速ωd，与速度传感器测得的机轮速度ω进行比较，将差值e放大后输入FC（CUZZY CONTROLLER）控制器中；同时计算出ωd与ω差值的变化率ec，输入到FC控制器中，由规则库给出的知识进行查询，输出调节电流，由伺服阀控制刹车压力，实现模糊刹车。
根据系统的性能要性及实际情况，本系统采用DSP（数字信号处理器）实现神经网络，用单片机89C52实现模糊控制方案。系统硬件原理图和如图3所示。伺服控制系统框图如图4所示。
3 系统的实现
3.1 系统硬件实现方案
3.1.1 神经网络部分
核心处理器为DSP，外扩8253来计外部脉冲。DSP芯片外部接口电压为3.3V，内部核心电压为1.8V，采用TI公司的专用电源芯片为DSP提供两种低压的电源。神经网络的仅值训练程序作为DSP的中断子程序调用（开关触发）。
3.1.1.1 存储器
神经网络部分需要保存权值与阈值参数，实现在线擦写，因此采用高速FLASH。本系统采用5V工作的INTEL28F010A，其与DSP间电平转换通过74LVC16245来进行。
在实际应用系统中，可靠性是不容忽略的问题。自动复位电路除具有上电复位功能外，还具有监视系统运行并在系统发生故障时进行复位的能力，因此采用MAX706实现自动复位电路。
3.1.2 模糊控制部分
核心处理器为ATMEL公司的89C52芯片，处理完的数字控制信号由AD7528芯片转换为模拟电流信号输出。
3.1.3 双机通信
系统设计重点之一在于主机和从机间的数据通信。神经网络与模糊控制之间要求快速高效地通信，采用DSP的HPI主机接口方式。HPI为一个8位并行接口。通过DSP和微处理器都可以访问到DSP片内为HPI所设的专用存储器，可在DSP和微处理器之间进行信息交换。DSP处理完信号后，向89C52发出中断信号，触发单片机读取DSP的处理结果以进行模糊控制的处理，形成一条信号处理流水线系统，从而大大提高了信号的处理效率，保证了系统的实时性要求。
3.2 系统软件实现方案
3.2.1 神经网络部分
网络训练程序作为DSP的中断子程序调用。神经网络部分处理完数据，将结果传到HPI接口RAM缓存区，通过HINT管脚向89C52发出中断信号。主程序流程图见图5。
如前所述，神经网络部分采用常用的BP算法，其具体的学习步骤如下：
（1）初始化，将各连接权值及阈值赋随机值；
（2）随机选取模式，计算各层的输入和输出；
（3）计算各层的一般化误差；
（4）更新各层的阈值及层之间的连接权值；
（5）下一个模式对输入网络进行训练，返回步骤（3），至全部模式训练完；
（6）判断是否需要循环学习。
当整个网络训练完后，学习结果记忆在权值和阈值中。
针对BP算法中存在的问题及刹车系统自身的特点，我们进行了改进。
3.2.1.1 活化函数的选取
在μ-σ曲互中，μ的取值存在着接近0的点，如果选取单极连续的S型函数f(net)=1/[1+exp(-net)],则接近0或1时收敛速度极慢，所以系统选取双极连续的S型函数f（net）=[1-exp(-net)]/[1+exp(-net)]。该函数在接近0处余率最大，收敛最快，解决了网络的训练在0点处的收敛速度问题。
3.2.1.2 初始值的选择
由于曲绠非线性的，初始值对于学习是否达到局部最小和是否收敛影响很大。初始权值在输入累加时，每个节点的状态值接近0，保证开始时不落到活化函数的平坦区上。权值和阈值一般随机取值，该系统中两者初始值均取在（-1，+1）之间，对输入样本初始值进行归一化处理，使较大的输入仍落在活化函数梯度大的区域。
3.2.1.3 退火系数Q的选择
系统中加入了动量项，针对学习过程中易引起振荡的现象，加入退火系数来改变活化函数曲线状态，以改变接近0处的斜率，即活化函数为：f(net)=[1-exp(-net)/Q]/[1+enp(-net)/Q]，从而可通过调节Q值消除振荡和发散现象。
3.2.1.4 BOOT设计
TMS320C54X DSP芯片一般都在片内设置有BOOT程序，其作用是开机时将程序从外部装入内部程序存储器。DSP芯片有多种BOOT方式，本系统采用8位并口BOOT方式。
3.2.2 模糊控制部分
89C52收到DSP发的中断信号时，向DSP的HPI口发出读信号，读取DSP的处理结果。由89C52进行查表及反模糊化控制，最终将所得数字结果通过D/A转换器转换为所需的模拟电流控制信号。
模糊控制需进行三部分的工作：输入精确量的模糊化、模糊控制规则的推理合成运算和模糊量的精确化（反模糊化）。在实际应用中，考虑到单片机的特点，力求使其存储、变换和处理过程简单，快捷、节省内存，本文采用直接查表法。
查表法可归纳为以下四步的工作：
（1）确定输入量及输出量的论域；
（2）根据各论域所分级数n，将e、u变化范围分为n档，使每档与论域的某个元素相对应；
（3）查模糊控制表，得出控制量u，反模糊化；
（4）将控制量u乘以比例因子，施于被控对象。
模糊控制表格的生成是脱机进行的。表格生成后，存入单片机的ROM中，这样输入模糊化、模糊推理以及模糊量的精确化过程就可简化为查模糊控制表来实现。这种控制器结构简单、响应速度快、资源开支少，适于在单片机上实现。
表1 两种系统刹车性能比较
平均
减速率
4 试验结果及分析
通过实验和研究表明：采用新系统后，飞机防滑刹动性能明显提高，制动距离、制动时间均减少。新系统的实验结果见图6。表1示出了新系统与原系统的比较结果，可以看出：
（1）新系统有效缩短滑跑距离，提高刹车效率，在湿跑道、积水跑道上更为明显；
（2）新系统在各种跑道上的减速率从高速到低速变化均为5%以内，明显小于原系统（最大达15%）。说明刹车力矩变化平稳；
（3）新系统的减速率在湿跑道和积水跑道均比原系统要大20%左右，干跑道也大6%；
（4）新系统的滑移率σ控制在0.15左右，刹车效能始终保持在最佳状态；
（5）新系统在各跑道上均未出现抱死现象，也消除了原系统的打滑逐渐加深的现象。
新闻来源：电子技术应用，文中所述为作者独立观点，不代表icspec立场。更多精彩资讯请下载icspec App。如对本稿件有异议，请联系微信客服specltkj。
暂无评论哦，快来评论一下吧！
2026-06-17