Бортовая оперативно-советующая экспертная система для безопасного выполнения сложных режимов полёта в условиях турбулентной атмосферы

Термин искусственный интеллект (ИИ) появился в 50-е годы прошлого века. Он включает в себя как довольно примитивные, так и продвинутые технологии, и методы, такие как машинное обучение (статистические методы, позволяющие компьютерам улучшать качество выполняемой задачи с накоплением опыта), искусственные нейронные сети (ИНС) и глубокое обучение (имитация человеческого интеллекта для решения узких задач, таких как классификация и сегментация данных, генерирование новых данных на основе накопленного опыта и пр. Продвинутый ИИ способен выполнять задачи распознавания речи и изображений, управления всеми видами средств передвижения и даже «творить» в живописи и музыке. В основе таких продвинутых алгоритмов лежит технология ИНС с многослойной архитектурой. Такие ИНС обучаются на огромных объемах данных, используя колоссальные вычислительные мощности.

Мелкомасштабная турбулентность вызывает тряску летательного аппарата (ЛА), повышает утомляемость пилота и снижает точность прицеливания, крупномасштабная влияет на эффективность выполнения боевых операций через воздействие на сбрасываемую боевую нагрузку (разброс траекторий) и на самолет, ограничивая углы входа на траекторию атаки и выхода из нее, создает предпосылки к возможности повторного контакта сбрасываемой нагрузки с носителем или с самолетом сопровождения (рис. 1).

Применение технологии ИНС позволяет повысить безопасность полета при выполнении сложных режимов в условиях турбулентности. Решение проблемы идет по двум направлениям. Первое связано с созданием Бортовых Оперативно-Советующих Экспертных Систем (БОСЭС), обеспечивающих предупреждение экипажа ЛА о вхождении в вихревой след от другого ЛА (заправка в воздухе), возможном попадании в когерентные ветровые вихревые структуры от надводной части авианесущего корабля (АК) при его стоянке и движении (посадка и взлет), вихревые структуры, возникающие при обтекании рельефа атмосферным ветром (горный аэродром, полет в горном или городском каньоне). Второе направление связано с созданием авиационных тренажеров (АТ) и пилотажных стендов (ПС), адекватно моделирующих полетную ситуацию.

Турбулентность атмосферы

Турбулентность атмосферы является одним из основных авиационных факторов риска. Вихревой след за самолетом (рис. 2-3) и атмосферный спутный след за кораблем (рис. 4), представляют опасность для ЛА, совершающих посадку в условиях современного загруженного аэропорта, заправку в воздухе, полет в плотном строю, взлет и посадку на корабль. На пропускную способность горного аэродрома, существенное влияние оказывает наличие устойчивых когерентных вихревых структур, возникающих при ветровом обтекании горного рельефа (рис. 5). Американцы называют вихревой след «Invisible Killer». Видимым его делает дымовая визуализация (рис. 2) или при численном моделировании средства компьютерной графики (рис. 3-4). Существуют также атмосферные вихри огромных масштабов, возникающих при сдвиговых течениях в атмосфере (зоны турбулентности ясного неба / ТЯН). Вихревой след за самолетом может стать видимым в результате конденсации паров воды при захвате продуктов сгорания двигателей при полете на эшелоне (контрейлы), но пока он невидим, это тоже ТЯН.

Вихревой след представляет собой поля возмущенных скоростей и давлений. При попадании в вихревой след (живущий долго) на ЛА действуют дополнительные силы и моменты, что может привести к катастрофическим последствиям. Наибольшую опасность представляет вихревой след за ЛА с большой полетной массой, за большим кораблем и плохообтекаемым препятствием при сильном ветре. Критичными с точки зрения опасности воздействия на ЛА являются взлет и посадка, заправка в воздухе (за время ее выполнения пилот теряет до 2 кг массы своего тела), полет строем, режим ожидания (можно попасть в собственный след).

Также авиационным фактором риска является роторная турбулентность – когерентные вихревые структуры в атмосфере, то есть достаточно сильные и долго живущие «случайные» вихри – этакие вихревые воронки, которые не трясут, а опрокидывают ЛА, имея для этого достаточно сил и времени. Они могут привести к заглоханию двигателя, забросу самолета на закритические углы атаки, несимметричному срыву потока на крыле (при этом наведенный момент крена может превысить располагаемый для его парирования при полном отклонении органов управления) и входу в штопор, из которого многие самолеты не выводятся.

Следующим риском является орографическая турбулентность, порождаемая горным ландшафтом, как за счет неравномерного нагрева поверхности (различные растительные покровы склонов и углы падения лучей), так и существенно отрывным обтеканием рельефа атмосферным ветром. Особенно опасны вихревые структуры с вектором завихренности, параллельным оси ВПП (рис. 6) для самолёта, совершающего взлёт или посадку.

На примере высокогорного аэродрома Лех Кушок Бакула Римпочи (Индия), на котором базируются самолеты МиГ-29 индийских ВВС, сделана оценка ограничения пропускной способности аэродрома по условиям вихревой безопасности (рис. 6-7). Это происходит, например, при южном ветре, когда рельеф обтекается с вектором завихренности, параллельным оси ввзлетно-посадочной полосы (ВПП). При этом горный массив играет роль «усилителя ветра». Вихревые структуры, образующиеся при обтекании рельефа, имеют характерный размер, существенно превосходящий размеры ЛА. Ограничение пропускной способности аэродрома на прием, временное закрытие ВПП и ограничение полезной нагрузки по погодным условиям снижают эффективность боевого применения фронтовой авиации в условиях горной местности. Вихревые структуры с поперечным (относительно траектории атаки) вектором завихренности, создавая дополнительный скоса потока на крыле, ограничивают диапазон допустимых углов входа и выхода из пикирования.

Расчет обтекания рельефа при круговой обдувке с шагом 45 градусов выполнен в рамках сеточных методов вычислительной аэрогидромеханики. Набегающий поток имеет струйный профиль скорости. Результаты моделирования в подобласти, представляющей интерес, при разных направлениях ветра представлены на рис. 5-7.

Пути повышения безопасности полета при выполнения сложных операций в плохих метеоусловиях заключаются в создании АТ, адекватно отражающих происходящее, интенсивной подготовке пилотов, создании БОСЭС, своевременно обнаруживающих опасную ситуацию и дающих правильную подсказку пилоту. Их создание опирается на строгие математические модели окружающей атмосферы, математические модели ЛА в возмущенной атмосфере, заранее насчитанные и/или полученные в эксперименте базы данных и технологии ИНС. Базы данных, используемые для обучения ИНС, могут быть получены также в рамках полунатурного моделирования опытными пилотами на ПС, адекватно отражающих реальность. Неадекватное моделирование может привести к летным происшествиям и катастрофам.

Летные происшествия и катастрофы, происходящие при посадке на палубу АК (рис.8), при заправке в воздухе (рис. 9), выполнении операций в горных условиях, редко становятся известными широкой публике.

Применение искусственного интеллекта для безопасного выполнения сложных режимов полета в условиях турбулентной атмосферы

В 1960 году Фрэнк Розенблат создал первую модель персептрона – простейшую ИНС, моделирующую восприятие информации человеческим мозгом. Его архитектура лежит в основе всех современных нейронных сетей и является основой машинного зрения и глубокого обучения. Методы машинного обучения могут имитировать различные процессы когнитивной деятельности человека, главным образом, способность обучаться и действовать на основе накопленного опыта, с каждым разом делая все меньше ошибок.

ИНС (рис. 10) – это вычислительная система, состоящая из связанных между собой математических нейронов (элементарных сумматоров входных сигналов xi с настраиваемыми в ходе обучения весами wi, сумматором – функцией активации, выдающей результирующий сигнал). В теории ИНС доказано, что любую непрерывную функцию нескольких переменных можно с любой точностью реализовать с помощью трехслойного персептрона (ИНС, в которой каждый нейрон слоя связан со всеми нейронами соседних слоев) с достаточным количеством нейронов в скрытом слое.

Для решения конкретной задачи моделируется турбулентный фон, в котором рассчитывается обтекание генератора когерентных структур: самолета-заправщика (рис. 3), корабля (рис. 4), горного массива (рис. 5). В полученное поле скоростей в узлы трехмерной сетки помещается ЛА, и насчитывается база данных (приращения сил и моментов) при различных углах атаки, скольжения и крена. Для расчета обтекания ЛА в возмущенном поле скоростей используются быстрые робастные методы. По этой базе данных строятся ИНС, что позволяет в режиме реального времени получать приращения сил и моментов в зависимости от положения и ориентации ЛА.

Процесс обучения выглядит следующим образом. На вход ИНС подаются данные, на выходе получается предсказание. Если ответ обучаемой ИНС совпадает с известным результатом – значит параметры ИНС подобраны хорошо, если нет, обучение продолжается, чтобы в конечном счете предсказание ИНС совпадало с заданным значением. В результате получается обученная модель с известной точностью предсказания.

Бортовая оперативно-советую-щая экспертная система обеспечивает безопасность эксплуатации ЛА в условиях возможного приближения к вихревому следу от другого участника воздушного движения, когерентным ветровым вихревым структурам от ландшафта и т. д. Такая система может быть построена по разным принципам. Например, ИНС может быть обучена определять положение и величину циркуляции когерентных вихревых структур, опираясь на показания бортовых датчиков скоса потока. Такие датчики и алгоритмы имеются. Другой подход заключается в своевременном обнаружении рассогласования реального движения ЛА и моделируемого численно с использованием траекторных данных и положения органов управления. В этом случае ИНС используются и как аппроксиматор для решения задачи динамики в режиме реального времени, так и для распознавания «образа» происходящего.

Своевременное предупреждение об опасном приближении к вихревому образованию и рекомендации по уклонению от него, выработанное БОСЭС, дает пилоту дополнительные спасительные секунды (доли секунды) для выполнения необходимых действий.

Мощным средством проведения исследований на этапах разработки, проектирования и эксплуатации ЛА являются пилотажные стенды (рис. 11-12), где с участием летчика исследуется поведение ЛА, отрабатывается система управления и сама кабина, новые способы пилотирования, формируются рекомендации по выполнению полетов, подготовка летчиков-испытателей к проведению летных экспериментов. Так, например, «Кобра Пугачева» была впервые выполнена на ПС. Отработанные на таких комплексах математические модели используются в АТ экипажа.

Если известна величина скорости ветра, набегающего на горный каньон, можно оценить вероятность превышения допустимой по боковому ветру при посадке (для Миг-29 это 15 м/с) скорости в вихревом порыве. Подобные оценки может делать наземная экспертная система руководителя полета, обученная для условий данной ВПП.

Блок-схема моделирования, представленная на рис. 13, в принципе одинакова для всех рассмотренных выше случаев. Прежде всего, нужна математическая модель атмосферы в приземном слое (анизотропная) для моделирования взлета и посадки и на эшелоне (изотропная) для моделирования заправки в воздухе.

Нужно знать форму подстилающей поверхности. В качестве начально-краевых условий используются данные о состоянии атмосферы, полученные из мезомасштабной модели атмосферы, для запуска которой используется база данных глобальной модели атмосферы. Выбор характерных сценариев и даты моделирования производится на основании анализа журнала метеослужбы аэродрома.

В соответствии с выбранными сценариями насчитываются поля течений в области моделирования. Они составляют базу данных по скосам потоков. По ней создается база данных по приращениям сил и моментов, действующих на ЛА в зависимости от его положения и ориентации в пространстве. Аппроксиматор на базе ИНС, обученный на этих базах данных, выдавая их в режиме реального времени, позволяет моделировать полет данного ЛА при заданных состоянии атмосферы и вектору скорости корабля режимы взлета, посадки и пролета вблизи корабля. Задача ПС и особенно АТ, повторяющего кабину реального самолета, обеспечить реалистичное стереоскопическое воспроизведение происходящего, как при виде из кабины, так и со стороны. При этом, имеется возможность подсветить вихревые структуры, что необходимо из методических соображений. Это, в частности, позволяет пилоту попробовать на ПС свои силы в разных зонах опасности.

Полет плотным строем нужен не только на параде и аэрошоу. При полете клином или пеленгом (рис. 14), как это делают птицы при дальних перелетах, удается уменьшить индуктивное сопротивление и сократить расход топлива, увеличив дальность. Прохождение зоны ПВО противника в плотном строю может ввести в заблуждение при определении и обнаружении целей.

БОСЭС, помогающая в решении этих задач, должна знать и контролировать положение самолетов в строю и зоны, в которых находиться нежелательно или запрещено (рис. 15) по недопустимым значениям наведенных моментов крена, рыскания и продольного момента, что поможет, в частности, при выполнении заправки в воздухе правильно подходить к самолету-заправщику (рис. 16).

Заключение

Многое из того, о чем здесь написано, еще только создается или может быть создано. Есть и другие примеры, например, БОСЭС для оценки правильности действий и степени подготовки курсантов летной (танковой, мореходной и др.) школы. ИНС, обученные на выполнении полетных заданий инструкторами и опытными пилотами, могут дать сравнительную оценку действиям курсантов и стажеров, контролировать процесс обучения.

ИНС для распознавания образов используются при автоматической посадке, заправке в воздухе с различным сочетанием пар ЛА: танкер (беспилотный или пилотируемый) – заправляемый ЛА (беспилотный или пилотируемый).

Ранцевый привязной мультикоптер, снабженный тепловизором или гиперспектрометром для обнаружением целей в «зеленке», с аккумуляторами в ранце «следопыта» должен исключить столкновения с ветками деревьев и другими препятствиями, сопровождая бегущего бойца или едущего (плывущего) робота. Возможно также создание системы «свой – чужой» по многочисленным признакам, исключая радиообмен, обнаружения подводных лодок, спутный след от которых живет сутки.

Следует помнить, что ИИ приобретает силу и значимость лишь тогда, когда обучение ИНС осуществляется на хороших базах данных, которые, в свою очередь, опираются на верную физическую модель явления, корректную математическую реализацию этой модели и надежно верифицированные численные методы. Необходим также хороший физический эксперимент как для валидации физической модели, так и для самостоятельного наполнения базы данных. «Всеядность» ИНС это допускает. Над всем этим стоит человеческий гений, «нейронную сеть» которого пока повторить не удается, и ИИ остается всего лишь аппроксиматором человеческих решений, накопленных знаний, систематизированных баз данных, аппроксиматором быстрым и неутомимым. В некоторых случаях это становится решающим. Однако решить проблему «колумбовым яйцом» он не может. Пока не может.

Вышинский В.В.

(ФГУП ЦАГИ им. проф. Н.Е. Жуковского) Головнев И.Г., Лапшин К.В.

(ФГУП «ГосНИИАС»)

Меньщиков А.М. (Сколтех)

Читайте также:

Добавить комментарий