<  Back to the Polytechnique Montréal portal

Identification des coefficients aérodynamiques et commande de vol non-linéaire

Annie Girard

Technical Report (2007)

[img]
Preview
Published Version
Terms of Use: All rights reserved.
Download (2MB)
Cite this document: Girard, A. (2007). Identification des coefficients aérodynamiques et commande de vol non-linéaire (Technical Report n° EPM-RT-2007-02).
Show abstract Hide abstract

Abstract

Résumé: La commande de vol classique consiste à discrétiser l’enveloppe de vol, en y choisissant un ensemble de points de fonctionnement, et à concevoir des contrôleurs linéaires locaux pour chacun de ces points. Toutefois cette méthode demande un effort de conception important. Un des principaux défis de la commande de vol moderne est de se dégager de ces contraintes grâce à la conception de lois de commande non linéaires et/ou adaptatives basées sur des modèles non linéaires d’avion. L’objectif de ce mémoire est de développer une commande de vol non linéaire, permettant de contrôler un aéronef en angle d’attaque α,, en angle de dérapage β et en angle de roulis φ. La première phase de cette recherche consiste à identifier les coefficients aérodynamiques de l’avion de manière précise. Pour cela, une structure innovante à base de réseaux de neurones est développée. Celle-ci atteint les performances de précision désirée tout en étant de taille restreinte. Elle présente l’avantage de pouvoir être facilement étendue par un apprentissage en ligne, caractéristique qui lui permettra d’être utilisée dans le futur par une commande de vol reconfigurable. En deuxième phase, une loi de commande par inversion dynamique dont les paramètres sont donnés par le module d’identification précédent est développée. L’identification précise des coefficients aérodynamiques permet de restreindre les erreurs de modélisation et l’utilisation d’une dynamique désirée de type proportionnel + intégral permet alors d’assurer une certaine robustesse au contrôleur. L’étude se termine sur l’utilisation d’une boucle de commande prédictive, appliquée au système linéarisé par retour de sortie, qui permet d’anticiper les changements de trajectoires et de limiter les efforts sur la commande. La robustesse de ce contrôle n’est cependant pas traitée et reste matière à recherche future. Une application au Fighting Falcon F-16 est faite par simulation sous MatLab et Simulink. Contrairement à la majorité des travaux publiés qui se basent sur des modèles aérodynamiques linéaires, le modèle aérodynamique utilisé est directement celui élaboré par la NASA suite à des essais en soufflerie (Nguyen et al, 1979) et est hautement non linéaire. Le module d’identification, développé sur l’ensemble de l’enveloppe de vol du F-16, comprend un nombre de réseaux de neurones suffisemment restreint pour être implémenté sur un processeur neuronal existant et réalise bien les objectifs de précision. La commande de vol par inversion dynamique est ensuite testée sur une trajectoire donnée, en premier lieu avec un modèle aérodynamique parfait puis avec un modèle aérodynamique “réel” du F-16. Les performances sur cette trajectoire confirment que les objectifs de suivi de trajectoire sont atteints et est un premier point positif pour la démonstration de la robustesse de cette loi de contrôle. Les objectifs de ce projet ont été atteints : un système de commande d’attitude non linéaire, qui n’a pas recours au découplage des mouvements longitudinaux et latéraux et qui obvie au “gain scheduling”, a été développé. ---------- Abstract : Classical flight control is achieved with linear controllers that are scheduled over the entire flight envelope. This approach, although quite straightforward, is tedious and may not be adequate for flying operations at a distance from the linearised region. Thus modern flight control aims at developing non linear and/or adaptive control laws, based on non linear plant models, which are valid over the entire flight envelope. The objective of this theses is to develop such a control law, is order to command the aircraft’s angle of attack α, , sideslip angle β and roll angle φ. In the first place, the aircraft’s aerodynamic coefficients are identified with precision over the entire flight envelope. To do so, a novel architecture based on neural networks is developed. It achieves the desired performances, and is of a reasonable size with regards to the number of neural networks it contains. This architecture can be easily extended to the on line identification needed for reconfigurable flight control. In the second place, a dynamic inversion control law, the parameters of which are issued by the neural identification module, is developed. The use of precise aerodynamic coefficient estimates enables limited model errors, and provides an improved robustness of the control law when the desired dynamics is generated by a proportionel+integrator feedback. The research ends on an extension of this control law by a predictive command. This command, based on the feedback linearised model of the plant, anticipates changes in the reference trajactory and limits the control effort. However the robustness of this control law was not part of this research and remains to be studied. The theoretical results are applied to the Fighting Falcon F-16 through simulation on a MatLab and Simulink platform. The neural identification module contains a limited number of networks, and achieves the desired precision performance. The dynamic inversion command is then tested on both a perfect model and a “reel” model of the plant. In both cases the results confirm that the reference was correctly tracked. This is a positive premise for the robustness of this control law.

Open Access document in PolyPublie
Subjects: 2100 Génie mécanique > 2108 Génie aérospatial, aéronautique et automobile
2500 Génie électrique et électronique > 2500 Génie électrique et électronique
Department: Département de génie électrique
Research Center: Non applicable
Date Deposited: 19 Jun 2018 15:28
Last Modified: 24 Oct 2018 16:13
PolyPublie URL: https://publications.polymtl.ca/3158/

Statistics

Total downloads

Downloads per month in the last year

Origin of downloads

Repository Staff Only