臺灣博碩士論文加值系統

在整個飛行過程中，起飛與降落過程雖只佔短短的時間，但卻攸關飛機是否能平安起飛與著陸，因此專業的機師除了要熟悉儀表的操作之外，對於外在環境的變化亦須具備高敏感度的警覺，尤其在降落過程中，當受到風擾影響時，容易會危害飛行安全。飛機在降落時，會啟動自動降落系統，並根據儀器降落系統的指示，循著安全的飛行軌跡著陸。一般傳統的飛行控制器係採取增益預定的方式，但若遇到風擾時，常會使飛行狀態超出原先設定的範圍，因此就必須切換到手動駕駛，這就必須依賴有經驗的機師才能在惡劣的環境中，將飛機平安地著陸。而本文中，試圖利用可自動生成隱藏層神經元的RAN網路來替代傳統控制器，並使用實數型基因演算法來搜尋俯仰角自動導航系統在不同區間的控制參數，此種結合類神經網路與基因演算法的智慧型控制器，將使得飛機能適應更廣泛的風擾，並平安地著陸。本文另外透過動態模擬系統軟體Simulink、VisSim建構飛機自動著陸系統，由於採取圖形化使用者介面，可以個別將不同的系統建立模組，所以在擴充模組時，可以立即地將所需要的模組加入到系統，相當地方便。藉由視覺化的建模，可以即時性地瞭解飛機整個著陸過程的動態，而且當飛機受到風擾時，也能直接地觀察其對飛機所造成的影響。此外，透過VisSim/TI C2000 Rapid Prototyper發展平台，在發展平台上可以快速地發展定點DSP控制器，經過編譯、組譯、連結JTAG將程式碼下載至泛用型DSP控制系統，來完成嵌入式控制系統，實現飛機自動著陸線上即時控制。

In a flight, take-off and landing are the most difficult operations in regard to safety issues. Airplane pilots must not only be acquainted with the operation of instrument boards, but also need flight sensitivity to the ever-changing environment, especially in landing phase when turbulence is encountered. The Automatic Landing system (ALS) can help to alleviate the pilot’s work during landing process but with limited conditions. Conventional flight controllers usually utilize gain-scheduling techniques, if the landing environment is beyond predefined conditions the ALS must disable and the pilot has to operate the aircraft manually. To improve the controller of the ALS this research uses a neural network called RAN, which can grow the hidden units automatically, and uses a real-valued genetic algorithm to search the control gains of the pitch autopilot. The proposed intelligent controller can enable the airplane to adapt to more extensive turbulences and guide the airplane to a safe landing. In addition, the Simulink and VisSim softwares, which have the property of dynamical simulation, are used to construct the flight control system. Since these softwares have graphical user interface the control system can easily be expanded by adding new modules. Environmental influences to the airplane can be observed through the visual flight simulation model. This paper also utilizes the VisSim/ TI C2000 Rapid Prototyper to develop an embedded control system that uses a fixed-point DSP controller. Thus realization of on-line real-time control can be achieved.

摘要（中文） Ⅰ
摘要（英文） Ⅱ
誌謝 Ⅲ
目錄 Ⅳ
圖目錄 Ⅶ
表目錄 XI
第一章 導論 1
1.1 研究動機 1
1.2 文獻回顧 3
1.3 論文貢獻 5
1.4 論文大綱 5
第二章 飛機著陸分析 7
2.1 飛機著陸分析 7
2.1.1 儀器降落系統 7
2.1.2 飛行器自動著陸時之飛行軌跡 9
2.1.3 飛行系統示意圖 10
2.2 飛行器線性動態方程式 11
2.2.1 運動方程式 11
2.2.2 高度命令、速度命令 12
2.3 飛行器著陸控制器 14
2.4 亂流數學模式 16
2.5 安全降落之定義 18
第三章 結合基因演算法與RAN網路之控制 19
3.1 基因演算法之基本概念 19
3.2 基因演算法之演化 19
3.2.1 初始族群（Initial Group） 20
3.2.2 適應函數（Fitness Function） 21
3.2.3 交配（Crossover） 22
3.2.4 突變（Mutation） 23
3.2.5 編碼型式 23
3.3 實數型基因演算法 24
3.3.1 物種型式 24
3.3.2 實數型的複製過程 25
3.3.3 實數型的交配 25
3.3.4 實數型的突變 25
3.4 資源分配網路（RAN） 26
3.4.1 放射狀基底函數網路（RBFN） 26
3.4.2 RAN的網路架構與學習機制 29
3.5 RAN應用於飛機自動著陸系統 31
3.6 透過RGA搜尋最優控制參數並結合RAN 33
3.7 模擬結果及分析 34
3.7.1 原始PI-Controller應用於飛機自動著陸系統 34
3.7.2 RAN應用於飛機自動著陸系統 36
3.7.3 透過RGA與RAN的結合來搜尋最優控制參數 37
第四章 DSP即時控制系統應用於飛機自動著陸控制 52
4.1 建構Simulink模組化之飛機自動著陸控制系統 52
4.2 VisSim 動態控制系統模擬與設計軟體 54
4.3 建構VisSim模組化之飛機自動著陸控制系統 56
4.3.1 VisSim飛機自動著陸系統 56
4.3.2 VisSim飛機自動著陸系統採取定點控制器設計 57
4.4 泛用型DSP控制器系統（VS-ECD2407） 59
4.4.1 數位信號處理器（Digital Signal Processor，DSP）發展史 60
4.4.2 DSP晶片 61
4.4.3 TMS320LF2407A DSP 介紹 62
4.4.4 泛用型DSP控制系統（VS-ECD2407） 66
4.4.5 定點法則 68
4.4.6 DSP控制器設計流程 69
4.5 模擬結果 71
4.5.1 Simulink模擬結果 72
4.5.2 VisSim模擬結果 74
4.5.3 定點控制器模擬結果 79
4.5.4 DSP控制器模擬結果 84
第五章 結論與建議 88
Appendix A 90
Appendix B 93
Appendix C 97
參考文獻 100

〔1〕 NTSB,1989-1999,“http://www.asy.faa.gov/safety_analysis/weather_study/windcond.htm ” Office of System Safety, Safety Report.
〔2〕 Federal Aviation Administration, “Automatic Landing System,” AC 20-57A, Jan. 1971.
〔3〕 J. Platt,“A Resource-Allocating Network for Function Interpolation,” Neural Computation, vol. 3, no. 2, pp. 213-225, 1991.
〔4〕 W.S. McCulloch and W. Pitts,“A Logical Calculus of the Ideas Immanent in Nervous Activity,”Bulletin of Mathematical Biophysics, vol.5, pp. 115~133, 1943.
〔5〕 F. Rosenblatt,“The Perceptron : A Probabilistic Model for Information Storage and Organization in the Brain,”Psychological Review, vol. 65, pp.386~408, 1958.
〔6〕 D. E. Rumelhart, G. E. Hinton, and R. J. Williams,“Learning Internal Representations by Error Propagation,”in D. E. Rumelhart, J. L. McMclelland, et al., Parallel Distributed Processing, vol. 1, Chap. 8, Cambridge, MA : MIT Press, 1986.
〔7〕 蘇木春, 張孝德, 機器學習：神經網路、模糊系統以及基因演算法則, 全華科技圖書有限公司, 1997.
〔8〕 M. Gori and A. Tesi, “On The Problem of Local Minima In Back-propagation”, IEEE Transactions. Pattern Anal. Mach. Intell, vol. 14, no. 1, pp. 76-86, January 1992.
〔9〕 K.S. Narendra, L.G. Kraft, L. Ungar, and S.T. Venkataraman, “ Neural Networks for Identification and Control, 33 IEEE Constabilizer Applications Using Participation Factors,” IEEE Proc. Conference on Decision and Control, no. 6, pp. 12-13, December 1994.
〔10〕 黃朱瑜,“輻射基底函數式類神經模糊網路,” M.S .thesis, 國立中興大學, 1998.
〔11〕 M.A. Abido and Y.L. Abdel-Magid, “On-line Identification of Synchronous Machines Using Radial Basis Function Neural Networks,” IEEE Transactions on Power Systems, vol. 12, no. 4, November 1997.
〔12〕 D. Ranaweera and G. Karady, “Active Power Contingency Ranking Using a Radial Basis Function Network,” Eng. Intell. Syst. vol. 2, no. 3, pp.201-206, 1994.
〔13〕 D.K. Ranaweera, N.F. Hubele, and A.D. Papalexopoulos, “Application of Radial Basis Function Neural Network Model for Short-term Load Forecasting,” IEE Proc.-Gener. Transm. Distrib, vol. 142, no. 1, 1995.
〔14〕 M.A. Abido and Y.L. Abdel-Magid, “Adaptive Tuning of Power System Stabilizers Using Radial Basis Function Networks,” Electric Power systems Research , vol.49, pp. 21-29, June 1998.
〔15〕 J. H. Holland,“Outline for a Logical Theory of Adaptive Systems,” Journal of the Association for Computing Machinery, vol. 3, pp. 297-314, 1962.
〔16〕 J. H. Holland, Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence, 1975.
〔17〕 K.A.D Jong,“An Analysis of the Behavior of a Class of Genetic Adaptive Systems,” Ph.D thesis, University of Michigan, 1975.
〔18〕 A.J. Calise and R.T. Rysdyk, “Nonlinear Adaptive Flight Control Using Neural Networks,” IEEE Control System Magazine, vol. 18, no.6, pp14-25, 1998.
〔19〕 P.J. Werbos, “Neural Networks and Flight Control: Overview of Capabilities and Emerging Applications,” Proc, of the AIAA Guidance, Navigation, and Control Conf., pp. 1008-1015, 1995.
〔20〕 陳柏熹, “The Application of Neural Network on Longitudinal Flight Control System Design,” M.S. thesis, 中興大學, 1994.
〔21〕 謝成德, “Gain Scheduling of Flight Control System with Fuzzy Logic Model,” M.S. thesis, 交通大學, 1996.
〔22〕 譚俊豪,“模糊飛行控制系統的發展及應用於無人飛機之研究,” 國科會研究報告, NSC82-042-E006-148, 1993.
〔23〕 Y. Li, N. Sundararajan, and P. Saratchandran, “Neural-Flight Controllers for Aircraft Using Minimal Resource Allocating Networks（MRAN）,” Neural Computing and Applications, vol.10, issue 2, pp.172-183, 2000.
〔24〕 張務本,“A Study of Neural Network Applications to Automatic Landing System,”
M.S. thesis, 海洋大學, 2000.
〔25〕 張浩祥,“應用時序性倒傳遞演算法與線性化反飛機模組於著陸控制之研究,”
M.S. thesis, 海洋大學, 2001.
〔26〕 鄭凱中,“類神經網路應用於擾流中著陸控制之分析與比較,”M.S. thesis, 海洋大學, 2001.
〔27〕 邱仁君, “應用模糊類神經網路於飛機自動著陸控制,” M.S. thesis, 海洋大學, 2002.
〔28〕 秦國智, “模糊類神經網路與基因演算法於飛機著陸控制之應用,” M.S. thesis, 海洋大學, 2003.
〔29〕 FAA, Aeronautical Information Manual, 2003.
〔30〕 C.C. Jorgensen and C. Schley, “A Neural Network Baseline Problem for Control of Aircraft Flare and Touchdown,” Neural Networks for Control, pp. 403-425, 1991.
〔31〕 鈦思科技股份有限公司 編著, 視覺化建模環境 ～Simulink入門與進階, ISBN：957-30111-0-7, 2001.
〔32〕 林志一,張嘉峰,楊政達,曾龍圖, VisSim動態系統模擬與即時控制,台科大圖書股份有限公司, 2002.
〔33〕 J.W. Cooler and J. W. Tukey, "An Algorithm for the Machine Computation of Complex Fourier Transform Series," Mathematics of computation, vol. 19, pp. 297-301, Apr. 1965.
〔34〕 數位信號處理線上教學課程, http://dsptec.ee.ntou.edu.tw/a02_histroy/02_main.htm
〔35〕 Texas Instrument, TMS320LF2407A DSP Controllers Manual, SPRS1451-JULY2000-Revised, Sep. 2003.
〔36〕 卓傑企業有限公司, VisSim 泛用型DSP控制器系統手冊, 2002.