МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ И ПРАКТИЧЕСКИЕ АСПЕКТЫ РЕШЕНИЯ ЗАДАЧ ОПТИМИЗАЦИИ НЕСУЩИХ СИСТЕМ БЕСПЛАТФОРМЕННЫХ ИНЕРЦИАЛЬНЫХ НАВИГАЦИОННЫХ СИСТЕМ

  • П.А. Шаповалов АО «ЦНИИАГ»
  • Ю.В. Михайлов АО «ЦНИИАГ»
  • А.В. Фролов АО «ЦНИИАГ»
  • Д.О. Савватеев АО «ЦНИИАГ»
Ключевые слова: БИНС, численное моделирование, ANSYS, многокритериальная параметрическая оптимизация, акселерометр, углы отклонения осей

Аннотация

Описываются подходы к решению задач оптимизации несущих систем (НС) бес-
платформенных инерциальных навигационных систем (БИНС). Типичной задачей оптими-
зации в данном случае является многокритериальная параметрическая оптимизация несу-
щей сисметы триады акселерометров БИНС с целью минимизации массы НС и минимиза-
ции углов отклонения осей акселерометров под действием внешних нагрузок. В качестве
инструмента численного моделирования и оптимизации используются модули ANSYS Mechanical
и ANSYS DesignXplorer соответственно. Рассмотрены практические вопросы,
связанные с параметризацией твердотельных моделей НС БИНС, вычислением углов от-
клонения осей акселерометров, возможными вариантами планов численного эксперимента,
оценкой чувствительности отклика ко входным параметрам, генерацией и уточнением
поверхности отклика, и проведением многокритериальной оптимизации. Для рациональной
параметризации твердотельных моделей произведена декомпозиция конструкции прибора
БИНС, в результате чего были выделены детали и конструктивные элементы, имеющие
наибольшее влияние на рассматриваемые целевые функции. Для вычисления углов отклоне-
ния осей чувствительных элементов использованы специальные двухузловые конечные эле-
менты и соотношения для углов Брайанта, которые описывают взаимное положение в
пространстве двух систем координат. При планировании численного эксперимента на
первом этапе оптимизации был использован центральный композиционный план, а на по-
следующих этапах заполнение пространства параметров осуществлялось методом ла-
тинского гиперкуба с дополнительной опцией соотношений между параметрами, что по-
зволило избежать вырожденных вариантов конструкции. Поверхность отклика была по-
строена методом генетической агрегации и впоследствии уточнена на основе набора оп-
тимальных решений. Оптимизация для конфликтующих целей минимизации массы и мак-
симизации жесткости проводилась при помощи многокритериального генетического алго-
ритма. Описываемая совокупность подходов к решению задач оптимизации в результате
показательной серии расчетов позволила снизить массу серийной детали НС БИНС на 23%
при неизменной жесткости.

Литература

1. Chatfield A.B. Fundamentals of High Accuracy Inertial Navigation. AIAA, 1997.
2. Titterton D., Weston J. Strapdown Inertial Navigation Technology. Institution of Engineering
and Technology, 2005.
3. Lawrence A. Modern Inertial Technology: Navigation, Guidance, and Control. Springer, 2012.
4. Noureldin A., Karamat T.B., and Georgy J. Fundamentals of Inertial Navigation, Satellitebased
Positioning and their Integration. Springer, 2013.
5. Peshekhonov V.G. Sovremennoe sostoyanie i perspektivy razvitiya giroskopicheskikh sistem
[Current state and development prospects of gyroscopic systems], Giroskopiya i navigatsiya
[Gyroscopy and Navigation], 2011, No. 1, pp. 3-16.
6. Klimkovich B.V., Tolochko A.M. Kalibrovka BINS navigatsionnogo klassa tochnosti v
inertsial'nom rezhime [SINS calibration of navigation accuracy class in inertial mode], XXII
Sankt-Peterburgskaya mezhdunarodnaya konferentsiya po integrirovannym navigatsionnym
sistemam: Sb. materialov [St. Petersburg International Conference on Integrated Navigation
Systems: Proceedings]. Saint Pbetersburg, 2015, pp. 250-256.
7. Savage P.G. Strapdown Sensors. AGARD Lecture Series, Strapdown Inertial Systems, 1978,
No. 95.
8. Zienkiewicz O.C. The Finite Element Method. McGraw-Hill Company. London, 1977.
9. Frolov A.V. Optimizatsii konstruktsii nesushchey sistemy vysokodinamichnogo BINS s
ispol'zovaniem pokazatelya sbalansirovannoy tochnosti [Optimization of the Design of the
Carrier System of a Highly Dynamic SINS Using the Balanced Accuracy Index], Izvestiya
TulGU. Tekhnicheskie nauki [Izvestiya TulGU. Technical science], 2021, No. 1, pp. 74-90.
10. SpaceClaim Online Help. Available at: https://help.spaceclaim.com/2015.0.0/en/Content/Support.
html. Checked 01.04.2023.
11. Nikravesh P. Computer-aided analysis of mechanical systems. Prentice Hall, Englewood
Cliffs, New Jersey, 1988.
12. Ansys Help. Available at: https://ansyshelp.ansys.com. Checked 01.04.2023.
13. Fisher R.A. The Design of Experiment. 9-th ed. London: Macmillan, 1971, 497 p.
14. Box G.E., Behnken D.W. Some new three level designs for the study of quantitative variables,
Technometrics, 1960, No. 2, pp. 455-475.
15. Box G.E., Hunter W.G., Hunter S.J. Statistics for experimenters: An introduction to design,
data analysis, and model building. New York: Wiley, 1978, 275 p.
16. Adler Yu.P., Markova E.V., Granovskiy Yu.V. Planirovanie eksperimenta pri poiske
optimal'nykh usloviy [Planning an experiment in the search for optimal conditions]. Moscow:
Nauka, 1976, 278 p.
17. Nalimov V.V., Golikova T.I. Logicheskie osnovaniya planirovaniya eksperimenta [Logical
foundations for planning an experiment]. 2nd ed. Moscow: Metallurgiya, 1981, 151 p.
18. Sobol' I.M. Tochki, ravnomerno zapolnyayushchie mnogomernyy kub [Points uniformly filling
a multidimensional cube], Novoe v zhizni, nauke, tekhnike. Ser. Matematika, kibernetika [New
in life, science, technology. Ser. Mathematics, cybernetics], 1985, No. 2, pp. 14-24.
19. Montgomeri D.K. Planirovanie eksperimenta i analiz dannykh [Experiment design and data
analysis]. Leningrad: Sudostroenie, 1980, 384 p.
20. McKay M.D., Beckman R.J., Conover W.J. A comparison of three methods for selecting values
of input variables in the analysis of output from a computer code, Technometrics. American
Statistical Association, 1979, No. 21 (2), pp. 239-245.
21. Ben Salem M., Tomaso L. Automatic selection for general surrogate models, Structural and
Multidisciplinary Optimization, 2018, No. 58 (2), pp. 719-734.
22. Ben Salem M., Roustant O., Gamboa F., Tomaso L. Universal prediction distribution for surrogate
models, SIAM/ASA Journal on Uncertainty Quantification, 2017, No. 5 (1), pp. 1086-1109.
23. Murata T., Ishibuchi H. MOGA: multi-objective genetic algorithms, International Conference
on Evolutionary Computation. IEEE, 1995, pp. 289-924.
24. Deb K. Multi-objective optimization using evolutionary algorithms. Chichester: John Wiley &
Sons, Ltd, 2001, 520 p.
Опубликован
2023-04-10
Выпуск
Раздел
РАЗДЕЛ IV. СВЯЗЬ, НАВИГАЦИЯ И НАВЕДЕНИЕ