Построение фазовых портретов углового движения летательного аппарата методом цифровой обработки оптических изображений

Предложен метод построения фазовых портретов углового движения летательного аппарата (ЛА) самолетного типа методом цифровой обработки последовательности его оптических изображений. В качестве приложения рассматривается задача распознавания по формируемым фазовым портретам модели углового движения ЛА. Решение о принадлежности модели ЛА некоторому классу принимается по критерию сопряженности вектора, представляющего наблюдаемый объект, с эталонным подпространством класса. Векторы формируются путем развертки изображений фазовых портретов, построенных по вычисленным значениям угла и угловой скорости ЛА на интервалах собственного движения ЛА. Текущие отсчеты углового положения вычисляются по координатам проекций заданных маркерных точек ЛА на изображении, а угловая скорость оценивается по формуле первой центральной разности. Эталонные подпространства классов образуются размеченными векторами, представляющими соответствующий класс. Вычисляемые процессы угла и угловой скорости ЛА, использующиеся для формирования эталонных векторов, подвергаются предварительной обработке фильтром Калмана—Бьюси. Разработан алгоритм вычисления координат проекций маркерных точек на изображениях, который обеспечивает возможность формирования эталонных подпространств путем моделирования. Приведен пример построения фазовых портретов и распознавания моделей углового движения ЛА в канале тангажа с различающимися значениями параметров уравнений состояния.

1. Сойфер В. А., Соболев В. А., Фурсов В. А. Метод оценивания состояний летательного аппарата по последовательности его изображений // Вестник Самарского университета. Аэрокосмическая техника, технологии и машиностроение. 2026. Т. 25, № 1. С. 170—187. DOI: 10.18287/2541-7533-2026-25-1-170-187.

2. Кодиров Д. Т., Кодирова Ф. М. Алгоритмы совместного оценивания вектора состояния и параметров динамических систем // Universum: технические науки: электронный. научный журнал. 2021. № 7 (88). URL: https://7universum.com/ru/tech/archive/item/12091.

3. Shang T., Bu C., Wang Y., Yue T., Liu H., Wang L. Identification of aircraft longitudinal aerodynamic parameters using an online corrective test for wind tunnel virtual flight // Author links open overlay panel. September 2024. Vol. 37, Iss. 9. P. 261—275.

4. Sun T., Zhao K., Wang Z., Zong T. Joint Parameter and State Estimation of Fractional-Order Singular Systems Based on Amsgrad and Particle Filter // Fractal. 2025. Vol. 9, N. 8. P. 480. DOI: 10.3390/fractalfract9080480.

5. Grauer J., Boucher M. Aircraft System Identification from Multisine Inputs and Frequency Responses, // Aerospace. 2019. Vol. 6, N. 24. P. 1—25. DOI: 10.3390/aerospace6020024.

6. Качанов Б. О. Параметрическая идентификация линейных систем с помощью преобразования Лапласа // Автоматика и телемеханика. 2009. № 7. С. 15—24.

7. Жмудь В. А., Хардт В., Димитров Л. В. Алгоритмы для автоматической идентификации объектов управления и результаты их тестирования // Автоматика и программная инженерия. 2017. № 3 (21). С. 42—51.

8. Клековкин В. А., Марков Н. Г., Небаба С. Г. Обнаружение и классификация малоразмерных летающих объектов на изображениях с использованием сверточных нейронных сетей семейства YOLOv5 // Доклады ТУСУР. 2024. Т. 27, № 4. С. 103—110. DOI: 10.21293/1818-0442-2024-27-4-103-110.

9. Fezans N., Deiler C., Roeser M. S. Generation of a Dataset for System Identification with VIRTTAC-Castor. 2022. DOI: 10.25967/490132.urn:nbn:de:101:1-2022100715051999905141.

10. Chen K., Yu J. Short-term wind speed prediction using an unscented Kalman filter, based state-space support vector regression approach // Applied Energy. 2013. Vol. 113, Part C. P. 690—705. DOI: 10.1016/j.apenergy.2013.08.025.

11. Feng D. Combined state and least squares parameter estimation algorithms for dynamic systems // Applied Mathematical Modelling. Vol. 38, Iss. 1. 2014. P. 403—412. DOI: 10.1016/j.apm.2013.06.007.

12. Cao K., Li J., Song R., Li Y. HELM-AD: Hierarchical and efficient attitude determination framework with adaptive error compensation module based on ELM network // ISPRS Journal of Photogrammetry and Remote Sensing. January 2023. Vol. 195. P. 418—431. DOI: 10.1016/j.isprsjprs.2022.12.010.

13. Bitar N. Al. et al. A new method for compensating the errors of integrated navigation systems using artificial neural networks // Measurement. 2021. Vol. 168 (15). P. 108391.

14. Chen C., Xiong R., Yang R., Shen W., Sun F. State-of-charge estimation of lithium-ion battery using an improved neural network model and extended Kalman filter // Journal of Cleaner Production. 2019. Vol. 234. P. 1153—1164. DOI: 10.1016/j.jclepro.2019.06.273.

15. Cui Z., Kang L., Li L., Wang L., Wang K. А combined state-of-charge estimation method for lithium-ion battery using an improved BGRU network and UKF // Energy. November 2022. Vol. (15). Art. 124933.

16. Браммер Л., Зифлинг Г. Фильтр Калмана-Бьюси. М.: Наука, 1982. 200 с.

17. Стратонович Р. Л. К теории оптимальной нелинейной фильтрации случайных функций // Теория вероятностей и ее применения. 1959. Вып. 2. C. 239—242.

18. Козлов В. И. Системы автоматического управления летательными аппаратами. М.: Машиностроение, 1979. 216 с.