شناسایی سیستم و تخمین پارامترهای هواپیما در حضور نویز با استفاده از روش حداقل مربعات

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، دانشگاه صنعتی مالک اشتر، مجتمع دانشگاهی مکانیک، ایران

2 دانشجوی کارشناسی ارشد، دانشگاه صنعتی مالک اشتر، مجتمع دانشگاهی مکانیک، ایران

3 دکتری مهندسی برق، دانشگاه صنعتی مالک اشتر، مجتمع دانشگاهی مکانیک، ایران

چکیده

شناسایی سیستم به منظور استخراج مدل دینامیکی و ریاضی یک سیستم به کمک داده‌های آزمایش ‌به‌کار برده می‌شود. چنانچه سیستم مورد بررسی هواپیما باشد، این فرایند شناسایی سیستم هواپیما نام می‌گیرد که از آن، جهت تخمین مشتقات کنترل و پایداری هواپیما استفاده می‌شود. روش حداقل مربعات یکی از روش‌های مورد استفاده در حوزه زمان و فرکانس جهت تخمین پارامترهای هواپیما است. در این مقاله شناسایی سیستم و تخمین ضرائب آیرودینامیکی هواپیمای F-16 با استفاده از روش حداقل مربعات و رویکرد خطای معادله انجام می‌گردد. از این رو تمرکز اصلی بر روی فرمول‌بندی مدل آیرودینامیکی برای تخمین ضرائب مجهول و ناشناخته با استفاده از روش حداقل مربعات است. در این راستا شبیه‌سازی شش درجه آزادی غیرخطی هواپیمای F-16 انجام شده و با استفاده از نتایج آن، شناسایی سیستم و تخمین تابع تبدیل کانال عرضی-سمتی و سپس، تخمین ضرائب نیرو و ممان‌های آیرودینامیکی کانال عرضی-سمتی هواپیما با استفاده از رگرسیون حداقل مربعات انجام شده و نتایج آن تحلیل می‌گردد. یافته­های بدست آمده نشان می‌دهد که مدل‌سازی و تخمین ضرائب صورت گرفته تطابق بسیار خوبی با داده‌های مدل شبیه‌سازی داشته و می‌تواند برای مطالعات بعدی از جمله اهداف کنترلی مناسب ‌باشد.

کلیدواژه‌ها

موضوعات


  • مرتضوی م.ر، مرتضوی م، شناسایی مدل دینامیکی هواپیما با استفاده از شبکه عصبی مصنوعی، فصلنامه دانش و فناوری هوا فضا، دوره 1، شماره 2 – شماره پیاپی 2، صفحه 15-23، 1391.
  • عبدالملکی ع و کریمیان س، بررسی دینامیک پرواز طولی یک ریزپهپاد بال ثابت با استفاده از دو روش فیلترکالمن توسعه یافته و مهندسی حداقل مربعات معمولی با توجه به مدل تجربی و مقایسه نتایج، دانشگاه صنعتی امیرکبیر، تهران، 1398.
  • رادمنش ع، آیتی ر، نعمتی ج، شناسایی سیستم غیرخطی هواپیمای توربوپراپ با استفاده از شبکه های عصبی، دانشگاه صنعتی اصفهان، اصفهان، 1393.

[4] Nelles, Oliver. Nonlinear dynamic system identification. Nonlinear System Identification. Springer, Berlin, Heidelberg, 2001.

[5] Raptis, Ioannis A., and Kimon P. Valavanis. Linear and nonlinear control of small-scale unmanned helicopters. Vol. 1.  New York: Springer, 2011.

[6] Muhammad, H., H. P. Thien, and T. Mulyanto. Total least squares estimation of aerodynamic parameter of micro coaxial helicopter from flight data. Int. J. Basic Appl. Sci, 2012.

  [7] Dutra, Dimas A. Collocation-based output-error method for aircraft system identification. AIAA Aviation 2019 Forum , 2019.

[8] Tayefi, Morteza, Jafar Roshanian, and Ali Ghaffari. On estimation of vehicle linear model parameters. Aircraft Engineering and Aerospace Technology, 2009.

[9] Şahin, Mehmet, and Muammer Kalyon. "Estimating dominant parameters of aircraft linear dynamical model via least square method. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi ,2021.

[10] Verma, Hari Om, and N. K. Peyada. Quasi Steady Stall Modelling of Aircraft Using Least-Square Method. International Journal of Aerospace System Engineering,   2020.

[11] Bruls, Johan, et al. Linear and non-linear system identification using separable least-squares. European Journal of Control 5.1, 1999.

[12] Chen, Tianshi, and Lennart Ljung. Implementation of algorithms for tuning parameters in regularized least squares problems in system identification. Automatica, 2013.

[13] Qin, S. Joe. Partial least squares regression for recursive system identification. Proceedings of 32nd IEEE Conference on Decision and Control. IEEE, 1993.

[14] Marple, S. Efficient least squares FIR system identification. IEEE Transactions on Acoustics, Speech, and Signal Processing 29.1. 1981.

[15] Morelli, E. A., and Klein, V., Aircraft System Identification: Theory and Practice, 2nd ed., Sunflyte Enterprises, Williamsburg, VA, Dec. 2016.

[16] Klein, V, Aircraft Parameter Estimation in Frequency Domain, AIAA Atmospheric Flight Mechanics Conference, AIAA Paper 1978-1344, Aug. 1978.

[17]   Klein, Vladislav. Maximum likelihood method for estimating airplane stability and control parameters from flight data in frequency domain, 1980.

[18] Morelli, Eugene A. Low-order equivalent system identification for the Tu-144LL supersonic transport aircraft. Journal of guidance, control, and dynamics 2003.

 [19] Verma, Hari Om, and N. K. Peyada. Quasi Steady Stall Modelling of Aircraft Using Least-Square Method. International Journal of Aerospace System Engineering, 2020.

[20] Malti, Rachid, et al. Tutorial on system identification using fractional differentiation models. IFAC Proceedings Volumes 39.1, 2006.

[21] Morelli, Eugene. Practical aspects of the equation-error method for aircraft parameter estimation. AIAA Atmospheric Flight Mechanics Conference and Exhibit, 2006.

[22] Morelli, Eugene A, and Jared A. Grauer. Practical aspects of frequency-domain approaches for aircraft system identification. Journal of Aircraft 57.2 , 2020.

[23] Russell R S. Non-linear F-16 simulation using Simulink and Matlab[J]. University of Minnesota, Tech. paper, 2003.