تخمین پارامترهای یک شبیه‌ساز کنترل وضعیت آزمایشگاهی با استفاده از روش حداقل مربعات و بهینه‌سازی هوشمند ترکیبی

در این مقاله پارامترهای مدل دینامیکی یک شبیه‌ساز سه درجه آزادی مبتنی بر یاتاقان هوایی شامل ممان اینرسی‌ها، مرکز جرم میز، با استفاده از داده‌های ثبت شده در یک مانور وضعیت به دو روش : 1 روش بهینه‌سازی ترکیبی الگوریتم ژنتیک و برنامه‌ریزی مرتبه دوم متوالی و 2 روش حداقل مربعات خطا، تخمین زده شده ‌است. برای این کار با استفاده از چرخ‌های عکس‌العملی یک مانور وضعیت انجام می‌شود و مقادیر گشتاور و همچنین سرعت زاویه‌ای حول سه محور ثبت می‌گردد. سپس با استفاده از داده‌های ذخیره شده و پیاده‌سازی دو روش، پارامترهای میز تخمین زده می‌شوند. نتایج نشان می‌دهد که با روش حداقل مربعات برخلاف الگوریتم بهینه‌سازی ترکیبی، با یک تست کنترل وضعیت از نقطه اولیه غیرصفر به مبدا، نمی‌توان تخمین مناسبی استخراج نمود و نیاز به تست‌های متفاوت به‌گونه‌ای است که تمام مودهای سیستم تحریک گردد. در حالی که در روش بهینه‌سازی ترکیبی، با انجام همان یک آزمایش می‌توان پارامترهای مدل دینامیکی را تخمین زد. برای صحه‌گذاری الگوریتم پیاده‌سازی شده، عملکرد حلقه بسته میز در محیط آزمایشگاهی و مدل شبیه‌سازی شده بررسی و مقایسه گردید که نشانگر دقت مناسب کمتر از 5 درصد خطا در میانگین تمام نمونه‌ها در هر دو روش تخمینی می‌باشد.

estimation of parameters of a laboratory attitude control simulator using least squares method and hybrid intelligent optimization

in this paper, the parameters of the dynamic model of a threedegreeoffreedom simulator based on air bearing, including moment of inertia, center of mass, using experimental data in a maneuver in two ways: 1 hybrid optimization method of genetic algorithm and secondorder programming and 2 the method of least squares error is estimated. to do this, a position maneuver is performed using reaction wheels, and torque values as well as angular velocities around three axes are recorded. the table parameters are then estimated using the stored data and the implementation of the two methods. the results show that with the least squares method, unlike the hybrid optimization algorithm, with a attitude control test from the nonzero initial point to the origin, it is not possible to derive a good estimate and different tests are needed to stimulate all system modes. while in the hybrid optimization method, by performing the same experiment, the desired results of the system estimation can be presented. to validate the implemented algorithm, the performance of the closed loop of the table in the laboratory environment and the simulated model were evaluated and compared, which indicates the appropriate accuracy (less than 5% error) of the estimation methods.