روش‌هاي برخط جهت شناسايي مدل هواپيما: بررسي مروري و مقايسه‌اي

Online Methods for the Identification of Aircraft Model: Review and Comparison

در مقاله حاضر، يك بررسي مقايسه ­اي نسبتاً جامع از روش ­هاي شناسايي برخط بر روي مدل ديناميكي يك سيستم هواپيما ارائه شده است. براي اين منظور ضمن معرفي انواع الگوريتم­ هاي موجود در اين زمينه از الگوريتم ­هاي حداقل مربعات بازگشتي، حداقل مربعات تعميم ­يافته بازگشتي، متغيرهاي كمكي بازگشتي، ماتريس توسعه يافته، شبكه عصبي توابع پايه شعاعي و شبكه عصبي پرسپترون چند لايه با الگوريتم يادگيري پس انتشار براي شناسايي مدل فوق استفاده مي ­شود. جهت انجام شبيه­­ سازي­ها و نيز آموزش شبكه­ هاي عصبي از مدل خطي شده و داده ­هاي هواپيماي بوئينگ 747 كه توسط كنترل كننده مد لغزشي بر روي مسير مرجع دلخواه كنترل مي­ شود، استفاده شده است. در نهايت نيز عملكرد روش ­هاي شناسايي مذكور ارزيابي و با يكديگر مقايسه مي­شوند. بر اساس نتايج اين مقاله، روش شبكه عصبي توابع پايه شعاعي به‌دليل عدم استفاده از مدل خطي سيستم، تخمين ديناميك نويز، عدم نياز به مدل سيستم و دقت بالاتر در عين سرعت مناسب، از برتري چشم گيري نسبت به ساير روش ­ها برخوردار است.

In this paper, a fairly comprehensive comparative study has been done on online identification methods for the dynamic model of an aircraft system. To this aim, first, the existing algorithms in this field are introduced. Then, some of these approaches including the recursive least square, the recursive extended least square, the recursive instrumental variable, the extended matrix, the radial basis function neural network, and the multilayer perceptron neural network are utilized to identify the aircraft model. To carry out the simulations, and train the neural networks, the linearized model and online data of the Boeing 747 aircraft controlled by a sliding mode controller on an arbitrary reference trajectory are employed. Finally, the efficiency of each of the above-mentioned methods is evaluated and compared to the other approaches. According to the obtained results of this research, the radial basis function neural network method has a significantly superior performance over the other algorithms due to dynamic noise estimation, independence from the system model, rejecting the linear model of the system, and higher accuracy while maintaining the appropriate speed.