تخمين بهبود يافته پارامتر هاي مدل شناور زيردريايي خودكار در صفحات افقي و عمودي در حضور نويز

Improved Parameter Estimation for AUV Subsystems in the Horizontal and Vertical Planes in the Presence of Noise

در این مقاله مسأله تخمین بهبود یافته پارامتر و مدلسازی شناور زیردریایی خودكار (AUV) در صفحات افقی و عمودی در حضور نویز اندازه‌گیری مطرح می‌گردد. بدین منظور، دو راهبرد شناسایی سیستم شامل روش شناساگر وفقی پارامتر مدل سری- موازی و شناساگر حداقل مربعات خطا، به عنوان دو روش كم هزینه برای شناسایی مدل بر اساس اطلاعات مستخرج از آزمایش‌های عملی، طراحی و مورد بررسی قرار می‌گیرد. در هر دو شناساگر پیشنهادی، مسأله انتخاب مقادیر بهره‌های طراحی شناساگرها به عنوان یك عامل مهم در جهت بهبود عملكرد فرایند تخمین، توسط الگوریتم بهینه‌ سازی اجتماع ذرات (PSO) بر اساس حداقل‌ سازی یك تابع هدف مرتفع و تعیین می‌گردد. با انتخاب و اعمال سیگنال ورودی مناسب، خروجی سیستم مورد داده برداری قرار گرفته و در نهایت مدل فضای حالت و تابع تبدیل هر زیرسیستم شناسایی شده، و نتایج حاصل از آن با سیستم واقعی مورد مقایسه قرار می-گیرد. بررسی نتایج تخمین، بیان می‌دارد كه شناساگر حداقل مربعات خطا نسبت به شناساگر وفقی پارامتر دارای توانایی انجام عملِ تخمین با دقت و سرعت بسیار بالا و تاثیرپذیری ناچیز از نویز وارده به سیستم می‌باشد. نتایج شبیه‌‌‌‌ سازی، موید صحت عملكرد موثر شناساگر حداقل مربعات خطا به منظور مدلسازی دو زیرسیستم خطی AUV، براساس داده‌های اندازه‌گیری شده سیستم در دو حالت بدون نویز و آغشته به نویز، می‌باشد.

In this paper, the problem of improved parameter estimation and modelling of two subsystems of Autonomous Underwater Vehicle (AUV) in the horizontal and vertical planes is addressed, in the presence of the measurement noise. To this end, two identification strategies including the adaptive parameter identifier and the error least square (LS) identifier are designed and investigated, as two low-cost methods to identify the system model based on the information, extracted from practical tests. In both of the proposed identifiers, the selection problem of the appropriate values of the identifiers design parameters, as an important factor in order to improve process performance estimation, by using Particle Swarm Optimization (PSO) algorithm. It is shown that, this approach reduces the limitations in the practical methods. By applying the appropriate input signal, the system parameters have been finally given by utilizing both the adaptive identifier and the error least square identifier. Taking into account the measurement noise, it is shown that the latter approach provide better performance concerning the convergene rate and the accuracy. The simulation results are also presented to demonstrate and compare the performance of the mentioned identification schemes.