مدل‌سازي و شناسايي سيستم چرخ عكس‌العملي با استفاده از داده‌هاي تجربي

Modeling and System Identification of a reaction wheel with experimental data

در اين مقاله، مدل ديناميكي خطي يك چرخ عكس‌العملي نمونه با استفاده از داده‌هاي تجربي شناسايي شده است. بدين منظور اطلاعات ورودي- خروجي چرخ عكس‌العملي در بستر سخت‌افزار در حلقه كه شامل چرخ عكس‌العملي، درگاه ارتباطي CAN، برد پردازشي و نرم‌افزار لب‌ويو بوده، بصورت برخط با نرخ يك مگا بيت بر ثانيه ارسال و دريافت شده است. مدل‌سازي با فرض جعبه سياه بودن مجموعه چرخ عكس‌العملي و مدار كنترلي داخل آن، با در نظر گرفتن ملاحظات آزمون تجربي، انجام شده است. در اين راستا ابتدا رفتار چرخ عكس‌العملي با اعمال ورودي‌هاي سرعت زاويه‌اي و شتاب زاويه‌اي بررسي شده، سپس سيگنال‌هاي ورودي PRBS و Chirp براي شناسايي مدل چرخ توسط بستر سخت‌افزاري توليد و به چرخ اعمال شده است. داده‌هاي اعمالي فرمان و بازخورد ذخيره و بعد از بازيابي جهت شناسايي مدل چرخ استفاده شده است. با توجه به رفتار موتور الكتريكي، مدل‌هاي ديناميكي خطي ARX و ARMAX براي شناسايي مدل چرخ، در نظر گرفته شده و شناسايي براي چند مرتبه مختلف از مدل براي پاسخ سرعت زاويه‌اي انجام شده است. همچنين مرتبه تاخير مناسب براي سيستم حلقه بسته چرخ و كنترل‌كننده آن بررسي و استخراج شده است. نهايتاً خروجي مدل پيشنهادي به‌ازاي يك سيگنال آزمون جديد با خروجي واقعي چرخ مقايسه و مدل پيشنهاد شده بوسيله داده‌هاي ارزيابي صحت‌سنجي شده است. نتايج مدل ارائه شده عملكرد مناسب مدل پيشنهادي براي بيان رفتار چرخ عكس‌العملي را نشان مي‌دهد.

In this paper, a linear dynamic model for a reaction wheel is identified using experimental analysis. To do this, online input-output data of reaction wheel is sent and received by CAN protocol working with the frequency of one mega bit per second. The experimental hardware consists of reaction wheel, processing board, CAN protocol, and LabVIEW monitoring. Modeling assumes the reaction wheel and its inner control circuit as a black box and takes into account the practical considerations. Initially, behavior of the reaction wheel is examined using test signals for velocity and acceleration as inputs. After that, the test signals are replaced by Chirp and PRBS signals and the output results are saved. According the results obtained in the tests, ARMAX and ARX linear dynamic models are assigned to the motor and different orders of these models are compared with each other to reach the appropriate order of the models. Furthermore, a delay is also incorporated in the model and its proper order is determined by the simulations. Finally, to validate the proposed model, the outputs of the model and plant are compared followed by exerting a new test signal. The results indicate a good agreement between the proposed model and the practical behavior.