Uyarlamalı ağ tabanlı bulanık çıkarım sistemi kullanarak bir mekanik jiroskopun yalpalama kestirimi

Abstract

Jiro-tork üretme kabiliyetleri nedeni ile mekanik jiroskoplar, hava ve uzay araçları gibi tamamen asılı veya tek, çift tekerlekli kara araçlarını dengelemek, yön vermek için sıklıkla kullanılmaktadır. Jiro-tork yüksek hızda dönen volan ve onun üç eksen etrafında dönme hareketi yapabilmesine olanak tanıyan bir şasi sayesinde üretilmektedir. Jiro-torku kontrol etmek için yalpalama hızı uygulanmaktadır. Yalpalama hızına ilişkin zaman serisi verisi katı cisim dinamik analizi sayesinde elde edilmiştir. Veriye herhangi bir ön işlem uygulanmamıştır. Bu hızın açık çevrim kestirimi için uyarlamalı ağ tabanlı bulanık çıkarım sistemi (ANFIS) kullanılmıştır. Elde edilen modelde korelasyon değeri 0.99981 ve hata karesinin ortalamasının kökü 0.02467 rad/s olarak bulunmuştur. Model çıktıları ile veri seti arasında yüksek doğrusal bir ilişki mevcuttur. ANFIS ağının veriye herhangi bir ön işlem yapılması gereksinimini ortadan kaldırdığı da görülmüştür. Kullanılan ağ parametreleri ve bu ağ ile elde edilen kestirim performansı çalışmada sunulmuştur.

Due to their ability to generate gyro-torque, mechanical gyroscopes are frequently used to balance or orientate fully suspended air or spacecraft or single or double-wheeled land vehicles. Gyro-torque is produced with a high speed rotating flywheel and its chassis that allows it to rotate around three axes. The precession is applied to control the gyro-torque. The time series data on the precession was obtained by rigid body dynamic simulation. No pre processing was applied to the data. An adaptive network based fuzzy inference system (ANFIS) is used for open loop prediction of the precession. In the model obtained, the correlation value was found to be 0.99981 and the root of the mean square of the error was 0.02467 rad/s. High linear relationship between the model outputs and the data set is found. It has also been seen that the ANFIS network eliminates the need for any pre-processing of the data. The network parameters used and the prediction performance obtained are presented.