Simulation and flight test data linear model comparison and analysis for the purpose of rotary wing controller design

Currently, linear models for the purpose of designing a stabilising controller are often identified by using open loop identification techniques during flight tests, and selected manually by visual selection. This can be both costly and dangerous and this thesis therefore proposes a method to achieve the same goal by the use of simulation data with a simplified selection procedure. The purpose of this thesis was to identify linear models from a nonlinear helicopter simulator model, improve the selection method of finding the most suitable models, and compare these models to linear models identified from flight test data in order to raise confidence in our test bench. The PBSIDopt method was used for system identification, generating models based on a range of model order, past and future window lengths, and comparing these models in time and frequency domains. A selection method dubbed the Confidence Ratio, which balanced the overall index of agreement d1 as well as the NormAP, was developed to select linear models with high confidence and high similarity. The models selected with this ratio, were found to have a significant improvement in quality compared to the ones selected from looking at d1 or NormAP criterias alone for the forward flight trim conditions, and suggests improving the ratio for the trim condition selection. Comparisons between the linear models identified on the test bench and the ones identified from flight tests, were found to accurately represent the bare airframe dynamics of the helicopter, elevating confidence in the ability of the test bench for the purpose of controller design.

Attualmente, i modelli lineare utilizzati per il design di controllori stabilizzanti sono identificati attraverso tecniche di identificazione ‘open loop’ durante i test di volo, e selezionati manualmente attraverso ispezione. Questo può essere sia costoso che pericoloso, e questa tesi propone quindi un metodo per raggiungere lo stesso obiettivo attraverso l’utilizzo di dati ottenuti da simulazioni con una procedura di selezione semplificata. L’obiettivo di questa tesi consiste nell’identificare modelli lineari da un modello di simulazione non lineare di un elicottero, migliorare il metodo di selezione per trovare il modello più adatto e comparare questi modelli a modelli lineari provenienti dai dati dei test di volo per migliorare l’accuratezza nei nostri test al banco. Il metodo PBSIDopt è utilizzato per l’identificazione dei sistemi, la generazione di modelli basati sul ordine del modello e sulle ampiezza delle osservazioni passate e future, e per confrontare questi modelli nel dominio del tempo e della frequenza. Un metodo di selezione soprannominato ‘Confidence Ratio’, che bilancia l’indice di correttezza d1 e il NormAP, è stato sviluppato per selezionare i migliori modelli lineari con un'elevata confidenza e un'alta somiglianza. I modelli selezionati con questo ‘Ratio’ sono migliori in qualità rispetto a quelli selezionati utilizzando solo i criteri d1 o NormAP per le condizioni di volo ‘forward flight trim’, e suggeriscono un miglioramento dell’indice per la condizione di selezione del trim. Dai confronti tra i modelli lineari dal banco di prova e quelli identificati dai test di volo, si evince che i modelli rappresentavano correttamente la dinamica dell’elicottero, aumentando l’ affidabilità dei banchi di prova per il design dei controllori.