The Maximization of the UAV Engine Performance and Flight Time by BSA based ANN model

Abstract

Unmanned aerial vehicles (UAVs) are aircraft that designed to carry out the desired tasks. In the design of these aircraft, the maximization of engine performance and flight time is very important. In this study, the maximization of the UAV's brushless motor performance and flight time are discussed. For this purpose, a model based on Artificial Neural Networks (ANN) depending on Back-Tracking Search Optimization (BSO) algorithm is proposed. In the proposed model, four parameters including the signal of electronic speed control (ESC) unit that adjusts the brushless engine speed, the number of rotations of the brushless motor (RPM) per minute, the propeller size, and the propeller pitch were selected as input parameters. The required thrust, flight time and engine efficiency were selected as output parameters. Thus, a model with 4 inputs and 3 outputs was formed. To use the in the training process of the proposed model, data was obtained from the brushless motor with the help of RCBenchmark's 1580 model dynamometer. By using these produced data, the parameters of the optimum ANN structure were determined by BSO algorithm. The ANN structure that optimally determined was integrated with the BSO algorithm to achieve the objective function. With this integration, the model based on the BSO algorithm provided the values of input parameters for maximum engine performance and maximum flight time. That is, the BSO algorithm was used both to optimize the ANN structure and to obtain the parameters required for maximization of brushless engine performance and flight time. The results of the study were presented by tables and figures. The results obtained in the simulation process with the BSO Algorithm based ANN model showed that the proposed method will be facilitated the UAV design for designers.

Keywords

• UAV,Backtracking search optimization algorithm,Flight time,Optimization,Artificial neural networks

GAO Algoritma tabanlı YSA modeliyle İHA motorunun performansının ve uçuş süresinin maksimizasyonu

Öz

İnsansız hava araçları (İHA), istenen görevleri yerine getirebilme kabiliyetine sahip olarak tasarlanmış hava araçlarıdır. Bu hava araçlarının tasarımında, motor performansı ve uçuş süresinin maksimizasyonu büyük önem arz etmektedir. Bu çalışmada, İHA’nın fırçasız motorunun performansının ve uçuş süresinin maksimizasyonu ele alınmıştır. Bu amaçla, Geri-İzleme Arama Optimizasyon (GAO) algoritması tabanlı Yapay Sinir Ağlarına (YSA) dayanan bir model önerilmiştir. Önerilen modelde, fırçasız motor hızını ayarlayan elektronik hız kontrol (EHK) ünitesi sinyali, fırçasız motorun dakikadaki dönüş sayısı (DDS), pervanenin çapı ve hatvesi giriş parametreleri olarak belirlenmiş; gerekli itki kuvveti, uçuş süresi ve motor verimliliği çıkış parametreleri olarak belirlenmiştir. Böylece, 4 giriş 3 çıkışa sahip bir model oluşturulmuştur. Önerilen modelin eğitim işleminde kullanmak için, fırçasız motordan RCbenchmark firmasının 1580 modeli dinamometresi yardımıyla, farklı değer aralıklarında veriler üretilmiştir. Üretilen bu veriler kullanılarak optimum YSA yapısına ait parametreler GAO algoritması ile belirlenmiştir. Optimum olarak belirlenen bu YSA yapısı amaç fonksiyonunu gerçekleştirmek üzere GAO algoritması ile entegre edilmiştir. Bu entegrasyonla birlikte GAO algoritmasına dayanan model ile maksimum motor performansı ve uçuş süresi için giriş parametre değerlerinin elde edilmesi sağlanmıştır. Yani, GAO algoritması hem YSA yapısının optimizasyonu hem de fırçasız motor performansı ve uçuş süresinin maksimizasyonu için gerekli parametrelerin elde edilmesi için kullanılmıştır. Çalışma sonucunda elde edilen sonuçlar tablolar ve şekiller vasıtasıyla sunulmuştur. GAO algoritması tabanlı YSA modeli ile yapılan simülasyon çalışmalarında elde edilen sonuçlar, önerilen yöntemin İHA tasarımcıları için kolaylık sağlayacağını göstermiştir.

Anahtar Kelimeler

• Geri-izleme arama optimizasyon algoritması,Uçuş süresi,Optimizasyon,Yapay sinir ağları,İHA,Yapay sinir ağları

Kaynakça

1. Austin, R. (2011). Unmanned aircraft systems: UAVS design, development and deployment (Vol. 54). John Wiley & Sons.
2. Daniel, P. R. (1992). Aircraft design: a conceptual approach. Published by American Institute of Aeronautics and Astronautics Inc.
3. Oktay, T., Arik, S., Turkmen, I., Uzun, M., & Celik, H. (2018). Neural network based redesign of morphing UAV for simultaneous improvement of roll stability and maximum lift/drag ratio. Aircraft Engineering and Aerospace Technology, 90(8), 1203-1212.
4. Arik, S., Turkmen, I., & Oktay, T. (2018). Redesign of morphing UAV for simultaneous improvement of directional stability and maximum lift/drag ratio. Advances in Electrical and Computer Engineering, 18(4), 57-62.
5. Konar, M. (2018). Determination of UAVs thrust system parameters by artificial bee colony algorithm. ICENS 4th International Conference on Engineering and Natural Science, Kiev, Ukraine.
6. Traub, L. W. (2011). Range and endurance estimates for battery-powered aircraft. Journal of Aircraft, 48(2), 703-707.
7. Gur, O., & Rosen, A. (2009). Optimizing electric propulsion systems for unmanned aerial vehicles. Journal of Aircraft, 46(4), 1340-1353.
8. Lawrence, D., & Mohseni, K. (2005). Efficiency analysis for long duration electric MAVs. In Infotech@ Aerospace Conferences, Arlington, Virginia.

9. Avanzini, G., & Giulietti, F. (2013). Maximum range for battery-powered aircraft. Journal of Aircraft, 50(1), 304-307.
10. Elkhedim, B., Benard, E., Bronz, M., Gavrilovic, N., & Bonnin, V. (2016). Optimal design of long endurance mini UAVs for atmospheric measurement. Applied Aerodynamics Conference, Bristol, United Kingdom.
11. Hepperle, M. (2012). Electric flight-potential and limitations. Energy Efficient Technologies and Concepts of Operation, Lisbon, Portugal.
12. Chang, T., & Yu, H. (2015). Improving electric powered UAVs’ endurance by incorporating battery dumping concept. Procedia Engineering, 99, 168-179.
13. Civicioglu, P. (2013). Backtracking search optimization algorithm for numerical optimization problems. Applied Mathematics and Computation, 219(15), 8121-8144.
14. Civicioglu, P., & Besdok, E. (2018). A+ Evolutionary search algorithm and QR decomposition based rotation invariant crossover operator. Expert Systems with Applications, 103, 49-62.
15. Haykin, S., Neural networks-a comprehensive foundation, 2nd ed., Prentice Hall, 1999.
16. Bağiş A., & Konar M. (2010). Uçuş kontrol sistemi yakıt parametresinin yapay sinir ağları kullanılarak belirlenmesi. Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu (ASYU’2010), Kayseri, Türkiye, 104-108.
17. Konar, M., & Bagiş, A. (2016). Simultaneous computation of the speed and fuel parameters of flight control system by using Anfis and artificial neural networks. 24th Signal Processing and Communication Application Conference (SIU 2016), 1389-1392.
18. Bagis, A., & Konar, M. (2016). Comparison of Sugeno and Mamdani fuzzy models optimized by artificial bee colony algorithm for nonlinear system modelling. Transactions of the Institute of Measurement and Control, 38(5), 579-592.
19. Konar, M., & Bagis, A. (2016). Performance comparison of particle swarm optimization, differential evolution and artificial bee colony algorithms for fuzzy modelling of nonlinear systems. Elektronika ir Elektrotechnika, 22(5), 8-13.