عنوان پایان‌نامه
استفاده از نظریه ترکیب اطلاعات سنسوری در تعیین وضعیت ماهواره زمین آهنگ
- رشته تحصیلی
- مهندسی مکاترونیک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 58617
- تاریخ دفاع
- ۱۴ دی ۱۳۹۱
- دانشجو
- حمیدرضا حیدری
- استاد راهنما
- مهدی فکور ثقیه
- چکیده
- در این پژوهش از فیلتر کالمن توسعه یافته به عنوان یکی از روش‌های کلاسیک، شبکه‌های عصبی مصنوعی و شبکه استنتاج فازی-عصبی تطبیقی به عنوان روش‌های هوشمند در ترکیب اطلاعات حسگرها، برای حل مسئله تخمین وضعیت ماهواره در مدار زمین‌آهنگ استفاده می‌شود. متغیرهای حالت وضعیت ماهواره، شامل سه ترم سرعت زاویه‌ای مطلق ماهواره در دستگاه بدنی و چهار ترم کواترنیون‌های وضعیت دستگاه بدنی نسبت به دستگاه مداری تخمین زده می‌شوند. تخمین سرعت‌های زاویه‌ای و کواترنیون‌ها بطور همزمان با در نظر گرفتن نویز حسگرها و اغتشاشات وارده بر ماهواره خود چالشی اساسی است که در این پایان‌نامه انجام شده است. همچنین طراحی شبکه‌ی عصبی بهینه جهت تخمین پارامترهای وضعی ماهواره، روشی نوین در کاربردهای فضایی می‌باشد. در این رساله سعی شده است ابتدا وضعیت ماهواره به کمک الگوریتم جبری تخمین زده شود سپس با استناد به نتایج حاصل از تخمین به کمک فیلتر کالمن توسعه‌یافته این دو راهکار با هم مقایسه می‌شوند. پس از آن با استفاده از روش‌های هوشمند، تخمین وضعیت ماهواره صورت گرفته است. عملکرد کارآمدتر ترکیب اطلاعات حسگری در تخمین وضعیت ماهواره در مقایسه با روش الگوریتم جبری با در نظر داشتن نتایج حاصله امری محرز می‌باشد. روش فیلتر کالمن توسعه یافته با در نظر داشتن سادگی روش و متعاقب آن قوام روش مزبور، در محیط‌های نویزی روشی مناسب برای تخمین وضعیت ماهواره می‌باشد اما به دلیل تحمیل تاخیر زمانی فیلتر به زیرسیستم‌ها، استفاده از شبکه‌های عصبی و شبکه استنتاج فازی-عصبی تطبیقی جهت تخمین وضعیت می‌تواند تا حد زیادی سرعت تخمین را بالا ببرد. کلید واژه: تخمین وضعیت ماهواره، ترکیب اطلاعات حسگری، فیلتر کالمن توسعه‌یافته، شبکه عصبی مصنوعی، شبکه استنتاج فازی-عصبی تطبیقی
- Abstract
- In this research, the Extended Kalman Filter (EKF) as a conventional approach, Artificial Neural Networks (ANN) and Adaptive Neuro Fuzzy Inference System (ANFIS) as intelligent approaches in sensor data fusion are used to solve the satellite attitude estimation problem in geosynchronous orbit. Satellite attitude dynamics including the three-dimensional angular rate vector of the satellite in the body frame and quaternion of the body frame with respect to the orbit frame are estimated. Estimation of angular rates and quaternion simultaneously with considering the noise of sensors and incoming disturbances on the satellite is a major challenge that has been done in this thesis. In addition, an optimal design of neural network for estimating the parameters of the satellite attitude is a new method in space applications. In this thesis, first the satellite attitude is estimated using the algebraic method and then compared with the result of the EKF. Next, the satellite attitude estimation is accomplished by using the intelligent approaches. According to the results, the performance of sensor data fusion in the satellite attitude estimation is obviously more efficient than the algebraic method. Due to the simplicity and stability, the EKF approach is a suitable method for satellite attitude estimation in the noisy environments. But, because of the filter time delay imposed to the subsystems, using the ANN and the ANFIS for attitude estimation can greatly enhance the estimation speed. Key words: satellite attitude estimation, sensor data fusion, Extended Kalman Filter (EKF), Artificial Neural Networks (ANN), Adaptive Neuro Fuzzy Inference System (ANFIS).
