علوم و فناوری فضایی

علوم و فناوری فضایی

افزایش دقت پیش بینی موقعیت ماهواره با درنظرگرفتن هارمونیک‌های تابع پتانسیل زمین

نویسندگان
حسین بلندی
محمد حسن اشتری
سیدمجید اسماعیل‌زاده
مهران حق پرست
دانشگاه علم و صنعت ایران
چکیده
در این مقاله، رویة پیش‌بینی موقعیت ماهواره بر اساس فیلتر کالمن توسعه یافته و با مدنظر قرار دادن ملاحظات سخت‌افزاری پیاده‌سازی و در عین حال حصول دقت مطلوب در فرآیند تعیین موقعیت ماهواره مورد بررسی قرار گرفته است.در این راستا ابتدا نیروهای شاخص و مؤثر بر دینامیک مداری ماهواره مدلسازی و روابط غیرخطی حاکم بر حرکت مداری ماهواره ارائه شده است. به منظور افزایش دقت پیش‌بینی موقعیت ماهواره هارمونیک‌های j2, j3و j4 تابع پتانسیل زمین در معادلات دینامیک مداری لحاظ شده و با استفاده از خطی‌‌سازی دینامیک سیستم و اعمال فیلتر کالمن توسعه یافته EKFموقعیت آتی ماهواره پیش‌بینی می‌گردد. داده‌های اندازه‌گیری مورد استفاده، بردار موقعیت و سرعت ماهواره بوده که از گیرندة GPSحاصل می‌شوند. از آنجا که در این مقاله ملاحظات طراحی سیستمی ماهواره نیز مدنظر قرار گرفته است، لذا مدت زمان، سناریو روشن کردن گیرنده‌های GPS، بر اساس ملاحظات توان الکتریکی مصرفی مورد بحث قرار گرفته است، تا علاوه بر کاهش توان مصرفی، عملکرد زیر سیستم تعیین موقعیت با دقت مناسب ادامه یابد. در انتها با انجام شبیه‌سازی بر روی یک ماهواره ارتفاع پایین LEOو مقایسه نتایج با نرم‌افزار STK، صحت مدل‌سازی‌های انجام شده و روابط به‌کارگیری شده مورد تأیید قرار گرفته است.
کلیدواژه‌ها
ماهواره
تعیین موقعیت
مدل‌سازی دینامیک مداری
فیلتر کالمن توسعه یافته
تابع پتانسیل زمین
  1. Montenbruck, O., Satellite Orbits Models, Methods, Application. Springer, 2001.
  2. Vallado, D., Fundamentals of Astrodynamics and Applications, 3rd, McGraw-Hill Space Technology Series, 2007.
  3. Choi, E. J., “Onboard Orbit Determination Using GPS Observations Based on the Unscented Kalman Filter,” Advances in Space Research, Vol.46, Issue 11, 2010, pp. 1440–1450.
  4. Pardal, P. C., Kuga, H. K. and Vilhena de Moraes, R., “Comparing the Extended and the Sigma Point Kalman Filters for Orbit Determination Modeling Using GPS Measurements,” Proceedings of the 23rd International Meeting of the Satellite Division of the Institute of Navigation, 2010.
  5. Gang, W. and Jun, D. X., “Particle Filtering and Its Application in Satellite Orbit Determination,” IEEE, Congress on Image and Signal Processing, CISP. 27-30 May 2008, pp.488-492.
  6. Lee, D. J., Alfriend, K.T. Adaptive Sigma Point Filtering for State and Parameter Estimation, AIAA/AAS Astrodynamics Conference, August 2004.
  7. Psiaki, M. L., “Backward-Smoothing Extended Kalman Filter,” Journal of Guidance, Control, and Dynamics, 2005, pp. 885–894.
  8. Kalman, R. E., “A New Approach to Linear Filtering and Prediction Problems,” ASME – Journal of Basic Engineering, 82, Series D., 1960, pp. 35-45.
  9. Julier, S. J. and Uhlmann, J. K., “Unscented Filtering and Nonlinear Estimation,” Processing of the IEEE, Vol. 92, 2004, pp. 401–422.
  10. Arasaratnam, I., Haykin, S., “Cubature Kalman Filters,” IEEE Trans. on Automatic Control, Vol. 54, No.6, 2009, pp. 1254–1269.
  11. Vetter, J. R., “Fifty Years of Orbit Determination Development of Modern Astrodynamics Methods,” Johns Hopkins APL Technical Digest , Vol. 27, No. 3, 2007, pp. 239-252.
  12. Zhou, N., Onboard Orbit Determination Using GPS Measurments for Low Earth Orbit Satellite, (PhD Thesis), Dissertation, Queensland University of Technology, Australia,
  13. Escobal, R., Methods of Orbit Determination, John Wiley & Sons, Inc., New York , 1965.
  14. Chobotov, V. A., Orbital Mechanics, AIAA Education Series, 2002.
  15. Flandern, T. C. and Pulkkinen, K. F., “Low-Precision Formulate for Planetary Positions,” Astrophysical Journal Supplement Series, Vol. 41, 1979, pp. 391-411.
  16. Sidi, , Spacecraft Dynamics and Control, A Practical Engineering Approach, Cambridge University Press, New York, 1997.
  17. Boden, A., Comparison of Nonlinear Filters for Orbit Determination, AIAA, 1986.
  18. Stiefel, E. and Bettis, D. G., “Stabilization of Cowell's Method,” Numerische Mathematik, 3, No. 2, 1969, pp. 154-175.
  19. Bolandi, H. Ashtari, M. H. Kouchaki, H. “Effect Analysis of Measurement Error in Prediction of Satellite Crossing Path,” 2th Conference on Control, Instrumentation and Automation, Shiraz 1390 (In Persian).
  20. Grewal, M. S. and Andrews, A. P., Kalman Filtering, Theory and Practice Using MATLAB. Wiley Interscienc, 2001.
  21. Bergsten, P., Palm, R., and Driankov, D., “Observers for Takagi–Sugeno Fuzzy Systems,” IEEE Transaction on System, 32, No. 1, 2002, pp. 114-121.
  22. Crassidis, J. L. and Junkins, J. L., Optimal Estimation of Dynamic System. CRC Press, 2004.
  23. Available, [on line]: http://en.wikipedia.org

  • تاریخ دریافت 04 اسفند 1392
  • تاریخ بازنگری 16 بهمن 1402
  • تاریخ پذیرش 31 فروردین 1395
  • تاریخ اولین انتشار 31 فروردین 1395