简介:立方星的姿态测量与控制系统常采用磁测磁控结合偏置动量轮的方案,整星剩磁干扰力矩是影响姿态控制精度的重要因素之一。提出了一种利用磁强计实现剩磁矩在轨辨识与利用磁力矩器实现剩磁矩主动补偿的新方案:基于磁强计输出和卫星姿态动力学建立了剩磁矩在轨辨识模型,并利用采样滤波器(UKF)提高单磁强计条件下的辨识效果;把控制对象简化成线性定常系统,分析了剩磁干扰力矩对姿态的影响数学模型,并针对磁力矩器和磁强计分时工作的特点,基于叠加性原理提出了基于角速度的剩磁矩主动补偿算法。仿真研究表明,在1000s内剩磁矩在轨辨识精度为0.001A×m~2量级,主动补偿后,偏航角、滚动角与俯仰角控制误差分别从4.3°、4.6°与2.1°均减少至0.4°以内。提出的方法为类似配置卫星减少剩磁干扰力矩的影响提供了一种新思路。
简介:针对星敏感器地平仪联合自主定轨算法在工程中不易应用及工程应用中定轨精度较低等问题,提出了一种改进的自主定轨算法。第一,调整算法观测量,利用惯性坐标系下地心矢量替代星光角距值作为Kalman滤波方程的观测量,以适应卫星星敏感器标准输出;第二,在算法中加入敏感器误差处理环节,包括对敏感器的常值误差进行求取,从而实现对地心矢量测量值的修正,以及用抗野值方法对尖峰噪声误差进行处理,从而消除尖峰噪声对Kalman滤波定轨算法的影响;第三,采用无迹Kalman滤波算法将具有新的观测量与敏感器误差处理环节的改进的天文导航算法加以实现。通过某在轨中轨道卫星数据校验表明,改进后的自主定轨算法定轨精度在千米量级,可在工程中有效实施。
简介:磁悬浮动量球是一种高功能密度比的微小卫星三轴姿控部件。磁悬浮与驱动原理的选择、磁极拓扑结构的布局以及传感方式的选用,从悬浮-旋转兼容性和空间结构干涉性上制约着磁悬浮动量球的可实现性。提出了一种新型的悬浮-旋转解耦、结构简单紧凑的磁化悬浮-感应驱动型动量球系统,以单轴实现为例详细论述了系统组成与工作原理,对子模块的设计、硬件实现与建模开展了研究。针对开环不稳定悬浮系统,提出一种基于构造法的控制参数设计方法,并给出了系统的三轴拓展方式。仿真和实验结果表明,该系统可以实现悬浮与旋转功能,悬浮球体在有旋转和无旋转时的位移稳定度分别约为1.6μm和4.7μm,球形转子的转速可达720r/min。
简介:Schuler振荡阻尼技术是提高惯导长期工作精度的关键技术之一。针对采用低阶阻尼网络的惯导系统抑制高频和低频参考速度误差难以兼顾的问题,基于互补滤波思想,提出一种高阶水平阻尼网络设计方法。将两个采用低阶网络、分别具有优良高频和低频特性的Schuler回路通过一对互补滤波器进行组合,形成双Schuler回路组合系统。它等效于采用某高阶网络的单Schuler回路,该回路对高频和低频参考速度误差的衰减率可同时达到40dB/10deg或更高。计算机仿真和海上试验结果均表明:采用所设计高阶网络的系统对参考速度误差兼有优良的高频和低频滤波特性,综合滤波性能优于采用低阶阻尼网络的系统,具有工程应用价值。
简介:从模式识别的角度分析了搜索模式下水下运载体的重力匹配问题,利用模式识别神经网络实现重力匹配定位。在重力图匹配时,以惯性导航仪指示位置为中心规划真实位置的网格点搜索范围,从参考重力图上提取相应一系列的重力数据,与对应网格点的位置一起定义成多个模式类,构造相应的模式识别概率神经网络,运用该神经网络将实时重力测量数据识别到某个模式类,对比模式类的定义确定载体位置。在实测重力图上对重力辅助惯性导航系统进行了计算机仿真研究。结果表明,在重力场特征显著区域该重力匹配算法能够有效减小厄特弗斯效应的影响,其导航系统定位误差小于一个重力图网格,匹配率在80%以上,匹配效果优于一般的相关匹配算法。
简介:为了提高潜器导航定位精度,针对等值线算法在惯导系统初始误差较大时易发散的问题,提出基于概率神经网络调优的等值线改进方法。首先,在搜索区域内,利用概率神经网络算法对惯导系统航迹进行调优,并经过卡尔曼滤波器与惯导系统航迹进行信息融合形成待匹配航迹;在此基础上利用实时等值线算法得到最佳匹配位置。分别在不同初始条件下进行仿真分析,得出概率神经网络算法在大的初始误差下不易发散但定位精度不高的结论,然后在潜器行驶6h后,初始误差为5.438?的条件下进行仿真验证,结果表明,改进方法定位精度均值优于0.537?,从而证明改进方法是有效的,即使在大的初始误差下仍然能够达到较高的定位精度。
简介:开展了机器学习在翼型气动力计算和反设计方法中的应用研究,实现了在更大翼型空间范围内,人工神经网络的训练和优化,建立了翼型气动力计算模型,和给定目标压力分布的翼型反设计优化模型.作为机器学习领域兴起的研究热点,人工神经网络的研究工作不断深入,有研究者尝试将其应用于流体力学的学科范畴内.文章实现人工神经网络在翼型计算领域中应用的方法如下:首先通过Parsec参数化方法,围绕基准翼型构造了一定翼型空间范围的翼型库,利用XFOIL进行数值模拟,搭建了和翼型库具有一一映射关系的流场信息库.通过训练和优化神经网络,实现了基于此模型的快速、高可信度的翼型气动力预测,以及新型的翼型优化设计方法.通过自动化编程实现样本库的批量生成,实现了不同翼型空间的样本量下,神经网络的训练和优化过程.实验结果表明,在机器学习领域中,基于神经网络的翼型反设计模型的精确性高度依赖于训练样本量的大小和覆盖范围.
简介:针对系统误差的不确定性可能会引起滤波精度降低或发散的问题,提出一种新的基于模型预测滤波的前向神经网络算法。首先,采用模型预测滤波估计网络在正向传递过程中的模型误差,并对其进行修正,以弥补模型误差对隐含层权值更新的影响;然后,利用模型预测滤波为神经网络提供精确的训练样本,学习待估计系统的非线性关系。将提出的算法应用于SINS/CNS/BDS组合导航系统,并与扩展卡尔曼滤波进行比较,仿真结果表明,提出的算法得到的姿态误差、速度误差和位置误差分别在[-0.25′,+0.25′]、[-0.05m/s,+0.05m/s]和[-5m,+5m]以内,滤波性能明显优于扩展卡尔曼滤波算法,表明该算法能提高组合导航定位的解算精度。
简介:针对SINS/GPS组合导航系统中的GPS故障,结合GPS导航定位信息的特点,提出了基于改进型灰色预测的GPS故障预测模型,实现了GPS故障预测;结合SINS/GPS组合导航系统数学模型,进行了基于改进型灰色预测的SINS/GPS组合导航系统仿真。仿真结果表明,GPS位置数据预测残差小于1.5m;在GPS短暂故障期间,由预测数据取代GPS故障数据,可以有效提高SINS/GPS组合导航系统的抗干扰能力,保证其导航精度;比较GPS故障数据和预测数据,并根据故障数据的持续时间和变化特点等,可以诊断GPS故障是硬件故障还是外部干扰的影响,有助于实现GPS的故障判别与隔离。