مشاهده‌گرهای متعامل غیرخطی درتشخیص عیب‌های حسگری و عملگری در سیستم ماهواره

نوع مقاله : علمی-پژوهشی

نویسندگان

1 دانشکده مهندسی برق و کامپیوتر- دانشگاه صنعتی قم-

2 پژوهشکده سامانه‌های حمل‌ و‌ نقل فضایی- پژوهشگاه فضایی ایران

3 دانشکده مهندسی هوا فضا- دانشگاه تهران

چکیده

: در این مقاله، مسئله تشخیص به‌هنگام عیب‌های حسگری و عملگری با استفاده از ترکیب اطلاعات حسگری در یک سیستم ماهواره، مورد بررسی قرار می‌گیرد که در آن اطلاعات حسگرهای اینرسی، متشکل از شتاب‌سنج و ژیروسکوپ، با حسگرهای کمکی دیگر نظیر حسگر خورشید، حسگر زمین، حسگر ستاره، مغناطیس‌متر و سیستم موقعیت‌یاب جهانی ترکیب می‌شود. تمامی این حسگرها در معرض عیب‌ها، خرابی‌ها و نویزهای حسگری هستند. همچنین، پیشرانه‌ها، به عنوان عملگرها، در سیستم کنترل وضعیت ماهواره، مورد استفاده قرار می‌گیرند و در معرض عیب‌های متعددی هستند. در این مقاله، با فرض عدم وجود عیب‌های کالیبراسیون در حسگرها، تنها عیوب سخت (خرابی) و نویزهای حسگری مورد بررسی قرار می‌گیرند. با توجه به این واقعیت که مدل اندازه‌گیری در صورت بروز عیب سخت حسگری تغییر می‌کند، از مشاهده‌گرهای چندمدلی متعامل (IMM) برای تشخیص خرابی حسگرها استفاده می‌شود. مشاهده‌گرهای مورد استفاده با توجه به غیرخطی و گوسی بودن مدل‌های موقعیت و وضعیت، فیلترهای کالمن خنثی (UKF) هستند. به‌منظور کاهش تعداد فیلترهای موازی مورد استفاده در روش IMM پیشنهادی، زیرسیستم‌های وضعیت و موقعیت از یکدیگر دکوپله شده و برای هر زیرسیستم به ‌صورت جداگانه IMM طراحی می‌شود. برای تشخیص عیب‌های عملگری از مشاهده‌گر ورودی ناشناخته (UIO) استفاده می‌شود که با تخمین دقیق ورودی و مقایسه آن مقدار معلوم می‌توان به وجود، نوع و اندازه عیب در آن پی برد و در نتیجه عیب پیشرانه‌ای را تشخیص داد. صحت روش پیشنهادی از طریق شبیه‌سازی در محیط سیمولینک مورد ارزیابی و مقایسه با روش‌های مشابه قرار می‌گیرد. 

کلیدواژه‌ها


عنوان مقاله [English]

Interacting Nonlinear Observers for Sensor and Actuator Fault Diagnosis in a Satellite System

نویسندگان [English]

  • N. Sadeghzadeh-Nokhodberiz 1
  • B. Soltani 2
  • M. Mirzaei Teshnizi 3
  • M. Pasand 2
1 Faculty of Electrical and Computer Engineering, Qom University of Technology, Qom, Iran
2 Space Transportation Research Institute, Iranian Space Research Center, Tehran, Iran
3 Faculty of Aerospace Engineering, Tehran University, Tehran, Iran
چکیده [English]

In this paper, the problem of real time sensor and actuator fault diagnosis is studied in a satellite system fusing sensor information. Measurements of inertial sensors are fused with auxiliary sun, earth and star sensors as well as magnetometers and global positioning systems (GPS). All of these sensors are prone to faults, failures and, noises. Thrusters, as actuators, are also employed in satellite attitude control system and are subjected to different faults. In this paper, it is assumed that all sensors are calibrated and the only possible faults are hard faults (failures) and noises. Due to this fact that when a hard fault occurs in a sensor, the measurement model changes to a new one, interacting multiple models (IMMs) are employed for diagnosis of sensor faults. Unscented Kalman filters (UKFs) are used in IMMs due to nonlinear and Gaussian translational and attitude models. In order to reduce the number of parallel filters in the proposed IMM method, the translational and attitude subsystems are decoupled and separate IMMs are designed for each subsystem. Unknown input observers (UIOs) are used to estimate amplitude of faults in thrusters. The efficiency of the method is finally evaluated through simulation and compared with similar approaches.

کلیدواژه‌ها [English]

  • Satellite system
  • fault diagnosis
  • interacting multiple models
  • unknown input observers
[1]
N. Sadeghzadeh-Nokhodberiz, J. Poshtan, “Loosely coupled fusion of camera and inertial sensors for distributed error compensation in strapdown inertial navigation system,” Transactions of the Institute of Measurement and Control, vol. 38, no. 11, 2016/11.
[2]
C. Masaru Pong, D. W. Miller, “Autonomous thruster failure recovery fo runderactuated spacecraft,” M.Sc. thesis, Massachusetts Institute of Technology, 2010.
[3]
M. Abid, “Fault Detection in Nonlinear Systems: An Observer-based Approach,” PhD Dissertation, University of Duisburg-Essen, Duisburg-Essen, Germany, 2010.
[4]
E. Sobhani-Tehrani, K. Khorasani, “Fault diagnosis of nonlinear systems using a hybrid approach,” in Lecture Notes in Control and Information Sciences, Vol. 383, Heidelberg, Springer, 2009, pp. 21-49.
[5]
E.C. Larson, B.E. Parker, B.R. Clark, “Model-based sensor and actuator fault detection and isolation,” in American Control Conference, Anchorage, AK, USA, 2002.
[6]
K. Xiong, C. W. Chan, H. Y. Zhang, “Unscented kalman filter for fault detection,” in 16th Triennial World Congress, Prague, Czech Republic, 2005.  
[7] ر. هاونگی, “ﻣﻮﻗﻌﯿﺖﯾﺎﺑﯽ رﺑﺎت ﺑﺮ اﺳﺎس ﻓﯿﻠﺘﺮ ذرهای ﺑﻬﺒﻮدﯾﺎﻓﺘﻪ ﺑﺎ ﻓﯿﻠﺘﺮ ﮐﺎﻟﻤﻦ ﮔﺮوﻫﯽ ﻫﻮﺷﻤﻨﺪ و گام MCMC,” مجله مهندسی برق دانشگاه تبریز, دوره 46, شماره 4, صفحه 245-356، 1395.
[8]
N. E. Cornejo, R. Amini, G. Gaydadjiev, "Model-based fault detection for the DELFI-N3XT attitude determination system," in IEEE Aerospace Conference, Big Sky, MT, 6-13 March 2010 .
[9]
F. N. Pirmoradi, F. Sassani, C. W. de Silva, "Fault detection and diagnosis in a spacecraft attitude determination system," Acta Astronautica, vol. 65, no. 5-6, pp. 710-729, 2009.
[10]
A. C. Louro, R. V. F. Lopes, H. K. Kuga, "Fault diagnose in the autonomy micro-satellite attitude determination using GPS and gyros," in 19th International Congress of Mechanical Engineering , Brasilia, DF, 5-9 Nov. 2007 .
[11]
R. Patton , F. Uppal, S. Simani, B. Polle, "Robust FDI applied to thruster faults of a satellite system," Control Eng Practice, vol. 18, no. 9, p. 1093–1109, 2010.
[12]
R. Fonod, D. Henry, C. Charbonnel, E. Bornschlegl, "A class of nonlinear unknown input observer for fault diagnosis: application to fault tolerant control of an autonomous spacecraft," in 10th UKACC International Conference on Control, Loughborough, UK, Jul 2014.
[13]
P. S. Maybeck, R. D. Stevens, “Reconfigurable flight control Via multiple model adaptive control methods,” IEEE Trans. on Aerospace and Electronic Systems, vol. 27, no. 3, pp. 470-479, 1991.
[14]
J. K. Lim, C. G. Park, “Satellite fault detection and isolation scheme with modified adaptive fading EKF,” Journal of Electrical Engineering and Technology, vol. 9, no. 4, pp. 1401-1410, 2014.
[15]
N. Sadeghzadeh-Nokhodberiz, J. Poshtan, “Distributed interacting multiple filters for fault diagnosis of navigation sensors in a robotic system,” IEEE Transactions on Systems, Man, and Cybernetics: Systems, vol. PP, no. 99, pp. 1-11, 2016.
[16]
H. Curtis, Orbital mechanics for engineering students, Elsevier earospace engineering series, 3rd edition 2014.
[17]
M. D. Shuster, "A survey of attitude representations," Journal of the Astronautical Sciences, vol. 41, no. 4, p. 439–517, 1993.
[18]
N. Sadeghzadeh-Nokhodberiz, J. Poshatn, "Distributed strapdown inertial navigation system error and inertial sensory bias compensation," Majlesi Journal of Electrical Engineering, vol. 9, no. 2, pp. 27-35, 2015.  
[19] ا. قنبری، مهران محبوب‌خواه، قادر کریمیان , “تعیین موقعیت عملگر نهایی یک ربات موازی چهار درجه آزادی با استفاده از روش بینایی ماشین,” مجله مهندسی برق دانشگاه تبریز, دوره 46, شماره 4, صفحه 259-271، 1395.
[20]
Y. Yang, "Spacecraft attitude determination and control: Quaternion based method," Annual Reviews in Control, vol. 36, p. 198–219, 2012.
[21]
N. Sadeghzadeh-Nokhodberiz, "Decentralized fault diagnosis in nonlinear large scale systems focusing on inertial navigation systems," PhD Dissertation, Iran University of Science & Technology, Tehran, Iran, 2014 (In Persian).
[22]
N. Sadaghzadeh N., J. Poshtan, A. Wagner, E. Nordheimer, E. Badreddin, "Cascaded Kalman and particle filters for photogrammetry based gyroscope drift and robot attitude estimation," ISA Transactions: The Journal of Automation, vol. 53, no. 2, p. 524–532, 2014.
[23]
D. Gebre-Egziabher, "Design and performance analysis of a low-cost aided dead reckoning navigator," ProQuest Dissertations And Theses, Stanford, 2002.
[24]
H. Khaloozadeh, A. Karsaz, "Modified input estimation technique for tracking manoeuvering targets," IET Radar, Sonar and Navigation, vol. 3, no. 1, pp. 30-41, 2009.
[25]
N. Sadeghzadeh-Nokhodberiz, J. Poshatn, "Belief consensus–based distributed particle filters for fault diagnosis of non-linear distributed systems," Proceedings of the Institution of Mechanical Engineers, Part I: Journal of Systems and Control Engineering, vol. 228, no. 3, p. 123–137, 2014.
[26]
N. Tudoroiu, K. Khorasani, "Satellite fault diagnosis using a bank of interacting Kalman filters," IEEE Tran. on aerospace and electronic systems, vol. 43, no. 4, pp. 1334-1350, 2007.
[27]
X. R. Li, "Engineer’s guide to variable-structure Multiple-Model estimation for tracking," in Multitarge-multisensor tracking: applications & advances, vol. III, Boston, MA, Artech House, 2000, pp. 499-567.
[28]
R. Kandepua, B. Fossa, L. Imsland, “Applying the unscented Kalman filter for nonlinear state estimation,” Journal of Process Control, vol. 18, no. 7-8, p. 753–768, 2008.