استخراج زاویه بنک مرجع بهینه در مرحله ورود به جو مریخ در حضور خرابی تراستر با استفاده از شبکه عصبی

در مرحله ورود به جو مریخ انتخاب زاویه بنک مرجع نقش اساسی در موفقیت ماموریت و کاهش مصرف سوخت دارد. محموله برای کنترل وضعیت و تنظیم مسیر نیازمند تراسترهایی است که هرگونه خرابی در آنها می تواند رفتار دینامیکی پرواز را تغییر داده و موجب افزایش مصرف انرژی و کاهش دقت در انتهای فاز ورود گردد. در این مرحله تراسترهای ترمزی نیز برای کاهش سرعت محموله در لحظات کلیدی ورود به جو مورد استفاده قرار می گیرند و به همین دلیل، مدیریت مصرف سوخت در این بخش از اهمیت ویژه ای برخوردار است. در بسیاری از مطالعات گذشته زاویه بنک مرجع معمولا به صورت ثابت و مستقل از وضعیت خرابی در نظر گرفته شده است در حالی که هر حالت خرابی اثر منحصربه فردی بر زاویه بنک مرجع و نیاز سوخت داشته و مسیر بهینه باید متناسب با آن بازتولید شود. در این پژوهش، با بهره گیری از شبکه های هوش مصنوعی مبتنی بر یادگیری عمیق و انجام شبیه سازی برای آموزش شبکه عصبی در سناریوهای مختلف خرابی تراستر، مسیرهای بهینه ی تطبیقی استخراج شده اند. تابع هزینه بر اساس کمینه سازی قدر مطلق انتگرال منحنی نیروی تراست در طول مرحله ورود به جو تعریف شده است تا مصرف انرژی به حداقل برسد. مسیر پرواز به صورت توالی زوایای بنک مدل سازی و با استفاده از توابع اسپیلاین و قیود دینامیکی بازسازی شده است تا همواری و صحت فیزیکی مسیر تضمین گردد. نتایج شبیه سازی نشان می دهد که برای هر حالت خرابی یک مسیر بهینه ی مستقل با مصرف سوخت کمتر، خطای نهایی پایین تر و زمان بازیابی کوتاه تر نسبت به مسیر حالت سالم به دست می آید. این رویکرد می تواند زمینه ساز توسعه سامانه های هدایت و کنترل تحمل پذیر عیب با مصرف انرژی بهینه در ماموریت های آینده مریخ با توجه به اهمیت دقت نهایی در انتهای فاز ورود باشد.

کلیدواژه ها:

کنترل تحمل پذیر عیب ، یادگیری عمیق ، مرحله ورود به جو مریخ ، بهینه سازی مسیر ، مصرف سوخت