تعداد نشریات | 43 |
تعداد شمارهها | 1,275 |
تعداد مقالات | 15,751 |
تعداد مشاهده مقاله | 51,867,090 |
تعداد دریافت فایل اصل مقاله | 14,690,761 |
طراحی و اجرای مدل بدیع خطای حسگرهای اینرسی در فیلتر کالمن توسعهیافته بر اساس الگوریتم ژنتیک | ||
مهندسی مکانیک دانشگاه تبریز | ||
مقاله 12، دوره 50، شماره 3 - شماره پیاپی 92، آبان 1399، صفحه 97-106 اصل مقاله (2.25 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/jmeut.2020.9554 | ||
نویسندگان | ||
ٌصدرا رفعت نیا1؛ جواد فرجی2؛ جعفر کیقبادی* 3 | ||
1فارغ التحصیل کارشناسی ارشد، گروه مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران | ||
2دانشجوی دکترا، گروه مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران | ||
3Faculty of Mechanical Engineering, University of Tabriz, Tabriz, Iran | ||
چکیده | ||
در این مقاله، مدلی جدید بر پایه الگوریتم ژنتیک بهصورت بلادرنگ برای خطای حسگرهای اینرسی ارزانقیمت توسعه داده میشود. در سامانههای ناوبری اینرسی عدم رفع خطاهای حسگرهای اینرسی نهتنها سبب میشود خطاهای موقعیتیابی بهشدت افزایش یابد بلکه منجر به کاهش دقت در تخمین سایر متغیرهای حالت ناوبری نیز میشود. این موضوع اهمیت و ضرورت ارائه الگوریتمی کارآمد برای مدلسازی نسبتاً دقیق از خطاهای حسگرهای اینرسی میشود. در این مقاله، از الگوریتم ژنتیک برای مدلسازی خطای حسگرهای اینرسی استفادهشده است. هدف اصلی از طراحی این مدل این است که باوجود خطاهای اندازهگیری در حسگرهای ناوبری اینرسی، بتوان تخمین دقیقی از موقعیت، سرعت و زوایای سمت و تراز سیستم ناوبری اینرسی داشت. بهمنظور پیادهسازی و مقایسه الگوریتم ارائهشده و صحهگذاری آن از تست خودرو استفاده میشود. نتایج حاصل از تست نشان میدهد که با استفاده از الگوریتم طراحیشده، دقت تخمین متغیرهای حالت ناوبری اینرسی نسبت به سایر روشهای متداول همچون گوس-مارکوف به میزان قابلتوجهی افزایش خواهد یافت. لذا در حالت کلی این روش ارائه شده سبب بهبود نتایج ناوبری اینرسی خواهد شد. | ||
کلیدواژهها | ||
سیستم ناوبری اینرسی؛ الگوریتم ژنتیک؛ مدل خطای حسگرهای اینرسی؛ تخمین؛ فیلتر کالمن توسعهیافته | ||
مراجع | ||
[1] Sukkarieh S., Nebot E.M., Durrant-Whyte H.F., Achieving integrity in an INS/GPS navigation loop for autonomous land vehicle applications, in IEEE International Conference on Robotics and Automation, Leuven, Belgium, 20-20 May, pp. 3437-3442, 1998. [2] Abdelazim T., Abdel-Hamid W., El-Sheimy N., Shin E., Experimental results of an adaptive fuzzy network Kalman filtering integration for low cost navigation applications, NAFIPS'04, 27-30 June, pp. 844-849, 2004. [3] Farrell J.A., Givargis T.D., Barth M.J., Real-time differential carrier phase GPS-aided INS, IEEE Transactions on Control Systems Technology, Vol. 8, No. 4, pp. 709-721, 2000. [4] Wendel J., Meister O., Schlaile C., Trommer G.F., An integrated GPS/MEMS-IMU navigation system for an autonomous helicopter, Aerospace Science and Technology, Vol. 10, No. 6, pp. 527-533, 2006. [5] Wang W., Liu Z.-y., Xie R.-r., Quadratic extended Kalman filter approach for GPS/INS integration, Aerospace Science and Technology, Vol. 10, No. 8, pp. 709-713, 2006. [6] Nourmohammadi H., Keighobadi J., Fuzzy adaptive integration scheme for low-cost SINS/GPS navigation system, Mechanical Systems and Signal Processing, Vol. 99, pp. 434-449, 2018. [7] Nourmohammadi H., Keighobadi J., Design and experimental evaluation of indirect centralized and direct decentralized integration scheme for low-cost INS/GNSS system, GPS Solutions, Vol. 22, No. 1, pp. 1-18, 2018. [8] Georgy J., Noureldin A., Korenberg M. J., Bayoumi M.M., Modeling the stochastic drift of a MEMS-based gyroscope in gyro/odometer/GPS integrated navigation, IEEE Transactions on Intelligent transportation systems, Vol. 11, No. 4, pp. 856-872, 2010. [9] Rafatnia S., Nourmohammadi H., Keighobadi J., Fuzzy-adaptive constrained data fusion algorithm for indirect centralized integrated SINS/GNSS navigation system. GPS Solutions, Vol. 23, No. 3, pp. 23-62, 2019. [10] Rafatnia S., Nourmohammadi H., Keighobadi J., Badamchizadeh M.A., In-move aligned SINS/GNSS system using recurrent wavelet neural network (RWNN)-based integration scheme. Mechatronics, Vol. 54, pp. 155-165, 2018. [11] Goldberg D.E., Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley, Boston, MA, USA: 1989. [12] Lu H., Zhan-rong J., Ming-ming W., Li-xin Z., Adaptive extended kalman filter based on genetic algorithm for tightly-coupled integrated inertial and gps navigation, in Second International Conference on Intelligent Computation Technology and Automation, Changsha, Hunan, China, pp. 520-524, 2009. [13] Keighobadi J., Nourmohammadi H., Rafatania S., Design and Implementation of GA Filter Algorithm for Baro-inertial Altitude Error Compensation, Istanbul, Turkey, 21-23 March, 2018. [14] Loebis D., Sutton R. Chudley J., A fuzzy Kalman filter optimized using a multi-objective genetic algorithm for enhanced autonomous underwater vehicle navigation. Proceedings of the Institution of Mechanical Engineers, Part M: Journal of Engineering for the Maritime Environment, Vol. 218, No. 1, pp. 53-69, 2004. [15] Hassansin M.A., Taha M. R., Noureldin A., El-Sheimy, N., Automization of an INS/GPS intecrated system using genetic optimization. In Proceedings World Automation Congress, 2004. (Vol. 16, pp. 347-352). IEEE, 2004. [16] Musavi N., Keighobadi J., Adaptive fuzzy neuro-observer applied to low cost INS/GPS, Applied Soft Computing, Vol. 29, pp. 82-94, 2015. [17] کلانتری س.، رفعتنیا ص.، محمدخانی ح. و حاجیزاده م. طراحی و پیادهسازی الگوریتم تخمین مقید تطبیقی برای سامانه ارزان قیمت SINS/GNSS در محیطهای شهری. مجله مهندسی مکانیک امیرکبیر، شناسه دیجیتال: 10.22060/MEJ.2019.14892.5971. [18] Keighobadi J., Vosoughi H., Faraji J., Design and implementation of a model predictive observer for AHRS, GPS Solutions, Vol. 22, No. 1, pp. 29, 2018. [19] Nourmohammadi H., Keighobadi J., Decentralized INS/GNSS system with MEMS-grade inertial sensors using QR-factorized CKF, IEEE Sensors Journal, Vol. 17, No. 11, pp. 3278-3287, 2017. [20] Shin E.-H., Estimation techniques for low-cost inertial navigation, Ph.D. Thesis Thesis, Department of Geomatics Engineering, University of Calgary, Canada, 2005. [21] Sivanandam S., Deepa S., Genetic algorithm optimization problems, in: Sivanandam, S., Deepa, S., Introduction to Genetic Algorithms, Eds., pp. 165-209, Springer, Berlin, Heidelberg: 2008. [22] کیقبادی ج.، رفعتنیا ص.، نورمحمدی ح. و ارباب میر م.ع. طراحی و پیادهسازی الگوریتم تخمین ارتفاع در ارتفاعسنج ترکیبی بارومتریک-اینرسی با استفاده از کنترل مدل پیشبین. مجله مهندسی مکانیک دانشگاه تبریز، ش. 2، ص 233-238، 1396. [23] Simon D., Optimal state estimation: Kalman, H infinity, and nonlinear approaches. Hoboken: John Wiley & Sons, 2006. [24] Gelb A., Applied optimal estimation. MIT press, 1974. [25] Nagaraj B. and Murugananth N., A comparative study of PID controller tuning using GA, EP, PSO and ACO. In International Conference on in Communication Control and Computing Technologies, Ramanathapuram, India, 2010. | ||
آمار تعداد مشاهده مقاله: 410 تعداد دریافت فایل اصل مقاله: 491 |