دوره 21، شماره 45 - ( 1-1404 )
جلد 21 شماره 45 صفحات 28-16 |
برگشت به فهرست نسخه ها
1- دانشجوی دکتری مهندسی دریا دانشگاه صنعتی شریف
2- استاد، قطب علمی هیدرودینامیک و دینامیک متحرکهای دریایی، دانشکده مکانیک، دانشگاه صنعتی شریف
2- استاد، قطب علمی هیدرودینامیک و دینامیک متحرکهای دریایی، دانشکده مکانیک، دانشگاه صنعتی شریف
چکیده: (2757 مشاهده)
| برآورد و پیشبینی دقیق مسیر کشتیهای مانور در ناوبری، ابزار مهمی برای بهبود ایمنی و امنیت دریایی است. بنابراین، بسیاری از سیستمهای ناوبری مرسوم و خدمات مدیریت و گزارش ترافیک کشتیها برای این منظور به امکانات رادار مجهز هستند. با این حال، دقت پیشبینیهای مسیر مانور شناورها عمدتاً به خوبی تخمین کشتی بستگی دارد. در این مقاله اطلاعات مربوط به دو دستگاه ناوبری با عنوان GPS و INS، داده برداری می گردد و با دادن داده های حاصل از شناسایی سیستم و با استفاده از معادلات الگوریتم فیلتر کالمن توسعه یافته مسیر و موقعیت سه مانور زیگزاگ، دور زدن و شتاب گیری تخمین زده می شود و در نهایت پس از تخمین مسیر مانور حرکت شناور با حرکت تجربی ثبت شده توسط دستگاههای ناوبری اعتبار سنجی می گردد. از جمله نوآوری هایی که می توان در این مقاله به آن اشاره کرد یکپارچه سازی طراحی سیستم کنترل براساس مدل دینامیکی برای یک شناور تندرو در مقیاس واقعی است، چرا که کار بر روی شناور تندرو در مقیاس واقعس با استفاده از روش شناسایی سیستم بسیار محدود است. علت استفاده از روش فیلتر کالمن توسعه یافته این است که این روش قادر است چندین مجهول را در یک سیستم غیرخطی تنها با داشتن ورودی های اندازه گیری شده از تست مدل تخمین بزند. |
متن کامل [PDF 1005 kb]
(874 دریافت)
نکات برجسته مقاله:
1- دیتا برداری به صورت تجربی و میدانی از یک شناور واقعی
2- پیاده سازی روش شناسایی سیستم (فیلتر کالمن توسعه یافته)
3- استخراج ضرایب هیدرودینامیکی شناور
4- بررسی مانور دور زدن
5- بررسی مانور زیگزاگ
6- بررسی مانور شتاب گیری
فهرست منابع
1. Selahshur, Karim.(2019). Theoretical and practical basics system identification book, Oil Industry University, first edition, (In Persian)
2. https://blog.faradars.org/
3. Hajizadeh, Sajjad(2015) Experimental study of the effect of control surfaces on the maneuvering of high-speed vessels in calm water, PhD thesis, Faculty of Mechanics, Sharif University of Technology. (In Persian)
4. Jian Zheng at all(2022), An Unscented Kalman Filter Online Identification Approach for a Nonlinear Ship Motion Model Using a Self-Navigation Test, machines journal [DOI:10.3390/machines10050312]
5. Thor I. Fossen1(2022), Line‑of‑sight path‑following control utilizing an extended Kalman filter for estimation of speed and course over ground from GNSS positions, ournal of Marine Science and Technology ,27:806-813 [DOI:10.1007/s00773-022-00872-y]
6. Yavuz hakan ozdemir(2023), Estimation of ship roll damping and natural frequency using an extended Kalman filter applied to URANS output, MS received 2 January 2023; revised 22 May 2023; accepted 17 July 2023
7. Ferdi Cakici ,at all, (2024), Improved Ship Roll Motion Performance with Combined EKF, Parameter Estimation and MPC Control, IEEE Conference on Control Technology and Applications (CCTA), August 21-23, 2024. Newcastle upon Tyne, UK [DOI:10.1109/CCTA60707.2024.10666525]
8. Huwei Huo (2024), A Kalman Filter Model for Ship Navigation Accuracy Optimization, Advances in Transdisciplinary Engineering, Volume 47: Intelligent Computing Technology and Automation
9. Bing Han att all (2024), A Ship Path Tracking Control Method Using a Fuzzy Control Integrated Line-of-Sight Guidance Law, journal of marine science and engineering, J. Mar. Sci. Eng. 2024, 12, 586. [DOI:10.3390/jmse12040586]
10. Qinghao Li at all(2024), Parametric Identification of Ship Maneuvering Motion Response Model Based on Square Root Cubature Kalman Filtering, Journal of System Simulation, Volume 36Issue 8, 8-15
11. Shi.C and at al .(2009). "Identification of Ship Maneuvering Model Using Extended Kalman Filters", International Journal on Marine Navigation and Safety of Sea Transportation, Volume3,Number1,March
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |