Spelling suggestions: "subject:"flygsimuleringar."" "subject:"flygsimulering.""
1 |
Hardware-In-the-Loop Simulation of MIST Attitude Determination and Control SystemVicario, Alejandro January 2022 (has links)
The MIST(MIniature Student saTellite) project is a 3U CubeSat developed by student teams at KTH Royal Institute of Technology in Stockholm. One of the fundamental systems of the satellite is the Attitude Determination and Control System (ADCS), re sponsible for estimating and correcting the satellite’s orientation using magnetic fields and sun sensors. This final degree work belongs to the MIST functional test team. It focuses on building a test environment that verifies that all ADCS components will be have as expected once the satellite is in orbit. This thesis focuses on creating a test framework that can be used to verify the operation of the ADCS. This test framework is composed of several hardware and software components developed to be reliable and flexible, so it can be adapted to verify the behavior of other systems on the satel lite by other teams in the future. The value of this test framework is demonstrated by setting up a HardwareIntheLoop (HIL) simulation of the ADCS in which real flight hardware is used along with other hardware and software components to create a test scenario as close as possible to the orbit. / MISTprojektet (MIniature Student saTellite) är en 3U CubeSat som utvecklats av studentgrupper vid Kungliga tekniska högskolan (KTH) i Stockholm. Ett av satellitens grundläggande system är Attitude Determination and Control System (ADCS), som ansvarar för att uppskatta och korrigera satellitens orientering med hjälp av magnetfält och solsensorer. Det här examensarbetet hör till MIST:s funktionstestgrupp. Det fokuserar på att bygga en testmiljö som verifierar att alla ADCS-komponenter kommer att bete sig som förväntat när satelliten väl är i omloppsbana. Det här examensarbetet fokuserar på att skapa en testram som kan användas för att verifiera ADCS:s funktion. Testramen består av flera hardware och software komponenter som utvecklats för att vara tillförlitliga och flexibla, så att den kan anpassas för att verifiera beteendet hos andra system på satelliten av andra team i framtiden. Värdet av denna testram demonstreras genom att man sätter upp en HILsimulering (HardwareIntheLoop) av ADCS där riktig flygmaskinvara används tillsammans med andra hardware och software komponenter för att skapa ett testscenario som ligger så nära omloppsbanan som möjligt.
|
2 |
Data Driven Modeling for Aerodynamic Coefficients / Datadriven Modellering av Aerodynamiska KoefficienterJonsäll, Erik, Mattsson, Emma January 2023 (has links)
Accurately modeling aerodynamic forces and moments are crucial for understanding thebehavior of an aircraft when performing various maneuvers at different flight conditions.However, this task is challenging due to complex nonlinear dependencies on manydifferent parameters. Currently, Computational Fluid Dynamics (CFD), wind tunnel,and flight tests are the most common methods used to gather information about thecoefficients, which are both costly and time–consuming. Consequently, great efforts aremade to find alternative methods such as machine learning. This thesis focus on finding machine learning models that can model the static and thedynamic aerodynamics coefficients for lift, drag, and pitching moment. Seven machinelearning models for static estimation were trained on data from CFD simulations.The main focus was on dynamic aerodynamics since these are more difficult toestimate. Here two machine learning models were implemented, Long Short–TermMemory (LSTM) and Gaussian Process Regression (GPR), as well as the ordinaryleast squares. These models were trained on data generated from simulated flighttrajectories of longitudinal movements. The results of the study showed that it was possible to model the static coefficients withlimited data and still get high accuracy. There was no machine learning model thatperformed best for all three coefficients or with respect to the size of the training data.The Support vector regression was the best for the drag coefficients, while there wasno clear best model for the lift and moment. For the dynamic coefficients, the ordinaryleast squares performed better than expected and even better than LSTM and GPR forsome flight trajectories. The Gaussian process regression produced better results whenestimating a known trajectory, while the LSTM was better when predicting values ofa flight trajectory not used to train the models. / Att noggrant modellera aerodynamiska krafter och moment är avgörande för att förståett flygplans beteende när man utför olika manövrar vid olika flygförhållanden. Dennauppgift är dock utmanande på grund av ett komplext olinjärt beroende av många olikaparametrar. I nuläget är beräkningsströmningsdynamik (CFD), vindtunneltestningoch flygtestning de vanligaste metoderna för att kunna modellera de aerodynamiskakoefficienterna, men de är både kostsamma och tidskrävande. Följaktligen görs storaansträngningar för att hitta alternativa metoder, till exempel maskininlärning. Detta examensarbete fokuserar på att hitta maskininlärningmodeller som kanmodellera de statiska och de dynamiska aerodynamiska koefficienterna för lyftkraft,luftmotstånd och stigningsmoment. Sju olika maskininlärningsmodeller för destatiska koefficienterna tränades på data från CFD–simuleringar. Huvudfokus lågpå den dynamiska koefficienterna, eftersom dessa är svårare att modellera. Härimplementerades två maskininlärningsmodeller, Long Short–Term Memory (LSTM)och Gaussian Process Regression (GPR), samt minstakvadratmetoden. Dessa modellertränades på data skapad från flygbanesimuleringar av longitudinella rörelser. Resultaten av studien visade att det är möjligt att modellera de statiskakoefficienterna med begränsad data och ändå få en hög noggrannhet. Ingen avde testade maskininslärningsmodelerna var tydligt bäst för alla koefficienterna ellermed hänsyn till mängden träningsdata. Support vector regression var bäst förluftmotstånds koefficienterna, men vilken modell som var bäst för lyftkraften ochstigningsmomentet var inte lika tydligt. För de dynamiska koefficienterna presterademinstakvadratmetoden bättre än förväntat och för vissa signaler även bättre än LSTMoch GPR. GPR gav bättre resultat när man uppskattade koefficienterna för enflygbanan man tränat modellen på, medan LSTM var bättre på att förutspå värdenaför en flybana man inte hade tränat modellen på.
|
Page generated in 0.0575 seconds