Mehr als 8.000 künstliche Satelliten umkreisen heute den Planeten Erde, von denen viele bereits vor Jahrzehnten ins All geschickt wurden. Die Reparatur und Aufrechterhaltung des ordnungsgemäßen Betriebs dieser Satelliten ist nicht immer einfach und erfordert oft sorgfältig geplante und gezielte Eingriffe. Eine häufige Satellitenwartungsoperation ist als „Entwirbeln“ bekannt. Dieser Prozess beinhaltet das Stabilisieren und Manipulieren der Ausrichtung von Satelliten, die im Weltraum unkontrolliert rotieren.
Forscher der University of New Mexico haben kürzlich eine neue adaptive Methode vorgestellt, um nicht starre Satelliten mit unbekannten Bewegungsdynamiken zu entwirbeln. Ihr vorgeschlagener Ansatz wurde in einem auf der arXiv-Preprint-Plattform veröffentlichten Paper skizziert und soll auf der IEEE Conference on Decision and Control (CDC 2024) vorgestellt werden. Das Ziel der Studie war es, eine effektive Methode zur Entwirbelung nicht starrer Satelliten zu entwickeln, da das Taumeln eine Hauptursache für Satellitenfehlfunktionen ist und die meisten vorhandenen Entwirbelungslösungen nur auf starre Satelliten anwendbar sind.
Die adaptive Entwirbelungsmethode, die von den Forschern eingeführt wurde, basiert auf der Verwendung von zwei Robotersystemen, die an verschiedenen Stellen am Satelliten befestigt sind. Diese Systeme wenden die notwendige Kraft und das erforderliche Drehmoment an, um den Satelliten zu stabilisieren, seine Bewegung zu stoppen und ihn somit wieder funktionsfähig zu machen. Die Forscher planen, die Methode weiter zu verbessern und insbesondere in Schwerelosigkeitsumgebungen weiter zu testen.
Das neue Entwirbelungsverfahren kann nicht nur auf die Entwirbelung nicht starrer Satelliten angewendet werden, sondern könnte auch auf andere Objekte mit nicht starren Körperstrukturen angewendet werden, um möglicherweise andere Wartungs- und Reparaturaufgaben zu bewältigen. Zukünftige Studien konzentrieren sich darauf, Robotiksysteme zu nutzen, um geschickte Manipulationsarbeiten während Reparatur- und Wartungsaufgaben durchzuführen, und den Einsatz von Lernmethoden wie neuronalen Netzwerken und maschinellem Lernen zu integrieren, um die Leistung des Steuerungsalgorithmus zu verbessern.