@MastersThesis{Carvalho:2022:AbReNe,
               author = "de Carvalho, Thadeu Augusto Medina",
                title = "Controle de atitude: Uma abordagem atrav{\'e}s de redes neurais 
                         artificiais",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2022",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2021-12-17",
             keywords = "falhas em rodas de rea{\c{c}}{\~a}o, controle inteligente, 
                         backpropagation, treinamento offline, Julia language, reaction 
                         wheels, intelligent control, offline training, Julia language.",
             abstract = "O presente trabalho consiste em uma abordagem do controle de 
                         atitude de sat{\'e}lite em tr{\^e}s eixos atrav{\'e}s de uma 
                         rede neural artificial (RNA), treinada e empregada como 
                         controlador em malha fechada. O atual interesse pelos campos da 
                         intelig{\^e}ncia artificial (IA) em diversas {\'a}reas do 
                         conhecimento e da ind{\'u}stria exige a investiga{\c{c}}{\~a}o 
                         de suas vantagens e limita{\c{c}}{\~o}es diante de abordagens 
                         j{\'a} estabelecidas. Neste contexto, foi projetado um sistema de 
                         controle de atitude baseado em t{\'e}cnicas e paradigmas de RNAs 
                         com o objetivo de identificar e analisar os resultados de sua 
                         implementa{\c{c}}{\~a}o em compara{\c{c}}{\~a}o com uma 
                         abordagem bem conhecida para o problema de controle atitude. Os 
                         resultados foram obtidos a partir de simula{\c{c}}{\~o}es 
                         computacionais do movimento rotacional do sat{\'e}lite, 
                         considerado como corpo r{\'{\i}}gido e contendo rodas de 
                         rea{\c{c}}{\~a}o como atuadores. A principal 
                         caracter{\'{\i}}stica do sistema de controle proposto consiste 
                         na substitui{\c{c}}{\~a}o da fun{\c{c}}{\~a}o do controlador 
                         por uma rede neural denominada proportional derivative neural 
                         network (PDNN). Al{\'e}m disso, foram simuladas e analisadas 
                         quatros estruturas variantes da rede PDNN. A sa{\'{\i}}da da 
                         rede foi assumida como o vetor de torques comandados para o 
                         conjunto de rodas de rea{\c{c}}{\~a}o. Com base na 
                         minimiza{\c{c}}{\~a}o da fun{\c{c}}{\~a}o custo que considerou 
                         o erro de atitude, foi implementado o algoritmo de backpropagation 
                         para atualizar os par{\^a}metros da rede ao longo do processo de 
                         treinamento. Os resultados apresentados mostraram a capacidade da 
                         rede em lidar com o problema de controle de atitude para 
                         v{\'a}rias condi{\c{c}}{\~o}es iniciais ap{\'o}s um {\'u}nico 
                         treinamento offline. As compara{\c{c}}{\~o}es entre os 
                         desempenhos das variantes da rede PDNN e do controlador 
                         convencional proporcional derivativo (PD) ocorreram para 
                         diferentes condi{\c{c}}{\~o}es de voo, sendo considerados os 
                         casos de falha em uma das rodas de rea{\c{c}}{\~a}o e o caso de 
                         perturba{\c{c}}{\~a}o por torques externos instant{\^a}neos. 
                         Para ambas as situa{\c{c}}{\~o}es cr{\'{\i}}ticas, foi 
                         observado um melhor desempenho da abordagem defendida neste 
                         trabalho, principalmente em rela{\c{c}}{\~a}o ao requisito de 
                         rejei{\c{c}}{\~a}o de falhas. ABSTRACT: This present work guides 
                         a satellite attitude control approach using a trainable artificial 
                         neural network (ANN) as a controller in the closed-loop. Our main 
                         motivation was to compare its performance with the conventional 
                         proportional derivative (PD) controller for some particular cases. 
                         Furthermore, account interest of artificial intelligence (AI) 
                         fields in many knowledge areas, becomes suitable to investigate 
                         the advantages and limitations of the proposed approach. We can 
                         simulate the attitude feedback data for the closed-loop attitude 
                         control system through the equations of motion for the rigid body 
                         dynamics and attitude propagation methods. The error of the 
                         current orientation of the body-fixed coordinate frame concerning 
                         the reference coordinate frame performs the ANN input signal. A 
                         general network architecture proposed, called PD neural network 
                         (PDNN), its composed for proportional (P) and derivative (D) 
                         neurons types. As a global result of each neuron process, the 
                         network output provides the commanded torques to a set of reaction 
                         wheels simulated as actuators. Based on minimizing the loss 
                         function that considers the attitude error, the ackpropagation 
                         algorithm updates the network weight parameters to perform a 
                         better control sequence of the attitude through to training. For 
                         the training process, we used the machine learning library, Flux. 
                         Jl. Presented results showed the networks ability to solve the 
                         attitude control problem for several initial conditions after a 
                         single offline training. In addition, it was possible to compare 
                         the performance of the PDNN and the PD controller for different 
                         flight conditions. We have considered the case of failure in one 
                         of the reaction wheels and the case of disturbance by 
                         instantaneous external torques. For both critical situations, we 
                         observed better performance of the PDNN.",
            committee = "Rocco, Evandro Marconi (presidente) and Chagas, Ronan Arraes 
                         Jardim (orientador), and Guimar{\~a}es, Lamartine Nogueira 
                         Frutuoso and Sol{\'o}rzano, Carlos Renato Huaura",
         englishtitle = "Attitude control: An approach through artificial neural networks",
             language = "pt",
                pages = "124",
                  ibi = "8JMKD3MGP3W34T/46239S2",
                  url = "http://urlib.net/ibi/8JMKD3MGP3W34T/46239S2",
           targetfile = "publicacao.pdf",
        urlaccessdate = "03 maio 2024"
}