@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"
}