%0 Thesis
%4 sid.inpe.br/mtc-m21d/2021/12.14.15.54
%2 sid.inpe.br/mtc-m21d/2021/12.14.15.54.29
%T Controle de atitude: Uma abordagem através de redes neurais artificiais
%J Attitude control: An approach through artificial neural networks
%D 2022
%8 2021-12-17
%9 Dissertação (Mestrado em Mecânica Espacial e Controle)
%P 124
%A de Carvalho, Thadeu Augusto Medina,
%E Rocco, Evandro Marconi (presidente) ,
%E Chagas, Ronan Arraes Jardim (orientador), ,
%E Guimarães, Lamartine Nogueira Frutuoso ,
%E Solórzano, Carlos Renato Huaura,
%I Instituto Nacional de Pesquisas Espaciais (INPE)
%C São José dos Campos
%K falhas em rodas de reação, controle inteligente, backpropagation, treinamento offline, Julia language, reaction wheels, intelligent control, offline training, Julia language.
%X O presente trabalho consiste em uma abordagem do controle de atitude de satélite em três eixos através de uma rede neural artificial (RNA), treinada e empregada como controlador em malha fechada. O atual interesse pelos campos da inteligência artificial (IA) em diversas áreas do conhecimento e da indústria exige a investigação de suas vantagens e limitações diante de abordagens já estabelecidas. Neste contexto, foi projetado um sistema de controle de atitude baseado em técnicas e paradigmas de RNAs com o objetivo de identificar e analisar os resultados de sua implementação em comparação com uma abordagem bem conhecida para o problema de controle atitude. Os resultados foram obtidos a partir de simulações computacionais do movimento rotacional do satélite, considerado como corpo rígido e contendo rodas de reação como atuadores. A principal característica do sistema de controle proposto consiste na substituição da função do controlador por uma rede neural denominada proportional derivative neural network (PDNN). Além disso, foram simuladas e analisadas quatros estruturas variantes da rede PDNN. A saída da rede foi assumida como o vetor de torques comandados para o conjunto de rodas de reação. Com base na minimização da função custo que considerou o erro de atitude, foi implementado o algoritmo de backpropagation para atualizar os parâmetros 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 várias condições iniciais após um único treinamento offline. As comparações entre os desempenhos das variantes da rede PDNN e do controlador convencional proporcional derivativo (PD) ocorreram para diferentes condições de voo, sendo considerados os casos de falha em uma das rodas de reação e o caso de perturbação por torques externos instantâneos. Para ambas as situações críticas, foi observado um melhor desempenho da abordagem defendida neste trabalho, principalmente em relação ao requisito de rejeição 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.
%@language pt
%3 publicacao.pdf