Redes neurais aplicadas ao controle de atitude de satélites com geometria variável

• Ano de defesa: 1997
• Autor(a) principal: Valdemir Carrara
• Orientador(a): Atair Rios Neto
• Banca de defesa: Marcelo Lopes de Oliveira e Souza, Roberto Vieira da Fonseca Lopes, Cairo Lucio Nascimento Junior, Luiz Carlos Sandoval Góes
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Nacional de Pesquisas Espaciais (INPE)
• Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Mecânica Espacial e Controle
• País: BR
• Resumo em Inglês: The use of neural networks for satellite attitude control is addressed in this work. In order to validate this application, a spacecraft with a variable dynamic behavior due to articulated appendages fixed to the body was chosen. The differential equations therefore show the nonlinear dynamic effects to be identified by neural nets. In this work some o f the main expressions that allow system modeling through neural nets as well as two different training procedures- back-propagation and least squares- are presented. A general method for obtaining the inertia tensor and center of mass of an articulated space device, is also explained, as well as the dynamic and cinematic differential equations. These formulations were used in attitude simulation for neural network system identification and control training. The solar array deployment o f the MECB' s remote sensing satellite was used as an example of attitude control by means of neural nets. Three solar arrays are articulated in the satellite body and are deployed after orbit injection by a trigger device. Initially, a direct model ofthe satellite by means of a neural net was obtained. Afterwards, severa! arrangements and training procedures were tested in order to achieve the inverse model of the dynamics. The best results were obtained with the inverse training through feedback error. In order to validate the control procedure, a parameter variation method (inertia tensor and mass) together with sensor noise were employed after accomplishing the training phase, so as to verify control robustness against to parameter variation. The results show that the neural net is tolerant to sensor noise and has a relatively large capacity to compensate the parameter uncertainty.
• Link de acesso: http://urlib.net/sid.inpe.br/iris@1905/2005/07.29.05.41

Este trabalho investiga o uso de redes neurais em controle de atitude de satélites artificiais. Com a intenção de validar esta aplicação, optou-se por um satélite que não fosse constituído por um corpo rígido, mas que possuísse um comportamento dinamico variável em função de apêndices articulados. A dinâmica assim gerada tem o caráter não-linear típico para utilização de redes neurais. São apresentados neste trabalho as principais relações que permitem a modelagem de um sistema via rede neural, bem como duas possibilidades de treinamento: retro-propagação e mínimos quadrados. Foram obtidas também as relações dinâmicas e cinemáticas do movimento de um corpo no espaço com apêndices articulados, levando-se em conta a posição do centro de massa e a variação do momento de inércia do conjunto, necessários para efetuar a simulação do movimento do satélite. Para validar o controlador de rede neural, foi utilizado como exemplo a geometria do satélite de sensoriamento remoto da MECB, durante a fase de abertura dos painéis solares, que fazem as vezes dos apêndices articulados. Inicialmente obteve-se o modelo de identificação, contendo a dinâmica direta do satélite. Posteriormente testaram-se varias formas de obtenção do modelo dinâmico inverso através da rede neural, sendo que o treinamento com realimentação do erro mostrou os melhores resultados. Para validar o controle, promoveu-se uma variação de parâmetros do satélite (momentos de inércia, massa, empuxo dos motores) e incluíram-se de ruídos nos sensores, sem entretanto refazer o treinamento da rede. Comprovou-se, assim, que a rede possui capacidade de compensação, capaz de assegurar robustez ao controle proposto.