| Summary: | Um esquema de controle, empregando uma metodologia generalizada, destinado à solução de problemas de controle ótimo, treinamento de redes neurais e controle preditivo é desenvolvido, implementado e testado, em aplicações da área aeroespacial de grande relevância e atualidade. Nesta metodologia, um método de programação não linear, do tipo Projeção Estocástica do Gradiente, é utilizado para resolver aproximações discretizadas de problemas de controle ótimo. Problemas de treinamento de redes neurais e controle preditivo são também assim resolvidos através da otimização de funcionais quadráticos utilizados na obtenção dos ajustes dos pesos das redes neurais ou definição das ações de controle. Para os três casos considerados, uma iteração típica pode ser vista e tratada como um problema de estimação linear ótima de parâmetros. Mostra-se que os três algoritmos são o resultado da aplicação do método de Newton à otimização de funcionais específicos, fornecendo soluções que convergem localmente. Dois sistemas não lineares, um representado por uma equação recursiva e o outro por um sistema de duas equações diferenciais ordinárias, são utilizados para ilustrar a aplicação dos algoritmos de treinamento de redes neurais e controle preditivo. A seguir, o esquema proposto é aplicado ao controle de atitude em três eixos de um satélite com volante de inércia e mancal duplo. Resultados de simulações para a condição de pequenos erros iniciais e controle de atitude são então apresentados. Para avaliar os três algoritmos em conjunto, um esquema de pilotagem de um veículo espacial lançador de satélites, com três graus de liberdade, é considerado. Resultados de simulações e testes do esquema de pilotagem, na presença de perturbações não modeladas pelas redes neurais, são então apresentados e analisados. === A generalised methodology used to solve optimal control problems, neural network training and design of a neural network based predictive control algorithm is presented and tested in aerospace control problems. A non-linear programming technique, namely, a stochastic gradient projection method is used to obtain an algorithm to solve optimal control problems. For neural network training and predictive control problems, it is shown that optimisation of a quadratic performance functional, used to determine the neural network weight adjustments or the discrete control actions, can be viewed and treated, in a typical iteration, as a stochastic optimal linear parameter estimation problem. The three algorithms are shown to be the result of application of Newton's method to appropriate optimisation functionals that provide solutions that converge locally. Two non-linear systems, one represented by a recursive equation and the other, by a set of two non-linear differential equations are used to illustrate the application of the neural network training and the predictive control algorithms. Then, the proposed scheme is applied to a three-axes satellite attitude control with a double-gimballed momentum wheel. Results of simulations and tests for the situation of fine pointing torques and errors in the initial satellite attitude are presented. In order to evaluate the three algorithms, a guidance scheme is proposed for a three-degrees of freedom, non-linear, flight trajectory control of a satellite launch vehicle. Results of simulations and tests for the situation of guidance in the presence of perturbations not modelled by the neural networks are then presented and analysed.
|
|---|
