كنترل كننده هاي شبكه عصبي بهينه و قوي براي مانورهاي فضاپيماي پروگزيمال

optimal and robust neural network controllers for spacecraft maneuvers

در اين تحقيق، چارچوب يادگيري تقويتي با روشهايي مستقيم تركيب ميشود تا مانورهاي فضاپيما همراه با تحليل كنترلي و ديناميكي را ايجاد كند. كنترلكننده هاي بازخورد حلقه باز و حلقه بسته، كه توسط شبكه هاي عصبي مصنوعي چندلايه پيش خورنده پارامتر ميشوند، با الگوريتم هاي بهينه سازي مبتني بر گراديان و تكاملي توسعه يافته اند. محاسبه ميزان كنترل كننده هاي مانورها درر فضاپيماها و راه هاي پيشبيني روند كنترل كننده هاي مانورها درر فضاپيماها ، يكي از چالش هاي جدي براي فعالان اين حوزه است. تاكنون روشهاي گوناگوني براي پاسخگويي به اين مسئله ارائه شده كه از جمله آن استفاده از هوش مصنوعي و الگوريتم هاي مبتني بر آن است. در اين راستا، به دليل ظرفيت بالاي شبكه عصبي پرسپرتون چند لايه عنوان ورودي، بهره گرفته شده است. در نهايت، به منظور بررسي كارايي مدل حاصل از شبكه عصبي، نتايج با نمونه واقعي مورد مقايسه قرار گرفته اند. براساس نتايج بدست آمده از اعتبارسنجي شبكه عصبي پيشنهادي به وسيله مقايسه آن با داده هاي تجربي، پيشبيني ميزان رفتار كنترلي و ديناميكي، بررسي روند ميزان كنترلكنندههاي مانورها درر فضاپيماها و گرايش و تحليل چگونگي كنترلر به نحو مطلوبي صورت گرفته است. پيشبيني روند كنترل كننده هاي مانورها درر فضاپيماها با درصد خطاي پايين(بازه 0/99-1) براي رگرسيون در قياس با نمونه تجربي، بيانگر انطباق كافي مدل پيشنهادي با مدل واقعي و كارايي شبكه است.

In this research, the reinforcement learning framework is combined with direct methods to generate spacecraft maneuvers with control and dynamic analysis. Open-loop and closed-loop feedback controllers, parameterized by feedforward multilayer artificial neural networks, are developed with gradient-based and evolutionary optimization algorithms. Calculating the number of maneuver controllers in spacecraft and ways to predict the trend of maneuver controllers in spacecraft is one of the serious challenges for activists in this field. So far, various methods have been presented to answer this problem, including the use of artificial intelligence and algorithms based on it.[1] In this regard, due to the high capacity of a multi-layer perceptron neural network, this structure has been used using real data as input. Finally, to check the efficiency of the neural network model, the results have been compared with the real sample. Based on the results obtained from the validation of the proposed neural network by comparing it with experimental data, predicting the amount of control and dynamic behavior, examining the trend of the number of controllers of maneuvers in spacecraft, and the tendency and analysis of how the controller is optimally done. Is. The prediction of the maneuvers controller trend in spacecraft with a low error percentage (range 1-0.99) for regression in comparison with the experimental sample, indicates the sufficient compliance of the proposed model with the real model and the efficiency of the network.