علوم و فناوری فضایی

علوم و فناوری فضایی

طراحی کنترل وضعیت ماهواره به روش کنترل بهینه بدون مدل

نوع مقاله : مقالة‌ پژوهشی‌

نویسندگان
1 گروه مهندسی هوافضا، دانشکدة مهندسی مکانیک و هوافضا، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
2 دانشکدة مهندسی هوافضا، دانشگاه خواجه نصیرالدین طوسی، تهران، ایران
چکیده
هدف از ارائه این مقاله اثبات و تشریح روش کنترل بهینه بدون مدل است. این تئوری از اصول روش برنامه‏‏ریزی دینامیکی استخراج شده است. روش کنترل بهینه بدون مدل برای سیستم‏های گسسته در زمان، تولید شده است. در طراحی کنترلر نیازی به مدل سیستم نیست، و تنها از داده‏های ورودی و خروجی برای طراحی کنترلر استفاده شده است. برای  ارزش‏سنجی روش کنترلی بدون مدل دو عمل صورت گرفته است. اولین عمل طراحی این روش کنترلی برای کنترل وضعیت ماهواره بوده است. هدف از انجام آن تولید روش کنترل بهینه بدون مدل برای مدلی فضایی و سنجش کارایی آن برای سیستم ماهواره است. دومین عمل صورت گرفته برای ارزش‏سنجی، طراحی کنترلر تنظیم‏کنندة خطی درجه دوم (LQR) برای سیستم گسسته در زمان ماهواره است. علت طراحی این کنترلر مقایسه‏ی آن با روش کنترلی بدون مدل خواهد بود. در نهایت با انجام این دو عمل، به این نتیجه رسیده شده است که روش کنترل بهینه بدون مدل قابل قبول و ارزشمند است.
کلیدواژه‌ها

[1]   Kalman, R. E., “A New Approach to Linear Filtering and Prediction Problems,” Transactions, Vol. 82, 1960, pp. 34-45.
[2]   Karray, F., Gueaieb, W. and Al-Shahram, S., “The Hierarchical Expert Tuning of PID Controllers using Tools of Soft Computing,” IEEE Transactions on Systems Man, and Cybernetics- Part B, Vol. 32, 2002, pp. 77-90.
[3]   Spall, J.C., “Multivariate Stochastic Approximation Using a Simultaneous Perturbation,” IEEE Transactions on Automatic Control, Vol. 45, 1992, p.p. 1839–1853.
[4]   Hou, Z., “The Parameter Identification, Adaptive Control and Model Free Learning Adaptive Control for Nonlinear Systems,” China: (Thesis PhD), Northeastern University Shenyang, 1994.
[5]   Hou, Z. “Nonparametric Models and Its Adaptive Control Theory,” Science Press, Beijing, 1999.
[6]   Hou, Z. and Jin, S.T. “A Novel Data-Driven Control Approach for a Class of Discretetime-Time Nonlinear Systems,” IEEE Transactions on Control Systems Technology, Vol. 19, 2011, pp. 1549-1558.
[7]   Al Tamimi, A., Murad Abu Kh., Lewis, F., “Discrete-Time Control Algorithms and  Adaptive Intelligent Systems Designs,” Texas-Arlington: University of Texas, 20 Werbos, P., "A menu of Designs for Reinforcement Learning Over Time,” In Neural Networks for Control , 1991, p. 67–95.
[8]   Barto, A.G., Sutton, R.S. and Anderson, C.W., “Neuronlike Elements that Can Solve Difficult Learning Control Problem,” IEEE Transactions on Systems Man and Cybernetics, Vols. SMC-13, 1983, pp. 835-846.
[9]   Bertsekas, D.P. and Tsitsiklis, J.N., Neuro-Dynamic Programming, Athena Scientific, 1996.
[10]Howard, R., Dynamic Programming and Markov Processes, Cambridge: Technology Press of  Massachusetts Institute of Technology, 1960.
[11]Bradtke, S., Ydestie, B. and Barto, A., “Adaptive Linear Quadratic Control using Policy Iteration,” Proceedings of the American Control Conference, 1994.
[12]Hagen, S.  and Krose, B., “Linear Quadratic Regulation using Reinforcement Learning.,” in Belgian_Dutch Conference on Mechanical Learning, 1998.
[13]Werbos, P., Approximate Dynamic Programming for Real-time Control and Neural Modeling, New York: Handbook of Intelligent Control: Van Nostrand Reinhold, 1992.
[14]Watkins, C., Learning from Delayed Rewards, (Thesis Ph.D) Cambridge University, 1989.
[15]Prokhorov, D. and Wunsch, D., “Adaptive Critic Designs,” IEEE Transactions on Neural Networks, Vol. 8, 1997, pp. 997-1007.
[16]Landelius, T.,Reinforcement learning and distributed local model synthesis, Sweden: Ph.D. dissertation, Linkoping University, 1997.
[17]Si, J., Barto, A.,  Powel, W. and Wunsch, D., Handbook of Learning and Approximate Dynamic Programming, New Jersey: Wiley, 2004.
[18]Sidi, M.J., Spacecraft Dynamics and Control, Cambridge: Cambridge University Press, 1997.
[19]Navabi, M., Tavana, M. and Mirzaie, H., “Attitude Control of Spacecraft by State Dependent Riccati Equation and Power Series Expansion of Riccati Methods,” Journal of Space Science & Technology , Vol. 7, No. 4, 2015, pp. 39-49.
[20]Rokn Abadi, S., Mir shams, S. and Nikkhah, A., “Spacecraft Optimal Attitude Control by means of Reaction Wheels,” Journal of Space Science & Technology,(JSST), Vol. 2, No. 15, winter 2010, pp. 40-50.
[21]Kirk, D.E., Optimal Control Theory, New York: Mineola, 2004.
[22]Brewer, J., “Kronecker Products and Matrix Calculus in System Theory,” IEEE Trans. on Circuit and System, Vol. 25, No. 9, 1978, pp. 772 - 781.
[23]Kamen, E.W. and Su, J.K., Introduction to Optimal Estimation, Springer, 1999.
[24]Stengel, R.F., Optimal Control and Estimation, Princeton: Dover Publications, 1986.
[25]Terui, F., “Position and Attitude Control of a Spacecraft by Sliding Mode Control,” Proceeding of American Control Conference, 1998.
[26]Wertz, J., Spacecraft Attitude Determination and Control, Reidel, Dordrecht,Netherlands: Astrophysics and space science library, 1978.
[27]Wie, B., Space Vehicle Dynamics and Control, Reston, VA: AIAA Education Series, 1998.
[28]Pukdeboon, C.  and Kumam, P., “Robust Optimal Sliding Mode Control for Spacecraft Position and Attitude Maneuvers,” Aerosp Sci Technol, Vol. 43, 2015, pp. 329–342.
[29]Yang, Y., “Analytic LQR Design for Spacecraft Control System Based on Quaternion Model,” Aerospace Engineering, Vol. 25, No. 3, 2011, pp. 448-453.
[30]Kazantzis, N. and Kravaris, C., “Time-Discretization of Nonlinear Control Systems Via Taylor,” Computers and Chemical Engineering, Vol. 23, 1999, pp. 763-784.
[31]Qinglei, H., Bo, L. and Zhang, Y., “Robust Attitude Control Design for Spacecraft under Assigned Velocity and Control Constraints,” ISA Transactions, Vol. 52, 2013, pp. 480-493.

  • تاریخ دریافت 10 تیر 1396
  • تاریخ بازنگری 10 مهر 1396
  • تاریخ پذیرش 17 آبان 1396
  • تاریخ اولین انتشار 01 آذر 1396