גלגלי תגובה הם פועלים קריטיים בשליטה על גישת חלליות, מתן שינויים אוריינטציה מדויקת ללא צריכת דחף. גישות בקרה מסורתיות מסתמכות על מודלים ליניאריים ומודולאליים-integral-derivative (PID) מקבילים, אך המורכבות הגוברת של משימות מודרניות - החל מהתבוננות כדור הארץ גמישה להפרעות בין-מרחב עמוק - אלגוריתמים הדורשים שיכולים להתמודד עם דינמיקה לא ליניארית, הפרעות לא ברורות, ופעולות מרשימות, ופעולות מכוונות למידה מתקדמות (מחדשות) יכולות להעריך את יעילות של זמן, תגובה יעילה יותר, תגובה יעילה ואפקטים, ואפקטים, משיטות בקרה ואפקטים, משיטות בקרה (מחדשה) של זמן, מאפקטים, משיטות בקרה ואפקטים, מאפקטיביות) של בקרה ואפקטיביות, מאפקטיביות, מאפקטיביות, מאפקטים, מאפקטים, משיטות בקרה ואפקטים, מאפקטיביות, מאפקטיביות, מאפקטיביות, מאפקטיביות, מאפקטיביות של בקרה ואפקטים, משיטות בקרה ואפקטיביות, משיטות בקרה ואפקטיביות, משיטות בקרה ואפקטיביות, מאפקטיביות של שליטה ואפקטיביות של

תוצאות של Reaction Wheel control

גלגל תגובה הוא מכשיר שינוי תנופה: כשהגלגל מאיץ, הוא מפעיל מומנט על גוף החללית, רוטט אותו על ציר הגלגל.המערכת נשלטת על ידי שימור של מומנטום זוויתי, ואת התוספת נטו החל על החללית שווה את זמני האינטרטי של הגלגל של האצה זוויתית שלה.

ארכיטקטורות בקרה קלאסית בדרך כלל מעסיקות קערה של שתי לולאות: לולאה חיצונית לקביעת גישה (באמצעות עוקבי כוכבים, חיישני השמש או גירוסקופים) ו הלולאה פנימית לתקנה מהירות הגלגל.הלאה הפנימית משתמשת לעתים קרובות בקר PID אשר פקודות מתח המנוע מבוסס על השגיאה בין מהירות הגלגל הרצויה ואמיתית.

  • היא מניחה לינאריות, אך חיכוך של גלגל התגובה, back-EMF, וההתיישבות הן מאוד לא ליניאריות.
  • זה לא יכול להתאים לשינויים בתכונות המוניות של חלליות (למשל, לאחר ניכוי דלק או פריסת מטען).
  • הוא מספק דחייה מוגבלת של מומנט חיצוני לא ידוע (לחץ קרינה פתור, ⁇ הכבידה, מומנט מגנטי).
  • זה לא מנצל ידע דומיין על תנועות עתידיות או מגבלות הפעלה, לעתים קרובות מוביל ללבוש מיותר וצריכת חשמל גבוהה.

מגבלות אלה מניעות את החיפוש אחר חוקי בקרה אינטליגנטיים יותר.למידת מכונות, עם היכולת שלה מודל מיפוי מורכב וליצור מדיניות אופטימלית מהנתונים, הוא מועמד טבעי.

Machine Learning Paradigms in Reaction Wheel control

Reinforcement Learning (RL), רשתות עצביות (NNs), ולמידה עמוקה (DL) הן שלוש קטגוריות ה-ML שנבדקו באופן פעיל עבור בקרת גישה.

ב-RL, הבקר הוא סוכן אינטראקציה עם סביבת החלל - שינוי מהירות הגלגל ולקבל משוב בצורת אות פרס (למשל, טעות גישה שלילית ריבוע מינוס מונח עבור מאמץ שליטה) הסוכן לומד מדיניות שמפות קובעות (במידת דיוק, מהירות זוויתית, מהירות הגלגל) לפעולות (הוראות מתח) כדי למקסם את התגמול המצטבר, כגון FLTS), לעומת דיוק לא ידוע (Fightrated) אשר יכול היה להשיג דיוק גבוה יותר מ- Qubtia (Q).

  • (FLT:0) RLFLT:1 (למשל, אופטימיזציה למדיניות Proximal) לומד ישירות ממקרי ניסוי וטרור ללא צורך במודל חללי אנליטי.זה אטרקטיבי עבור מערכות שבהן מודלים מדויקים הוא קשה, אבל הדרישה לנתונים גבוהים היא אתגר.
  • (FLT:0)Model-based RLFLT:1 ⁇ לומד לראשונה מודל דינמי מהנתונים לטיסה, ואז משתמש במודל כדי לתכנן פעולות בקרה.זה מקטין את רעב הנתונים ויכול להאיץ את ההכשרה בסימולציה.
  • (FLT:0) מגבלות בטיחותיות FLT:1: Standard RL אינו מבטיח מהירויות גלגל כבולות או להימנע מחיקה.התפתחויות האחרונות באופטימיזציה של מדיניות מרוסנת (למשל, שיטות Lagrangian) מותאמות לחללית, כפי שתואר ב-FLT:2NASA JPL's WorkFreaph 3 .

רשתות נילי עבור Dynamics Modeling and Inverse control

רשתות נילי מצטיינים במילוי פונקציות לא לינאריות.בשליטה על גלגל התגובה, הם משמשים בשתי דרכים עיקריות:

  • (FLT:0)Forward ModelingFLT:1: רשת עצבית המוכשרת על נתוני טלמטארי צופה את המדינה הבאה (מהירות מהירות הגלגל) בהתחשב במצב הנוכחי ופעולת בקרה.מודל זה נלמד יכול לשמש מודל שליטה חיזוי מודל (MPC) מסגרת, שבו רצף אופטימלי של מתחים הוא קידוד על פני אופק על ידי פתרון בעיות אופטימיזציה מספריים של העצבי משמש מודל שונה, כמודל, כלומר, כלומר, מבוסס מודל המאפשר אופטימיזציה.
  • (FLT:0) מודלים הפוכה (או estimation ישיר) 1FLT: רשת עצבית לוקחת את הסימון הרצוי כקלט ופלטים הדרושים האצה גלגל, למעשה ללמוד את הדינמיקה הפוכה של הרכב התגובה.זה שימושי במיוחד כאשר המערכת יש חיכוך לא ברור או וריאציות אינרציה.

מחקר 2023 ב-FLT:0 (Journal of Guidance, Control, ו- DynamicsFearveLT:1 (FLT:2linkveFLT 3:3) הראה כי רשת עצבית מזין שהוכשרה על נתונים סימולציה גבוהה פי נאמנות מופחתת מהירות הגלגל על ידי 30% בהשוואה לבקר PID מכוון במהלך תרחיש תצפית כדור הארץ טיפוסי.

למידה עמוקה עבור Anomaly Detection and Fault-Tolerant control

ארכיטקטורות למידה עמוקה - במיוחד autoencoders, רשתות זיכרון לטווח קצר ארוך (LSTMs), והופכים - הם מופרסים כדי לזהות תקלות בלתי צפויות בגלגלי תגובה. על ידי למידה דפוסים רגילים של זרם גלגלים, מהירות וטמפרטורה, מודלים עמוקים יכולים לסמן סטיית דגל המעידות על השפלה או כישלון מתמשך.התפלט יכול לגרום מתג לאסטרטגיה שמרנית יותר או תיקון חלק לגלגל מחדש לגלגל אדום.

לדוגמה, חוקרים בסוכנות החלל האירופית (ראה FLT:0ESA ניקוי SpaceFLT:1) הוכיחו כי מערכת זיהוי תקלות מבוססת LSTM יכולה לזהות חריגות של חוסר איזון גלגלים עד שלוש מסלולים לפני שהם הופכים קריטיים, המאפשרת התאמות גישה יזום המונעות הפרעה למשימה.

יתרונות של בקרת גלגל בקרה של ML-Driven

השינוי מאלגוריתמים קבועים ועד למדיניות שלמדו מציע כמה הטבות שניתן למדידה, שמשכנעות הן את קוביות הדגל בעלות נמוכה והן את משימות הדגל.

הסתגלות מוגברת ל-Un Modeled Dynamics

חללי חלל לעתים רחוקות מתנהגים בדיוק כפי שמצופה על הקרקע.דלק סלוש, גלקסיות סולאריות מתפתלות, רינג תרמי, והיסטריה מגנטית מציגה הפרעות שעושות מודלים פשוטים של parametric. אלגוריתמים של ML יכולים להתאים באופן אוטומטי את ההתנהגות שלהם בהתבסס על תצפיות בזמן אמת. Reinforcement Learning סוכנים, למשל, יכולים לחדד את המדיניות שלהם במהלך המשימה, ביעילות ביצוע הסתגלות מקוונת ללא יכולת אנושית-יכולה.

שיפור יעילות האנרגיה וצמצום הבגדים

בקרת גלגל התגובה היא צרכן עיקרי של כוח חשמלי על הסיפון.בקרים מסורתיים PID נוטים overdrive הגלגלים, גרימת האצה מהירה ודהרורציה כי לבזבז אנרגיה להאיץ ללבוש. ML מבוסס בקרים, מאומן עם פונקציה מתגמל כי מעניש האצה מוגזמת זוויתית האצה, ללמוד חלקה יותר לפרופילים angular. A השוואה במבחן על חומרה-inthe-the-the-ההגדרה באוניברסיטת טקסס פחות מ-0.01% כוח מבטחים ב-cooker נמוך מאשר שמירה על פרופיל PID סטנדרטי.

רובוסטנס לחיישנים Noise and Temporly Missing Feedback

רשתות עצביות עמוקות יכולות להיות מאומן על נתוני חיישן רועשים ואפילו יכולות לבצע estimation המדינה באופן בלתי סביר.אדריכלות כמו LSTMs לנצל temporal cortualization כדי לסנן רעש מדידה.יתר על כן, מדיניות של RL מאומנת בסימולציה תחת תרחישים שונים של חיישנים יכולים ללמוד לחוף על תצפיות קודמות, שמירה על יציבות הגישה במשך כמה שניות ללא עדכונים.

אתגרים ומימוש ה Hurdles

למרות ההבטחה, שילוב ML לתוך מערכות בקרה בעלות ערך טיסה עומד בפני מחסומים הנדסיים ותקנות רגולטוריים משמעותיים.יש לטפל באתגרים אלה לפני שבקרת גלגל התגובה המונעת על ידי ML הופכת לפרקטיקה סטנדרטית.

מחסור בנתונים ו-Sim-to-Real Gap

איסוף נתונים מתוייגים גדולים מפעילות גלגל התגובה האמיתית הוא קשה כי חלליות טלמטורי הוא ספאאר ויקר להשיג. רוב דגמי ה-ML מאומן על ידי סימולציות נאמנות גבוהה, אבל הפער בין סימולציה למציאות (הבעיה "שלימים אל-מציאות") יכול להוביל לביצועים גרועים כאשר המודל נתקל בתנאים אקראיים - אימון על פני טווח רחב של פרמטרים כגון חיכוך, חיכוך, אבל לא מבטיח סיקור רעשים של מחסומים.

עבודה חדשה חקרה את הלמידה של העברה: אימון בסימולציה ולאחר מכן קנס על כמות קטנה של נתוני טיסה אמיתיים.עם זאת, מחשבים לטיסה לעתים קרובות חסרים את חדר הראש חישובי לרוץ כוונון עדין במהלך משימה, כך המודל חייב להיות קפוא לפני ההשקה. חלופה היא להשתמש מודל מבוסס מודל עם זיהוי מקוון מערכת, אבל זה מוסיף מורכבות.

Constraints of Onboard Processors

מעבדי דירוג חלל - כגון RAD750 או החדש GR740 - פחות חישובי כוח מאשר CPUs או GPUs. רשתות עצביות עמוק עם מיליוני פרמטרים הם מחוץ להישג ידם. האתגר הוא לעצב ארכיטקטורת ML קלה שיכולה לרוץ בזמן אמת (< 10 מ"ס שליטה לולאה) ללא מגבלות מעבדיות גבוהות.

אימות, גינוי והסמכת

תעשיית החלל דורשת ערבויות בטיחותיות בולטות לתפקודי בקרה קריטיים.אלגוריתמים של ML הם למעשה ארגזים שחורים: התנהגותם נלמדת, לא נגזרת מבחינה אנליטית.מחיש כי בקר רשת עצבי לעולם לא יגרום גלגל תגובה לשט, או להניע את החללית למצב של ערפל בלתי גלוי, הוא קשה מאוד.לקבוע כלים עבור רשתות עצביות (למשל, Reluplex), אך ורק עבור נוירונים קטנים (Rraplex) הם רק עבור 100 נוירונים קטנים (מארג') אבל הם רק עבור נוירונים קטנים (מארג'ר'ר'ר'ר'ר'ר') אבל הם רק 100 נוירונים קטנים (מארג') אבל הם רק עבור נוירונים קטנים).

גופי רגולציה כגון נאס"א ו- ESA עדיין לא שחררו סטנדרטים רשמיים עבור בקרות מבוססות ML במשימות מאוישות או בעלות ערך גבוה.קבלה של Incremental כנראה תתרחש ראשון בעומסי שכר משניים או בקוביות בעלות נמוכה, שבו סובלנות סיכון גבוהה יותר.עבור חללית מאוישת, גישה היברידית שבה בקר גיבוי קלאסי מעל התפוקה של ML אם היא עולה על בטיחות היא הנתיב ההסתברותיבית ביותר.

הסברה ואבחון

כאשר בקר מבוסס ML מייצר פקודה בלתי צפויה, מהנדסים צריכים להבין מדוע שיטות AI הסבירות (SHAP, LIME, ⁇ משולבות) יכולות לייחס החלטות לתכונות קלט, אבל הם מוסיפים קומנדו חישובי ועדיין אינם אמינים בהקשרים קריטיים בטיחותיים.עד ניתוח שורש יכול להתבצע עם ביטחון, תוכניות משימה רבות יישארו ספקנות של אוטונומיה מלאה.

קווי עתיד וגבולות מחקר

העשור הבא צפוי לראות עירוי הדרגתי אך יציב של ML לשליטה בגלגל התגובה, המונעת על ידי התקדמות בשני האלגוריתמים והחומרה.

אדריכלות: Hybrid Control Architectures

הגישה הפרגמטית ביותר היא להטמיע ML במסגרת בקרה מסורתית.לדוגמה, בקר PID יכול לקבל הישגים הסתגלותיים שנקבעו על ידי רשת עצבית קטנה אשר מאומנת למזער מדד ביצועים. לחלופין, בקר חיזוי מודל יכול להשתמש מודל למד עבור התחזיות שלו תוך שמירה על אופטימיזציה פותרת אבטחה באמצעות מגבלות קשות.

למידה מתמשכת

מעבדי חלל עתידיים עשויים לכלול מאיץי ML ייעודיים המאפשרים לאלגוריתם הבקרה לרוץ ולעדכן את עצמו במהלך המשימה. אלגוריתמי למידה מתמשכת המבוססים על קונסולת משקל גמישה או רשתות עצביות מתקדמות יכולים לאפשר לבקר להסתגל להפרעות חדשות מבלי לשכוח התנהגויות שנלמדו קודם לכן.זהו אזור מחקר פעיל, עם ההדגמה הראשונה של In-orbit הצפויה במשימה של קובש בתוך חמש השנים הבאות.

אימון מבוסס סימבול ו- Digital Twins

תאומים דיגיטליים של כאבי ראש - שילוב אפקטים תרמיים, מיקרו-בירוטציה, ולבוש מכני - מפותחים לספק כמעט בלתי מוגבל נתונים של אימון יכול להתבצע לחלוטין בסימולציה, אז המדיניות נאספת לרשת עצבית קלה עבור פריסה.המעבדה של חיל האוויר האמריקני "מנהלי חלל" הוכיחה צינור זה עבור תגובה גלגלים, השגת בעיה של אפס-Fbedת בדיקה (פרק 1).

שילוב עם בקרת מודלים

בקרת מודלים (MPC) כבר בשימוש על מספר חלליות לתמרוני גישה הדורשים טיפול מעצימות מפורשות (למשל, קביעת מגבלות להגנה על מכשירים רגישים) שילוב MPC עם מודל למידה שונה מאפשר אופטימיזציה להיות מדויק יותר ולהשתמש חישובים לאורך כל השלבים.העלות החישובית של MPC היא המחסום הראשי, אבל ריאלי פותרים לרוץ על מחשבי טיסה NVID עכשיו נבדקים.

מסקנה

למידת מכונה אינה תרופת פלאאצה עבור בקרת גלגל התגובה, אבל היא מציעה שיפורים מוחשיים בהסתגלות, יעילות וסובלנות אשמה כי הם יותר ויותר הכרחי עבור חללית הדור הבא. כמו יכולות מחשוב על הסיפון גדל ומתודולוגיות אימות בוגר, אנו יכולים לצפות לראות שליטה מווסת על ML-מסמך לוויינים תפעוליים בתוך חמש עד עשר שנים הבאות.