24296

MEC2 268

كارشناسي ارشد

مهندسي هوافضا - ديناميك پرواز و كنترل

فني و مهندسي

1403/10/29

144 ص.

دكتر مريم ملك‌زاده

دكتر نگين سياف

كنترل هوشمند , ربات فضايي , يادگيري تقويتي عميق , الگوريتم فوق پيچشي , روش تاگوچي , شبيه‌ساز ماهواره، , گراديان سياست قطعي عميق

در اين پژوهش، به طراحي و بهينه‌سازي كنترل‌كننده هوشمند براي ربات‌هاي فضايي پرداخته شده است. سيستم‌هاي ربات فضايي به دليل پيچيدگي‌هاي ديناميكي و شرايط متغير محيطي، نيازمند روش‌هاي كنترلي پيشرفته هستند. در اين راستا، الگوريتم فوق پيچشي به‌عنوان يك روش مقاوم براي كنترل سيستم‌هاي غيرخطي معرفي شده و بهينه‌سازي آن با استفاده از يادگيري تقويتي عميق و روش تاگوچي انجام شده است. روش تاگوچي به‌عنوان ابزاري براي تنظيم بهينه هايپرپارامترهاي الگوريتم گراديان سياست قطعي عميق به‌كاررفته است تا چالش‌هاي كنترلي موجود در سيستم‌هاي غيرخطي، به‌ويژه در ربات و شبيه‌ساز ماهواره، كاهش يابد. با استفاده از آرايه‌هاي متعامد تاگوچي، تعداد آزمايش‌هاي لازم براي تنظيم هايپرپارامترهاي مدل به حداقل رسيده و نتايج بهينه در ابعاد مختلفي همچون كاهش مصرف انرژي، افزايش دقت كنترلي به‌دست‌آمده است. اين پژوهش نشان مي‌دهد كه تركيب الگوريتم‌هاي كنترل‌كننده فوق پيچشي و گراديان سياست قطعي عميق با تنظيمات بهينه‌شده توسط روش تاگوچي، باعث بهبود قابل‌توجهي در كاهش خطا، چترينگ و پايداري سيستم مي‌شود. همچنين، اين روش در مواجهه با اغتشاشات و خرابي عملگرها عملكرد بهتري نسبت به روش‌هاي سنتي ارائه داده و امكان كنترل بهينه در شرايط پيچيده و پويا را فراهم مي‌سازد. نتايج شبيه‌سازي‌ها نشان مي‌دهند كه اين تركيب، در كاهش خطا و افزايش دقت در سيستم‌هاي غيرخطي، به‌ويژه در ربات و شبيه‌ساز ماهواره، عملكرد بسيار خوبي از خود نشان داده است. اين رويكرد نوين، با كاهش نياز به تنظيم دستي و افزايش دقت پارامترها، كاربردهاي گسترده‌اي در حوزه كنترل سيستم‌هاي پيچيده، به‌ويژه در سيستم‌هاي ربات فضايي، دارد.

Intelligent control , space robot , deep reinforcement learning , Super-Twisting algorithm , Taguchi , satellite simulator , deep deterministic policy gradient

Design and Implementation of an Intelligent Robust Controller on the Space Robot

مهندسي هوافضا

This research focuses on the design and optimization of an intelligent controller for space robots. Due to the dynamic complexities and changing environmental conditions, space robot systems require advanced control methods. In this regard, the Super-Twisting Algorithm has been introduced as a robust method for controlling nonlinear systems, and its optimization has been carried out using deep reinforcement learning and the Taguchi method. The Taguchi method serves as a tool for optimally tuning the hyperparameters of the Deep Deterministic Policy Gradient algorithm to reduce the control challenges present in nonlinear systems, especially in the robot and satellite simulator. By using Taguchi’s orthogonal arrays, the number of required experiments for tuning the model’s hyperparameters has been minimized, and optimal results have been achieved in various dimensions such as reduced energy consumption, and enhanced control accuracy. This study demonstrates that the combination of the Super-Twisting control algorithm and the Deep Deterministic Policy Gradient, with optimized settings via the Taguchi method, significantly improves error reduction, chattering, and controller stability. Furthermore, this approach outperforms traditional methods in handling disturbances and actuator failures, providing optimal control in complex and dynamic conditions. Simulation results indicate that this combination shows excellent performance in reducing errors and increasing accuracy in nonlinear systems, particularly in the robot and satellite simulator. This novel approach, by reducing the need for manual tuning and improving parameter accuracy, has extensive applications in the control of complex systems, especially in space robot systems.

5