استفاده از شبکه عصبی برای تخمین درصد موفقیت کنترل‌کننده تحمل‌پذیر عیب فعال فضاپیما

تعیین میزان موفقیت کنترل کننده یکی از مسائل مهم در حوزه کنترل تحمل پذیر عیب فعال فضاپیما می باشد. دلیل اهمیت زیاد این موضوع نیز ماهیت تصادفی و از قبل پیش بینی نشده عیوب است. از طرفی، به دلیل وجود حالت های بسیار زیاد (تقریبا بیشمار) عیب، انجام شبیه سازی های متعدد و بررسی میزان موفقیت کنترل کننده در شرایط مختلف بروز عیب زمان‌بر خواهد بود. برای رفع این مشکل، در این مقاله از شبکه عصبی برای تعیین درصد موفقیت کنترل کننده تحمل پذیر عیب فعال فضاپیما در شرایط مختلف رخداد عیب استفاده شده است. بدین صورت که ابتدا، شبکه عصبی تحت آموزش قرار گرفته و سپس، با بررسی های مختلف از عملکرد مناسب آن در پیش بینی موفقیت یا عدم موفقیت کنترل کننده اطمینان حاصل شده است. سپس، با توجه به سرعت بسیار زیاد شبکه آموزش دیده، بررسی متنوعی از میزان موفقیت کنترلر در طیف گسترده ای از عیوب انجام شده است. نتایج بدست آمده از نظر فیزیکی منطقی بوده و نشان می دهند که با افزایش شدت عیب، احتمال موفقیت کنترل کننده نیز کاهش می یابد.

using neural network to estimate the success percent of spacecraft active fault-tolerant controller

determining the controller success percent is one of the important issues in spacecraft active fault-tolerant control. the importance of this subject is mainly related to the random and unpredictable nature of faults. on the other hand, since there exists a wide range of faults, various simulations and evaluating controller success percent will require a large amount of time. to resolve this problem, the present paper uses neural network to determine the controller success percent in various fault conditions. first, the neural network is trained and its performance in predicting controller efficiency is verified. then, considering the high speed of the trained network, a thorough investigation is performed based on a wide range of faults. the obtained results are physically sensible and show that as the fault increases, the probability of controller success will decrease.