DOI QR코드

DOI QR Code

Trajectory Optimization and the Control of a Re-entry Vehicle during TAEM Phase using Artificial Neural Network

재진입 비행체의 TAEM 구간 최적궤적 설계와 인공신경망을 이용한 제어

  • 김종훈 (부산대학교 항공우주공학과 대학원) ;
  • 이대우 (부산대학교 항공우주공학과 기계기술연구원) ;
  • 조겸래 (부산대학교 항공우주공학과 기계기술연구원) ;
  • 민찬오 (부산대학교 항공우주공학과 대학원) ;
  • 조성진 (부산대학교 항공우주공학과 대학원)
  • Published : 2009.04.01

Abstract

This paper describes a result of the guidance and control for re-entry vehicle during TAEM phase. TAEM phase (Terminal Aerial Energy Management phase) has many conditions, such as density, velocity, and so on. Under these conditions, we have optimized trajectory and other states for guidance in TAEM phase. The optimized states consist of 7 variables, down-range, cross range, altitude, velocity, flight path angle, vehicle's azimuth and flight range. We obtained the optimized reference trajectory by DIDO tool, and used feedback linearization with neural network for control re-entry vehicle. By back propagation algorithm, vehicle dynamics is approximated to real one. New command can be decided using the approximated dynamics, delayed command input and plant output, NARMA-L2. The result by this control law shows a good performance of tracking onto the reference trajectory.

본 논문은 재진입 비행체의 TAEM 구간 유도와 제어에 관하여 기술 하였다. TAEM 구간은 공기의 밀도와 비행체의 속도의 범위가 큰 특징을 가지고 있으며, 이들 조건하에 TAEM 구간의 유도를 위한 궤적과 비행체의 상태값을 최적화하였다. 최적화된 상태값은 7가지의 상태이며, 상태값은 Down-range, Cross-range, 비행체의 고도, 속도, 경로각, 방위각, 그리고 비행 거리이다. 최적화 연산을 수행하기 위하여 DIDO 프로그램을 사용하였다. 재진입 비행체의 제어를 위하여 인공 신경망을 이용한 되먹임 선형화 제어법을 사용하였다. 비행체의 동역학 모델은 역전파 모델을 통하여 근사화 되고, 근사화된 동역학 모델과 지연된 제어 입력, 플랜트 출력으로부터 새로운 제어 입력을 생성하게 된다. 이를 이용하여 본 논문에서는 앞서 최적화된 7가지의 상태값을 추종하는 결과를 보였다.

Keywords

References

  1. Kyoung-Ho Kim, ChulPark, 2005 “Conceptual Design of a Rocket - Powered Plane And Its Use For Space Tourism”, KSAS International Journal, Vol.6, No.2, November, pp. 46-55.
  2. Jo-Ha Baek, Dae-woo Lee, Jong-Hun Kim, Kyeum-rae Cho and Jang-Sik Yang, "Trajectory optimization and the control of a re-entry vehicle in TAEM phase", Journal of Mechanical Science and Technology 22(2008), pp. 1099-1110 https://doi.org/10.1007/s12206-008-0501-y
  3. User's Guide for SNOPT Version 7 : Software for Large-Scale Nonlinear Programming, TOMBLAB, 2006
  4. Hagan, M. T., Demuth, H.B., “Neural Networks for Control”, Proceedings of the 1999 American Control Conference, pp. 1642-1656, (1999)
  5. Hunt, K. J., Sbarbaro, D., Zbikowski, R., Gawthrop, P.J., “Neural Networks for Control System – A Survey”, Automatica, Vol. 28, pp 1083-1112, (1992) https://doi.org/10.1016/0005-1098(92)90053-I
  6. Narendra, K. S., Mukhopadhyay, S., “Adaptive Control Using Neural Networks and Approximate Models”, IEEE Transactions on Neural Networks, Vol. 8, pp. 475-485, (1997) https://doi.org/10.1109/72.572089
  7. De Jesus, O., Pukrittayakamee, A., Hagan, M.T., “A Comparison of Neural Network Control Algorithms”, Neural Networks, 2001. Proceedings. IJCNN '01. International Joint Conference on, Vol. 1, pp. 521 - 526 (2001) https://doi.org/10.1109/IJCNN.2001.939074
  8. M. Hagan, H. Demuth, O. De Jesus, “An Introduction to the Use of Neural Networks in Control Systems”, International Journal of Robust and Nonlinear Control, Vol. 12, No. 11, pp. 959-985, (2002) https://doi.org/10.1002/rnc.727