基于PINN-DDPG的测试质量的敏捷控制,用于无拖动卫星

科学领域:

• 航空航天工程 航空航天工程
• 控制系统 控制系统
• 人工智能的人工智能

背景情况:

• 对测试质量的敏捷控制对于中国的太空引力波检测计划 (例如,天,太极) 来说至关重要.
• 释放过程涉及复杂的测试质量运动,潜在的卫星腔碰撞,以及捕获控制的极弱静电力所带来的挑战.
• 为这些条件设计有效的控制系统是一个重大障碍.

研究的目的:

• 提出一种实时预测控制方法,PINN-DDPG,用于在弱静电力下的测试质量的敏捷捕获控制.
• 用PINN-LSTM网络解决可解释性和时间依赖状态预测方面的挑战.
• 用DDPG控制器在连续行动空间中解决强化学习控制问题.

主要方法:

• 开发了一个与长短期记忆 (LSTM) 集成的物理信息神经网络 (PINN),用于实时状态预测.
• 实施了深度决定性政策梯度 (DDPG) 控制器,用于在连续行动空间中进行强化学习.
• 结合PINN-LSTM用于预测和DDPG用于控制,创建PINN-DDPG框架.

主要成果:

• 与传统的PINN相比,PINN-LSTM网络显著加速了60%的培训融合.
• 与传统的DDPG控制相比,提出的PINN-DDPG方法将位置和速度错误的稳定时间减少了70%.
• 在微弱的静电力下证明有效的敏捷捕获控制.

结论:

• 在太空引力波检测中,PINN-DDPG方法为敏捷的捕获控制提供了一个有前途的解决方案.
• 将PINN与LSTM集成,可以提高预测准确性和训练效率.
• DDPG控制器有效地管理连续行动空间,以实现精确的控制.