Control allocation for a heliogyro solar sail

This thesis deals with the problem of ’Control Allocation For a HeliogyroSolar Sail’. The heliogyro is modeled as a solar sail in which the controllingparameters are the cone angle, the clock angle and the solar lightness number.First it will be shown how the spacecraft can reach an equilibrium condition inthe Circular Restricted Three-Body Problem starting from a series of injectionerrors in terms of position and velocity using a proportional LQR controller.Then, it will be shown how to map the ideal control variables to a realparameter, namely the blade’s pitch angle. This parameter depends on a seriesof coefficients, which are taken into account separately or together dependingon the kind a blade profile. Mapping will be done in two ways: the first one usesthe MATLAB®functionfminconand the second one uses a neural network.In the first case thefminconfunction will minimize the norm of the differencebetween the ideal and the real force per unit area. In the second case, usingas a basis the previous method, a neural network is trained to perform on theproblem and also on similar problems, showing that the use of deep learningwould be an effective way to obtain an online control allocator which allowsto save computational effort without losing accuracy.

Questa tesi affronta il problema del 'Control Allocation For a Heliogyro solar Sail. L'Heliogyro è modellizato come una vela solare i cui parametri di controllo sono il cone angle, il clock angle ed il solar lightness number. Innanzitutto verrà mostrato come lo spacecraft può raggiungere una condizione di equilibrio nel Circular Restricted Three-Body Problem dopo essere stato inserito in orbita con un certo errore iniziale in termini di posizione e velocità utilizzando un LQR controller. Successivamente, verrà mostrato come fare il mapping tra variabili dell'ideal control ed un parametro reale, cioè il blade's pitch angle. Questo parametro dipende da una serie di coefficienti, che vengono considerati separatamente o assieme in base al tipo di blade profile. Il mapping verrà fatto in due modi: nel primo viene usata la funzione MATLAB® fmincon mentre nel secondo viene usata una rete neurale. Nel primo caso la funzione fmincon minimizzerà la norma della differenza tra la forza per unità di area ideale e quella reale. Nel secondo caso, usando come base di partenza il metodo precedente, una rete neurale viene addestrata a risolvere il problema e problemi simili, mostrando come il deep learning sia un modo efficace per ottenere un online control allocator che permette di risparmiare sforzo computazionale senza perdere in accuratezza.