Nowadays, researchers strive to design systems that can operate autonomously in safety-critical applications, such as, e.g., unmanned aerial vehicles and space systems. To ensure a predictable system response and safe operation, reliable control of these systems needs not only to meet performance specifications under nominal conditions, but also to accommodate graceful performance degradation when underlying assumptions are violated. This work mainly aims to design control algorithms for aerospace systems that integrate the experience gathered (data-driven knowledge) into a classical (model-based) control framework in a systematic way. The thesis is structured so that the problem statements and proposed control solutions are addressed from a methodological and general point of view. Indeed, these solutions are specialized in the light of the particular case study only at the end. Firstly, novel adaptive control architectures with stability, performance, and robustness guarantees are proposed. Then, harmonic control algorithms for disturbance attenuation are presented, focusing on aerospace applications that experience periodic disturbances with a known source and period, but whose amplitude is uncertain. Finally, the dissertation covers learning-based methods that do not assume any periodicity of the disturbance, but rely on the repetition of a particular task to improve performance from one trial to the next.

Al giorno d'oggi, i ricercatori si impegnano a progettare di sistemi in grado di operare autonomamente in applicazioni critiche per la sicurezza, come, ad esempio, i velivoli senza pilota e i sistemi spaziali. Per garantire una risposta prevedibile del sistema e un funzionamento sicuro, un controllo affidabile di questi sistemi deve non solo soddisfare le specifiche di prestazione in condizioni nominali, ma anche adattarsi quando le ipotesi sottostanti vengono violate garantendo performance soddisfacenti. Questo lavoro mira principalmente a progettare algoritmi di controllo per sistemi aerospaziali che integrino in modo sistematico l'esperienza raccolta (conoscenza data-driven) in un quadro di controllo classico (basato su modelli). La tesi è strutturata in modo che le affermazioni del problema e le soluzioni di controllo proposte siano affrontate da un punto di vista metodologico e generale. Infatti, queste soluzioni sono specializzate alla luce del caso di studio particolare solo alla fine. In prima istanza, vengono proposte nuove architetture di controllo adattativo con garanzie di stabilità, prestazioni e robustezza. Poi, vengono presentati algoritmi di controllo armonico per l'attenuazione dei disturbi, concentrandosi su applicazioni aerospaziali che sperimentano disturbi periodici con una fonte e un periodo noti, ma la cui ampiezza è incerta. Infine, la tesi tratta dei metodi basati sull'apprendimento che non presuppongono alcuna periodicità del disturbo, ma si basano sulla ripetizione di un particolare compito per migliorare le prestazioni da una prova all'altra.

Learning-based control for aerospace systems : methods and applications

Meraglia, Salvatore
2022/2023

Abstract

Nowadays, researchers strive to design systems that can operate autonomously in safety-critical applications, such as, e.g., unmanned aerial vehicles and space systems. To ensure a predictable system response and safe operation, reliable control of these systems needs not only to meet performance specifications under nominal conditions, but also to accommodate graceful performance degradation when underlying assumptions are violated. This work mainly aims to design control algorithms for aerospace systems that integrate the experience gathered (data-driven knowledge) into a classical (model-based) control framework in a systematic way. The thesis is structured so that the problem statements and proposed control solutions are addressed from a methodological and general point of view. Indeed, these solutions are specialized in the light of the particular case study only at the end. Firstly, novel adaptive control architectures with stability, performance, and robustness guarantees are proposed. Then, harmonic control algorithms for disturbance attenuation are presented, focusing on aerospace applications that experience periodic disturbances with a known source and period, but whose amplitude is uncertain. Finally, the dissertation covers learning-based methods that do not assume any periodicity of the disturbance, but rely on the repetition of a particular task to improve performance from one trial to the next.
MASARATI, PIERANGELO
DI LIZIA, PIERLUIGI
14-feb-2023
Al giorno d'oggi, i ricercatori si impegnano a progettare di sistemi in grado di operare autonomamente in applicazioni critiche per la sicurezza, come, ad esempio, i velivoli senza pilota e i sistemi spaziali. Per garantire una risposta prevedibile del sistema e un funzionamento sicuro, un controllo affidabile di questi sistemi deve non solo soddisfare le specifiche di prestazione in condizioni nominali, ma anche adattarsi quando le ipotesi sottostanti vengono violate garantendo performance soddisfacenti. Questo lavoro mira principalmente a progettare algoritmi di controllo per sistemi aerospaziali che integrino in modo sistematico l'esperienza raccolta (conoscenza data-driven) in un quadro di controllo classico (basato su modelli). La tesi è strutturata in modo che le affermazioni del problema e le soluzioni di controllo proposte siano affrontate da un punto di vista metodologico e generale. Infatti, queste soluzioni sono specializzate alla luce del caso di studio particolare solo alla fine. In prima istanza, vengono proposte nuove architetture di controllo adattativo con garanzie di stabilità, prestazioni e robustezza. Poi, vengono presentati algoritmi di controllo armonico per l'attenuazione dei disturbi, concentrandosi su applicazioni aerospaziali che sperimentano disturbi periodici con una fonte e un periodo noti, ma la cui ampiezza è incerta. Infine, la tesi tratta dei metodi basati sull'apprendimento che non presuppongono alcuna periodicità del disturbo, ma si basano sulla ripetizione di un particolare compito per migliorare le prestazioni da una prova all'altra.
File allegati
File Dimensione Formato  
2022_Meraglia_PhD.pdf

Open Access dal 24/01/2024

Dimensione 19.63 MB
Formato Adobe PDF
19.63 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/196153