Development and simulation of variable speed cmg steering algorithms with machine learning improvements

This work focuses on the development, simulation and Model-In-the-Loop testing of variable speed (VS) steering algorithms for a pyramid cluster of four control moment gyroscopes, used in spacecraft control applications. The objective is to reduce the torque error compared to the State-of-the-Art (SOTA) constant speed algorithms close to singularities. For this purpose, the simulation environment is developed, including the kinematics, simplified dynamics and controls. Three variable speed steering algorithms are then implemented: the first based on a weighted pseudoinverse, the second on the Generalised Singularity Robustness steering law, and the third based on the weighted pseudoinverse and minimisation of the flywheel torque. The complete steering laws include different null motion strategies to improve the behaviours of the algorithms in the vicinity of singularities. In addition, command limits and gimbal accelerations are taken into account. In particular, the minimum gimbal rate limits the accuracy of SOTA algorithms in attitude tracking. This motivates the development of a hybrid mode, allowing the flywheel torque to be used for fine-pointing. The results show that the continuous singularity avoidance is the most efficient null motion strategy, with a significant increase in the singularity measure compared to the SOTA. In terms of torque error, the third algorithm significantly decreases the torque error close to an internal singularity. By comparison with the SOTA, a Monte Carlo analysis shows a reduction of the average maximum torque error by 67% for slew manoeuvres, and by 99.68% for attitude tracking, for the third and best algorithm. However, both SOTA and VS algorithms provide poor performances in the case of external singularities. Neural networks have been developed to solve this angular momentum saturation problem. Two models are defined, for binary classification of momentum states inside or outside of the momentum envelope, and for distance to the boundary estimation. The obtained accuracy is above 99% for both models. The second achieves 99.95% accuracy, with a computational time 200 times lower than the triangulation method.

Questo lavoro si concentra sullo sviluppo, simulazione e verifica di algoritmi di controllo per un configurazione piramidale di quattro giroscopi a controllo del momento con velocità variabile, utilizzati in applicazioni spaziali. L'obiettivo è ridurre l'errore di coppia rispetto agli algoritmi presenti in letteratura a velocità costante vicino alle singolarità. Viene sviluppato un ambiente di simulazione, che include la cinematica, le dinamiche semplificate e le leggi di controllo. Vengono poi implementati tre algoritmi di controllo a velocità variabile: il primo basato sulla pseudoinversa pesata, il secondo sulla pseudoinversa robusta e il terzo basato sulla minimizzazione della coppia del rotore. Diverse strategie di moto nullo sono incluse per migliorare i comportamenti degli algoritmi nelle vicinanze delle singolarità. Inoltre, vengono considerati i limiti fisici dei giroscopi, come il limite minimo di velocità del giroscopio, che riduce l'accuratezza degli algoritmi nella tracciatura dell'assetto. Ciò motiva lo sviluppo di una modalità ibrida, che usa la velocità dalla flywheel per migliorare l'errore di puntamento. I risultati mostrano che l'evitamento continuo delle singolarità è la strategia più efficiente di moto nullo, con un aumento significativo della misura di singolarità. II terzo algoritmo riduce significativamente l'errore di coppia vicino a una singolarità interna. Per questo algoritmo, un'analisi Monte Carlo mostra una riduzione dell'errore massimo medio di coppia del 67% per le manovre di rotazione e del 99,68% per la tracciatura dell'assetto. Tuttavia, sia gli algoritmi a velocità costante e variabile forniscono scarse prestazioni nel caso di singolarità esterne. Vengono sviluppati reti neurali per risolvere il problema della saturazione del momento angolare. Due modelli sono definiti: uno per la classificazione binaria del momento all'interno o all'esterno della superficie esterna del momento e l'altro per la stima della distanza dal limite. L'accuratezza ottenuta è superiore al 99% per entrambi i modelli. Il secondo raggiunge un'accuratezza del 99,95%, con un tempo computazionale 200 volte inferiore rispetto al metodo di triangolazione.