93853 - ADVANCED GUIDANCE AND CONTROL OF AIRCRAFT AND SPACECRAFT

Conoscenze e abilità da conseguire

The objective of the course is to provide the students with modern guidance and control techniques which are applicable to all flying vehicles without distinction. The course is intended for students in aerospace engineering oriented to both atmospheric and space flight. The focus is on application of multivariable robust optimal control theory for guidance and control of fixed and rotary wing aircrafts and spacecraft. The project of the autopilots currently implemented in commercial (airliner) and general aviation aircraft is proposed jointly with modern guidance and control systems for satellites, space-stations and microsatellite. An appealing feature of the course is the ready and extensive use of MATLAB®/Simulink® codes in the many solved examples illustrating guidance and control design and analysis. Furthermore, at the end of the course, the operation and programming of commercial autopilots are practically taught by using a certified flight simulator.

Contenuti

Il corso può essere suddiviso in due parti, denotate con 1) e 2) nel seguito, la prima teorica e la seconda applicativa

 

1) TEORIA

• TEORIA DEL CONTROLLO OTTIMO: il controllo ottimo con indice di costo quadratico (LQ Optimal Control) di sistemi lineari viene trattato in profondità. Questa teoria è ampiamente applicata alla progettazione di autopiloti commerciali. Vale la pena osservare che viene fornita anche la teoria di base degli osservatori dello stato di un sistema necessari nello schema di controllo generale LQ nel caso in cui non fosse misurato tutto lo stato.

• TEORIA DEI SISTEMI DI CONTROLLO INTELLIGENTI (ICS), in particolare quelli basati su Reti Neurali Artificiali (NN). Il corso copre sia gli ICS basati sulla conoscenza a priori del modello del velivolo sia quelli che basati su un'identificano adattativa del modello. Il corso fornisce così allo studente potenti strumenti per il progetto di moderni sistemi avanzati di guida e controllo basati su schemi di apprendimento come il feedback learning, i NN disturbance observer  per la stima del disturbo aerodinamico e delle incertezze, il controllo ottimo adattivo basato su Deep Neural Network (DNN).

2) PROGETTO: partendo da una revisione delle nozioni del corso di Dinamica del Volo e dei metodi classici di progetto di autopiloti Single-Input-Single-Output (SISO) verranno proposti i seguenti progetti

• AUTOPILOTI BASATI SUL CONTROLLO OTTIMO PER AEREI COMMERCIALI E DELL'AVIAZIONE GENERALE: sistemi di aumento della stabilità (SAS), sistemi di controllo dell'assetto (ACS), sistemi di controllo della traiettoria di volo (FPCS). All'interno di questo argomento, sia la progettazione che la programmazione degli autopiloti attualmente utilizzati nell'aviazione generale e commerciale sono trattate in dettaglio.

• MANOVRA, CONTROLLO OTTIMO MULTIVARIABILE, DIAGNOSI DI GUASTI DI SATELLITI: metodi di guida per la manovra dei satelliti e controllo ottimo dell'assetto dei satelliti. 

• SISTEMI INTELLIGENTI DI CONTROLLO DEL VOLO ATMOSFERICO E NELLO SPAZIO: guida e controllo di intelligente di velivoli autonomi, ad ala rotante/fissa e satelliti, in presenza di disturbi e guasti. Diagnosi dei guasti nei satelliti mediante metodi ibridi model based/machine learning

PROGRAMMA DETTAGLIATO DEL CORSO

PARTE 1):  TEORIA

Controllo Ottimo

1. Optimal Control Law. Definizione del problema di controllo ottimo, funzione hamiltoniana, soluzione del problema di controllo ottimo LQ; soluzione del problema di controllo ottimo ad energia minima ed in tempo minimo; Principio del massimo di Pontryagin.
2. Feedback Optimal Control. Soluzione del problema del controllo ottimo in retroazione: equazione differenziale di Riccati, guadagno ottimo di retroazione. Controllo Ottimo con Set Point diversi dall’origine
3. Osservatori dello stato e feedback dinamico. Osservatore di identità, problema di controllo sub-ottimo mediante feedback dinamico
4. Cenni sulla probabilità e sulla teoria dei processi stocastici, Osservatore ottimo stocastico: Filtro di Kalman, Regolatore Ottimo Stocastico (LQG) con feedback dato dal filtro di Kalman.
   

INTELLIGENT CONTROL SYSTEMS

1. Neural Adaptive Control: feedback learning, learning backstepping, Neuro-adaptive Optimal Control, Direct adaptive control using Reinforcement learning, Deep-NN control
2. Fondamenti di Machine Learning applicato alla Fault Diagnosis and Isolation ed alla  Predictive Maintenance di Aircraft and Spacecraft

PARTE 2): PROGETTO

AIRCRAFT

1. Ripasso di Dinamica del Volo. Modello del corpo rigido a sei gradi di libertà. Qualità di volo militari. Dinamica longitudinale e latero-direzionale. Modelli linearizzati: modi longitudinali e latero-direzionali. Modello del Vento: Descrizione del Dryden Wind Model e del modello del Wind Shear.
2. PROGETTO DI AUTOPILOTI DI AEREI COMMERCIALI E DELL'AVIAZIONE GENERALE: mediante l'utilizzo del Controllo Ottimo vengono classificati e  presentati i metodi di progetto di: Stability Augmentation Systems (SAS): pitch rate SAS and other longitudinal dynamic SAS, lateral-directional SAS: yaw dumper, roll rate dumper, spiral mode stabilization. Attitude Control Systems (ACS): pitch ACS, roll angle ACS, wing leveler, sideslip suppression ACS, turn coordination ACS. Flight Path Control System (FPCS): altitude hold system, speed control system, direction control system, heading control system, VOR-coupled automatic tracking system, ILS localizer coupled control system, ILS glide-path-coupled control system, ILS based Automatic landing system.                                                     
3. IMPLEMETAZIONE DEGLI AUTOPILOTI: Metodi per l’armamento e l’ingaggio di Autopiloti commerciali. Vertical mode autopilots degli airbus 319/320/321: Climb Rate and Airspeed hold, altitude capture and hold, glide slope capture and hold, flare and touchdown. Lateral mode autopilots degli airbus 319/320/321: bank angle and sideforce ACS, heading capture and hold, track capture and hold, localizer capture and hold. Gain scheduling methodology.
4. METODI DI GUIDA: Guidance method basati su leggi di controllo ottimo: problema dell’intercettamento missile-target. Tracking di una traiettoria generica mediante metodi di guida intelligenti basati su NN. Applicazione alla guida di missili, anche ipersonici.
   

SPACECRAFT

MANOVRA/GUIDA E CONTROLLO DI ASSETTO DI SATELLITI E REENTRY VEHICLE:

• SATELLITI: applicazione del controllo ottimo ai problemi di Rendez-vous e Docking tra satelliti. Stabilizzazione e manovre di assetto: controllo ottimo attuato mediante Reaction Wheel, Momentum Wheels ed in generale mediante rotori con asse fisso o variabile. Controllo dell'assetto di veicolo spaziale soggetto a disturbo gravitazionale e/o aerodinamico. Smorzamento attivo della librazione del veicolo spaziale. Diagnosi dei guasti dei rotori di un veicolo spaziale mediante tecniche combinate Machine Learning/Model Based.      Controllo Intelligente di Satelliti in presenza di Guasti sugli Attuatori
• REENTRY VEHICLES: guida e controllo intelligente applicato ai Reentry Vehicle , anche ipersonici, in presenza di disturbi ed incertezze parametriche

CENNI AL CONTROLLO DI FORMAZIONI DI AIRCRAFT O SPACECRAFT

MATLAB/SIMULINK (M/S): realizzazione (M/S) degli autopiloti e dei sistemi di controllo descritti nei punti precedenti. Implementazione degli autopiloti e loro uso mediante simulatore licenziato presso scuola di volo certificata ENAC

Testi/Bibliografia

Prima Parte

Dispense del docente (presso virtuale.unibo.it Campus)

S.A. Emami, Paolo Castaldi, A. Banazadeh. Neural network-based flight control systems: Present and future. Annual Reviews in Control 53 (2022) 97–137 https://doi.org/10.1016/j.arcontrol.2022.04.006

M. Tibaldi. Progetto di Sistemi di Controllo.Pitagora Editrice. Bologna

B.D.O. Anderson, J.B. Moore. Optimal Control: Linear Quadratic Methods. Prentice Hall Information and System Sciences Series

 

Seconda Parte

Dispense del docente (presso virtuale.unibo.it Campus)

S.A. Emami, Paolo Castaldi, A. Banazadeh. Neural network-based flight control systems: Present and future. Annual Reviews in Control 53 (2022) 97–137 https://doi.org/10.1016/j.arcontrol.2022.04.006

D. McLean. Automatic Flight Control Systems. Prentice Hall Series in Sytems and Control Engineering
A.E. Bryson, Jr. Control of Spacecraft and Aircraft. Princeton University Press.

A.E. Bryson, Jr. Control of Spacecraft and Aircraft. Princeton University Press

Metodi didattici

Lezioni ed esercitazioni in classe. Vengono effettuate esercitazioni di laboratorio utilizzando Matlab e Simulink. Lo scopo è di portare lo studente a progettare autopiloti e testarne le proprietà.

Inoltre vi è a disposizione un laboratorio presso il laboratori di ingegneria aerospaziale per esempi di programmazione di flight controllers e per esempi avionic devices

Modalità di verifica e valutazione dell'apprendimento

COLLOQUIO CON LO STUDENTE

Tesina facoltativa: la tesina riguarda il progetto di un autopilota, o più in generale di un sistema di Navigazione, Guida e Controllo in Matlab/Simulink o UNIX/ROS/GAZEBO

 

L'esame può anche consistere interamente nel "Complete effort Project": un progetto esteso dettagliato

Strumenti a supporto della didattica

Laboratorio. Videoproiettore, PC, lavagna luminosa. Software matlab/simulink.

Orario di ricevimento

Consulta il sito web di Paolo Castaldi