Vibration Control of Satellite Antennas via NMPC and NARX Neural Networks
Notice bibliographique
Résumé
This article introduces an integrated approach for vibration control in satellite plate antennas by combining advanced control techniques with smart materials. The proposed system integrates bonded piezoelectric actuators and sensors with two complementary control strategies: nonlinear model-predictive control (NMPC) and a Nonlinear AutoRegressive with eXogenous inputs (NARX) neural network. A comprehensive coupled attitude and structural dynamics model is developed specifically for flexible plate-type antennas, providing the foundation for precise control implementation. The innovation lies in the synergistic combination of NMPC's predictive capabilities with NARX's adaptive learning features. While NMPC leverages the system model to optimize future control actions, the NARX neural network serves dual purposes: functioning as an independent controller and enhancing the system's state estimation accuracy. This hybrid approach addresses key limitations of traditional control methods, particularly in handling model uncertainties and external disturbances during spacecraft attitude maneuvers. MATLAB/Simulink simulations demonstrate that the integrated NMPC-NARX system significantly outperforms both stand-alone NMPC and NARX-based controllers in vibration suppression. The results show superior robustness to modeling inaccuracies and enhanced adaptability to dynamic disturbances, marking a significant advancement in satellite control system design. This research establishes a new paradigm for achieving improved stability and operational efficiency in satellite systems operating under uncertain conditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».