Doğrusal olmayan vinç sistemleri için akıllı optimizasyon kontrol yöntemlerini araştırın ve önerin
Çin Bilimler Akademisi Otomasyon Enstitüsü, Karmaşık Yönetim Sistemi ve Kontrol Devlet Anahtar Laboratuvarı, doğrusal olmayan vinç sistemleri sınıfı için bir yargı öğrenme mekanizmasına dayanan akıllı bir optimizasyon kontrol yöntemi oluşturdu ve Hamilton-Jacobi-Bellman denklemini yaklaşık olarak çözerek indirim faktörleriyle maliyeti elde etti. Çalışırken optimum geri besleme stabilizasyonu. Sinir ağlarının çevrimiçi öğrenme yeteneklerini kullanarak, geleneksel uyarlanabilir değerlendirme algoritmalarından farklı olan yeni bir ağırlık güncelleme stratejisi önerilmiştir, bu da sistemin ilk kararlı kontrol yasası için gereksinimleri azaltır ve böylece uyarlamalı değerlendirme kontrolünün tasarımına büyük kolaylık sağlar.
Araştırma ekibi, kapalı devre sisteminin kararlılığını teorik olarak kanıtlamış, doğrusal olmayan vinç sistemi için simülasyon deneyleri yapmış ve farklı iskonto faktörleri altında kontrol etkisini değerlendirmiş, yeterli karşılaştırmalı analiz yapıldıktan sonra, makaledeki yöntemin etkinliği doğrulanmıştır.
İlk olarak, bir tür gerçek vinç sistemi için bir sürekli zaman durum uzay modeli oluşturun (Şekil 1), bir indirim faktörü ile bir maliyet fonksiyonu tanımlayın ve bu karmaşık doğrusal olmayan sistemin durum geri besleme optimizasyonu ve stabilizasyon problemini belirli performans göstergeleri altında düşünün. Hamilton-Jacobi-Bellman denklemlerini etkin bir şekilde çözmek için, genel doğrusal olmayan sistemlerin optimal kontrol tasarımı için, araştırmacılar, uyarlamalı güncelleme ve ilgili parametrelerin bağımsız öğrenimi yoluyla yaklaşık optimum kontrol elde etmeyi amaçlayan akıllı değerlendirme kontrol yöntemlerini tanıttı. yasa.
İkinci olarak, Şekil 2'de gösterildiği gibi, geliştirilmiş bir yargı ağı güncelleme kriteri önerilmiş ve makaledeki uyarlanabilir yargılama kontrol şeması çerçevesi oluşturulmuştur. Geliştirilmiş sinir ağı öğrenme stratejisi, sistemin kararlılığını yansıtan geliştirmeleri içeren, yeni bir değerlendirme öğrenme mekanizması oluşturan, doğrudan değerlendirme sinir ağına etki eden ve ortadan kaldırabilecek daha verimli eğitim ve öğrenmeye rehberlik eden geleneksel strateji yinelemeli algoritmaya dayanmaktadır. Kontrollü sistemin başlangıçtaki kararlı kontrol yasasına bağımlılık, uyarlamalı karar kontrol algoritmasını gerçekleştirmek için daha uygundur.
Son olarak, yukarıdaki akıllı optimizasyon stratejisi vinç sistemine uygulanır ve yaklaşık optimal geri besleme stabilizasyonu amacına ulaşmak için farklı tepki eğrileri elde etmek için farklı indirim faktörleri dikkate alınır ve gerçekleştirme süreci basittir, böylece yöntemin iyi kontrol performansını doğrular. Deneysel sonuçlar, iskonto faktörü artırıldığında, kontrol edilen sistemin optimum stabilizasyonunu sağlamak için maliyet fonksiyonunun giderek küçüleceğini göstermektedir, bu da maliyet fonksiyonuna bir iskonto faktörü eklemenin etkisini yansıtır. Şekil 3 ve 4, belirli bir durumda sistem durumunu ve kontrol giriş eğrisini göstermektedir.
İlgili araştırma sonuçları, Endüstriyel Bilişim üzerine IEEE İşlemleri'nde yayınlandı.
Şekil 1
şekil 2
resim 3
Şekil 4
