Controlul învățării automate - Machine learning control
Controlul învățării automate (MLC) este un subdomeniu al învățării automate , al controlului inteligent și al teoriei controlului care rezolvă problemele de control optim cu metodele de învățare automată . Aplicațiile cheie sunt sisteme neliniare complexe pentru care nu sunt aplicabile metodele de teorie a controlului liniar .
Tipuri de probleme și sarcini
Patru tipuri de probleme sunt întâlnite frecvent.
- Identificarea parametrilor de control: MLC se traduce printr-o identificare a parametrilor dacă structura legii de control este dată, dar parametrii sunt necunoscuți. Un exemplu este algoritmul genetic pentru optimizarea coeficienților unui controler PID sau control optim în timp discret.
- Proiectarea controlului ca problemă de regresie de primul fel: MLC aproximează o mapare neliniară generală de la semnalele senzorului la comenzile de acționare, dacă semnalele senzorului și comanda optimă de acționare sunt cunoscute pentru fiecare stare. Un exemplu este calculul feedback-ului senzorului dintr-un feedback cunoscut de stare completă . O rețea neuronală este frecvent folosită pentru această sarcină.
- Proiectarea controlului ca problemă de regresie de al doilea tip: MLC poate identifica, de asemenea, legi de control neliniare arbitrare care minimizează funcția de cost a instalației. În acest caz, nu trebuie să se cunoască nici un model, nici structura legii de control, nici comanda de acționare optimizantă. Optimizarea se bazează numai pe performanța controlului (funcția de cost) măsurată în instalație. Programarea genetică este o tehnică de regresie puternică în acest scop.
- Controlul învățării prin întărire: Legea controlului poate fi actualizată continuu asupra schimbărilor măsurate de performanță (recompense) folosind învățarea prin întărire .
MLC cuprinde, de exemplu, controlul rețelei neuronale, controlul bazat pe algoritmi genetici, controlul programării genetice, controlul învățării prin întărire și are suprapuneri metodologice cu alte controale bazate pe date, cum ar fi inteligența artificială și controlul robotului .
Aplicații
MLC a fost aplicat cu succes la multe probleme de control neliniar, explorând mecanisme de acționare necunoscute și adesea neașteptate. Exemple de aplicații includ
- Controlul altitudinii sateliților.
- Control termic al clădirii.
- Controlul turbulenței de feedback.
- Acționat de la distanță sub vehicul de apă.
- Multe alte aplicații de inginerie MLC sunt rezumate în articolul de revizuire al PJ Fleming & RC Purshouse (2002).
La fel ca pentru toate metodele generale neliniare, MLC vine fără convergență, optimitate sau robustețe garantate pentru o serie de condiții de operare.
Referințe
Lecturi suplimentare
- Dimitris C Dracopoulos (august 1997) "Algoritmi de învățare evolutivă pentru controlul adaptiv neuronal" , Springer. ISBN 978-3-540-76161-7 .
- Thomas Duriez , Steven L. Brunton & Bernd R. Noack (noiembrie 2016) "Controlul învățării automate - Taming neliniară dinamică și turbulență" , Springer. ISBN 978-3-319-40624-4 .
