2018 Fiscal Year Research-status Report
| Project/Area Number |
17K06498
|
|---|
| Research Institution | Yamaguchi University |
|---|
Principal Investigator |
若佐 裕治 山口大学, 大学院創成科学研究科, 教授 (60263620)
|
|---|
| Project Period (FY) |
2017-04-01 – 2020-03-31
|
| Keywords | 制御系設計 / 深層学習 / データ駆動制御 |
|---|
| Outline of Annual Research Achievements |
本研究では、近年飛躍的に進展した深層学習の諸技術をデータ駆動型制御系設計法に適用し、不感帯やヒステリシスなどのさまざまな非線形性を有する制御対象に対して、統一的に良好な制御性能を与えるニューラルネットワークによる制御器、および補償器を構成する方法の開発を行う。また、通常制御系を設計する際には、設計者の試行錯誤による各種設定が必要であるが、この設定作業を深層学習、およびニューラルネットワークの諸技術を用いて低減させる方法を検討する。
本年度は、まずニューラルネットワークに基づいて、非線形要素をもつ制御対象の応答を予測する、いわゆる応答予測法を開発した。データ駆動制御の一種であるFRIT（Fictitious Reference Iteartive Tuning）による応答予測法を類似の手法であるVRFT (Virtual Reference Feedback Tuning)による応答予測法に改変するとともに、不感帯、ヒステリシスなどの非線形要素に対応するため、ニューラルネットワークを適用した。本成果を第27回計測自動制御学会中国支部学術講演会において発表した。さらに、データ駆動型制御であるFRITにおいて、設計者が参照モデルの設定に要する試行錯誤の労力を軽減させることを目的として、強化学習を導入した制御器パラメータ自動調整法を開発した。この方法はFRIT自体の反復実行を必要とするが、先に開発した応答予測法を組み入れることによって、1回のみの実験による入出力データから制御器パラメータを調整するFRITの利点を引き継ぐことを可能にしている。この成果を第61回自動制御連合講演会、および第6回計測自動制御学会制御部門マルチシンポジウムにおいて発表した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
研究期間の2年目である本年度は、ニューラルネットワークによる応答予測法、および強化学習による制御器パラメータ自動調整法について検討を行った。個々の問題点の整理を行い、改善策や今後の展望が見えてきており、研究はおおむね順調に進展しているといえる。
|
| Strategy for Future Research Activity |
本年度の研究結果に基づいて、強化学習によるデータ駆動型制御系設計法の制御性能、および汎用性の向上を検討し、より実用的な制御系設計法の実現を目指す。また、制御技術者の技術継承、技術移転を目的として、制御性能を評価するモデルをニューラルネットワークに基づいて実現する方法を検討する。
|
| Causes of Carryover |
高性能GPUで構成される計算機システムを複数台、段階的に導入した方が今後の研究にとって効果的との判断から、今年度の経費の一部を次年度分の計算機システムの導入費用として充当することとした。次年度は、計算機システムの購入とともに、シミュレーション用ソフトウェアや実験検証用システムの購入も適宜行う予定である。
|
