2015 Fiscal Year Annual Research Report
自己組織化マップによるインテリジェント学習制御手法の開発
| Project/Area Number |
26630075
|
|---|
| Research Institution | Hokkaido University |
|---|
Principal Investigator |
本田 真也 北海道大学, 工学(系)研究科(研究院), 准教授 (90548190)
|
|---|
| Project Period (FY) |
2014-04-01 – 2016-03-31
|
| Keywords | 振動制御 / 自己組織化マップ / 適応制御 / 複合材料 |
|---|
| Outline of Annual Research Achievements |
本研究課題ではニューラルネットワークの一種である自己組織化マップ（SOM）を用いた，環境変化などに適応可能な学習型の振動制御手法を開発した．アクチュエータからの入力に対する構造物の応答をSOMで随時学習し，特定の応答パターンに対して有効な制御入力信号を予測可能な統計モデルを作成することで振動抑制を行う．本手法の特長は制御設計の際に，制御対象の詳細なモデルは不要であり，系の入出力だけを観測することによって制御できる点であり，これにより構造物に損傷などの何らかの変化が生じた際も入出力信号の関係を学習し直すことで，適応可能である．
平成２６年度は本制御手法のアルゴリズム開発を実施し，数値シュミレーション上で本制御手法が未知な制御対象に関しても有効であることを確認した．続いて平成２７年度は実験により提案手法の有効性を確認した．具体的には炭素繊維強化複合材（CFRP）に圧電アクチュエータを貼付したスマート構造物を未知な制御対象と想定し，実験においてもオンライン学習での振動制御が可能であり，また運用中の損傷を想定し実験に使用した構造物の境界条件を変化させても，SOMの学習により振動が抑制できることがわかり，本手法が環境変化に適応可能な制御手法であることが示された．
また，SOMの代替として再帰型ニューラルネットワーク（RNN）を用いた振動制御も提案し，本手法と比較した．その結果，RNNは制御性能がSOMより優れているが，学習の柔軟性（環境への適応性）がSOMに劣っていることがわかり，本手法の長短を含めて特性を評価することができた．さらに，本手法の応用としてSOMによる構造ヘルスモニタリングが行えることを数値シュミレーションおよび実験により示した．
|
