論文の概要: A Reinforcement Learning Approach to Health Aware Control Strategy
- arxiv url: http://arxiv.org/abs/2010.09269v1
- Date: Mon, 19 Oct 2020 07:25:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 20:47:55.285016
- Title: A Reinforcement Learning Approach to Health Aware Control Strategy
- Title(参考訳): 健康意識制御戦略への強化学習アプローチ
- Authors: Mayank Shekhar Jha (CRAN), Philippe Weber, Didier Theilliol,
Jean-Christophe Ponsart, Didier Maquin
- Abstract要約: 強化学習に基づくアプローチは、コンポーネント劣化に直面した最適制御ポリシーを学習するために用いられる。
提案手法は直流モータとシャフト摩耗のシミュレーションを用いて検討した。
- 参考スコア(独自算出の注目度): 0.16799377888527683
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Health-aware control (HAC) has emerged as one of the domains where control
synthesis is sought based upon the failure prognostics of system/component or
the Remaining Useful Life (RUL) predictions of critical components. The fact
that mathematical dynamic (transition) models of RUL are rarely available,
makes it difficult for RUL information to be incorporated into the control
paradigm. A novel framework for health aware control is presented in this paper
where reinforcement learning based approach is used to learn an optimal control
policy in face of component degradation by integrating global system transition
data (generated by an analytical model that mimics the real system) and RUL
predictions. The RUL predictions generated at each step, is tracked to a
desired value of RUL. The latter is integrated within a cost function which is
maximized to learn the optimal control. The proposed method is studied using
simulation of a DC motor and shaft wear.
- Abstract(参考訳): ヘルス・アウェア・コントロール(HAC)は、システム/コンポーネントの障害予後や重要なコンポーネントの残留有用生命(RUL)予測に基づいて制御合成を求める領域の1つである。
RULの数学的動的(遷移)モデルはほとんど利用できないため、制御パラダイムにRUL情報を組み込むことは困難である。
本論文では,グローバルシステム遷移データ(実システムに類似した解析モデルによる生成)とRUL予測を統合することで,コンポーネント劣化に直面する最適制御ポリシーを学習するために,強化学習に基づくアプローチを用いた新しい健康意識制御フレームワークを提案する。
各ステップで生成されたRUL予測は、RULの所望値にトラックされる。
後者は最適制御を学ぶために最大化されるコスト関数に統合される。
提案手法は直流モータとシャフト摩耗のシミュレーションを用いて検討した。
関連論文リスト
- Model-based deep reinforcement learning for accelerated learning from
flow simulations [0.0]
フロー制御アプリケーションにおけるモデルベース強化学習の利点を実証する。
具体的には, 流れシミュレーションから採取した軌道と, 環境モデルのアンサンブルから採取した軌道とを交互に組み合わせることで, 政策を最適化する。
モデルベースの学習は、流動的なピンボールテストケースに対して、トレーニング全体の時間を最大85%削減する。
論文 参考訳(メタデータ) (2024-02-26T13:01:45Z) - Promises of Deep Kernel Learning for Control Synthesis [14.401542690028554]
ディープラーニング(DKL)は、ニューラルネットワークの表現力とガウス過程の不確実性を組み合わせたものだ。
動的システムの制御にDKLを用いることが可能な,スケーラブルな抽象化ベースのフレームワークを開発した。
論文 参考訳(メタデータ) (2023-09-12T20:04:16Z) - Towards a Theoretical Foundation of Policy Optimization for Learning
Control Policies [26.04704565406123]
グラディエントベースの手法は、様々なアプリケーション領域におけるシステム設計と最適化に広く使われてきた。
近年、制御と強化学習の文脈において、これらの手法の理論的性質の研究に新たな関心が寄せられている。
本稿では、フィードバック制御合成のための勾配に基づく反復的アプローチであるポリシー最適化に関する最近の開発について概説する。
論文 参考訳(メタデータ) (2022-10-10T16:13:34Z) - Learning Robust Output Control Barrier Functions from Safe Expert
Demonstrations [50.37808220291108]
まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。
次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
我々は,自律走行シミュレータCARLAのアルゴリズムを実証的に検証し,RGBカメラ画像から安全な制御法を学習する方法を実証する。
論文 参考訳(メタデータ) (2021-11-18T23:21:00Z) - Sparsity in Partially Controllable Linear Systems [56.142264865866636]
本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。
最適制御には無関係な状態変数を特徴付ける。
論文 参考訳(メタデータ) (2021-10-12T16:41:47Z) - Regret Analysis of Learning-Based MPC with Partially-Unknown Cost
Function [5.601217969637838]
探索/探索のトレードオフは、データ駆動および適応制御において固有の課題である。
本稿では、最適制御動作の基準として、全てのシステムパラメータの完全な知識を持つ有限水平オラクルコントローラを提案する。
我々は,このオラクル有限ホライゾンコントローラに関して,低後悔を達成できる学習ベースのポリシーを開発する。
論文 参考訳(メタデータ) (2021-08-04T22:43:51Z) - Learning representations with end-to-end models for improved remaining
useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。
マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。
提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文 参考訳(メタデータ) (2021-04-11T16:45:18Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳(メタデータ) (2020-11-14T01:27:32Z) - Anticipating the Long-Term Effect of Online Learning in Control [75.6527644813815]
AntLerは、学習を予想する学習ベースの制御法則の設計アルゴリズムである。
AntLer は確率 1 と任意に最適な解を近似することを示す。
論文 参考訳(メタデータ) (2020-07-24T07:00:14Z) - Data-Driven Robust Control Using Reinforcement Learning [0.0]
本稿では,部分未知の力学系を制御するために強化学習を用いた頑健な制御設計法を提案する。
データから学習することで、クローズドループシステムの安定性を保証するアクションが提案される。
1型糖尿病患者に対する血糖モデルを用いたシミュレーションにより, コントロールが評価された。
論文 参考訳(メタデータ) (2020-04-16T14:57:15Z) - Adaptive Control and Regret Minimization in Linear Quadratic Gaussian
(LQG) Setting [91.43582419264763]
我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。
LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
論文 参考訳(メタデータ) (2020-03-12T19:56:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。