Kalman filter-based error prediction with forgetting factor iterative learning control scheme

आधुनिक विनिर्माण की दुनिया में, मशीनों को अक्सर एक ही गति को बार-बार करने का कार्य सौंपा जाता है, जैसे कि एक रोबोटिक आर्म द्वारा कार फ्रेम को वेल्ड करना या प्रिंटर द्वारा प्लास्टिक की परतें बिछाना। इन मशीनों को अत्यधिक सटीकता के साथ चलाने के लिए, इंजीनियर 'इटरेटिव लर्निंग कंट्रोल' (iterative learning control) नामक एक रणनीति का उपयोग करते हैं। विचार सरल लेकिन शक्तिशाली है: मशीन एक गति का प्रयास करती है, यह मापती है कि वह लक्षित पथ से कितनी दूर थी, और फिर उस गलती का उपयोग अपने अगले प्रयास को समायोजित करने के लिए करती है। प्रत्येक पुनरावृत्ति के साथ, मशीन सीखती है, अपनी गति को परिष्कृत करती है, जब तक कि वह वांछित पथ का पूरी तरह से अनुसरण न करने लगे। हालाँकि, यह सीखने की प्रक्रिया वास्तविक दुनिया में एक बड़ी बाधा का सामना करती है: शोर (noise)। एक कारखाने में, मशीनें लगातार यादृच्छिक (random) और अप्रत्याशित झटकों और कंपनों से घिरी रहती हैं—जैसे हवा का अचानक झोंका, बिजली में उतार-चढ़ाव, या कोई ढीला पुर्जा। ये यादृच्छिक व्यवधान हर बार अलग होते हैं, जिसका अर्थ है कि मशीन उन्हें बाद में रद्द करने के लिए केवल "याद" नहीं कर सकती। जब एक मशीन ऐसी गति से सीखने की कोशिश करती है जो एक यादृच्छिक झटके से खराब हो गई थी, तो वह अक्सर गलत सबक सीख लेती है, जिससे उसका प्रदर्शन गिर जाता है या वह एक स्थायी त्रुटि के साथ फंस जाती है।

इसे हल करने के लिए, लान्झोउ यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ताओं ने इन मशीनों को अधिक प्रभावी ढंग से सीखने में मदद करने का एक नया तरीका विकसित किया है। उन्होंने मानक सीखने की विधि को 'कलमन फ़िल्टर' (Kalman filter) नामक एक गणितीय उपकरण के साथ जोड़ा, जो एक स्मार्ट 'नॉइज़-कैंसलिंग ईयर' (शोर रद्द करने वाले कान) की तरह कार्य करता है। जबकि लर्निंग कंट्रोलर पिछले प्रयासों के आधार पर मशीन के पथ को ठीक करने का प्रयास करता है, कलमन फ़िल्टर वर्तमान डेटा को देखता है और यह अनुमान लगाता है कि त्रुटि का कौन सा हिस्सा एक वास्तविक गलती है जिसे मशीन को सीखने की आवश्यकता है, और कौन सा हिस्सा केवल यादृच्छिक शोर है जिसे अनदेखा किया जाना चाहिए। वास्तविक समय में सिग्नल को स्टेटिक (static) से अलग करके, सिस्टम अधिक सटीक सुधार कर सकता है। शोधकर्ताओं ने इस नए दृष्टिकोण का परीक्षण किया, जिसे वे 'कंपोजिट कंट्रोल स्कीम' कहते हैं, औद्योगिक मशीनरी के व्यवहार की नकल करने वाले कंप्यूटर सिमुलेशन का उपयोग करके। उन्होंने पाया कि इस शोर-फिल्टरिंग क्षमता को एकीकृत करके, मशीन ने न केवल तेजी से सीखा, बल्कि सटीकता का बहुत उच्च स्तर भी प्राप्त किया, जिससे पारंपरिक तरीकों की तुलना में औसत त्रुटि आधे से अधिक कम हो गई।

मुख्य चुनौती जिसे शोधकर्ताओं ने संबोधित किया है वह यह है कि मानक लर्निंग सिस्टम अक्सर संघर्ष करते हैं जब वातावरण पूरी तरह से स्वच्छ नहीं होता है। एक विशिष्ट सेटअप में, यदि कोई मशीन एक चक्र के दौरान यादृच्छिक कंपन का सामना करती है, तो कंट्रोल सिस्टम उस कंपन को अपनी स्वयं की गति की खामी समझ सकता है और अगले चक्र में उसकी भरपाई करने की कोशिश कर सकता है। चूंकि वह कंपन यादृच्छिक था और उसी तरह दोबारा नहीं होगा, इसलिए मशीन अति-सुधार (over-correcting) करने लगती है, जिससे एक नई त्रुटि उत्पन्न होती है। भ्रम का यह चक्र मशीन को उसकी पूर्ण क्षमता तक पहुँचने से रोकता है। इस शोध पत्र में प्रस्तावित नई विधि एक "फॉरगेटिंग फैक्टर" (forgetting factor) पेश करती है, एक ऐसी प्रणाली जो सिस्टम को पुराने डेटा की तुलना में हाल की जानकारी को अधिक महत्व देने की अनुमति देती है, यह सुनिश्चित करती है कि वह पुरानी गलतियों पर अटकी न रहे। इससे भी महत्वपूर्ण बात यह है कि यह इस सीखने की प्रक्रिया के ऊपर एक कलमन फ़िल्टर की परत लगाता है। यह फ़िल्टर एक भविष्यवक्ता (predictor) के रूप में कार्य करता है, जो त्रुटियों के पैटर्न को देखकर और यादृच्छिक स्पाइक्स को फ़िल्टर करके मशीन की वास्तविक स्थिति का निरंतर अनुमान लगाता है। यह अनिवार्य रूप से पूछता है, "क्या यह विचलन मेरे पथ की वास्तविक समस्या है, या केवल एक क्षणिक गड़बड़ी है?" और उसी के अनुसार लर्निंग को समायोजित करता है।

अपने विचार को सत्यापित करने के लिए, टीम ने एक मशीन का डिजिटल मॉडल बनाया जो एक विशिष्ट पथ पर चल रही है, जैसे कि एक रोबोटिक आर्म एक वक्र (curve) को ट्रेस कर रही हो। उन्होंने सिमुलेशन को यादृच्छिक शोर के साथ प्रोग्राम किया, जो एक वास्तविक कारखाने के फर्श की अराजक स्थितियों की नकल करता है। फिर उन्होंने दो अलग-अलग परिदृश्य चलाए: एक जहाँ मशीन ने मानक सीखने की विधि का उपयोग किया, और दूसरा जहाँ उसने कलमन फ़िल्टर के साथ अपनी नई संयुक्त विधि का उपयोग किया। परिणाम आश्चर्यजनक थे। मानक परिदृश्य में, मशीन का पथ काफी डगमगा गया, और कई प्रयासों के बाद भी त्रुटि अनियंत्रित रूप से घटती-बढ़ती रही। मशीन लगातार यादृच्छिक शोर के प्रति प्रतिक्रिया कर रही थी, और एक सुचारू, सटीक गति में स्थिर होने में असमर्थ थी। इसके विपरीत, नई विधि का उपयोग करने वाली मशीन ने जल्दी ही अपनी लय पकड़ ली। यादृच्छिक शोर को प्रभावी ढंग से सुधारा गया, जिससे मशीन को उस पथ के वास्तविक आकार पर ध्यान केंद्रित करने की अनुमति मिली जिसका उसे पालन करने की आवश्यकता थी।

इन सिमुलेशन से प्राप्त डेटा ने प्रदर्शन में स्पष्ट सुधार दिखाया। जब सिस्टम स्थिर अवस्था (steady state) में पहुँचा, तो मानक विधि के लिए औसत त्रुटि लगभग 20.22 यूनिट थी, जबकि नई विधि ने इसे घटाकर लगभग 10.08 यूनिट कर दिया। यह सटीकता में 50 प्रतिशत सुधार का प्रतिनिधित्व करता है। इसके अलावा, नए सिस्टम की स्थिरता कहीं अधिक बेहतर थी। मानक विधि ने उच्च स्तर का उतार-चढ़ाव दिखाया, जिसमें त्रुटि बड़े अंतर से ऊपर-नीचे होती रही, जबकि नई विधि ने त्रुटि को कड़ाई से नियंत्रित रखा। शोधकर्ताओं ने रूट मीन स्क्वायर एरर (root mean square error) को भी देखा, जो यह मापता है कि मशीन औसतन कितनी दूर थी, और पाया कि इसमें 52 प्रतिशत से अधिक की कमी आई। ये संख्याएं दर्शाती हैं कि नया दृष्टिकोण केवल छोटे बदलाव नहीं करता है; यह मौलिक रूप से मशीन के अनिश्चितता को संभालने के तरीके को बदल देता है, जिससे वह शोर भरे वातावरण में भी उच्च सटीकता बनाए रखने में सक्षम होती है।

शोधकर्ताओं ने यह सुनिश्चित करने के लिए कि परिणाम केवल एक भाग्यशाली संयोग नहीं हैं, कई अलग-अलग रन पर सिस्टम के व्यवहार का भी परीक्षण किया। उन्होंने सिमुलेशन को 50 बार चलाया, जिसमें प्रत्येक बार थोड़ा अलग यादृच्छिक शोर पैटर्न था, ताकि यह देखा जा सके कि क्या सुधार लगातार बना रहता है। परिणाम मजबूत थे। प्रत्येक रन में, नई विधि ने मानक पद्धति को पीछे छोड़ दिया, जिसमें कंट्रोल इनपुट अधिक सुचारू हो गए और ट्रैकिंग पथ लक्ष्य के बहुत करीब रहा। मानक विधि ने अक्सर शोर के खिलाफ लड़ते हुए झटकेदार हरकतें पैदा कीं, लेकिन नई विधि ने एक तरल, क्रमिक समायोजन प्रदान किया। यह सुझाव देता है कि लर्निंग एल्गोरिदम और नॉइज़ फ़िल्टर का संयोजन एक ऐसा सिस्टम बनाता है जो न केवल अधिक सटीक है, बल्कि अधिक स्थिर और विश्वसनीय भी है। मशीन विकर्षणों को अनदेखा करना और कार्य पर ध्यान केंद्रित करना सीख जाती है, ठीक वैसे ही जैसे एक कुशल संगीतकार जो पृष्ठभूमि के शोर के बावजूद एक आदर्श धुन बजा सकता है।

यह कार्य औद्योगिक स्वचालन (industrial automation) के लिए एक व्यावहारिक मार्ग सुझाता है। मौजूदा लर्निंग सिस्टम में एक बुद्धिमान भविष्यवाणी की परत जोड़कर, इंजीनियर ऐसी मशीनें बना सकते हैं जो कारखानों के जटिल वातावरण के प्रति अधिक लचीली हों। इस पद्धति के लिए किसी महंगे नए हार्डवेयर की आवश्यकता नहीं है; यह एक सॉफ्टवेयर-आधारित अपग्रेड है जो मशीन द्वारा एकत्र किए जा रहे डेटा का बेहतर उपयोग करता है। शोधकर्ताओं ने प्रदर्शित किया कि यह दृष्टिकोण रैखिक प्रणालियों (linear systems) के लिए अच्छी तरह से काम करता है, जो कई विनिर्माण प्रक्रियाओं में आम हैं, और उन्होंने गणितीय प्रमाण भी दिया कि यह प्रणाली इन परिस्थितियों में स्थिर रहेगी और समाधान की ओर बढ़ेगी। हालांकि यह अध्ययन भौतिक रोबोट के बजाय सिमुलेशन के माध्यम से किया गया था, लेकिन कठोर परीक्षण और स्पष्ट गणितीय आधार यह संकेत देते हैं कि इसके लाभ वास्तविक दुनिया के अनुप्रयोगों में भी दिखाई देंगे। त्रुटियों को आधा करने और यादृच्छिक हस्तक्षेप के विरुद्ध प्रदर्शन को स्थिर करने की क्षमता एक ऐसा समाधान प्रदान करती है जो उन उद्योगों के लिए अत्यंत महत्वपूर्ण है जहाँ सटीकता सर्वोपरि है, जैसे कि नाजुक इलेक्ट्रॉनिक्स को असेंबल करना या भारी घटकों की मशीनिंग करना। अध्ययन इस निष्कर्ष के साथ समाप्त होता है कि मशीन को यह पहचानने देकर कि उसे क्या सीखना है और किसे केवल अनदेखा करना है, हम नियंत्रण के उस स्तर को प्राप्त कर सकते हैं जो पहले कठिन था।