A novel higher-order internal model-based boundary iterative learning algorithm for hyperbolic systems with sensor-actuator network

In de wereld van de techniek zijn veel machines en processen niet simpelweg geïsoleerde punten, maar uitgestrekte, continue velden waar omstandigheden veranderen over ruimte en tijd. Denk aan een lange, flexibele brug die heen en weer wiegt in de wind, of warmte die ongelijkmatig door een metalen staaf verspreidt. Om deze complexe systemen te besturen, vertrouwen ingenieurs vaak op een techniek genaamd iteratief leren. Stel je een robotarm voor die duizend keer dezelfde lasopdracht uitvoert. Met elke poging onthoudt de robot zijn fouten van de vorige poging en past hij zijn bewegingen bij elke herhaling een klein beetje aan, waardoor hij met elke repetitie nauwkeuriger wordt. Deze methode werkt prachtig wanneer de taak elke keer identiek is. De werkelijkheid is echter zelden zo voorspelbaar. Vaak verandert het doel zelf van de ene poging naar de volgende. Een fabriek moet misschien een iets ander patroon lassen, of een trein moet bij een nieuw station stoppen. Wanneer het doel bij elke poging beweegt of van vorm verandert, struikelen standaard leermethoden vaak, omdat ze niet in staat zijn zich aan te passen omdat ze zoeken naar een patroon dat niet meer bestaat.

Dit is de specifieke uitdaging die wordt aangepakt door een nieuwe studie die zich richt op hyperbolische systemen, een klasse van wiskundige modellen die worden gebruikt om golven en signalen te beschrijven die door de ruimte reizen, zoals trillingen in een structuur of de stroming van een vloeistof in een pijp. De onderzoeker, Manqi Mao, pakte het probleem aan om deze systemen te besturen wanneer het gewenste pad bij elke iteratie verandert. In veel praktische situaties is het te duur of fysiek onmogelijk om sensoren en regelapparatuur diep in een systeem te plaatsen. In plaats daarvan moeten ingenieurs de controle alleen aan de randen, of grenzen, van het systeem toepassen. De onderzoeker ontwikkelde een nieuw algoritme waarmee een systeem kan leren hoe het een bewegend doel moet volgen, zelfs wanneer dat doel bij elke poging van patroon verandert. Door gebruik te maken van een specifieke wiskundige structuur die bekend staat als een hoog-orde intern model, kan het algoritme anticiperen op hoe het gewenste pad zal veranderen, in plaats van alleen te reageren op fouten nadat ze zijn opgetreden.

De onderzoeker ontwierp een besturingsstrategie die niet simpelweg steeds dezelfde correctie herhaalt. In plaats daarvan bouwt het een voorspelling op van hoe de doel-traject zal evolueren. Er werd een systeem gecreëerd dat de interne toestand van de machine schat en die schatting gebruikt om een nieuw controlesignaal te genereren. Dit signaal wordt vervolgens verfijnd voor de volgende poging. Om te bewijzen dat dit werkt, voerde de onderzoeker gedetailleerde computersimulaties uit op twee verschillende scenario's. In het eerste voorbeeld simuleerden zij een systeem zonder tijdsvertraging, waarbij de besturingsactie onmiddellijk effect heeft. Zij stelden het systeem in om een doel te volgen dat volgens een specifieke regel veranderde, waarbij de vorm bij elke iteratie verschoof. De resultaten toonden aan dat het nieuwe algoritme het systeem succesvol naar het doel leidde. Na twintig pogingen werd het verschil tussen het werkelijke pad en het gewenste pad ongelooflijk klein, met een fout van minder dan 0,0026. In contrast hiermee faalde een traditionele besturingsmethode, die geen rekening houdt met deze veranderende doelen, om te convergeren, waardoor het systeem met een grote, aanhoudende fout achterbleef.

De tweede simulatie introduceerde een extra laag complexiteit: een tijdvertraging. In veel real-world systemen is er een vertraging tussen het geven van een commando en de reactie van het systeem, of tussen het meten van een waarde door een sensor en het gebruik van die informatie. De onderzoeker testte het algoritme op een systeem waarbij de toestand van de machine op elk moment afhankelijk is van de toestand van een fractie van een seconde eerder. Zelfs met deze vertraging bleek de nieuwe methode effectief. In dit scenario bereikte het systeem binnen zestien iteraties een hoog niveau van nauwkeurigheid, waarbij de trackingfout werd teruggebracht tot onder de 0,005. De traditionele methode worstelde opnieuw en slaagde er niet in om de prestaties naarmate de iteraties voortduurden te verbeteren. Deze simulaties demonstreren dat de voorgestelde aanpak niet alleen een theoretisch idee is, maar een praktisch hulpmiddel dat de rommelige realiteit van veranderende taken en vertraagde reacties kan aan.

De kern van dit succes ligt in de manier waarop het algoritme omgaat met het "iteratie-variërende" karakter van de taak. In plaats van ervan uit te gaan dat het doel vaststaat, behandelt het systeem de veranderingen in het doel als een patroon dat geleerd en voorspeld kan worden. Door een hoog-orde intern model te integreren, leert de controller in feite de "grammatica" van hoe het doel verandert. Dit stelt het systeem in staat om de juiste besturing te voorbereiden voordat de fout zelfs maar optreedt. De studie bevestigt dat door deze voorspellende aanpak te gebruiken, het mogelijk is om precieze randbesturing te bereiken voor complexe golfachtige systemen, zelfs wanneer het gewenste pad niet bij elke proef hetzelfde is. De bevindingen suggereren dat voor ingenieurs die te maken hebben met flexibele structuren, vloeistofdynamica, of welk systeem dan ook waarbij het doel in de loop van de tijd evolueert, er nu een robuustere manier is om ervoor te zorgen dat de machine precies doet wat nodig is, iteratie na iteratie.