Hyppää sisältöön
    • Suomeksi
    • In English
Trepo
  • Suomeksi
  • In English
  • Kirjaudu
Näytä viite 
  •   Etusivu
  • Trepo
  • Opinnäytteet - ylempi korkeakoulututkinto
  • Näytä viite
  •   Etusivu
  • Trepo
  • Opinnäytteet - ylempi korkeakoulututkinto
  • Näytä viite
JavaScript is disabled for your browser. Some features of this site may not work without it.

Syväoppimissäätimen rakentaminen vaihtoehdoksi PID-säätimelle

Raassina, Teemu (2019)

 
Avaa tiedosto
Raassina.pdf (2.820Mt)
Lataukset: 



Raassina, Teemu
2019

Teknis-luonnontieteellinen
Tekniikan ja luonnontieteiden tiedekunta - Faculty of Engineering and Natural Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2019-06-07
Näytä kaikki kuvailutiedot
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tty-201906111870
Tiivistelmä
Työssä rakennetaan syväoppimissäädin vaihtoehdoksi PID-säätimelle harmonisen värähtelijän ohjaukseen. Tutkimuksen innoittaja on Kangbeom Cheonin ja Jaehoon Kimin artikkeli, jossa toteutettiin vastaava tutkimus tasavirtamoottorin ohjaukseen. Tutkimustavoitteena on päästä mahdollisimman lähelle PID-säätimen suorituskykyä. Vastaavanlaisia syväoppimissäätimiä on esiintynyt kirjallisuudessa muutamia.

Syväoppimisen algoritmeilla on muista menetelmistä poikkeava ja omaleimainen tapa löytää luokittelu-, tunnistus- ja ryhmittely ongelmiin ratkaisuja autonomisesti. Tieteenalana syväoppiminen on vielä tuore ja siksi mahdollisuuksia on paljon. Puolestaan PID-säätimen yksinkertainen kolmiosainen rakenne ja tehokas toiminta tekee siitä teollisuudessa luultavasti eniten käytetyn järjestelmien säätimen.

Tutkimuksessa testattiin ensin PID-säätimen suorituskyky harmonisen värähtelijän säätöongelmassa ja sen toiminta taltioitiin syväoppimissäätimen opetusdataksi. Syväoppimissäätimiä rakennettiin kolme, joiden arkkitehtuureina käytettiin MLP-, RNN- ja LSTM-neuroverkkoja. Syväoppimissäätimien neuroverkot esiopetettiin tallennetulla opetusdatalla ja niiden toiminta tarkastettiin oskillaattorin ohjauksessa. Tämän jälkeen säätimet hienosäädettiin dynaamisesti ohjausprosessin ohessa PID-säätimen avulla.

Ohjaustuloksissa syväoppimissäätimet olivat kehityskelpoisia, mutta eivät ratkaisseet säätöongelmaa odotetusti, tai yltäneet lähelle PID-säätimen suorituskykyä. PID-säätimen ohjaama harmoninen värähtelijä ohjautui aina tavoitearvoon y_r, kun taas kohtuullisen suurella virhemarginaalilla MLP-arkkitehtuuria käyttävä syväoppimissäädin onnistui ohjauksessa 60 %, RNN-arkkitehtuurin säädin 34 % ja LSTM-säädin 20 % todennäköisyydellä. Keskimääräinen poikkeama tavoitearvosta (kymmenen ollessa maksimi) oli MLP-säätimelle 0,37, RNN-säätimelle 0,82 ja LSTM-säätimelle 0,92. Syväoppimissäätimien tuottama ohjaussignaali mukaili PID-säätimen ohjaussignaalin suoraviivaisuutta ja syväoppimissäätimien nopeissa asettumisajoissa piilee potentiaalia jatkotutkimukselle.

Jatkotutkimuksessa voitaisiin kokeilla erilaisia neuroverkkoarkkitehtuureja, kuten CNN- tai DBN-verkkoja. Myös kahden eri arkkitehtuurin yhdistäminen hybridiverkoksi on tutkimisen arvoinen. PID-säädintä on myös mahdollista hyödyntää neuroverkkojen opetuksessa ja verkon optimaalisten parametrien löytämisessä. Syväoppimissäätimelle seuraavia mielenkiintoisia tutkimuskohteita voisi olla robottien ohjaus ja ryhmäkäyttäytyminen.
Kokoelmat
  • Opinnäytteet - ylempi korkeakoulututkinto [34751]
Kalevantie 5
PL 617
33014 Tampereen yliopisto
oa[@]tuni.fi | Yhteydenotto | Tietosuoja | Saavutettavuusseloste
 

 

Selaa kokoelmaa

TekijätNimekkeetTiedekunta (2019 -)Tiedekunta (- 2018)Tutkinto-ohjelmat ja opintosuunnatAvainsanatJulkaisuajatKokoelmat

Omat tiedot

Kirjaudu sisäänRekisteröidy
Kalevantie 5
PL 617
33014 Tampereen yliopisto
oa[@]tuni.fi | Yhteydenotto | Tietosuoja | Saavutettavuusseloste