[논문 시리즈] RNN의 제동 토크를 이용한 제어

2370 단어 DeepLearningRNN

원문


RNN을 사용하여 브레이크 토크 제어
Ćirović Velimir (2012)

1. 요약 / 배경

  • 심층 학습의 응용 사례로 읽을 만한 논문이다
  • 지금까지의 수학 모델에서 디스크 브레이크가 제공하는 제동 모멘트를 예측하기 어렵다
  • 압력을 가하고 디스크의 미끄럼 속도, 제동기 표면 온도 등 요소를 고려하여 제동기 모멘트와의 관계를 모델링한다
  • RNN을 사용하는 동기는 과거 시각의 압력, 미끄럼 속도, 표면 온도와 모멘트가 현재 시각의 모멘트에 영향을 미친다는 물리학적 관점 때문이다
  • 2. 뼈 이론


    (1) NARX 네트워크
    비선형 활성화 함수는 자동 회귀 NN에 사용됩니다.
    교사의 데이터나 출력을 외부 입력값(exogenus input)으로 삼아 RNN의 구도에 활용한다.



    3. 모델 적용 예


    7000여 개의 데이터는 유지를 통해 약 4000개의 학습 데이터와 3000개의 테스트 데이터로 나뉜다.


    입력 벡터는 하식에 따라 귀일화된 예처리를 실시했다.
    x_{(scal)} = x_{(scal)min} + \frac{x_{(real)} - x_{(real)min}}{x_{(real)max} - x_{(real)min}}(x_{(scal)max} - x_{(scal)min})
    
    측정값을 귀일화하여 실제 측정의 범위 내에 두다.
    필자는 귀일화의 목적은 입력과 출력의 값을 제어하는 범위를 통해 예측 범위의 한정화, 예측 정밀도의 향상을 실현하는 데 있다고 생각한다.
    활성화 함수는 $tanh$를 사용합니다.
    $$f(x) =\frac{1 - e^{-x}}{1 + e^{-x}}$$
    다음은 제동 모멘트의 학습 오차율의 분포를 나타낸다.
    테스트 데이터도 비교적 적은 범용 오차를 배웠다.

    예측 실례로 다음 그림은 내부 압력 p=23.5bar, v=18km/h의 시뮬레이션을 나타낸다.
    실측된 제동 모멘트에 대한 재현성이 높다는 것을 확인할 수 있다.

    좋은 웹페이지 즐겨찾기