面向故障自适应控制的互补元强化学习
机器学习
2020-12-14 v1 系统与控制
系统与控制
机器学习
摘要
故障在所有系统中都普遍存在。自适应容错控制在故障发生时维持降级性能,而非陷入不安全状况或灾难性事件。在具有突发故障与严格时间约束的系统中,控制必须快速适应系统变化以维持系统运行。我们提出一种元强化学习方法,其快速将控制策略适应于变化条件。该方法构建于模型无关元学习 (MAML) 之上。控制器维护在系统故障下学习到的先前策略的互补集。该“库”在新故障后于系统上评估以初始化新策略。这与 MAML 形成对比,后者控制器从相似系统分布中重新采样派生中间策略以初始化新策略。我们的方法提升了强化学习过程的样本效率。我们在突发故障下的飞机燃油传输系统上评估了我们的方法。
引用
@article{arxiv.2009.12634,
title = {Complementary Meta-Reinforcement Learning for Fault-Adaptive Control},
author = {Ibrahim Ahmed and Marcos Quinones-Grueiro and Gautam Biswas},
journal= {arXiv preprint arXiv:2009.12634},
year = {2020}
}
备注
Accepted to PHM Conference 2020