基于分布式高斯过程及最优聚合策略的永磁同步电机学习控制
系统与控制
2023-07-27 v1 人工智能
系统与控制
摘要
在多变且未知环境中对精确控制日益增长的需求，引发了对电源组件（包括永磁同步电机（PMSMs））要求的相应提高。为推断系统的未知部分，机器学习技术被广泛采用，尤其是高斯过程回归（GPR），因其连续系统建模的灵活性及性能保证。为实际实现，采用分布式 GPR 以缓解高计算复杂度。然而，从控制视角研究分布式 GPR 仍是一个开放问题。本文基于李雅普诺夫稳定性理论，提出了一种面向 PMSM 的分布式 GPR 控制感知最优聚合策略。该策略仅利用后验均值，从而避免了其他方法中所涉及的后验方差的计算密集型计算。此外，我们所提策略的简便计算过程使其易于在高频 PMSM 控制中无缝实现。所提策略的有效性在仿真中得到验证。
引用
@article{arxiv.2307.13945,
title = {Learning-based Control for PMSM Using Distributed Gaussian Processes with Optimal Aggregation Strategy},
author = {Zhenxiao Yin and Xiaobing Dai and Zewen Yang and Yang Shen and Georges Hattab and Hang Zhao},
journal= {arXiv preprint arXiv:2307.13945},
year = {2023}
}