使用带循环跳跃连接的编码器-解码器建模电动机动态
机器学习
2020-10-13 v1
摘要
电动机是工业界机械能量最重要的来源。其建模传统上依赖基于物理的方法，旨在考虑其复杂的内部动态。本文中，我们探索仅利用其输入输出且不对内部行为作任何假设的数据驱动方法来建模电动机动态的可行性。我们提出了一种受益于循环跳跃连接的新型编码器-解码器架构。我们还提出了一种考虑电动机量复杂性并有助于避免模型偏差的新型损失函数。我们表明所提架构能在我们的高频高方差数据集上取得良好的学习性能。考虑了两个数据集：第一个由基于感应电动机物理的模拟器生成，第二个由工业电动机记录得到。我们使用前馈、卷积和循环网络等传统神经网络的变体对方案进行基准测试。我们评估了架构的多种设计选择并与基线比较。我们展示了模型仅从模拟数据学习动态并应用于原始传感器数据的域适应能力。最后我们展示了信号复杂性对所述方法建模时间动态能力的影响。
引用
@article{arxiv.2010.05771,
title = {Modeling Electrical Motor Dynamics using Encoder-Decoder with Recurrent Skip Connection},
author = {Sagar Verma and Nicolas Henwood and Marc Castella and Francois Malrait and Jean-Christophe Pesquet},
journal= {arXiv preprint arXiv:2010.05771},
year = {2020}
}
备注
8 pages, AAAI2020