面向智能电动机控制的强化学习环境工具箱
系统与控制
2019-10-22 v1 机器学习
系统与控制
摘要
电动机应用广泛，其效率强烈依赖于控制方式。除其他外，PI 方法与模型预测控制方法在科学文献与工业实践中广为人知。一种新方法是使用强化学习(RL)让智能体仅通过与合适的控制环境交互从零学习电力传动控制。RL 在许多游戏(如 Atari 经典或围棋)中取得了超越人类的显著成果，并在小车杆或摆动摆基准等控制任务中日益流行。本工作中，开发了开源 Python 包 gym-electric-motor (GEM) 以便于训练用于电动机控制的 RL 智能体。此外，该包可用于将训练后的智能体与其他最先进控制方法比较。它基于提供广泛使用的 RL 智能体评估接口的 OpenAI Gym 框架。初始包版本涵盖不同直流电动机变体、普遍的永磁同步电动机以及不同电力电子变换器与机械负载模型。由于所提工具箱的模块化设置，未来可轻松扩展附加电动机、负载与电力电子器件。此外，考虑了控制器互锁时间或噪声等不同二次效应。给出了一个基于深度确定性策略梯度算法控制串励直流电动机的智能控制器示例，并与级联 PI 控制器作为未来研究的基线进行比较。鼓励同行研究者在其 RL 研究中使用该框架或为包的功能范围(如进一步电动机类型)做出贡献。
引用
@article{arxiv.1910.09434,
title = {Towards a Reinforcement Learning Environment Toolbox for Intelligent Electric Motor Control},
author = {Arne Traue and Gerrit Book and Wilhelm Kirchgässner and Oliver Wallscheid},
journal= {arXiv preprint arXiv:1910.09434},
year = {2019}
}