복잡한 비선형 시스템을 위한 PID 제어 시스템에 기반한 CNN 신경망 제어 시스템

Abstract

Self-learning neural network control algorithms have been applied in many fields. They usually start from an initial state of zero knowledge and continuously improve their performance through repeated failures. However, in many real-world problems, the system needs to stay stable even in its initial state. Especially for many control systems, every failure can be accompanied by huge costs. To overcome this problem, instead of initializing the neural network to a zero-knowledge state, we can initialize it to another feasible algorithm. This allows the system to continuously adjust its performance without failing. This paper introduces a method to initialize a neural network model to another known feasible control algorithm. We chose a Convolutional Neural Network (CNN) model to learn a viable PID controller, and through training, the CNN model can converge to a state that is highly similar to the PID controller, even for data beyond the training range. For the test environment, we selected a one-axis force-position model to verify the stability and scalability of the model we obtained. We choose Python to build the test environment and TensorFlow to implement the neural network.|자가 학습 신경망 제어 알고리즘은 현재 많은 분야에 적용되고 있다. 일반적으로 제어모델이 아무 지식도 없는 초기 상태에서 시작하여, 반복되는 실패를 통해 지속적으로 성능을 향상시킨다. 그러나, 많은 실제 제어시스템이 작동되는 상황에서 시스템은 초기 상태에서도 안정적으로 유지되어야 한다. 특히 많은 제어 시스템의 경우 작은 실패에 있어서도 거대한 비용이 수반될 수가 있다. 이 문제를 극복하기 위해, 인공신경망 모델을 제로 지식 상태로 초기화하는 대신 다른 실현이 가능한 알고리즘으로 초기화 할 수도 있다. 이를 통해, 시스템은 실패 없이 지속적으로 성능을 조정할 수가 있을 것이다. 본 논문에서는 신경망 모델을 다른 알려진 실행 가능한 제어 알고리즘으로 초기화하는 방법을 소개한다. 실행 가능한 PID 제어 알고리즘을 학습하기 위해 CNN(Convolutional Neural Network) 모델을 선택했으며, 훈련을 통해 CNN 모델은 훈련 범위를 벗어난 데이터에 대해서도 PID 제어 알고리즘과 매우 유사한 상태로 수렴할 수가 있었다. 테스트 환경으로는 안정성과 결과 모델의 확장성을 검증하기 위해 1-axis, 힘과 포지션 모델을 선택하였다. 본 논문은 테스트 환경을 구축하기 위해서 Python을 선택하였으며, 신경망을 구현하기위해 TensorFlow를 선택하였다.