基于強化學習補償器的多電機同步控制的研究.pdf_第1頁
已閱讀1頁,還剩72頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、隨著近年來傳動系統(tǒng)的發(fā)展,多電機傳動已被越來越廣泛地應用于各種領(lǐng)域中。為了提高多電機傳動系統(tǒng)的動態(tài)和穩(wěn)態(tài)性能,以及滿足一些特定系統(tǒng)對于多電機精確同步的要求,多電機同步控制方法的研究也變得越來越重要。國內(nèi)外學者經(jīng)過多年的研究,形成了幾種多電機同步控制策略,在這些控制策略中偏差耦合控制策略在多電機同步領(lǐng)域中是目前被公認最好的。本文以偏差耦合控制作為控制策略,利用強化學習作為速度同步補償器的控制方法,提高了多電機速度的同步控制精度與穩(wěn)定性。

2、 本文首先介紹了多電機同步控制的發(fā)展歷史,對幾種控制策略特點進行了詳細的分析。在分析多智能體系統(tǒng)中的獨立學習和群體強化學習特點的基礎(chǔ)上,設計了基于強化學習補償器的多電機同步控制方法。獨立強化學習具有學習速度快、方法相對簡單等優(yōu)點,但系統(tǒng)中的智能體(Agent)只考慮自己的狀態(tài)而不關(guān)心其它Agent的狀態(tài),也不考慮其它Agent的動作,并且在多智能體系統(tǒng)中,獨立學習無法滿足馬爾科夫過程,在理論上無法保證收斂性。為了克服獨立學習的局限

3、性,群體強化學習被提出,但群體強化學習的學習空間隨著智能體個數(shù)的增加而指數(shù)級膨脹的問題。本文引入了一種基于動作預測的群體強化學習算法,這種方法可以削減學習單元的冗余狀態(tài)信息,降低學習空間的組合強度,加快群體強化學習算法的學習速度。結(jié)合動作預測群體強化學習和偏差耦臺控制策略的優(yōu)點,設計出基于強化學習的補償器。經(jīng)過Matlab的仿真結(jié)果說明了本文設計的控制算法的有效性和實用性。 最后,總結(jié)了所做的研究工作,并對多電機同步控制系統(tǒng)中存

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論