Skip to content
Kembali ke hasil pencarian

Kontrol Pembelajaran Iteratif

Diperkenalkan oleh
Suguru Arimoto
Tahun
1984
Jenis
algorithm
Keluarga
Adaptive Control

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Kontrol Pembelajaran Iteratif (ILC) adalah metode kontrol untuk sistem yang melakukan tugas yang sama berulang kali (pelacakan lintasan selama interval waktu tetap).

Ide kuncinya adalah menggunakan informasi kesalahan dari percobaan sebelumnya untuk memperbarui input untuk percobaan berikutnya, secara progresif meningkatkan akurasi pelacakan. Dipelopori oleh Arimoto dkk. pada tahun 1984, ILC ideal untuk manufaktur robotik, pemrosesan semikonduktor, dan aplikasi apa pun di mana gerakan yang sama harus diulang berkali-kali dengan presisi tinggi.

Intuisi di balik metode

ILC memanfaatkan struktur tugas berulang: tugasnya terdefinisi dengan baik (lintasan target selama cakrawala waktu tetap), dan sistemnya deterministik (kondisi awal yang sama setiap percobaan). Algoritma mengukur kesalahan pelacakan dalam percobaan k, menggunakan kesalahan ini untuk menghitung input yang diperbarui u_{k+1} untuk percobaan k+1, dan mengulanginya. Mekanisme kuncinya adalah belajar dari kesalahan: jika sistem kurang meleset pada waktu tertentu dalam percobaan k, tingkatkan besaran input pada waktu tersebut dalam percobaan k+1. Selama banyak percobaan, koreksi yang terakumulasi mendorong kesalahan menjadi nol. Ini berbeda dari kontrol adaptif (yang beradaptasi secara real-time) dan dari kontrol umpan balik (yang bereaksi terhadap kesalahan saat ini); ILC secara proaktif menyiapkan input berdasarkan percobaan sebelumnya.

Sejarah

Arimoto memperkenalkan ILC pada tahun 1984 untuk manipulator robot yang melakukan tugas berulang, dimotivasi oleh pembelajaran motorik pada sistem biologis. Moore mengembangkan teori komprehensif pada awal 1990-an, menetapkan kondisi konvergensi untuk berbagai hukum pembelajaran. Xu dan rekan-rekannya memperluas ILC ke sistem nonlinier, sistem penundaan waktu, dan sistem multidimensi. Varian modern termasuk kontrol pembelajaran iteratif dengan umpan balik (ILFC), ILC untuk jaringan agen, dan ILC stokastik untuk menangani gangguan acak. ILC telah melihat adopsi industri yang signifikan dalam manufaktur semikonduktor dan robotika presisi.

Kapan digunakan

Gunakan ILC ketika sistem Anda melakukan tugas berulang yang terdefinisi dengan baik dengan kondisi awal yang sama setiap iterasi. Ini ideal untuk robotika (pengambilan dan penempatan, jalur perakitan), manufaktur semikonduktor (pemindaian wafer, litografi), dan tugas gerakan presisi. ILC bersinar ketika sejumlah kecil percobaan (10-100) dapat mencapai akurasi yang sangat tinggi (presisi submikron). Hindari ILC jika tugasnya tidak berulang, jika kondisi awal bervariasi secara tak terduga, atau jika responsivitas real-time terhadap gangguan sangat penting (gunakan kontrol umpan balik sebagai gantinya).

Batasan dan pertimbangan

  • Memerlukan pengulangan tugas yang sama persis; jika parameter tugas bervariasi, pembelajaran harus dimulai ulang.
  • Konvergensi lambat di awal (percobaan awal memiliki kesalahan besar); investasi signifikan dalam waktu komisioning.
  • Sensitif terhadap variasi kondisi awal; jika percobaan k dimulai pada keadaan yang berbeda dari percobaan k-1, pembelajaran akan menurun.
  • Desain aturan pembelajaran bergantung pada masalah; tidak ada aturan universal yang berfungsi untuk semua sistem.
  • Gangguan non-repetitif tidak ditangani dengan baik; hanya kesalahan periodik yang dipelajari.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Mencapai akurasi tinggi (seringkali submikron) dalam tugas berulang melalui pembelajaran progresif selama banyak percobaan.
  • Implementasi sederhana; aturan pembelajaran seringkali hanya proporsional terhadap kesalahan yang terakumulasi.
  • Menangani pembelajaran loop terbuka (tidak perlu umpan balik selama percobaan), berguna ketika sensor mahal atau tidak tersedia.
  • Dapat dikombinasikan dengan umpan balik untuk menangani gangguan acak sambil mempertahankan peningkatan iteratif.
  • Tahan terhadap gangguan periodik yang berulang setiap percobaan; mekanisme pembelajaran secara alami menolaknya.

Penerapan

  • Robotika: Pelacakan lintasan presisi dalam operasi pengambilan dan penempatan, pemrograman robot pengelasan, optimasi gerakan jalur perakitan.
  • Manufaktur semikonduktor: Pemindaian wafer dalam alat litografi, penyelarasan tahap wafer, penentuan posisi litografi berkas elektron.
  • Industri percetakan dan kertas: Penentuan posisi web, registrasi warna di berbagai lintasan, kontrol ketebalan.
  • Pemrosesan material: Pemotongan laser pola berulang, penyelesaian permukaan multi-lintasan dengan jalur alat yang presisi.
  • Mesin industri: Penggilingan presisi tinggi dengan pemotongan berulang, pencetakan injeksi dengan pembelajaran siklus demi siklus.

Cara kerjanya

Cara kerjanya

1

Definisikan lintasan referensi, atur input kontrol awal u_0 (seringkali nol atau perkiraan umpan maju), dan inisialisasi kesalahan pelacakan e_0.

2

Terapkan input u_k ke sistem dan jalankan tugas (misalnya, gerakan robot) untuk interval waktu tetap dari t=0 hingga t=T.

3

Ukur output sistem y_k dan hitung kesalahan pelacakan e_k(t) = y_desired(t) − y_k(t) di seluruh interval percobaan.

4

Gunakan kesalahan untuk menghitung input yang diperbarui u_{k+1} = u_k + L(e_k), di mana L adalah aturan pembelajaran (proporsional, integral, atau orde tinggi).

Kesalahan umum

  • Memilih penguatan pembelajaran yang terlalu agresif; ini dapat menyebabkan osilasi dan divergensi alih-alih konvergensi.
  • Mengabaikan dinamika orde tinggi dan kausalitas; aturan pembelajaran harus memperhitungkan lebar pita dan penundaan sistem.
  • Mengasumsikan pengulangan yang sempurna; variasi kecil dalam kondisi awal atau parameter plant bertambah selama percobaan.
  • Tidak memantau stabilitas loop tertutup; pembelajaran agresif dapat merangsang dinamika yang tidak dimodelkan dan mendestabilisasi sistem.

Pertanyaan yang sering diajukan

Apa aturan pembelajaran paling sederhana dan bagaimana cara menyetelnya?

Aturan paling sederhana adalah proporsional: u_{k+1}(t) = u_k(t) + γ·e_k(t), di mana γ > 0 adalah penguatan pembelajaran. Untuk konvergensi, γ harus cukup kecil (biasanya < 0,5 untuk sistem waktu diskrit). Mulai dengan γ = 0,1 dan tingkatkan secara bertahap sambil memantau osilasi atau divergensi. Laju pembelajaran memengaruhi kecepatan konvergensi: γ yang lebih besar konvergen lebih cepat tetapi berisiko ketidakstabilan.

Berapa banyak percobaan yang saya perlukan untuk mencapai konvergensi?

Ini tergantung pada penguatan pembelajaran, dinamika sistem, dan akurasi yang diinginkan. Untuk sistem tipikal, 10-50 percobaan mencapai akurasi tinggi; untuk aplikasi yang sangat presisi (semikonduktor), 100-500 percobaan mungkin diperlukan. Percobaan awal biasanya menunjukkan peningkatan pesat, kemudian konvergensi melambat (pola konvergensi eksponensial).

Bisakah ILC menangani gangguan?

ILC saja tidak dapat menolak gangguan non-repetitif yang bervariasi antar percobaan. Namun, menggabungkan ILC dengan kontrol umpan balik (ILC/ILFC Hibrida) memungkinkan penolakan keduanya: umpan balik menangani gangguan acak secara real-time, sementara ILC secara progresif mengurangi kesalahan sistematis. Pendekatan lain adalah ILC stokastik, yang memodelkan gangguan secara probabilistik.

Apa yang terjadi jika kondisi awal tidak dapat diulang dengan sempurna?

Kesalahan kondisi awal yang kecil menyebabkan kesalahan pembelajaran terakumulasi, menurunkan konvergensi. Dalam praktiknya, gunakan mekanisme pengaturan ulang (misalnya, penghenti mekanis, pengaturan ulang berbasis sensor) untuk memastikan kondisi awal yang konsisten. Alternatifnya, gunakan metode ILC yang kuat yang dirancang untuk mentolerir variasi kondisi awal yang kecil.

Metode terkait

Sumber

  1. Arimoto, S., Kawamura, S., & Miyazaki, F. (1984). Bettering operation of robots by learning. Journal of Robotic Systems, 1(2), 123-140.

    Buka referensi DOI
    Disalin.
  2. Moore, K. L. (1993). Iterative learning control for trajectory tracking. Advances in Industrial Control, Springer-Verlag.

    Buka referensi publikasi
    Disalin.
  3. Bien, Z., & Xu, J. X. (2007). Iterative Learning Control: Analysis, Design, Integration and Applications. Kluwer Academic Publishers.

    Buka referensi publikasi
    Disalin.