Iterative Learning Control
- ผู้เสนอ
- Suguru Arimoto
- ปี
- 1984
- ประเภท
- algorithm
- กลุ่มวิธี
- Adaptive Control
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
Iterative Learning Control (ILC) เป็นวิธีการควบคุมสำหรับระบบที่ทำงานเดียวกันซ้ำๆ (การติดตามวิถีการเคลื่อนที่ในช่วงเวลาที่กำหนด) แนวคิดหลักคือการใช้ข้อมูลข้อผิดพลาดจากการทดลองครั้งก่อนหน้าเพื่อปรับปรุงอินพุตสำหรับการทดลองครั้งถัดไป ซึ่งจะช่วยเพิ่มความแม่นยำในการติดตามให้ดีขึ้นเรื่อยๆ ILC ซึ่งริเริ่มโดย Arimoto และคณะในปี 1984 เหมาะอย่างยิ่งสำหรับงานผลิตด้วยหุ่นยนต์ การแปรรูปสารกึ่งตัวนำ และการใช้งานใดๆ ที่ต้องทำซ้ำการเคลื่อนที่เดิมๆ ด้วยความแม่นยำสูงหลายครั้ง
แนวคิดเบื้องหลังวิธีการ
ILC ใช้ประโยชน์จากโครงสร้างของงานที่ทำซ้ำๆ: งานนั้นถูกกำหนดไว้อย่างชัดเจน (วิถีเป้าหมายในช่วงเวลาที่กำหนด) และระบบเป็นแบบกำหนดได้ (เงื่อนไขเริ่มต้นเหมือนกันทุกครั้ง) อัลกอริทึมจะวัดข้อผิดพลาดในการติดตามในการทดลองครั้งที่ k โดยใช้ข้อผิดพลาดนี้เพื่อคำนวณอินพุตที่ปรับปรุงแล้ว u_{k+1} สำหรับการทดลองครั้งที่ k+1 และทำซ้ำ กลไกสำคัญคือการเรียนรู้จากข้อผิดพลาด: หากระบบมีค่าต่ำกว่าที่กำหนด ณ เวลาหนึ่งในการทดลองครั้งที่ k ให้เพิ่มขนาดอินพุต ณ เวลานั้นในการทดลองครั้งที่ k+1 เมื่อเวลาผ่านไปหลายครั้ง การแก้ไขที่สะสมจะทำให้ข้อผิดพลาดลดลงจนเป็นศูนย์ วิธีนี้แตกต่างจากการควบคุมแบบปรับตัว (ซึ่งปรับเปลี่ยนแบบเรียลไทม์) และการควบคุมแบบป้อนกลับ (ซึ่งตอบสนองต่อข้อผิดพลาดปัจจุบัน); ILC เตรียมอินพุตล่วงหน้าโดยอาศัยการทดลองครั้งก่อนหน้า
ประวัติศาสตร์
Arimoto ได้แนะนำ ILC ในปี 1984 สำหรับแขนกลหุ่นยนต์ที่ทำงานซ้ำๆ โดยได้รับแรงบันดาลใจจากการเรียนรู้ของมอเตอร์ในระบบชีวภาพ Moore ได้พัฒนาทฤษฎีที่ครอบคลุมในช่วงต้นทศวรรษ 1990 โดยกำหนดเงื่อนไขการลู่เข้าสำหรับกฎการเรียนรู้ต่างๆ Xu และเพื่อนร่วมงานได้ขยาย ILC ไปสู่ระบบไม่เชิงเส้น ระบบหน่วงเวลา และระบบหลายมิติ รูปแบบที่ทันสมัย ได้แก่ การควบคุมการเรียนรู้แบบวนซ้ำพร้อมการป้อนกลับ (ILFC), ILC สำหรับเครือข่ายตัวแทน และ stochastic ILC สำหรับการจัดการกับการรบกวนแบบสุ่ม ILC ได้รับการยอมรับในอุตสาหกรรมอย่างมากในการผลิตสารกึ่งตัวนำและหุ่นยนต์ความแม่นยำสูง
ควรใช้เมื่อใด
ใช้ ILC เมื่อระบบของคุณทำงานที่กำหนดไว้อย่างชัดเจนและทำซ้ำๆ โดยมีเงื่อนไขเริ่มต้นเหมือนกันทุกรอบ เหมาะอย่างยิ่งสำหรับหุ่นยนต์ (หยิบและวาง, สายการผลิต) การผลิตสารกึ่งตัวนำ (การสแกนเวเฟอร์, ลิโทกราฟี) และงานเคลื่อนที่ที่ต้องการความแม่นยำ ILC จะโดดเด่นเมื่อการทดลองจำนวนน้อย (10-100 ครั้ง) สามารถบรรลุความแม่นยำสูงมาก (ความแม่นยำระดับต่ำกว่าไมโครเมตร) หลีกเลี่ยง ILC หากงานไม่ซ้ำกัน หากเงื่อนไขเริ่มต้นแตกต่างกันอย่างคาดเดาไม่ได้ หรือหากการตอบสนองแบบเรียลไทม์ต่อการรบกวนเป็นสิ่งสำคัญ (ใช้การควบคุมแบบป้อนกลับแทน)
ข้อจำกัดและข้อควรพิจารณา
- ต้องการการทำซ้ำงานเดิมอย่างแม่นยำ หากพารามิเตอร์ของงานแตกต่างกัน การเรียนรู้จะต้องเริ่มต้นใหม่
- การบรรจบกันช้าในช่วงเริ่มต้น (การทดลองช่วงแรกมีข้อผิดพลาดมาก) ต้องใช้เวลาในการติดตั้งที่สำคัญ
- ไวต่อการเปลี่ยนแปลงเงื่อนไขเริ่มต้น หากการทดลองครั้งที่ k เริ่มต้นที่สถานะต่างจากการทดลองครั้งที่ k-1 การเรียนรู้จะเสื่อมลง
- การออกแบบกฎการเรียนรู้ขึ้นอยู่กับปัญหา ไม่มีกฎสากลที่ใช้ได้กับทุกระบบ
- การรบกวนที่ไม่เป็นคาบจะไม่ได้รับการจัดการที่ดี มีเพียงข้อผิดพลาดที่เป็นคาบเท่านั้นที่จะถูกเรียนรู้
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- บรรลุความแม่นยำสูง (มักจะต่ำกว่าไมโครเมตร) ในงานที่ทำซ้ำๆ ผ่านการเรียนรู้แบบก้าวหน้าในหลายๆ ครั้ง
- การนำไปใช้งานง่าย กฎการเรียนรู้มักจะเป็นสัดส่วนโดยตรงกับข้อผิดพลาดที่สะสม
- รองรับการเรียนรู้แบบวงจรเปิด (ไม่ต้องใช้การป้อนกลับระหว่างการทดลอง) ซึ่งมีประโยชน์เมื่อเซ็นเซอร์มีราคาแพงหรือไม่พร้อมใช้งาน
- สามารถรวมกับการป้อนกลับเพื่อจัดการกับการรบกวนแบบสุ่มในขณะที่ยังคงปรับปรุงแบบวนซ้ำได้
- ทนทานต่อการรบกวนแบบเป็นคาบที่เกิดซ้ำทุกครั้ง กลไกการเรียนรู้จะปฏิเสธสิ่งเหล่านี้โดยธรรมชาติ
การประยุกต์ใช้
- หุ่นยนต์: การติดตามวิถีที่แม่นยำในการปฏิบัติงานแบบหยิบและวาง การตั้งโปรแกรมหุ่นยนต์เชื่อม การเพิ่มประสิทธิภาพการเคลื่อนที่ในสายการผลิต
- การผลิตสารกึ่งตัวนำ: การสแกนเวเฟอร์ในเครื่องลิโทกราฟี การจัดตำแหน่งแท่นวางเวเฟอร์ การกำหนดตำแหน่งลิโทกราฟีด้วยลำแสงอิเล็กตรอน
- อุตสาหกรรมสิ่งพิมพ์และกระดาษ: การวางตำแหน่งเว็บ การลงทะเบียนสีในการผ่านหลายครั้ง การควบคุมความหนา
- การแปรรูปวัสดุ: การตัดเลเซอร์ลวดลายซ้ำๆ การตกแต่งพื้นผิวหลายครั้งด้วยเส้นทางการเคลื่อนที่ของเครื่องมือที่แม่นยำ
- เครื่องจักรอุตสาหกรรม: การกัดด้วยความแม่นยำสูงด้วยการตัดซ้ำๆ การเรียนรู้แบบรอบต่อรอบในการฉีดขึ้นรูป
วิธีการทำงาน
วิธีการทำงาน
กำหนดวิถีอ้างอิง ตั้งค่าอินพุตควบคุมเริ่มต้น u_0 (มักจะเป็นศูนย์หรือค่าประมาณ feedforward) และกำหนดค่าเริ่มต้นของข้อผิดพลาดในการติดตาม e_0
ใช้อินพุต u_k กับระบบและดำเนินการตามงาน (เช่น การเคลื่อนที่ของหุ่นยนต์) สำหรับช่วงเวลาที่กำหนดตั้งแต่ t=0 ถึง t=T
วัดผลลัพธ์ของระบบ y_k และคำนวณข้อผิดพลาดในการติดตาม e_k(t) = y_desired(t) − y_k(t) ตลอดช่วงการทดลองทั้งหมด
ใช้ข้อผิดพลาดเพื่อคำนวณอินพุตที่ปรับปรุงแล้ว u_{k+1} = u_k + L(e_k) โดยที่ L คือกฎการเรียนรู้ (แบบสัดส่วน, แบบปริพันธ์, หรือลำดับสูง)
ข้อผิดพลาดที่พบบ่อย
- การเลือกอัตราการเรียนรู้ที่ก้าวร้าวเกินไป ซึ่งอาจทำให้เกิดการสั่นและการลู่เข้าผิดปกติแทนที่จะเป็นการลู่เข้า
- การละเลยพลวัตอันดับสูงและหลักการเหตุผล กฎการเรียนรู้ต้องคำนึงถึงแบนด์วิดท์และความล่าช้าของระบบ
- การสันนิษฐานความสามารถในการทำซ้ำที่สมบูรณ์แบบ การเปลี่ยนแปลงเล็กน้อยในเงื่อนไขเริ่มต้นหรือพารามิเตอร์ของระบบจะสะสมไปเรื่อยๆ ในแต่ละครั้ง
- การไม่ตรวจสอบเสถียรภาพแบบวงจรปิด การเรียนรู้ที่ก้าวร้าวสามารถกระตุ้นพลวัตที่ไม่ได้จำลองและทำให้ระบบไม่เสถียร
คำถามที่พบบ่อย
กฎการเรียนรู้ที่ง่ายที่สุดคืออะไรและฉันจะปรับแต่งได้อย่างไร?
กฎที่ง่ายที่สุดคือแบบสัดส่วน: u_{k+1}(t) = u_k(t) + γ·e_k(t) โดยที่ γ > 0 คืออัตราการเรียนรู้ สำหรับการลู่เข้า γ ต้องมีค่าน้อยพอ (โดยทั่วไป < 0.5 สำหรับระบบเวลาไม่ต่อเนื่อง) เริ่มต้นด้วย γ = 0.1 และค่อยๆ เพิ่มขึ้นพร้อมกับสังเกตการสั่นหรือการลู่เข้าผิดปกติ อัตราการเรียนรู้ส่งผลต่อความเร็วในการลู่เข้า: γ ที่มากขึ้นจะลู่เข้าเร็วขึ้น แต่มีความเสี่ยงที่จะไม่เสถียร
ต้องใช้การทดลองกี่ครั้งจึงจะบรรลุการลู่เข้า?
ขึ้นอยู่กับอัตราการเรียนรู้ พลวัตของระบบ และความแม่นยำที่ต้องการ สำหรับระบบทั่วไป 10-50 ครั้งจะให้ความแม่นยำสูง สำหรับการใช้งานที่แม่นยำมาก (สารกึ่งตัวนำ) อาจต้องใช้ 100-500 ครั้ง การทดลองช่วงแรกมักจะแสดงการปรับปรุงอย่างรวดเร็ว จากนั้นการลู่เข้าจะช้าลง (รูปแบบการลู่เข้าแบบเอกซ์โพเนนเชียล)
ILC สามารถจัดการกับการรบกวนได้หรือไม่?
ILC เพียงอย่างเดียวไม่สามารถปฏิเสธการรบกวนที่ไม่เป็นคาบซึ่งแตกต่างกันไปในแต่ละครั้ง อย่างไรก็ตาม การรวม ILC กับการควบคุมแบบป้อนกลับ (Hybrid ILC/ILFC) ช่วยให้สามารถปฏิเสธทั้งสองอย่างได้: การป้อนกลับจัดการกับการรบกวนแบบสุ่มแบบเรียลไทม์ ในขณะที่ ILC จะลดข้อผิดพลาดที่เป็นระบบลงเรื่อยๆ อีกวิธีหนึ่งคือ stochastic ILC ซึ่งจำลองการรบกวนในเชิงความน่าจะเป็น
จะเกิดอะไรขึ้นหากเงื่อนไขเริ่มต้นไม่สามารถทำซ้ำได้อย่างสมบูรณ์แบบ?
ข้อผิดพลาดของเงื่อนไขเริ่มต้นเล็กน้อยทำให้ข้อผิดพลาดในการเรียนรู้สะสม ซึ่งทำให้การลู่เข้าเสื่อมลง ในทางปฏิบัติ ให้ใช้กลไกการรีเซ็ต (เช่น จุดหยุดทางกล, การรีเซ็ตตามเซ็นเซอร์) เพื่อให้แน่ใจว่าเงื่อนไขเริ่มต้นมีความสอดคล้องกัน หรือใช้วิธี ILC ที่ทนทานซึ่งออกแบบมาเพื่อทนต่อการเปลี่ยนแปลงเงื่อนไขเริ่มต้นเล็กน้อย
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Arimoto, S., Kawamura, S., & Miyazaki, F. (1984). Bettering operation of robots by learning. Journal of Robotic Systems, 1(2), 123-140.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วMoore, K. L. (1993). Iterative learning control for trajectory tracking. Advances in Industrial Control, Springer-Verlag.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้วBien, Z., & Xu, J. X. (2007). Iterative Learning Control: Analysis, Design, Integration and Applications. Kluwer Academic Publishers.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้ว