IMPROVEMENT OF Q-LEARNING USED FOR CONTROL OF AMB

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26210%2F03%3APU37863" target="_blank" >RIV/00216305:26210/03:PU37863 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

IMPROVEMENT OF Q-LEARNING USED FOR CONTROL OF AMB

Popis výsledku v původním jazyce

Active magnetic bearing (AMB) is perspective design element; however AMB itself is unstable and must be stabilized by feedback control loop. Artificial intelligence methods, which use real time machine learning, can be used for the proposition of new control methods, which either improve the AMB control, or require less complex control electronics. The paper is focused on use of reinforcement learning version called Q-learning. As the conventional Q-learning architectures learning process is too slow too be practical for real control tasks, the paper proposes improvement of Q-learning by partitioning the learning process into two phases: prelearning phase and tutorage phase. Prelearning phase requires computational model but is highly efficient, tutorage phase uses conventional real time Q-learning and assumes the interaction with the real system. To demonstrate the qualities of developed controllers the performance of AMB model controlled by such controller is compared with the perfor

Název v anglickém jazyce

IMPROVEMENT OF Q-LEARNING USED FOR CONTROL OF AMB

Popis výsledku anglicky

Active magnetic bearing (AMB) is perspective design element; however AMB itself is unstable and must be stabilized by feedback control loop. Artificial intelligence methods, which use real time machine learning, can be used for the proposition of new control methods, which either improve the AMB control, or require less complex control electronics. The paper is focused on use of reinforcement learning version called Q-learning. As the conventional Q-learning architectures learning process is too slow too be practical for real control tasks, the paper proposes improvement of Q-learning by partitioning the learning process into two phases: prelearning phase and tutorage phase. Prelearning phase requires computational model but is highly efficient, tutorage phase uses conventional real time Q-learning and assumes the interaction with the real system. To demonstrate the qualities of developed controllers the performance of AMB model controlled by such controller is compared with the perfor

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

—

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2003

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Electrical Drives and Power Electronics 2003

ISBN

80-89061-77-X

ISSN

—

e-ISSN

—

Počet stran výsledku

4

Strana od-do

51-54

Název nakladatele

Neuveden

Místo vydání

Košice, Slovak Republik

Místo konání akce

Hotel Permon, The High Tatras

Datum konání akce

24. 9. 2003

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—