Интеллектуальные робастные контроллеры триботронных конических опор скольжения


Цитировать

Полный текст

Аннотация

Представлены результаты разработки средств интеллектуального робастного управления параметрами триботронной роторно-опорной системы с коническим подшипником со смещаемой втулкой. Предложенный контроллер реализован на основе глубокого нейросетевого Q-обучения с подкреплением (DQN), синтезированного на основе верифицированной численной модели роторно-опорной системы. Стратегия управления включала в себя одновременное управление положением вала и трением в смазочном слое. Помимо синтеза управления для детерминированной системы также представлен новый метод синтеза робастного DQN-контроллера для системы со стохастичностью параметров. Метод позволяет учитывать неопределённости в системе на этапе обучения посредством случайного варьирования параметров её численной модели. Численное тестирование полученных контроллеров показывает лучшую способность контроллера, обученного с учётом неопределенностей, справляться с переменными нагрузками, а также прогнозировать возможные изменения в системе и превентивно переводить систему в более выгодные состояния.

Об авторах

Ю. Н. Казаков

Орловский государственный университет имени И.С. Тургенева

Автор, ответственный за переписку.
Email: KazakYurii@yandex.ru
ORCID iD: 0000-0002-9655-4520

аспирант кафедры мехатроники, механики и робототехники

Россия

Д. В. Шутин

Орловский государственный университет имени И.С. Тургенева

Email: rover.ru@gmail.com
ORCID iD: 0000-0003-0515-7106

кандидат технических наук, доцент кафедры мехатроники, механики и робототехники

Россия

Л. А. Савин

Орловский государственный университет имени И.С. Тургенева

Email: savin3257@mail.ru
ORCID iD: 0000-0002-0466-0044

доктор технических наук, профессор кафедры мехатроники, механики и робототехники

Россия

Список литературы

  1. Santos I.F. Controllable sliding bearings and controllable lubrication principles – An overview // Lubricants. 2018. V. 6, Iss. 1. doi: 10.3390/lubricants6010016
  2. Santos I.F. Trends in controllable oil film bearings // IUTAM Bookseries. 2011. V. 25. P. 185-199. doi: 10.1007/978-94-007-0020-8_17
  3. Bently D.E., Grant J.W., Hanifan P.C. Active controlled hydrostatic bearings for a new generation of machines // Proceedings of the ASME Turbo Expo (May, 8-11, 2000, Munich). 2000. V. 2. doi: 10.1115/2000-GT-0354
  4. Santos I.F., Nicoletti R., Scalabrin A. Feasibility of applying active lubrication to reduce vibration in industrial compressors // Journal of Engineering for Gas Turbines and Power. 2004. V. 126, Iss. 4. P. 848-854. doi: 10.1115/1.1765123
  5. Rehman W.U., Jiang G., Luo Y., Wang Y., Khan W., Rehman Sh.U., Iqbal N. Control of active lubrication for hydrostatic journal bearing by monitoring bearing clearance // Advances in Mechanical Engineering. 2018. V. 10, Iss. 4. doi: 10.1177/1687814018768142
  6. Rehman W.U., Luo Y., Wang Y., Jiang G., Iqbal N., Rehman Sh.U., Bibi Sh. Fuzzy logic-based intelligent control for hydrostatic journal bearing // Measurement and Control. 2019. V. 52, Iss. 3-4. P. 229-243. doi: 10.1177/0020294019830110
  7. Gupta S., Biswas P.K., Aljafari B., Thanikanti S.B., Das S.K. Modelling, simulation and performance comparison of different membership functions based fuzzy logic control for an active magnetic bearing system // The Journal of Engineering. 2023. V. 2023, Iss. 2. doi: 10.1049/tje2.12229
  8. Camino J.F., Santos I.F. A periodic linear-quadratic controller for suppressing rotor-blade vibration // Journal of Vibration and Control. 2019. V. 25, Iss. 17. P. 2351-2364. doi: 10.1177/1077546319853358
  9. Zhang G., Liu M., Zou H., Wang X., Xi G. Vibration control of a rotor-magnetic bearing system on the moving base through H∞ control // Proceedings of the ASME Turbo Expo (June, 26-30, 2023, Boston). 2023. V. 11B. doi: 10.1115/GT2023-102528
  10. Li S., Babin A., Shutin D., Kazakov Yu., Liu Y., Chen Zh., Savin L. Active hybrid journal bearings with lubrication control: Towards machine learning // Tribology International. 2022. V. 175. doi: 10.1016/j.triboint.2022.107805
  11. Luo L., Zhao N., Zhu Y., Sun Y. A* guiding DQN algorithm for automated guided vehicle pathfinding problem of robotic mobile fulfillment systems // Computers & Industrial Engineering. 2023. V. 178. doi: 10.1016/j.cie.2023.109112
  12. Train DQN agent to swing up and balance pendulum. https://www.mathworks.com/help/reinforcement-learning/ug/train-dqn-agent-to-swing-up-and-balance-pendulum.html
  13. Yu Y., Liu Y., Wang J., Noguchi N., He Y. Obstacle avoidance method based on double DQN for agricultural robots // Computers and Electronics in Agriculture. 2023. V. 204. doi: 10.1016/j.compag.2022.107546
  14. Kazakov Y.N., Kornaev A.V., Shutin D.V., Li Sh., Savin L.A. Active fluid-film bearing with deep q-network agent-based control system // Journal of Tribology. 2022. V. 144, Iss. 8. doi: 10.1115/1.4053776
  15. Kazakov Yu.N., Kornaev A.V., Shutin D.V., Kornaeva E.P., Savin L.A. Reducing rotor vibrations in active conical fluid film bearings with controllable gap // Russian Journal of Nonlinear Dynamics. 2022. V. 18, no. 5. P. 873-883. doi: 10.20537/nd221226
  16. Genkin M., McArthur J.J. A transfer learning approach to minimize reinforcement learning risks in energy optimization for automated and smart buildings // Energy and Buildings. 2024. V. 303. doi: 10.1016/j.enbuild.2023.113760
  17. Kitchat K., Lin M.-H., Chen H.-Sh., Sun M.T., Sakai K., Ku W.-Sh., Surasak T. A deep reinforcement learning system for the allocation of epidemic prevention materials based on DDPG // Expert Systems with Applications. 2024. V. 242. doi: 10.1016/j.eswa.2023.122763
  18. He X., Hu Zh., Yang H., Lv Ch. Personalized robotic control via constrained multi-objective reinforcement learning // Neurocomputing. 2024. V. 565. doi: 10.1016/j.neucom.2023.126986
  19. Baltes J., Christmann G., Saeedvand S. A deep reinforcement learning algorithm to control a two-wheeled scooter with a humanoid robot // Engineering Applications of Artificial Intelligence. 2023. V. 126. doi: 10.1016/j.engappai.2023.106941
  20. Deep Q-network agent. https://www.mathworks.com/help/reinforcement-learning/ug/dqn-agents.html
  21. Antunovic R., Halep A., Bucko M., Peric S. Mathematical model for temperature change of a journal bearing // Thermal Science. 2018. V. 22, Iss. 1, Part A. P. 323-333. doi: 10.2298/tsci160713109a
  22. Kelly E., Amagbor A., Blessing T. Design and fabrication of a journal bearing test rig for pressure and temperature variation evaluation // NIPES Journal of Science and Technology Research. 2022. V. 4, Iss. 1. P. 234-243. doi: 10.37933/nipes/4.1.2022.20
  23. Савин Л.А., Соломин О.В. Моделирование роторных систем с опорами жидкостного трения. М.: Машиностроение-1, 2006. 443 с.
  24. Sozinando D.F., Tchomeni B.X., Alugongo A.A. Experimental study of coupled torsional and lateral vibration of vertical rotor-to-stator contact in an inviscid fluid // Mathematical and Computational Applications. 2023. V. 28, Iss. 2. doi: 10.3390/mca28020044

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Вестник Самарского университета. Аэрокосмическая техника, технологии и машиностроение, 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-ShareAlike 4.0 International License.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах