Интеллектуальные робастные контроллеры триботронных конических опор скольжения
- Авторы: Казаков Ю.Н.1, Шутин Д.В.1, Савин Л.А.1
-
Учреждения:
- Орловский государственный университет имени И.С. Тургенева
- Выпуск: Том 23, № 3 (2024)
- Страницы: 94-110
- Раздел: МАШИНОСТРОЕНИЕ И МАШИНОВЕДЕНИЕ
- URL: https://journals.ssau.ru/vestnik/article/view/27912
- DOI: https://doi.org/10.18287/2541-7533-2024-23-3-94-110
- ID: 27912
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
РоссияД. 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
РоссияЛ. 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
РоссияСписок литературы
- Santos I.F. Controllable sliding bearings and controllable lubrication principles – An overview // Lubricants. 2018. V. 6, Iss. 1. doi: 10.3390/lubricants6010016
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- Deep Q-network agent. https://www.mathworks.com/help/reinforcement-learning/ug/dqn-agents.html
- 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
- 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
- Савин Л.А., Соломин О.В. Моделирование роторных систем с опорами жидкостного трения. М.: Машиностроение-1, 2006. 443 с.
- 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