[論文レビュー] Optimization of Operation Startegy for Primary Torque based hydrostatic Drivetrain using Artificial Intelligence.

Yusheng Xiang, Marcus Geimer|arXiv (Cornell University)|Jan 1, 2020

Hydraulic and Pneumatic Systems被引用数 3

ひとこと要約

本論文では、深層学習に基づく戦略を提案し、主トルク制御型静 hydroulic 駆動系における再生の最適化を図るもので、CRDNN に双方向 LSTMs を組み合わせることで、98.2% の精度で Y サイクルを検出する。この手法により、Y サイクル中における包括的効率が最大9%向上し、ホイールローダーなどの移動機器におけるエネルギー回収が顕著に向上する。

ABSTRACT

A new primary torque control concept for hydrostatics mobile machines was introduced in 2018. The mentioned concept controls the pressure in a closed circuit by changing the angle of the hydraulic pump to achieve the desired pressure based on a feedback system. Thanks to this concept, a series of advantages are expected. However, while working in a Y cycle, the primary torque-controlled wheel loader has worse performance in efficiency compared to secondary controlled earthmover due to lack of recuperation ability. Alternatively, we use deep learning algorithms to improve machines' regeneration performance. In this paper, we firstly make a potential analysis to show the benefit by utilizing the regeneration process, followed by proposing a series of CRDNNs, which combine CNN, RNN, and DNN, to precisely detect Y cycles. Compared to existing algorithms, the CRDNN with bi-directional LSTMs has the best accuracy, and the CRDNN with LSTMs has a comparable performance but much fewer training parameters. Based on our dataset including 119 truck loading cycles, our best neural network shows a 98.2% test accuracy. Therefore, even with a simple regeneration process, our algorithm can improve the holistic efficiency of mobile machines up to 9% during Y cycle processes if primary torque concept is used.

研究の動機と目的

• Y サイクルにおける主トルク制御型静 hydroulic 駆動系の非効率性、特に再生能力の制限を是正する。
• Y サイクル作業中に効果的な再生を可能にすることで、移動機器におけるエネルギー回収を向上させる。
• リアルタイム制御に適した、高精度かつパrameter数が少ないニューラルネットワークモデルを構築し、Y サイクルを検出する。
• 深層学習を静 hydroulic 駆動系制御に統合する可能性を実証し、システム全体の効率を向上させる。
• AI強化再生によって達成可能な効率向上を定量的に評価する。

提案手法

• 時系列的および空間的特徴抽出のため、畳み込みニューラルネットワーク（CNN）、再帰的ニューラルネットワーク（RNN）、深層ニューラルネットワーク（DNN）を統合したCRDNNアーキテクチャを提案。
• 静 hydroulic 圧力および流量信号の時系列データにおける長距離依存性を捉えるために、CRDNN内に双方向LSTMを実装。
• Y サイクルの開始および終了を検出するために、119件の実世界のトラック積込サイクルデータセットを用いてニューラルネットワークを学習。
• 精度とパrameter効率の両面から、標準LSTMおよび双方向LSTMを含むCRDNNの変種を比較し、モデル性能を最適化。
• 検出されたYサイクルのフィードバックを活用し、サイクルの減速段階で再生プロセスをトリガー。
• 汎化性とリアルタイム適用可能性に重点を置き、未学習データに対するテスト精度を用いてモデル性能を評価。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、移動型静 hydroulic 機器の油圧信号からYサイクルパターンを正確に検出できるか？
• RQ2 標準RNNと比較して、双方向LSTMの導入がサイクル検出タスクにおける検出精度にどのように寄与するか？
• RQ3 移動機器向けCRDNNベースのサイクル検出において、モデルの精度とパrameter数のトレードオフはどのようなものか？
• RQ4 AI強化再生により、主トルク制御型静 hydroulic 駆動系の全体的エネルギー効率はどの程度向上できるか？
• RQ5 軽量なCRDNNモデルは、埋め込みシステム上でリアルタイム実装に適した高精度を達成できるか？

主な発見

• 双方向LSTMを搭載したCRDNNは、油圧データからのYサイクル検出において、最高で98.2%のテスト精度を達成した。
• 標準LSTMを搭載したCRDNNは、双方向バージョンと同等の精度を達成したが、はるかに少ない学習パrameter数を有しており、モデル効率が向上した。
• 提案されたAIベースの再生戦略により、主トルク制御型移動機器におけるYサイクル作業時の包括的効率が最大9%向上した。
• サイクル解析を通じて、再生によるエネルギー回収の可能性が定量的に検証され、顕著な効率向上が確認された。
• 深層学習モデルは未学習データに対しても優れた汎化性能を示し、実世界への導入に耐える強靭性を有していた。
• 主トルク制御にAIを統合することで、現在のシステムの主な限界である再生の有効活用が可能になった。