[論文レビュー] Using Artificial Intelligence Models in System Identification

Wesam Elshamy|arXiv (Cornell University)|Feb 28, 2013

Neural Networks and Applications参考文献 137被引用数 3

ひとこと要約

本稿では、誘導モーターにおけるシステム同定のための遺伝的アルゴリズム（GA）および粒子群最適化（PSO）の改良版を提案する。GAには多倍体化を導入し、PSOには動的ネIGHBORHOOD構造を有するクラブベースのPSO（C-PSO）を採用する。C-PSOは、多峰性のあるパラメータ推定において、標準PSOおよびGAを大きく上回り、収束速度と精度に優れた性能を示し、誤差を低減したモーターのパラメータ同定を実現する。

ABSTRACT

Artificial Intelligence (AI) techniques are known for its ability in tackling problems found to be unyielding to traditional mathematical methods. A recent addition to these techniques are the Computational Intelligence (CI) techniques which, in most cases, are nature or biologically inspired techniques. Different CI techniques found their way to many control engineering applications, including system identification, and the results obtained by many researchers were encouraging. However, most control engineers and researchers used the basic CI models as is or slightly modified them to match their needs. Henceforth, the merits of one model over the other was not clear, and full potential of these models was not exploited. In this research, Genetic Algorithm (GA) and Particle Swarm Optimization (PSO) methods, which are different CI techniques, are modified to best suit the multimodal problem of system identification. In the first case of GA, an extension to the basic algorithm, which is inspired from nature as well, was deployed by introducing redundant genetic material. This extension, which come in handy in living organisms, did not result in significant performance improvement to the basic algorithm. In the second case, the Clubs-based PSO (C-PSO) dynamic neighborhood structure was introduced to replace the basic static structure used in canonical PSO algorithms. This modification of the neighborhood structure resulted in significant performance of the algorithm regarding convergence speed, and equipped it with a tool to handle multimodal problems. To understand the suitability of different GA and PSO techniques in the problem of system identification, they were used in an induction motor's parameter identification problem. The results enforced previous conclusions and showed the superiority of PSO in general over the GA in such a multimodal problem.

研究の動機と目的

• 計算知能技術を用いた電気機械における多峰性の高いシステム同定の課題に対処すること。
• 生物学的再冗長性にインspiredして、従来の遺伝的アルゴリズム（GA）の性能を向上させること。
• 静的ネIGHBORHOODを動的クラブベースPSO（C-PSO）トポロジーに置き換えることで、粒子群最適化（PSO）を強化すること。
• 実世界の多峰性のある条件下で、誘導モーターのパラメータを同定する際の、改良GAおよびPSOの性能を評価・比較すること。
• 複雑なシステム同定タスクにおいて、収束速度、精度、耐障害性に優れた計算知能手法を特定すること。

提案手法

• 改良GAは、探索空間における多様性と探索能力を向上させるために、冗長な遺伝的物質を導入することで多倍体化を実装する。
• C-PSOは、より良い情報伝達と局所探索能力を可能にする動的クラブベースの近隣構造を採用する。
• アルゴリズムは、実際のモーターのデータとモデル誤差に基づくフィットネス評価を用いて、誘導モーターのパラメータ同定問題に適用される。
• フィットネス評価は、測定値とシミュレートされたモーター応答との間の最小二乗誤差指標を用いて実施される。
• パラメータ推定は、物理的モーターのパラメータ範囲によって定義された有界な探索空間における最適化によって実施される。
• 収束速度、誤差、耐障害性の観点から、5つの最適化手法（標準GA、多倍体GA、標準PSO、完全情報PSO、C-PSO）の性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 GAに多倍体化を導入することで、多峰性のあるシステム同定における収束性と解の品質が向上するか？
• RQ2 C-PSOのような動的近隣構造を有するPSOは、複雑なパラメータ推定において収束速度を向上させ、局所最適解を回避できるか？
• RQ3 多峰性で非凸なフィットネスランドスケープ下で、改良GAおよびPSOは誘導モーターのパラメータ同定においてどのように比較されるか？
• RQ4 C-PSOは、標準PSOおよびGAと比較して、収束速度およびパラメータ推定精度において相対的にどの程度の性能を示すか？
• RQ5 提案されたC-PSOトポロジーは、誘導モーターのパラメータ同定の多峰性を効果的に処理できるか？

主な発見

• 動的近隣構造を有するクラブベースPSO（C-PSO）は、標準PSOおよびGAと比較して、収束速度と解の正確性において顕著に優れていた。
• 多倍体GAは、標準GAと比較して顕著な性能向上を示さなかったことから、この文脈では冗長な遺伝的物質の恩恵が限定的であると示された。
• C-PSOは、推定パラメータの平均百分率偏差が最も低く、ほとんどのモーターのパラメータで1.5%未満を記録した。
• 標準PSOおよびGAは、複数の局所最適解が存在する状況において、遅い収束と高い誤差率を示した。
• C-PSOトポロジーは、多峰性の高い最適化ランドスケープにおいて、局所最適解から脱出する能力とグローバル最適解への収束能力に優れていた。
• 結果から、C-PSOは誘導モーターのパラメータ同定のような複雑で多峰性のあるシステム同定タスクに適していることが確認された。