[논문 리뷰] Using Artificial Intelligence Models in System Identification

Wesam Elshamy|arXiv (Cornell University)|2013. 02. 28.

Neural Networks and Applications참고 문헌 137인용 수 3

한 줄 요약

이 논문은 유도기의 시스템 식별을 위한 유전 알고리즘(GA)과 입자 군집 최적화(PSO)의 향상된 버전을 제안하며, GA에 다형성(ploidy)을 도입하고, PSO에 Clubs 기반 동적 이웃 구조(C-PSO)를 도입한다. C-PSO는 다모드 매개변수 추정에서 수렴 속도와 정확도 면에서 표준 PSO와 GA를 뛰어넘어, 오차를 줄인 모터 매개변수 식별에서 뛰어난 성능을 보인다.

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.

연구 동기 및 목표

• 계산 지능 기법을 사용하여 전기 기계에서의 다모드 시스템 식별 과제를 해결하기 위해.
• 생물학적 부여를 영감으로 삼아, 전통적인 유전 알고리즘(GA)의 성능을 향상시키기 위해 다형성을 도입하기 위해.
• 정적 이웃 구조를 동적 Clubs 기반 PSO(C-PSO) 위상으로 대체하여 입자 군집 최적화(PSO)의 성능을 향상시키기 위해.
• 실제 다모드 조건에서의 유도기 매개변수 식별을 위해 수정된 GA와 PSO의 성능을 평가하고 비교하기 위해.
• 복잡한 시스템 식별 과제에서 더 나은 수렴 속도, 정확도 및 강인성을 제공하는 계산 지능 기법을 규명하기 위해.

제안 방법

• 수정된 GA는 유전 물질의 부여를 도입하여 검색 공간 내에서 다양성과 탐색 능력을 향상시킨다.
• C-PSO는 더 나은 정보 흐름과 국소 탐색 능력을 가능하게 하는 동적, Clubs 기반 이웃 구조를 사용한다.
• 알고리즘은 실제 모터 데이터를 사용한 유도기 매개변수 식별 문제에 적용되며, 모델 오차 기반의 적합도 평가가 수행된다.
• 적합도 평가는 측정된 값과 시뮬레이션된 모터 반응 간의 최소 제곱 오차 지표를 사용하여 수행된다.
• 매개변수 추정은 물리적 모터 매개변수 범위로 정의된 유한한 검색 공간에서 최적화를 통해 수행된다.
• 다섯 개의 최적화기(표준 GA, 다형성 GA, 표준 PSO, 전면 정보 기반 PSO, C-PSO)의 성능을 수렴 속도, 오차, 강인성 측면에서 비교한다.

실험 결과

연구 질문

• RQ1 GA에 다형성을 도입하면 다모드 시스템 식별에서 수렴 속도와 해의 품질이 향상되는가?
• RQ2 C-PSO와 같은 동적 이웃 구조를 가진 PSO는 복잡한 매개변수 추정에서 수렴 속도를 향상시키고 국소 최소값을 피할 수 있는가?
• RQ3 다모드, 비볼록 적합도 표면에서 유도기 매개변수 식별 시 수정된 GA와 PSO는 어떻게 비교되는가?
• RQ4 C-PSO는 표준 PSO와 GA에 비해 수렴 속도와 매개변수 추정 정확도 측면에서 상대적으로 어떤 성능을 보이는가?
• RQ5 제안된 C-PSO 위상은 유도기 매개변수 식별의 다모드 성격을 효과적으로 다룰 수 있는가?

주요 결과

• 동적 이웃 구조를 가진 Clubs 기반 PSO(C-PSO)는 표준 PSO와 GA에 비해 수렴 속도와 해의 정확도 면에서 뚜렷한 우월성을 보였다.
• 다형성 GA는 표준 GA에 비해 뚜렷한 성능 향상을 이끌지 못했으며, 이는 이 맥락에서 부여된 유전 물질의 이점이 제한적임을 시사한다.
• C-PSO는 추정된 매개변수의 평균 퍼센트 편차가 가장 낮았으며, 대부분의 모터 매개변수에서 1.5% 이하의 값을 기록했다.
• 표준 PSO와 GA는 다수의 국소 최소값이 존재하는 상황에서 수렴 속도가 느리고 오차율이 높았다.
• C-PSO 위상은 다모드 최적화 표면에서 국소 최소값을 효과적으로 회피하고 전역 최적해로 수렴하는 데 뛰어난 능력을 보였다.
• 결과적으로 C-PSO가 복잡한 다모드 시스템 식별 과제, 예를 들어 유도기 매개변수 식별에 더 적합하다는 것이 확인되었다.