Модельно-орієнтоване навчання координаторів децентралізованої системи управління багатозональним об’єктом
Володимир ДубовойДецентралізовані системи керування набирають все більшого розповсюдження, що зумовлено збільшенням доступності і потужності мікроконтролерів. Децентралізоване керування багатозональними об’єктами пов’язане з необхідністю координації локальних систем керування станом зон. Для реалізації методів координації перевагу мають системи, що навчаються, оскільки вони здатні гнучко налаштовуватися на особливості керування кожною зоною. Проте навчання координаторів ускладнюється відсутністю на стадії створення системи розмічених датасетів для керованих багатозональних об’єктів. У цій статті розглядається створення датасету на основі імітаційної моделі децентралізованої системи і чотири сценарії навчання нейронних координаторів. Імітаційна модель децентралізованої системи створена на платформі Scilab/Xcos з використанням попередньо створеної бібліотеки блоків для моделювання децентралізованих систем. Сценарії відрізняються залежно від структури нейронних координаторів: сегментована мережа відповідно до структури імітаційної моделі координатора або інтегрована мережа, а також від стратегії навчання: навчати паралельно усі координатори децентралізованої системи або тільки один і результати клонувати. Проведені експериментальні дослідження запропонованого методу навчання нейромережевих координаторів, реалізованих на Pyton TensorFlow. Дослідження показало більшу ефективність паралельного навчання сегментованих координаторів. Проте в ході дослідження не виконувався останній етап сценаріїв – донавчання на реальному фізичному об’єкті. Попередня оцінка дозволяє припустити, що після такого донавчання переваги інтегрованих нейронних координаторів стануть помітнішими, оскільки таке донавчання дозволить виправити недоліки імітації