应用介绍

基于深度确定性策略梯度算法的电机控制

电动机用于许多应用中，他们的效率在很大程度上取决于他们的控制。其中

其他PI方法或模型预测控制方法是在科学文献和工业实践中众所周知。一个

一种新颖的方法是使用强化学习（RL）它首先从头开始学习电驱动控制。 RL取得了骄人的成绩在许多游戏中都具有超人的表现（例如Atari经典或Go），并且在控制任务中也越来越流行像是卡特彼勒或摇摆的摆杆基准。在这项工作中开源Python软件包Gym-electric-motor（GEM）是开发用于简化电机RL代理控制。此外，该软件包可用于比较训练有素的代理以及其他最新的控制方法。它基于OpenAI Gym框架，可提供广泛用于RL代理评估的界面。的初始包装版本涵盖了不同的直流电动机变型和流行的永磁同步电动机以及不同的功率电子转换器和机械负载模型。由于建议的工具箱采用模块化设置，附加的电机，负载和电力电子设备可以轻松实现在将来扩展。此外，不同的次级效果例如控制器联锁时间或噪音。一个基于深度确定性的智能控制器示例控制串联直流电动机的策略梯度算法是提出并与级联PI控制器进行比较以便将来研究。