在ARL研究支持FREEDM愿景

Aranya Chakrabortty,博士,研究员FREEDM和北卡罗来纳州立大学教授在电气和计算机工程,花了9周今年夏天在陆军研究实验室(ARL)在阿德菲,马里兰州进行大数据的研究。 ARL确实在计算科学,材料,推进系统,弹道,保护和人为因素的基础和应用研究。 ARL最大化他们通过鼓励内部专家和学术和行业合作伙伴之间的合作研究经费。 

“我在ARL应用研究机器学习涉案控制开发算法来考虑情境这种不确定性,” Chakrabortty说。 “具体来说,我帮助分析形势涉及战场无人机群。”

控制系统是在我们身边。其实,人体有多个控制系统:你端起了杯子和你的眼睛告诉你把手抢,或者你在阳光下会变热,并开始出汗降温。类似的过程和反馈好发于当今世界无数的其他方式。你推油门或在您的汽车制动。温控器在你的房子加热或冷却控制。你上电梯,按下按钮你的地板。每个系统的目标是围绕一组点的稳定性,e.g,温度,速度,位置等

现代控制系统努力保持强劲和适应性。 “一个强大的控制系统保持稳定在广泛的条件,但往往是非常保守的,” Chakrabortty说。 “另外一个自适应控制器可以保持稳定,但作为参数调整其系统本身改变。这使得它更进取“。

但是当该系统包括独立代理的数百或数千发生什么都可以响应系统条件不善定义或迅速改变?控制算法必须处理数据的海量,处理它快,学习它工作。解决问题的一种方法是动态的,这些集群到基于代理群体他们的行为(技术术语是降维),使用机器学习学习这组行为,然后再检查应用自适应每个集群。 

博士。到FREEDM系统在中心研究Chakrabortty在关键控制工作是适用的。例如,电力公司必须保持在他们的网格,以稳定的电压和频率,以保持电力流动。相对简单的控制网格管理实用程序时,一些非常大的发电机。今天的网格包括分布式发电(太阳能,风能,电池),并需要更大的优化。作为附加的传感器位于网格提高控制数据的量呈指数增长,需要一个机器学习解决方案。 

“我认为这是一个伟大的时刻合并的想法,从机器学习与控制理论,反之亦然。对我今后的工作,我想工作的集成这两个领域,特别是用于监控大型复杂网络:如电网,“Chakrabortty说。