У роботі досліджується вплив методів оптимізації на ефективність екстремальної системи керування на основі аудіальної дефектоскопії. Запропонована система здатна виявляти аномальні режими роботи обладнання шляхом аналізу звукових характеристик та автоматично адаптувати параметри керування під нові умови експлуатації. Методом математичного моделювання досліджено роботу системи з різними алгоритмами оптимізації: градієнтним спуском, Momentum, Nesterov та RMSProp. Результати показують, що RMSProp забезпечує найшвидший вихід на усталений режим (103 секунди) з мінімальним перерегулюванням (3%), проте супроводжується значними коливаннями керуючого сигналу. Класичний градієнтний спуск демонструє прийнятний час стабілізації (123 секунди) з помірним перерегулюванням (23%). Методи Momentum та Nesterov характеризуються найдовшим часом встановлення (173 та 160 секунд відповідно). Дослідження підтверджує доцільність застосування екстремальних систем керування з адаптивною оптимізацією для підвищення надійності та ефективності роботи технологічного обладнання в умовах змінних режимів експлуатації.
- Wang, H., Luo, Y., An, W., Sun, Q., Xu, J., & Zhang, L. (2020). PID controller-based stochastic optimization acceleration for deep neural networks. IEEE Transactions on Neural Networks and Learning Systems, 31(12), 5079–5091. https://doi.org/10.1109/TNNLS.2019.2963066.
- Trollberg, O. (2017). On Real-Time Optimization using Extremum Seeking Control and Economic Model Predictive Control. Doctoral thesis, KTH Royal Institute of Technology.
- Kaminskas V, Šidlauskas K, Tallat-Kelpša Č. (1991). Constrained self-tuning control of stochastic extremal systems. Informatica: An International Journal of Computing and Informatics. 2(1):33-52. doi:10.3233/INF-1991-2102.
- Mareels, I. M. Y., Anderson, B. D. O., Bitmead, R. R., Bodson, M., & Sastry, S. S. (1987). Revisiting the MIT rule for adaptive control. IFAC Proceedings Volumes, 20(2), 161–166. https://doi.org/10.1016/S1474-6670(17)55954-6
- Goh, G. (2017). Why momentum really works. Distill. https://doi.org/10.23915/distill.00006
- Alexandre d’Aspremont, Damien Scieur and Adrien Taylor. (2021). Acceleration Methods. Foundations and Trends® in Optimization, Vol. 5: No. 1-2, pp. 1-245. https://doi.org/10.1561/2400000036
- Dauphin, Y., Vries, H., Chung, J., & Bengio, Y. (2015). Equilibrated adaptive learning rates for non-convex optimization. arXiv. https://arxiv.org/abs/1502.04390
- Saad-Falcon, A., Howard, C., Romberg, J., Allen, K. (2024). Level set methods for gradient‑free optimization of metasurface arrays. Scientific Reports, 14, 16674. https://doi.org/10.1038/s41598-024-67142-2