[实用新型]二维稳定性评估试验台

说明书

本实用新型公开了一种二维稳定性评估试验台，包括亚克力底盘，亚克力底盘上固定有亚克力支架、STM32单片机、DC‑DC降压模块和锂电池，亚克力支架顶部固定有摄像头，亚克力底盘中间固定有第一U形舵机支架，第一U形舵机支架与第一双轴舵机侧下方连接，第一双轴舵机侧上方与第二U形舵机支架连接，第二U形舵机支架上面正交固定有第三U形舵机支架，第三U形舵机支架与第二双轴舵机侧下方连接，第二双轴舵机侧上方与第四U形舵机支架连接，第四U形舵机支架上面固定有承载板，承载板上面铺设有橡胶垫；本实用新型搭建了一种二个自由度的算法稳定性评估试验台，控制简单、稳定性好、成本低廉，应用范围广。

技术领域

本实用新型属于机械工程及其自动化技术领域，涉及一种二维稳定性评估试验台。

背景技术

北京理工大学夏元清教授提出云控制系统的概念，融合了云计算技术、网络化控制理论和物联网理念，旨在满足现代社会对于控制高度复杂智能系统日益增长的需要；传统的控制系统计算能力有限，智能化程度较低，难以满足现代社会对智能制造的需求；云控制系统利用云端实现本地控制的大量复杂计算过程，充分利用了云端强大的数据处理和计算能力，并结合网络化控制理论，实现云端对本地的控制。在整个过程中，本地通过传感器搜集数据并通过互联网传输至云端，云端集中优势资源进行数据处理和计算，并将计算结果通过互联网传输至本地执行机构，执行机构根据计算结果实现对本地对象的控制。目前，云控制理论正处于不断发展完善过程中，且应用广泛。

强化学习理论诞生于上世纪末，是一种策略学习的过程。在强化学习的基本假设中，智能体根据当前状态st选择该时刻行为at的过程称为策略；当前状态和当前行为会决定下一时刻状态，这个过程称为状态转移，是一个马尔可夫过程；每个时刻智能体执行完行为at后，能够从环境中获取奖励rt，此外每个时刻智能体都能观测到自己的状态；智能体选择行为的目标是最大化未来获得奖励的期望，因此需要通过试错不断更新自己的策略，从而学得最优策略。深度强化学习将深度学习与强化学习相结合，极大地增强了强化学习处理决策问题的能力和效果，在游戏与博弈、机器人控制、工业智造、人工智能、智能电网、医疗服务、金融管理等多个领域取得突出的效果。目前，深度强化学习理论也在不断发展完善，主要研究方向有：策略网络的优化、价值函数的优化、连续性控制策略的研究、离散性控制策略的研究、分层强化学习等等。

但是，用于预测控制的深度强化学习理论研究还比较少，通常情况下策略网络只能根据当前状态计算出下一时刻的控制量，如果要计算出未来一段时间的控制量，需要对环境进行建模，将问题转化成模型预测控制问题，不能很好地结合强化学习理论的优势和特性。

而在云控制系统中，数据传送过程中会有时延和丢包的问题，如果要实现对本地的实时控制，需要应用预测控制和网络化控制的思想；将用于预测的深度强化学习算法应用于云控制系统，改进算法的计算效率、稳定性和收敛性，并为云控制系统中的时延和丢包问题提供一种解决方案。

模型建立、算法编写完成后，需要搭载调试验台对算法进行实验验证，以确定算法的可靠性；验证算法的单自由度试验台技术比较成熟，主要结构包括连杆，转盘和步进电机；连杆一端和机架铰接，另一端与第二根竖直放置的连杆一端铰接，同时该连杆另一端与圆盘铰接，圆盘中心与步进电机固连；连杆上设有凹槽，上面放置球体；系统上电后，步进电机转动，驱动圆盘旋转，圆盘带动连杆发生角位移，在连杆上的球体沿切线方向产生较大位移，经过图像采集和计算迭代后，最终连杆在某一角度附近发生周期性微小运动，球体几乎保持静止，系统整体趋于稳定，从而验证了算法的有效性；但该结构只能用于一维稳定性系统的验证，无法作为更高阶算法的试验平台。

通过评估球体运动的稳定性对搭载的深度学习算法进行评估，具体体现为将测试用球体放置于二个旋转自由度平面，平面运动时，球体随着平面产生沿平面切向的位移；随着图像收集和控制序列计算的不断迭代，最终球体运动趋于静止，系统达到稳定状态。为此设计二维稳定性评估试验台，能够为相关算法提供稳定的试验平台，对算法的发展具有长远的意义。

发明内容