Verwenden Sie maschinelles Lernen, um Spiegel in einem Solarfeld auszurichten?

Ich habe über Solarkollektoren nachgedacht, bei denen mehrere unabhängige Spiegel das Licht auf einen Solarkollektor fokussieren, ähnlich dem folgenden Design von Energy Innovations.

Da die Montage dieser Solaranlage fehlerhaft sein wird, gehe ich von folgenden Annahmen aus (oder von deren Fehlen):

• Die Software kennt die "Position" jedes Spiegels, weiß jedoch nicht, wie sich diese Position auf die reale Welt oder auf andere Spiegel bezieht. Dies erklärt eine schlechte Spiegelkalibrierung oder andere Umgebungsfaktoren, die einen Spiegel beeinflussen können, die anderen jedoch nicht.

• Wenn sich ein Spiegel um 10 Einheiten in eine Richtung und dann um 10 Einheiten in die entgegengesetzte Richtung bewegt, landet er dort, wo er ursprünglich begonnen hat.

Ich möchte maschinelles Lernen verwenden, um die Spiegel richtig zu positionieren und das Licht auf den Kollektor zu fokussieren. Ich gehe davon aus, dass ich dies als Optimierungsproblem betrachten und die Spiegelpositionen optimieren würde, um die Wärme im Kollektor und die Ausgangsleistung zu maximieren.

Das Problem besteht darin, ein kleines Ziel in einem lauten, hochdimensionalen Raum zu finden (wenn man bedenkt, dass jeder Spiegel zwei Rotationsachsen hat). Einige der Probleme, die ich erwarte, sind:

• Bewölkte Tage, selbst wenn Sie auf die perfekte Spiegelausrichtung stoßen, kann es zu diesem Zeitpunkt bewölkt sein

• verrauschte Sensordaten

• Die Sonne ist ein sich bewegendes Ziel, sie bewegt sich entlang eines Pfades und folgt jeden Tag einem anderen Pfad. Obwohl Sie jederzeit den genauen Sonnenstand berechnen können, wissen Sie nicht, wie sich dieser Stand auf Ihre Spiegel bezieht

Meine Frage bezieht sich nicht auf das Solar-Array, sondern auf mögliche Techniken des maschinellen Lernens, die bei diesem Problem "kleines Ziel in einem lauten Raum mit hohen Dimensionen" helfen würden. Ich erwähnte die Solaranlage, weil sie der Katalysator für diese Frage und ein gutes Beispiel war.

Welche Techniken des maschinellen Lernens können ein so kleines Ziel in einem lauten hochdimensionalen Raum finden?

BEARBEITEN:

Ein paar zusätzliche Gedanken:

• Ja, Sie können die Sonnenposition in der realen Welt berechnen, aber Sie wissen nicht, wie die Position der Spiegel mit der realen Welt zusammenhängt (es sei denn, Sie haben es irgendwie gelernt). Möglicherweise wissen Sie, dass der Azimut der Sonne 220 Grad und die Sonnenhöhe 60 Grad beträgt, und Sie wissen möglicherweise, dass sich ein Spiegel in Position befindet (-20, 42). Jetzt sag mir, ist dieser Spiegel richtig auf die Sonne ausgerichtet? Du weißt es nicht.

• Nehmen wir an, Sie haben einige sehr ausgefeilte Wärmemessungen und wissen, "bei dieser Wärmestufe müssen 2 Spiegel richtig ausgerichtet sein". Nun stellt sich die Frage, welche zwei Spiegel (von 25 oder mehr) richtig ausgerichtet sind.

• Eine Lösung, die ich in Betracht gezogen habe, bestand darin, die korrekte "Ausrichtungsfunktion" unter Verwendung eines neuronalen Netzwerks zu approximieren, das den Azimut und die Höhe der Sonne als Eingabe und Ausgabe eines großen Arrays mit 2 Werten für jeden Spiegel verwendet, die den 2 Achsen jedes Spiegels entsprechen. Ich bin mir nicht sicher, was die beste Trainingsmethode ist.

Weitere Gedanken:

• Die Spiegel haben ein Koordinatensystem, auf das die Software Zugriff hat, aber die Software weiß nicht, wie dieses Koordinatensystem die reale Welt in Beziehung setzt. Angenommen, ein Spiegel befindet sich an Position (4, 42). was bedeutet das? Ich weiß es nicht und die Software auch nicht. Aber ich weiß, dass sich der Spiegel in derselben Position befindet, in der er sich zuvor befand, wenn ich den Spiegel bewege und ihn dann zurück zu (4, 42) bewege. Zusätzlich können sich zwei Spiegel an Position (4, 42) befinden, aber in der realen Welt in entgegengesetzte Richtungen zeigen.

• Ja, mit vielen Qualitätssensoren ist das Problem leicht zu lösen. Energy Innovations ist, soweit ich das beurteilen kann, aus dem Geschäft, wahrscheinlich weil sie eine Reihe wirklich großartiger Sensoren verwendet haben und die Leute sagten: "Ich kaufe nur Sonnenkollektoren, sie sind billiger."

• Die einzigen Sensoren im System befinden sich im Kollektorkopf.

Sonnenpfade können vorhergesagt werden , daher kann ich mir vorstellen, dass Sie den Spiegel bereits ziemlich genau ausrichten können, wenn Sie die Tageszeit, den Tag des Jahres sowie den Breiten- und Längengrad kennen.

Sie brauchen dafür kein maschinelles Lernen.

Wenn Sie Spiegel haben, die nicht wissen, in welche Richtung sie gerichtet sind (dh Sie können ihre Position nicht mit Höhen- und Azimutmessungen korrelieren), können Sie versuchen, eine Kamera mit einem weiten Sichtfeld zu verwenden, die den Himmel bis zu einem hellen Licht streicht In der Ansicht der Kamera wird ein weißer Fleck angezeigt. Sie können dann den Spiegel in Richtung dieses Punkts bewegen (mithilfe einiger einfacher x / y-Berechnungen), bis der helle Punkt in der Ansicht der Kamera zentriert ist. Setzen Sie einen dunklen Filter auf die Kamera, damit sie nur die Sonne sieht.

Ihre Frage besagt jedoch, dass Sie wissen , wohin die Spiegel zeigen. Wenn Sie Sensoren auf den Spiegeln haben, die Ihnen sagen, wie sie positioniert sind, können Sie diese Positionsmessungen mit tatsächlichen Azimut- und Höhenzahlen korrelieren.

Ich würde mir vorstellen, dass es ziemlich einfach wäre, bewölkte Tage mit einer einzigen Solarzelle oder das Fehlen von Wärme auf dem Spiegel zu erkennen.

Für diese Art von Anwendung, ein Feld von Spiegeln, die versuchen, auf einen Sonnenkollektor zu zeigen, können Sie sehr genau berechnen, wo sich die Sonne befinden sollte, wo sich die Spiegel befinden sollten, in welchem ​​Winkel sie sich befinden sollten und wie sie so positioniert werden sollten Sie zeigen auf Ihren Sammler. Sie wissen, ein mathematisches Modell. Es wird nah sein. Wahrscheinlich nah genug.

Zum Kalibrieren der Spiegel, um Unvollkommenheiten und Abweichungen von Ihrem Modell zu
beheben : Wackeln Sie jeweils mit einem Spiegel. Wenn sich Ihre Leistung erhöht, behalten Sie die Änderung bei. Speichern Sie die Änderung als calOffset. Nennen wir es erledigt.

Ich stimme Harvey zu, maschinelles Lernen ist dafür übertrieben.

Aber hey, nehmen wir an, Sie möchten ein mobiles autonomes System, das nach einem langen Nickerchen aufwachen und die Sonne suchen kann . Und wir können uns keine 0,05-Dollar-Batterie leisten, um Zeit zu sparen. Und da es mobil ist, könnte die Sonne in Gott weiß, in welche Richtung. Und alle Menschen sind tot. Und unsere Roboter-Solarzellen-Overlords hatten einen ernsthaften Scherz und sie wissen nicht, auf welchem ​​Teil der Welt sie aufgewacht sind. Und ihr GPS kann kein Signal empfangen. Und keiner ihrer Freunde weiß, was passiert ist.

1) Fegen Sie den Bereich mit einem Spiegel ab und achten Sie auf Leistungsspitzen. Wiederholen Sie dies einige Male, um sicherzustellen, dass es sich nicht um eine Wolke oder etwas anderes handelt.
2) Sie kennen jetzt den Sonnenstand. Geh und mach es.
3) Warten Sie eine Stunde.
4) Fegen Sie den gesamten Bereich erneut mit einem Spiegel ab. Spikes. Wolken. Yada yada.
5) Sie kennen jetzt den Weg der Sonne. Folgen Sie ihm, bis Sie die Grenze Ihrer Servos erreichen oder bis die Stromversorgung abfällt.
6) Drehen Sie ihn um 180 Grad und warten Sie 12 Stunden.
7) Mach das Sweep-Ding.
8) Aus dem Unterschied zwischen dem Sonnenuntergang und dem Aufgang der Sonne kennen Sie jetzt ungefähr Ihren Breitengrad / Ihre Jahreszeit *. (Zumindest dein Versatz vom Äquator. Weiß immer noch nicht von Norden nach Süden). Dementsprechend anpassen.
9) Warte einen Tag. Beachten Sie den Unterschied im Sonnenaufgang. Sie wissen jetzt, auf welcher Seite der Sonnenwende Sie stehen.
10) Warten Sie 6 Monate nach oben. Beachten Sie, wo die Richtung des Sonnenaufgangs am höchsten ist. Sie wissen jetzt, ob Sie im Winter oder Sommer sind, und können den Weg der Sonne für das nächste EON sicher herausfinden.

Wenn einer der Schritte mit "Jetzt weißt du" nicht klar ist, lautet die Antwort MATH (und die Orbitalmechanik der Erde **). Mr. Math ist dein Freund. Er kann dir Dinge erzählen. Und wenn sich das Axiom der Gleichheit oder ein solches nicht als falsch herausstellt, können Sie ihm sogar vertrauen.

* Angebot gilt nicht in arktischen oder antarktischen Kreisen.
** Das Angebot gilt auch nicht für Mars, Venus, Titan, Io und andere ausgewählte Standorte.

Ihre Frage scheint sich weniger auf maschinelles Lernen als auf die automatische Kalibrierung einer Gruppe von Geräten zu beziehen. Sie haben ein Gerät (einen Spiegel) mit Positionssensoren und wissen, wohin Sie das Gerät richten möchten, aber Sie wissen nicht, wie sich die Sensorausgabe auf die reale Welt bezieht. Sie müssen also wirklich nur das Gerät kalibrieren - finden Sie die richtige Position, damit Sie bestimmen können, wie sich die Sensorwerte auf die tatsächliche Position beziehen. Nach der Kalibrierung können Sie sich darauf verlassen, dass die Sensoren das Gerät positionieren.

Vor diesem Hintergrund sollten Sie wahrscheinlich jedes Gerät einzeln kalibrieren . Sie können dies automatisch mithilfe eines Suchalgorithmus tun. Gilbert Le Blanc beschreibt eine, die funktionieren sollte. Eine andere Möglichkeit wäre, anzunehmen, dass die Sensordaten korrekt sind, und sie zu verwenden, um den Spiegel ungefähr in die richtige Position zu richten. Bewegen Sie dann den Spiegel in einem Muster, das sich nach außen dreht, bis Sie das Ziel treffen.

Wenn Sie wirklich alle Spiegel gleichzeitig anpassen möchten, ist möglicherweise ein genetischer Algorithmus erforderlich:

• Wählen Sie eine zufällige Einstellung für jeden Spiegel und speichern Sie sie in einem Array. Wiederholen Sie diesen Vorgang, damit Sie einige Spiegelfeldkonfigurationen haben.
• Führen Sie als Nächstes die Spiegelfeldkonfigurationen durch, stellen Sie alle Spiegel für jeden ein und messen Sie dann die erzeugte Wärme.
• Entfernen Sie die Spiegelfeldkonfigurationen, die die geringste Wärme erzeugen, aus der Liste.
• Generieren Sie einige neue Konfigurationen, indem Sie Teile der Konfigurationen, die in der Liste verbleiben, neu kombinieren.
• Wiederholen Sie diesen Vorgang, bis die Konfigurationen zu einer einzelnen Lösung konvergieren oder die Verbesserung bei jeder Iteration unter einen bestimmten Schwellenwert fällt (dh Sie haben "gut genug" erreicht).

Ich möchte auch darauf hinweisen, dass Sie, wenn Sie die oben beschriebene Methode ausprobieren, die Kalibrierung des Spiegelsensors und nicht die Position optimieren möchten. Jeder Schritt dauert einige Zeit, daher müssen Sie die Bewegung der Sonne im Verlauf des Prozesses berücksichtigen. Die "Einstellung" für jeden Spiegel ist nicht die Position, sondern der Sensorfehler, dh der Unterschied zwischen dem Sensorwert und dem idealen Wert.

Ich hasse es fast, das zu schreiben.

• Bestimmen Sie anhand einer Solarzelle, ob die Sonne scheint oder nicht.
• Wenn die Sonne scheint, beginnen Sie mit dem Spiegel bei (0, 0).
• Drehen Sie den Spiegel auf der x-Achse auf 0.
• Drehen Sie den Spiegel entlang der gesamten Y-Achse. Messen Sie bei jedem Schritt, ob die Wärmeabgabe Ihres Solarkollektors zunimmt. Wenn ja, stoppen Sie und gehen Sie zum nächsten Spiegel im Array.
• Drehen Sie den Spiegel einen Schritt entlang der X-Achse. Wiederholen Sie den vorherigen Schritt.
• Wenn der Spiegel entlang der gesamten x- und y-Achse gedreht wurde, ohne die Wärmeabgabe zu erhöhen, markieren Sie den Spiegel als wartungsbedürftig und gehen Sie zu x = 0 und y = 0.
• Wiederholen Sie alle Schritte mit jedem Spiegel im Spiegelarray.
• Warten Sie eine Stunde und wiederholen Sie alle Schritte.