Perpustakaan Digital ITB

Sistem yang underactuated, ditandai dengan input kontrol yang lebih sedikit dibandingkan derajat kebebasan, menimbulkan tantangan signifikan dalam desain kontrol. Fungsi Lyapunov telah menjadi landasan dalam analisis stabilitas sistem nonlinier. Pendekatan tradisional mengandalkan metode analitis untuk membangun fungsi Lyapunov. Hal ini sering kali melibatkan menebak fungsi yang sesuai dan membuktikan bahwa fungsi tersebut menurun sepanjang lintasan sistem. Dalam penelitian ini, representasi fungsi Lyapunov menggunakan jaringan syaraf tiruan. Metode ini memungkinkan untuk menangkap ketergantungan yang rumit antara variabel keadaan dan nilai fungsi Lyapunov, memberikan representasi yang lebih fleksibel dan mudah beradaptasi dibandingkan dengan bentuk analisis tradisional. Parameter jaringan saraf dioptimalkan secara iteratif menggunakan algoritma Random Forest dan Gradient Boosting. Dengan meminimalkan risiko Lyapunov, proses optimasi memastikan fungsi Lyapunov memenuhi kondisi stabilitas di wilayah ruang negara yang lebih luas, sehingga memperbesar Region of Attraction (RoA) dan meningkatkan stabilitas dan ketahanan sistem yang kurang digerakkan. Dilakukan perbandingan antara fungsi Lyapunov yang dioptimalkan dengan fungsi lyapunov pembanding, mengungkapkan keuntungan signifikan menggunakan pendekatan berbasis pembelajaran mesin yang lebih kompleks untuk analisis stabilitas. Meskipun fungsi yang diberikan diperoleh menggunakan Voting Regressor, menawarkan kesederhanaan dan efisiensi, namun gagal dalam menangkap kompleksitas penuh dari dinamika sistem. Fungsi Lyapunov yang dioptimalkan, dengan permukaannya yang detail dan non-linier, memberikan pemahaman stabilitas yang jauh lebih baik, mengidentifikasi wilayah tarikan yang lebih luas, dan menawarkan analisis stabilitas yang lebih kuat dan komprehensif. Studi ini menunjukkan nilai teknik pembelajaran mesin dalam meningkatkan presisi dan efektivitas fungsi Lyapunov untuk sistem yang kurang digerakkan..