非定常励起下での非線形可変振動吸収器のドメイン知識統合強化学習制御

騒がしい世界のための、より静かな機械

高速列車から工場の圧縮機まで、多くの機械は常に揺れの多い環境で動作しています。これらの振動はエネルギーを浪費し、部品を摩耗させ、周囲を騒がしく不快にします。本論文は、スマートラバーと学習型プログラムを組み合わせて、条件の変化に応じて自動的に調整する振動吸収器をつくる新しい方法を探ります。

従来のダンパーが及ばない理由

従来の振動吸収器は、しばしば特定の狭い条件に合わせて調整されています。単一の安定したトーンで振動する場合には有効ですが、実際の産業環境は決して安定していません。温度は上下し、部品は老朽化し、湿度が変わり、振動のパターン自体が複数の周波数帯域をまたいで変動します。磁場で制御されるゴムなどのスマート材料を用いた現代のセミアクティブ吸収器は、その剛性や減衰を即座に変化させられます。しかし、これらの材料は挙動が複雑で時々刻々と変化するため、時間とともに精度を保つ固定的な数理モデルを構築するのは非常に困難であり、多くのルールベースの制御器は追従できません。

ダンパーに学習させる

著者らは別の戦略を提案します。吸収器と環境のあらゆる細部を丹念にモデル化する代わりに、システムに振動データから直接学ばせます。これは強化学習と呼ばれる人工知能の一分野を用いるもので、制御器がさまざまな行動を試し、振動が減少したときに“報酬”を受け取ります。ここでの行動は、スマートラバーにどの程度磁場を印加するかであり、これが剛性と減衰性を変えます。制御器は生の時系列を扱うのではなく、測定を周波数成分—各トーンにどれだけ振動エネルギーが存在するか—に変換して、振動挙動を記述する際に技術者が使う言語で判断できるようにします。

物理を活用して学習を賢くする

あらゆる振動パターンから素朴に学習すると、実世界の機械は無数のトーンと振幅の組合せに直面するため、学習に非常に長い時間がかかります。これを避けるために、著者らは学習プロセスに基礎的な振動物理を組み込みます。彼らは単純だが強力な考えを用います：時間領域で測定したエネルギーは周波数領域で測定したエネルギーに等しい、ということです。これにより、信号のすべての細かな振動ではなく総振動エネルギーを中心に学習問題を定義できます。また、吸収器の各設定が各トーンで振動レベルをどのように変えるかという周波数応答を学習することに焦点を当て、個別のシナリオに対する応答を丸暗記することを避けます。これにより問題は大幅に縮小し、各測定は迅速で自己完結型の学習エピソードとなり、トレーニングを加速しつつ詳細な材料モデルに依存しないままにできます。

スマートラバーでの実地試験

実際にこの手法が機能するかを検証するため、研究者たちは線形圧縮機に磁性粒子を含むラバー（磁気流変形エラストマー）のブロックを接続した実システムでテストしました。制御器はセンサーから振動を観測し、磁場を8段階の離散値で調整し、吸収器の挙動に関する内部記述を更新しました。時間とともに、ラバーの剛性が数日間にわたってゆっくりと変化したにもかかわらず、非常に高い精度でシステムの真の応答を学習しました。周波数と強さが数分単位で変化する複数トーンからなる複雑で変動する振動パターンを与えられたとき、学習した制御器は無制御の場合に比べて振動エネルギーを最大58パーセント削減し、すべての固定設定を総当たりで試した場合に得られる最良性能にほぼ匹敵しました。

将来の機械にとっての意義

日常的な表現で言えば、本研究は振動ダンパーが機械の“聞き方”を学び、現在どのように揺れているかを理解し、ハードウェアの詳細な設計図なしに自己調整できることを示しています。単純な物理的洞察と学習アルゴリズムを融合することで、著者らは効率的で適応性のある制御器を作り上げ、材料の変化や現実の雑多な振動パターンに対処できるようにしました。このアプローチは、自動車、工場、あるいは従来の手作りの振動制御では対処しきれない複雑な条件下にある他の環境で、より静かで長持ちする機械につながる可能性があります。

引用: Park, JE., Kang, H. & Kim, YK. Domain knowledge-integrated reinforcement learning control of nonlinear tunable vibration absorber under nonstationary excitation. Sci Rep 16, 10849 (2026). https://doi.org/10.1038/s41598-026-45189-7

キーワード: 振動制御, スマートマテリアル, 強化学習, 適応ダンピング, 磁気流変形エラストマー