سیستم های حلقه بسته

یک سیستم حلقه بسته، که به عنوان یک سیستم کنترل بازخورد نیز شناخته می شود، با نظارت مداوم بر خروجی آن و مقایسه آن در برابر یک نقطه مرجع مطلوب، هر انحراف از طریق یک مکانیسم تغییر عملکرد اصلاح می شود، ایجاد یک چرخه سنجش، مقایسه و تنظیم دقیق سیستم عامل، حتی تغییر سیستم های هدایت ساده را تقویت می کند؛ و همچنین تغییر سیستم های کنترل سیگنال و کنترل مداوم.12.

نوآوری های الگوریتمی اخیر

نوآوری های الگوریتمی اخیر به طور چشمگیری گسترش یافته اند که سیستم های حلقه بسته می توانند به PID سنتی (Proportional-Integral-Derivative) برسند، در حالی که قوی و گسترده تر مستقر شده اند، به طور فزاینده ای تکمیل شده یا جایگزین تکنیک های پیشرفته ای می شوند که عدم خطوط، تاخیر زمان و پویایی پیچیده را به طور موثر مدیریت می کنند.این نوآوری ها توسط همگرایی قدرت محاسباتی ارزان تر، داده های غنی تر، و الگوریتم یادگیری حلقه های کلیدی هدایت می شوند.

  • ادغام ماشین آلات یادگیری: الگوریتم ها در حال حاضر شبکه های عصبی و یادگیری تقویت را به مدل رفتار سیستم و ترکیب سیاست های کنترل است که طرح های دست ساز را به دست می آورد.
  • استراتژی های کنترل تطبیقی: کنترل خود-tuning به طور خودکار پارامترهای را در پاسخ به تغییرات گیاهی، پیری جزء یا تغییرات محیطی تنظیم می کند.
  • کنترل پیش بینی مدل (MPC): سیستم ها از مدل های پویا برای پیش بینی خروجی های آینده و بهینه سازی اقدامات کنترل بر یک افق عقب نشینی استفاده می کنند، فعال به جای تنظیمات واکنشی.
  • Robust و Nonlinear Control: چارچوب نظری جدید تضمین ثبات و عملکرد در حضور عدم اطمینان، استفاده از ابزار مانند حالت کشویی و روش های H-infinity.
  • ] پردازش داده های زمان واقعی: محاسبات Edge و تجزیه و تحلیل سرعت بالا اجازه می دهد به روز رسانی حلقه بسته در فواصل میکرو ثانیه، مهم برای فرآیندهای صنعتی سریع حرکت.
  • ] کنترل بر روی قدرت: الگوریتم هایی که سنسور یا شکست را بدون توقف سیستم تشخیص و جبران می کنند.

آموزش ماشین

یادگیری ماشین (ML) شاید تحول پذیرترین نوآوری در طراحی سیستم حلقه بسته باشد.شبکه های عصبی عمیق می توانند نقشه های پیچیده، غیر خطی را از ورودی سنسور برای کنترل خروجی که مدل های ریاضی صریح به راحتی نمی توانند جذب کنند، به طور فعال با سیستم های شناسایی سیستم های سازگار، دریافت پاداش ها یا مجازات برای عملکرد، و به طور خودکار کشف سیاست های کنترل بهینه از طریق محاکمه و خطا، به ویژه استفاده از سیستم های دقیق کنترل دقیق و کنترل دقیق است که ML باید از آن استفاده کنند.

تکنیک های کنترل تطبیقی

الگوریتم های کنترل تطبیقی برای حفظ عملکرد سازگار هنگامی که دینامیک سیستم تغییر می کند، بر خلاف کنترل کننده های ثابت، کنترل کننده های انطباق پارامترهای کارخانه را به صورت آنلاین تخمین می زنند و قانون کنترل را بر اساس آن به روز می کنند، به عنوان مثال، یک کنترل کننده هدایت کننده قوی از مزایای پیش تعیین شده برای رژیم های مختلف عملیاتی استفاده می کند، تغییر هموار بین آنها.

کنترل پیش بینی مدل (MPC)

کنترل پیش بینی مدل تبدیل به یک سنگ بنای کنترل فرایند پیشرفته در پالایشگاه ها، نیروگاه های شیمیایی و سیستم های قدرت است. یک الگوریتم MPC از یک مدل پویا صریح برای پیش بینی تکامل آینده گیاه در یک افق محدود استفاده می کند، در هر مرحله، حل یک مشکل بهینه سازی برای پیدا کردن توالی کنترل که به حداقل رساندن یک تابع هزینه (عملکرد گرم، انرژی، و محدودیت)، تنها در روش های محاسباتی جدید به جای آن، به طور مستقیم به عنوان یک روش های ساده سازی شده است.

کنترل های قوی و غیر خطی

سیستم های حلقه بسته در دنیای واقعی باید با پویایی بدون مدل، سر و صدا سنسور و اختلالات خارجی مقابله کنند.تئوری کنترل قوی این را با تکنیک هایی مانند شکل گیری حلقه H-infinity، که کنترل کننده ها را برای حفظ ثبات و عملکرد برای مجموعه ای از عدم اطمینان از سیستم سوئیچ سیستم، که اغلب به عنوان یک سیستم عامل قابل اعتماد سازی عملکرد ضعیف استفاده می شود، تضمین می کند.

پردازش داده های زمان واقعی و Edge Computing

عملکرد هر الگوریتم حلقه بسته بستگی به تأخیر بین سنجش و ارزیابی عملی دارد. محاسبات Edge به عنوان یک نوآوری معماری ظهور کرده است که محاسبات را به طور فیزیکی نزدیک به سنسورها و محرک ها قرار می دهد، به طور چشمگیری کاهش تأخیرهای ارتباطی با آرایه های ورودی قابل برنامه ریزی (FPGAs) و سیستم های عملیاتی زمان واقعی، کنترل حلقه ها می تواند به زمان تعیین کننده پاسخ در میکرو ثانیه پردازش داده های پردازش دقیق، که شامل سنسورهای کنترل دقیق تر (مانند سنسورهای کنترل چند منظوره) هستند، که می شوند.

برنامه ها و مطالعات موردی

این نوآوری های الگوریتمی نظری نیستند؛ آنها امروز در طیف گسترده ای از صنایع مستقر شده اند، پیشرفت های قابل اندازه گیری در بهره وری، دقت و استقلال را ارائه می دهند.

کنترل ماشین مستقل

وسایل نقلیه مستقل به یک آبشار الگوریتم حلقه بسته متکی هستند.در پایین ترین سطح، PID یا کنترل کننده های انطباق مدیریت تروا، ترمز و هدایت عمل می کنند.برنامه ریزی مسیر عالی با استفاده از MPC همراه با تشخیص موانع واقعی و پیش بینی حرکت، اغلب ادغام کلاس های یادگیری ماشین برای تشخیص عابران پیاده و نشانه های ترافیکی قوی تضمین می کند که سیستم های تعمیر و نگهداری جاده ای پایدار (FHT) مانند ردیابی سیستم های متعدد و کنترل ترافیک و ردیابی سیستم های متعدد است.

کنترل فرآیند صنعتی

در پالایشگاه های شیمیایی و نیروگاه های برق، کنترل پیش بینی مدل تبدیل به استاندارد برای حفظ خلوص محصول در حالی که به حداقل رساندن مصرف انرژی است. پیاده سازی های MPC مدرن شامل بهینه سازی اقتصادی، تنظیم نقاط در زمان واقعی بر اساس تغییر هزینه های خوراک و قیمت برق است. همراه با الگوریتم های قوی تحمل کننده، این سیستم ها سنسور یا دریچه را تشخیص می دهند و استراتژی های کنترل خودکار را تنظیم می کنند، به عنوان مثال پیشرفته منتشر می کنند (F)

رباتیک و اتوماسیون

ربات های همکاری (cobots) باید با خیال راحت در کنار انسان عمل کنند، و نیاز به کنترل حلقه بسیار پاسخگو دارند.کنترل انطباق سفت و مرطوب ربات را بر اساس نیروهای تماس تنظیم می کند، الگوریتم های یادگیری ماشین به ربات ها اجازه می دهد تا وظایف تکراری را از تظاهرات انسانی یاد بگیرند، سپس آنها را با تکرار بالا (تکنیک های پردازش ذهنی) و روش های کنترل مشترک (I) که قبلاً غیر ممکن است.

مدیریت انرژی در Smart Grids

کنترل حلقه بسته به سیستم های قدرت مدرن یکپارچه است.منابع انرژی توزیع شده مانند پانل های خورشیدی و ذخیره سازی باتری نیاز به اینورتر با حلقه های بازخورد سریع برای حفظ ولتاژ شبکه و فرکانس است. الگوریتم های MPC برنامه های شارژ و تخلیه را بر اساس پیش بینی آب و هوا و سیگنال های تقویت کننده قیمت، کنترل کننده های گسترده ای از داده های همگام سازی برای تثبیت قابلیت های یادگیری مجازی پشتیبانی می کنند.

تجهیزات پزشکی

الگوریتم های حلقه بسته زندگی در دستگاه های پزشکی مانند پمپ های انسولین، تهویه کننده ها و سیستم های تحویل بی حسی را نجات می دهند. پانکراس مصنوعی از یک مانیتور گلوکز مداوم (CGM) به عنوان بازخورد برای کنترل پمپ تزریق انسولین استفاده می کند. MPC و کنترل سازگار با حساسیت به انسولین در سراسر بیماران و به طور مشابه، تهویه مطبوع مدرن فشار و جریان را در زمان واقعی تنظیم می کند تا با تلاش خود بیمار مطابقت داشته باشد.

تاثیر و هدایت های آینده

ادغام این الگوریتم های نوآورانه، صنایع را با ساخت سیستم های مستقل تر، قابل اعتماد و کارآمد تر می کند.ماشین هایی که یک بار نیاز به نظارت مداوم انسان دارند، اکنون می توانند برای دوره های طولانی بدون توجه عمل کنند، با سازگاری با اختلالات با مداخله حداقل، این تغییر در تولید، کاهش انتشار گازهای گلخانه ای در سیستم های انرژی و فعال کردن برنامه های جدید در مراقبت های بهداشتی و حمل و نقل.

سازگاری تکنیک ها

هدف تحقیقات آینده ترکیب این تکنیک ها با فن آوری های نوظهور مانند اینترنت اشیا (IoT) و محاسبات لبه، افزایش قابلیت های سیستم است.یک جهت امیدوار کننده ادغام یکپارچه یادگیری و کنترل است، که در آن یک چارچوب واحد شامل تضمین های قوی در کنار سازگاری داده محور است: دیگری توسعه دوقلوها و #82؛ نسخه های مجازی سیستم های فیزیکی است که رفتار زمان واقعی را شبیه سازی می کنند و اجازه می دهند تا کنترل سریع ابر را اجرا کنند: یکی دیگر از ویژگی های حیاتی است:

چالش های باز

علی رغم پیشرفت، چندین چالش باقی مانده است.تحقق و اعتبار کنترل کننده های مبتنی بر شبکه عصبی یک منطقه فعال از تحقیقات است، به ویژه برای برنامه های ایمنی حیاتی، ابزارهای استاندارد مانند تجزیه و تحلیل ثبات Lyapunov به طور مستقیم برای مدل های جعبه سیاه قابل اجرا نیستند، و به روش های صدور گواهینامه جدید نیاز دارند، زیرا سیستم های حلقه بسته متصل به حملات آسیب پذیر هستند که می توانند حملات کنترل مخرب را کاهش دهند و یا سیستم های کنترل مخرب را شناسایی کنند.

جاده Ahead

در افق، ما می توانیم انتظار داشته باشیم که سیستم های حلقه بسته حتی فعال تر شوند. الگوریتم های پیش بینی کننده با استفاده از داده های آب و هوا، پیش بینی ترافیک و روند نشانه حیاتی بیمار پیش بینی اختلالات قبل از وقوع آن خواهد کرد. Swarm الگوریتم های کنترل برای ناوگان وسایل نقلیه مستقل و یا هواپیماهای بدون سرنشین از طریق اجماع توزیع شده هماهنگ خواهد شد، حفظ و در حالی که بهینه سازی اهداف جمعی.

به طور خلاصه، آخرین نوآوری ها در الگوریتم های سیستم حلقه بسته صرفاً بهبود های تدریجی نیستند؛ آنها نشان دهنده یک تغییر پارادایم در چگونگی تعامل دستگاه ها با جهان هستند.با ترکیب ML، MPC، کنترل تطبیقی و چارچوب های قوی، مهندسان سیستم هایی هستند که هوشمندتر، امن تر و پاسخگوتر از همیشه هستند.سازمان هایی که در این قابلیت های الگوریتمی سرمایه گذاری می کنند، به خوبی در عصر اتوماسیون هوشمند منجر خواهند شد.