آینده سیستم های کاملاً خودکار حلقه بسته

رانندگان تکنولوژی فعلی

سیستم های حلقه بسته مدرن توانایی های گسترده خود را به پیشرفت در زمینه های مختلف مرتبط بدهکار هستند.این فن آوری ها سیستم ها را قادر می سازد تا پیچیدگی را مدیریت کنند، تاخیر را کاهش دهند و از تجربه یاد بگیرند.

هوش مصنوعی و یادگیری ماشین

یادگیری ماشین فراتر از شناخت الگوی ساده برای تبدیل شدن به یک جزء مستقیم از حلقه های کنترل حرکت کرده است (به طور خاص، به کنترل کننده ها اجازه می دهد تا سیاست های بهینه را از طریق آزمون و خطا در محیط های شبیه سازی شده کشف کنند.به عنوان مثال، یادگیری تقویت کننده عمیق گوگل برای کاهش مصرف انرژی در مراکز داده آن تا 40٪، تنظیم و تهویه در زمان واقعی بر اساس ورودی های سنسور، پیش بینی دقیق است.

اینترنت اشیا (IoT) و Edge Computing

موج IoT سیستم های کنترل را با داده های هزاران سنسور هدایت می کند.( Edge Computing این داده ها را به صورت محلی پردازش می کند، زمان دور سفر به یک سرور ابر را از ثانیه به میلی ثانیه کاهش می دهد، این برای کاربردهای اتوماسیون حلقه بسته بسیار مهم است که در آن تاخیر می تواند باعث بی ثباتی شود – به عنوان مثال، در هواپیماهای بدون سرنشین مستقل که باید به باد یا موانع در ده ها میلی ثانیه واکنش نشان دهند، شبکه های نور خورشید را به طور مستقیم کنترل می کند.

وسایل نقلیه خودکار به عنوان سیستم های بسته - Loop

اتومبیل های خودران شاید خواستار ترین کاربرد کنترل حلقه بسته در بازارهای مصرف کننده باشند. وسیله نقلیه محیط خود را از طریق یک مجموعه سنسور (دوربین ها، لیDAR، رادار، اولتراسونیک)، این داده ها را به یک مدل از جهان متصل می کند و سپس فرمان، سرعت و دستورالعمل های ترمز را در نرخ های بیش از 100 هرتز، حلقه کنترل باید با چالش های شبیه سازی غیر خطی، و مقیاس گسترده ای مانند شرکت های قابلیت اطمینان و سایر شرکت های فنی ادامه دهد.

صنعت 4.0 و ساخت هوشمند

در تولید، سیستم های حلقه بسته فرآیندهای سازگار را که خود را برای پوشیدن ابزار، تغییرات مواد و تغییرات محیطی را فراهم می کنند، به عنوان مثال، یک ماشین CNC مجهز به سنسورهای آکوستیک می تواند تجزیه و تحلیل چت و به طور خودکار کاهش سرعت خوراک و یا چرخش با کیفیت کاغذ دو برابر - تکرارهای مجازی که منعکس کننده دارایی های فیزیکی در زمان واقعی هستند - سازندگان اجازه می دهند تا استراتژی های تست را قبل از اجرای آنها در کنترل مستقیم کارخانه ها را بررسی کنند.

غلبه بر چالش های بحرانی

Despite rapid progress, deploying fully automated closed-loop systems at scale introduces risks that must be carefully managed.

آسیب پذیری های امنیت سایبری

سیستم های حلقه بسته که فرآیندهای فیزیکی را کنترل می کنند، اهداف جذاب برای دشمنان هستند. حمله سایبری موفق بر روی پمپ انسولین می تواند باعث تغییر سطح خطرناک شود؛ حمله به یک کنترل کننده شبکه برق می تواند باعث خاموشی شود.امنیت باید از لایه سخت افزاری به سمت بالا جاسازی شود: بهترین شیوه ها شامل استفاده از ارتباطات رمزگذاری شده بین سنسورها و کنترل کننده ها، اجرای چند عاملی برای به روز رسانی نرم افزار و استقرار سیستم های تشخیص نفوذ است که برای محافظت از سیستم های کنترل صنعتی فراهم می کند.

قابلیت اطمینان سیستم و طراحی شکست-Safe

در برنامه های ایمنی بحرانی، یک شکست در حلقه کنترل می تواند عواقب فاجعه بار داشته باشد. Redundancy ضروری است - سنسورهای چندپله همان متغیر، محرک های اضافی و کنترل کننده های پشتیبان را اندازه گیری می کنند که می توانند به صورت یکپارچه از طریق طراحی تحمل خطا استفاده کنند و همچنین شامل تخریب های ظریف نیز می شوند: اگر یک سنسور شکست بخورد، سیستم باید یک حالت امن وارد کند یا بر روی برآورد های مبتنی بر مدل تکیه کند تا استانداردهای تحقیق (حتی آزمایش های سخت)

شکاف های اخلاقی و نظارتی

هنگامی که یک سیستم حلقه بسته تصمیم می گیرد که به کسی آسیب می رساند، مسئول است؟ سازنده نرم افزار؟ اپراتور؟ چارچوب های مسئولیت فعلی اغلب نامشخص هستند، به ویژه برای سیستم های مبتنی بر هوش مصنوعی که پس از استقرار، پزشکان تنظیم کننده مانند FDA، NHTSA و کمیسیون اروپا دستورالعمل های در حال توسعه، اما سرعت نوآوری از نوآوری های پیش رو، همچنین نیاز به درک دقیق سیستم های نظارتی دارند، اگر به طور دقیق و دقیق سیستم های فنی، به عنوان مثال، به طور دقیق توضیح داده های متنوع نیاز داشته باشند، اگر عوامل امنیتی خاصی از جمله موارد خاص نیاز باشد.

مدیریت غیر منتظره

هیچ سیستم حلقه بسته نمی تواند برای هر سناریوی احتمالی آموزش دیده یا آزمایش شود.یک وسیله نقلیه مستقل ممکن است با یک پیکربندی جاده ای جدید روبرو شود؛ یک کنترل کننده فرایند ممکن است با یک واکنش شیمیایی غیرمنتظره مواجه شود. محققان تکنیک هایی مانند شبکه های عمومی مجاور (GANs) را بررسی می کنند تا سناریوهای چالش برانگیز را ایجاد کنند، یادگیری آنلاین که به سیستم اجازه می دهد تا با استفاده از حالت های پشتیبان گیری غیر امن سازگار شود - که ممکن است پیش بینی کند که یک سیستم مقابله با سیستم مقابله با سیستم مقابله با سیستم مقابله با آن مقابله با مشکل باشد.

مسیر رو به جلو: روند های نوظهور

با نگاهی به آینده، چندین پیشرفت نسل بعدی سیستم های حلقه بسته کاملا خودکار را تعریف می کند.

دوقلوهای دیجیتال برای کالیبراسیون مستمر

دوقلوهای دیجیتال از ابزارهای طراحی در دوستان زمان اجرا در حال تکامل هستند.یک سیستم حلقه بسته می تواند خواندن سنسور زمان واقعی خود را در برابر پیش بینی های دوقلو و پرچم بلافاصله با گذشت زمان مقایسه کند، دوقلو می تواند با داده های سیستم فیزیکی به روز شود، ایجاد یک حلقه بسته بین جهان های دیجیتال و فیزیکی.این امکان تعمیر پیش بینی را فراهم می کند - به عنوان مثال، یک باد می تواند برنامه ریزی و تعمیر را تشخیص دهد - و بدون اجازه می دهد تا کنترل کننده های تعمیر و بدون تعمیر و بدون خرابی، به طور مداوم انجام دهد.

آموزش برای بهبود حفظ حریم خصوصی

در بخش هایی مانند مراقبت های بهداشتی و مالی، مقررات حریم خصوصی داده ها مانع از متمرکز کردن اطلاعات حساس می شود. یادگیری فدرال اجازه می دهد چندین سیستم حلقه بسته - مثلا پمپ های انسولین از بیمارستان های مختلف - به طور مشترک یک مدل کنترل مشترک را بدون مبادله داده های بیمار خام، هر دستگاه به روز رسانی محلی را محاسبه می کند و تنها گرادیان مدل را به یک سرور مرکزی ارسال می کند. مدل کلی عملکرد همه شرکت کنندگان را بهبود می بخشد در حالی که به حریم خصوصی احترام می گذارد.

ادغام Cross-Domain و پروتکل های استاندارد

سیستم های حلقه بسته امروز اغلب در سیلوها کار می کنند، آینده ادغام محکم تر در دامنه ها را مشاهده می کند: یک سیستم تهویه مطبوع ساختمان هوشمند می تواند با کنترل کننده فرکانس شبکه برق محلی هماهنگ شود تا بارهای اوج را کاهش دهد؛ ربات های تحویل خودکار می توانند بسته ها را به هواپیماهای بدون سرنشین انبار از طریق یک پلت فرم ارکستر مشترک تحویل دهند. دستیابی به این پروتکل های ارتباطی استاندارد (مانند MQTT یا OPC) ابتکارات Uteroper و کار در این مدل های پردازش باز و پردازش داده ها.

گروه انسانی-Autonomy Teaming

به جای جایگزین کردن کامل انسان، بسیاری از برنامه های کاربردی با ریسک بالا یک مدل مشترک را اتخاذ می کنند.سیستم حلقه بسته عملیات روتین را اداره می کند و به اپراتور انسانی هشدار می دهد که با موقعیت خارج از آستانه اعتماد به نفس خود مواجه می شود، انسان می تواند به دقت و سرعت ساخت و ساز انسان را کنترل کند و حتی اطمینان حاصل کند که سیستم می تواند از اقدامات انسانی یاد بگیرد.

بازسازی های اجتماعی

از آنجایی که این سیستم ها به زیرساخت ها، مراقبت های بهداشتی و حمل و نقل تبدیل می شوند، جامعه باید در ابعاد مختلف سازگار شود.

تکامل نیروی کار

اتوماسیون برخی از نقش ها را از بین می برد – به ویژه آنهایی که شامل نظارت تکراری یا تنظیمات دستی هستند – اما تقاضا برای مهارت های جدید ایجاد می کنند: معماران سیستم، دانشمندان داده، تحلیلگران امنیت سایبری و اخلاق AI.برنامه های مهارت و مشارکت بین صنعت و موسسات آموزشی برای آماده سازی کارگران ضروری است.

چارچوب های تنظیمی برای کنترل خودکار

صدور گواهینامه سیستم های کنترل مبتنی بر AI همچنان یک شکاف است.سازمان های تنظیم مقررات باید الزامات روشنی را برای ایمنی، امنیت و عدالت تعریف کنند.این شامل فرایندهای پیش فرض بازار، نظارت بر بازار و قوانین مسئولیت پذیری بین المللی برای جلوگیری از پچ از استانداردهای متناقض است که مانع استقرار جهانی می شود.

ایجاد اعتماد عمومی از طریق شفافیت

برای عموم مردم برای پذیرش سیستم های کاملا خودکار، باید اطمینان حاصل کنند که این سیستم ها امن و قابل اعتماد هستند.شرکت ها و تنظیم کنندگان باید در مورد چگونگی تصمیم گیری شفاف باشند، چه داده ها جمع آوری شده و چگونه شکست ها به کار گرفته می شوند.

سیستم های کاملا خودکار حلقه به سرعت از برنامه های طاقچه به جریان اصلی، با پیشرفت در سنسورها، AI و اتصال حرکت می کنند، در حالی که چالش های امنیتی، قابلیت اطمینان، اخلاق و مقررات قابل توجه باقی می مانند، پاداش های بالقوه - بهره وری بزرگ تر، ایمنی بهبود یافته و کیفیت زندگی - با پرداختن به این چالش ها بسیار زیاد و تقویت همکاری در سراسر صنایع و دولت ها، ما می توانیم یک سیستم های مدرن را به طور موثر مدیریت کنیم.