سیستم های حلقه بسته

سیستم های حلقه بسته، که به عنوان سیستم های کنترل بازخورد نیز شناخته می شوند، ستون فقرات اتوماسیون مدرن هستند.آنها با اندازه گیری مداوم خروجی یک فرآیند، مقایسه آن با یک نقطه مطلوب، و تنظیم ورودی برای به حداقل رساندن خطا عمل خود اصلاح خود را به برنامه های تنظیم از تنظیم ترموستات در خانه های هوشمند برای نظارت دقیق در سلاح های رباتیک، اجزای اصلی شامل بازخورد برای یک تئوری سنسور است (مانند تأخیر در زمان و استفاده از سیستم های کنترل مستقیم، و همچنین به عنوان یک سیستم های اصلاح خطی تنظیم دقیق، و تنظیم دقیق، به عنوان یک سیستم های کنترل نوار دستی، و تنظیم دقیق، به عنوان یک سیستم های کنترل زمان، به عنوان یک نوار کنترل خودکار، و همچنین تکیه بر سیستم های کنترل خودکار، به عنوان سیستم های کنترل خودکار، و همچنین استفاده از سیستم های کنترل زمان و همچنین به عنوان سیستم های کنترل زمان، به عنوان سیستم های کنترل خودکار.

اجزای یک سیستم حلقه بسته

هر سیستم حلقه بسته شامل پنج عنصر ضروری است: فرآیند تحت کنترل، سنسور که خروجی را اندازه گیری می کند، کنترل کننده که خطا و عمل کنترل را محاسبه می کند، محرکی که عمل را پیاده سازی می کند و مسیر بازخوردی که حلقه را بسته است، به عنوان مثال، در یک کوره صنعتی، سنسورهای دما داده ها را به کنترل کننده ای انتقال می دهد که دریچه های گاز را برای حفظ دمای تنظیم می کند، با این سیستم های خرابی به طور معمول در شرایط ثابت، و تنظیم می کند.

محدودیت های کنترل کلاسیک

روش های کنترل کلاسیک مانند PID (Proportional-Integral-Derivative) تنظیم متکی بر کالیبراسیون دستی و بهینه فقط در محدوده های عملیاتی باریک هستند، زمانی که شرایط متفاوت است - مانند تغییر بار در یک موتور الکتریکی یا ویسکوزیته مختلف در یک راکتور شیمیایی - عملکرد کنترل کننده خراب می شود. یادگیری ماشین این محدودیت ها را با فعال کردن داده های پویا، سازگاری بدون نیاز به برنامه ریزی مجدد.

نقش تحولگر ماشین یادگیری

یادگیری ماشین (ML) سیستم های حلقه بسته را با تغییر از قانون به کنترل مبتنی بر یادگیری تقویت می کند، به جای تکیه بر معادلات استاتیک، مدل های ML در نقشه برداری پیچیده بین ورودی های سنسور و خروجی های کنترل از داده های تاریخی و زمان واقعی، این به ویژه در محیط هایی با عدم خط بالا، اتصال، یا تکنیک های ناشناخته مانند یادگیری (RL یادگیری)، و با دقت و تقویت عمیق استفاده شده است.

آموزش عالی برای شناسایی سیستم

شناسایی سیستم فرایند ساخت یک مدل ریاضی از یک سیستم پویا از داده های ورودی خروجی است. ⁇ روش های یادگیری فوق العاده توصیه شده، به ویژه شبکه های عصبی عمیق، می تواند مدل های بسیار دقیق سیستم های غیر خطی را یاد بگیرد.به عنوان مثال، یک شبکه عصبی می تواند دینامیک حرارتی یک ساختمان را به دقت تر از یک مدل خطی ساده، قادر به تنظیم کنترل پیش بینی HVAC با مصرف حداقل انرژی (F).

آموزش تقویت برای سیاست های بهینه

یادگیری تقویت (RL) چارچوبی برای یادگیری سیاست های کنترل به طور مستقیم از طریق آزمون و خطا ارائه می دهد.در یک سیستم حلقه بسته، یک عامل RL وضعیت (یادداشت های سنسور)، یک عمل (کنترل ورودی) را انتخاب می کند و پاداش را بر اساس سیستم مدیریت اطلاعات کم ارزش در طول زمان دریافت می کند، آن یاد می گیرد به حداکثر رساندن پاداش تجمعی - به حداقل رساندن خطا و استفاده از روش های انرژی (اولین سیستم کنترل دقیق) برای کاهش یافته است.

یادگیری عمیق برای Sensor Fusion

بسیاری از سیستم های حلقه بسته به سنسورهای متعدد با ویژگی های مختلف (به عنوان مثال، دوربین ها، لیدر، کدر) مدل های یادگیری عمیق می توانند این ورودی های ناهمگن را برای تولید یک برآورد دقیق تر و قوی تر از سنسورهای فردی به تنهایی، در کنترل خودرو مستقل، تصاویر پردازش عصبی یکپارچه (CNNs) در حالی که شبکه های مکرر ادغام داده های زمانی، تغذیه به یک کنترل کننده مدل پیش بینی می کند که به طور قابل توجهی کاهش دقت سنسور تاثیر می دهد.

تصمیم گیری داده محور: فراتر از منطق سنتی

کنترل کنندگان سنتی بر اساس مقایسه های ساده (error = setpoint – اندازه گیری) تصمیم گیری را انجام می دهند که الگوهای سفارش بالاتر، همبستگی متقابل سنسور و وابستگی های بلند مدت را تشخیص می دهد، به عنوان مثال، در یک گیاه مخلوط شیمیایی، یک شبکه عصبی می تواند نشانه های اولیه مسمومیت از لرزش ظریف و تغییرات دما را تشخیص دهد – برای یک کنترل کننده خطی نامرئی برای تنظیم میزان نقض کیفیت محصول نامرئی است.

آموزش آنلاین و Adaptation

یکی از ارزشمندترین جنبه های ML در سیستم های حلقه بسته توانایی به روز رسانی مدل ها در زمان واقعی به عنوان جریان های داده جدید در الگوریتم های یادگیری آنلاین، مانند انواع گرادیان تصادفی یا حداقل مربع با روش های هسته 1: 220٪ اجازه می دهد تا کنترل کننده به طور مداوم مدل خود را بدون نیاز به آموزش کامل اصلاح کند، این برای سیستم های تجربه که به طور تدریجی، مانند استفاده از یک فرآیند مکانیکی ثابت شده در پانل عملکرد ثابت شده است، ضروری است.

خطای Anomaly و Fault Tolerance

مدل های یادگیری ماشین همچنین می توانند به عنوان مانیتور برای تشخیص ناهنجاری در رفتار حلقه بسته (۱) Autoencoders و SVM های یک طبقه می توانند پاکت عامل عادی سیستم را یاد بگیرند؛ هر انحرافی که فراتر از آستانه یادگیری شده است، یک تغییر سیاست کنترل یا هشدار به اپراتورLT را ایجاد می کند: این دقت با جلوگیری از پیگیری خواندن سنسور معیوب یا شکست در حمل و نقل هوایی، ML-۰ در سیستم های تشخیص واقعی با توجه به میزان هشدار دادن خطا، کاهش می یابد.

قابلیت های پیش بینی کننده: Proactive vs. Reactive Control

مزیت عمده ML توانایی آن برای پیش بینی دولت های سیستم آینده است، که کنترل کننده را قادر می سازد به جای واکنش فعال عمل کند.کنترل پیش بینی مدل (MPC) در حال حاضر از یک مدل سیستم برای بهینه سازی توالی حرکت های کنترل آینده استفاده می کند، اما MPC کلاسیک به یک مدل ثابت و اغلب خطی وابسته است. ML-enanced MPC جایگزین این با یک مدل داده است که می تواند به سرعت به روز رسانی شود و رفتار غیر خطی دقیق تر پیش بینی می شود.

نگهداری پیش بینی شده در سیستم های صنعتی

در سیستم های حلقه بسته مانند کمربند نقاله یا توربین های بادی، مدل های ML پیش بینی می کنند که زندگی مفید باقی مانده (RUL) از اجزای استفاده از داده های سنسور مانند لرزش، دما و قرعه کشی فعلی، این اجازه می دهد تا کنترل کننده برای تنظیم بارگذاری و سرعت برای گسترش زندگی جزء در حالی که حفظ از طریقput. A مطالعه زیمنس دریافت که ادغام پیش بینی مبتنی بر ML به قفل خودکار خودکار خودکار خودکار بسته شده توسط 30٪ کاهش می یابد و بهبود کل تجهیزات (فقط 15٪ از کنترل سیستم عامل بسته است).

پیش بینی کنترل پیش بینی شده بر روی کنترل HVAC

سیستم های مدیریت ساختمان مدرن از ML برای پیش بینی اشغال و الگوهای آب و هوایی خارجی استفاده می کنند (به جای واکنش به تغییرات دما، کنترل کننده قبل از گرم شدن یا قبل از آن فضا را بر اساس افزایش خورشیدی پیش بینی شده و ترافیک انسانی آموزش داده شده در داده های تاریخی از سنسورهای ساختمان می تواند مصرف انرژی HVAC را تا 25-40٪ کاهش دهد در حالی که راحتی در تحمل دقیق، به عنوان یک تحقیق در بخش انرژی ایالات متحده نشان داده شده است.

مزایای قابل توجهی از ادغام ML

ادغام یادگیری ماشین بهبود قابل اندازه گیری در ابعاد مختلف را ارائه می دهد، در حالی که مقاله اصلی ذکر شده مزایای عمومی، مطالعات موردی اخیر اعداد مشخص را ارائه می دهد.

  • بهبود خطر: یک کارخانه تزریق دقیق به کاهش 50٪ در تنوع بعد از جایگزینی یک کنترل کننده PID با کنترل کننده مبتنی بر شبکه عصبی آموزش داده شده در 10,000 چرخه تولید دست یافت.
  • بهره وری انرژی: خنک کننده مرکز داده با استفاده از کاهش عمق RLL (PUE) از 1.22 به 1.09، نشان دهنده میلیون ها دلار صرفه جویی در صرفه جویی در سال.
  • یک سیستم انتخاب و مکان رباتیک با استفاده از یادگیری آنلاین سازگار با وزن های شی جدید در 5 چرخه، در مقایسه با 200 چرخه برای یک PID دستی.
  • روبوست: در یک گیاه تصفیه آب، یک کنترل کننده ML-enhanced کیفیت قابل توجهی در محدوده های نظارتی را حفظ کرد، حتی در طی یک 40٪ در جریان جریان نفوذ، در حالی که کنترل کننده معمولی بیش از یک ساعت از حد عبور کرد.

چالش های در Deployment

علی رغم مزایای قانع کننده، استقرار ML در سیستم های حلقه بسته، چندین چالش غیر قابل برگشت را معرفی می کند که باید برای اطمینان از عملیات امن و قابل اعتماد مورد توجه قرار گیرد.

کیفیت داده ها و مقدار

مدل های ML تنها به عنوان داده های آموزشی خوب هستند. سنسورهای نوری، اندازه گیری های از دست رفته و مجموعه داده های آموزشی غیر نمایندگی می توانند منجر به تعمیم ضعیف شوند.در یک حلقه بسته، چنین خطاهایی می تواند باعث نوسانات یا بی ثباتی داده ها، مهندسی ویژگی قوی و تولید داده های مصنوعی شبیه سازی ضروری است.

محدودیت های محاسباتی

بسیاری از سیستم های حلقه بسته نیاز به کنترل زمان واقعی با فواصل نمونه برداری در میلی ثانیه دارند.شبکه های عصبی عمیق، به ویژه کسانی که دارای میلیون ها پارامتر هستند، ممکن است تاخیر غیر قابل قبول را معرفی کنند. راه حل ها شامل فشرده سازی مدل (تستاسیون، ⁇ )، سخت افزار محاسباتی لبه (Jetson، FPGA، یا LH)، و استفاده از مدل های ساده تر اما موثر مانند جنگل های تصادفی یا روش های هسته ای است که مناسب است.

ایمنی و ثبات

یک سیستم حلقه بسته که آنلاین یاد می گیرد می تواند به طور غیر قابل پیش بینی رفتار کند اگر با یک دولت در خارج از توزیع آموزش آن مواجه شود.برنامه های ایمنی بحرانی مانند رانندگی مستقل یا تزریق دارو پزشکی نیاز به تضمین رسمی در مورد ثبات و تکنیک های همگرایی مانند یادگیری تقویت مبتنی بر Lyapunov، RLS (جایی که یک لایه ایمنی اقدامات ناامن را نادیده می گیرد)، و توابع کنترل مانع، روش های فعال (به علاوه بر این که به درک یک مدل کنترل اشکال زدایی کمک می کند).

مسیر های آینده و روند نوظهور

هم افزایی بین ML و کنترل حلقه بسته هنوز در حال تکامل است. چندین روند آینده توسعه را تعریف می کند.

دوقلوهای دیجیتال و انتقال ساده به واقعیت

یک دوقلو دیجیتال یک شبیه سازی مجازی با رضایت بالا از یک سیستم فیزیکی است که در زمان واقعی اجرا می شود.با آموزش کنترل کننده های ML در شبیه سازی (جایی که میلیون ها کارآزمایی امن و سریع هستند)، سپس انتقال سیاست به سیستم واقعی، مهندسان دور زدن بسیاری از داده ها و محدودیت های ایمنی، این رویکرد، به نام انتقال شبیه سازی به واقعیت، استفاده شده است به آموزش دست رباتیک و شبیه سازی چهار برابر با استفاده از شکاف های تصادفی و شبیه سازی.

آموزش برای بهینه سازی چند برنامه

در تنظیمات صنعتی توزیع شده، هر گیاه دارای داده های اختصاصی است که نمی تواند به طور مرکزی به دلیل حریم خصوصی یا محدودیت پهنای باند به اشتراک گذاشته شود. یادگیری فدرال اجازه می دهد چندین سیستم حلقه بسته را به طور جمعی آموزش دهد تا یک مدل جهانی را در حالی که داده های محلی را نگه می دارد، مدل جمع آوری شده الگوهای متقابل- مانند ماشین آلات یکسان که مشابه را تجربه می کنند - و بدون افشای داده های عملیاتی حساس در معرض دید ضعیف شدن فولاد، 20٪ از کاهش تغذیه شده در مقایسه با استفاده از مدل های آموزش دیده شده به صورت محلی نسبت به مدل های آموزش دیده شده توسط مدل های آموزش دیده شده توسط مدل های مشابه استفاده می شود.

AutoML برای کنترل کننده Tuning

چارچوب های یادگیری ماشین خودکار (AutoML) برای پیدا کردن hyperparameters بهینه و معماری شبکه برای برنامه های کنترل سازگار هستند، به جای محاکمه دستی و-تروریسم، AutoML می تواند بر فضاهای معماری عصبی، نرخ های یادگیری و پاداش برای کشف کنترل کننده هایی که دقیق و محاسباتی کارآمد هستند، جستجو کند.

برنامه های کاربردی دنیای واقعی: A Deeper Look

برای نشان دادن تاثیر عملی، سه دامنه مختلف را در نظر بگیرید که سیستم های حلقه بسته ML از تحقیقات به تولید منتقل شده اند.

تولید: لیزر کنترل کیفیت جوشکاری

در جوشکاری لیزر، کیفیت مفصل بستگی به قدرت، سرعت و موقعیت کانونی دارد.یک سیستم حلقه بسته سنتی از فتوکپی برای اندازه گیری انتشار پلاسما استفاده می کند و قدرت را کمی تنظیم می کند.یک مدل یادگیری عمیق که تصاویر دوربین با سرعت بالا و داده های طیف سنج را پردازش می کند می تواند منافذ و کاهش با دقت 95٪، تنظیم پارامترهای در 200 £، نتیجه صفر تولید جوش در باتری است.

وسایل نقلیه خودکار: Path Tracking

وسایل نقلیه مستقل از کنترل کننده های حلقه بسته برای فرمان، تروژ و ترمز استفاده می کنند در حالی که رویکردهای کلاسیک مانند کنترل کننده استنلی با سرعت متوسط کار می کنند، آنها در جاده های لغزنده یا منحنی های تیز مبارزه می کنند. یک کنترل کننده کورو عمیق آموزش دیده در شبیه سازی با اصطکاک های مختلف و انحنا جاده ها به 30٪ کاهش خطای ردیابی جانبی نسبت به کنترل کننده پایه در داده های جاده عمومی می رسد.

انرژی: کنترل فرکانس Microgrid

Microgrids ادغام منابع تجدید پذیر مانند خورشید و باد، که ارائه variability.یک کنترل پیش بینی مدل با استفاده از پیش بینی شبکه عصبی از بی توجهی خورشیدی و سرعت باد می تواند فرکانس در ± 0.2 ±، حتی کمتر از 50٪ نفوذ تجدید پذیر، خروجی یک پیش فرض PI کنترل کننده با یک عامل از سه در رد اختلال.

همانطور که یادگیری ماشین همچنان به بلوغ ادامه می دهد، ادغام آن در سیستم های حلقه بسته دیگر یک تازگی نیست، بلکه یک عمل استاندارد است که ترکیب سازگاری مبتنی بر داده، پیش بینی پیش بینی برای پیش بینی و بهینه سازی قوی در حال حاضر ارائه دستاوردهای دقت است که بدون در نظر گرفتن روش های سیستم صرفه جویی است که این تکنیک ها را در آغوش می گیرند اتوماسیون است که نه تنها دقیق تر، بلکه انعطاف پذیر تر به عدم اطمینان از نظریه جهانی سفر واقعی است - کاهش قابل توجه، و اندازه گیری از داده های سیستم های سیستم های صرفه جویی، و اندازه گیری، و اندازه گیری، بلکه از پردازش، و اندازه گیری دقیق، بلکه استفاده از داده های سیستم های سیستم های سیستم های سیستم های سیستم های توجه، بلکه استفاده از پردازش، بلکه استفاده از پردازش، و اندازه گیری دقیق، بلکه استفاده از داده های سیستم های سیستم های سیستم های سیستم های توجه، استفاده از پردازش، و اندازه گیری دقیق تر، بلکه اندازه گیری را به اندازه گیری دقیق تر است.