Table of Contents

מערכות Lotved Loop

מערכות לולאה סגורות, הידועות גם בשם מערכות בקרה משוב, הן עמוד השדרה של אוטומציה מודרנית.הם פועלים על ידי כל הזמן מדידה של הפלט של תהליך, השוואתו לנקודות הרצויות, ועיכובים מתאימים למזער את השגיאה.מנגנון תיקון עצמי זה הוא בסיסי ליישומים החל מתקנה תרמוסטטאט בבתים חכמים לשליטה מדויקת בזרועות רובוטיות.

מערכת של לולאה סגורה

כל מערכת לולאה סגורה מורכבת מחמישה מרכיבים חיוניים: התהליך תחת שליטה, החיישן המנטר את הפלט, הבקר שלוכד את הפעולה השגויה והשליטה, המתבצע את הפעולה, ואת נתיב משוב שמשתרע את הלולאה. לדוגמה, בכבש תעשייתי, חיישנים מעבירים נתונים לבקר אשר מאמת את מסתמי הגז כדי לשמור על הטמפרטורה.

מגבלות של בקרה קלאסית

שיטות בקרה קלאסיות כמו PID (Proportional-Integral-Derivative) מסתמכות על חיפוי ידני והם אופטימליים רק בטווחי הפעלה צרים.כאשר תנאים משתנים - כגון שינוי עומס במנוע חשמלי או שינוי של סטיות ב כור כימי - הביצועים של הבקר מתדרדרדרדר.

תפקידה הטרנספורמציה של Machine Learning

למידת מכונה (ML) משפרת את מערכות הלולאה סגורות על ידי שינוי ממבוסס על שליטה מבוססת למידה. במקום להסתמך על משוואות סטטיות, מודלים של ML ממיפוי מורכב בין קלטי חיישן ופלטי בקרה מהנתונים ההיסטוריים ומציאותיים.זה חזק במיוחד בסביבות עם הפיכה גבוהה, הפיכה, או הפרעות לא ידועות.

למידה על מערכת זיהוי

זיהוי מערכת הוא תהליך של בניית מודל מתמטי של מערכת דינמית מהנתונים קלט- ⁇ . שיטות למידה סופר-בידור, במיוחד רשתות עצביות עמוקות, יכול ללמוד מודלים מדויקים מאוד של מערכות לא לינאריות.לדוגמה, רשת עצבית יכולה להוות מודל דינמי של בניין מדויק יותר מאשר מודל פשוט ליניארי, המאפשר בקר חיזוייינטיבי כדי להתאים את נקודות ה- HVAC עם צריכת אנרגיה מינימלית. A 2021 מ-FLTX4: תחזיות ל-R.

ניהול למידה למדיניות אופטימאלית

Reinforcement Learning (RL) מציע מסגרת למדיניות בקרת למידה ישירות באמצעות ניסוי וטעייה. במערכת לולאה סגורה, סוכן RL צופה במדינה (sensor קורא), בוחר פעולה (שליטה קלט), ומקבל פרס על בסיס התפוקה המתקבלת.בזמן, הוא לומד למקסם את התגמול המצטבר - שווה למזער שגיאות ולהשתמש באנרגיה עמוקה.

למידה עמוקה עבור חיישנים Fusion

מערכות לולאה סגורות רבות מסתמכות על חיישנים מרובים עם מאפיינים שונים (למשל, מצלמות, לידר, קודקודים) מודלים למידה עמוקה יכולים למזג את קלטות הטרוגניות הללו כדי לייצר הערכה מדויקת וחזקה יותר מאשר חיישנים בודדים בלבד.בבקרת רכב אוטונומית, רשתות עצביות אבולוציה (CNN) מעבדות תמונות מצלמה תוך שילוב מחדש של נתוני האצה זמנית, האכלה לתוך בקר צפוי המבטיח נתיבים עם דיוק או ירידה משמעותית של חשיפות.

קבלת החלטות: מעבר ללוגיקה המסורתית

בקרים מסורתיים מבצעים החלטות המבוססות על השוואות פשוטות (טרור = נקודת מדידה) למידת מכונה מאפשרת קבלת החלטות שחשבונות עבור דפוסים מסדר גבוה יותר, התנגשויות בין-חושיות, ותלויות לטווח ארוך.לדוגמה, במפעל ערבוב כימי, רשת עצבית יכולה לזהות סימנים מוקדמים של הרעלה מרטט עדין ושינויים בטמפרטורה - נקודות בלתי נראות לבקר ליניארי - ולהתאים את שיעורי הפחתת הפרות של המוצר.

למידה מקוונת והתאמה

אחד ההיבטים החשובים ביותר של ML במערכות לולאה סגור הוא היכולת לעדכן מודלים בזמן אמת כמו זרמי נתונים חדשים באלגוריתמים למידה מקוונים, כגון גרסאות ירידה ⁇ ⁇ ⁇ או recursive לפחות ריבועים עם שיטות גרעין, לאפשר לבקר לחדד את המודל שלו ללא צורך בהפעלה מלאה של מערכת כי סחף הדרגתי, כגון ללבוש מכנית ב -220 גרם לתפקודים של מערכת הפעלה אוטומטית של 5, 0002x1, 0002, 000 שעות לאחר טיפול עצמי:

גילוי ו Fault Tolerance

מודלים של למידת מכונה יכולים לשמש גם כמפקחים לזהות את האנומליות בהתנהגות הלולאה סגורה. Autoencoders ו-SVMs של מחלקה אחת ללמוד את המעטפה התפעולית הרגילה של המערכת; כל סטייה מעבר לסף נלמד גורמת להחלפת מדיניות שליטה או להזהיר את המפעיל.זה משפר את הדיוק על ידי מניעת הבקר מרדיפת מקרי חיישנים פגומים או כשלים אקטוטור.

אפשרויות לחיזוי: Proactive vs. Reactive control

יתרון גדול של ML הוא היכולת שלה לחזות מדינות מערכת עתידיות, המאפשר לבקר לפעול באופן יזום ולא פעיל.מודל שליטה חיזוי (MPC) כבר משתמש במודל מערכת כדי לייעל רצף של מהלכים עתידיים, אבל MPC קלאסי מסתמכ על מודל קבוע, לעתים קרובות ליניארי. ML-enhanced MPC מחליף את זה עם מודל מונחה נתונים שניתן לעדכן במהירות ולא יכול לחזות התנהגות מדויקת יותר.

תחזוקה חיזוי במערכות תעשייתיות

במערכות לולאה סגורות כמו חגורות או טורבינות רוח, מודלים של ML לחזות חיים שימושיים (RUL) של רכיבים באמצעות נתוני חיישן כגון רטט, טמפרטורה, וציור נוכחי זה מאפשר לבקר להתאים טעינה ומהירות להאריך את חיי הרכיב תוך שמירה על דרךput. A Siemens מחקר מצא כי שילוב של תחזוקה חיזוי מבוססת ML לתוך לולאה סגורה שלהם מופחתת זמן קצר על ידי 30% ושיפור ציוד הכולל (OEE) הוא גם לא רק מתואם של בקרה סטנדרטית.

בקרת HVAC מבוססת תחזיות

מערכות ניהול בנייה מודרניות משתמשות ב-ML כדי לחזות דיקור ודפוסי מזג אוויר חיצוניים.במקום להגיב לשינויים בטמפרטורה, בקר טרום-התחממות או לפני-קולס את החלל בהתבסס על רווח סולארי צפוי ועל תעבורה אנושית. מודל למידה עמוק שהוכשר על נתונים היסטוריים מהחיישנים של הבניין יכול להפחית את צריכת האנרגיה של HVAC ב- 25–4% תוך שמירה על נוחות בתוך סובלנות קפדנית, כפי שמוצג במחקר מ-Falird ULTS: 1.

יתרונות ברורים של אינטגרציה ML

השילוב של למידת מכונה מספק שיפורים ניכרים על פני ממדים מרובים. בעוד המאמר המקורי המפורט יתרונות גנריים, מחקרים אחרונים של מקרים תעשייתיים מספקים מספרים קונקרטיים.

  • (FLT:0) שיפור דיוק: 1FLT:1 צמח הזרקת דיוק השיג ירידה של 50% בגמישות ממדית לאחר החלפת בקר PID עם בקר מבוסס-רשת עצבית מאומן על 10,000 מחזורי ייצור.
  • יעילות:0 (Energyיעילות: FLT:1 מרכז נתונים קירור באמצעות RL עמוק לחתוך יעילות השימוש בכוח (PUE) מ 1.22 עד 1.09, המייצג מיליוני דולרים בחיסכון מדי שנה.
  • (FLT:0) ,Adaptancy: 1FLT: מערכת איסוף רובוטית ומיקום באמצעות למידה מקוונת המותאם למשקל אובייקטים חדשים בתוך 5 מחזורים, בהשוואה ל-200 מחזורים עבור PID מתואם באופן ידני.
  • (FLT:0) רובווטנס: 1FLT בצמח טיפול במים, בקר ML-enhanced שמר על איכות מופרזת בגבולות רגולטוריים גם במהלך עלייה של 40% בזרימת המים, בעוד בקר קונבנציונלי עלה על פני יותר משעה.

אתגרים ב Deployment

למרות היתרונות משכנעים, פריסת ML במערכות לולאה סגורות מציגה כמה אתגרים לא רצויים שיש לטפל בהם כדי להבטיח ניתוח בטוח ואמינה.

איכות נתונים וזמינות

מודלים ML הם רק טוב כמו נתוני האימון. Noisy חיישנים, מדידות חסרות, והנתונים הכשרה לא ייצוגית יכולים להוביל להכללה גרועה. בלולאה סגורה, שגיאות כאלה עלולות לגרום תנודות או חוסר יציבות. Data preprocessing, הנדסה תכונה חזקה, וסימולציה מבוססת נתונים סינתטיים מבוססים הם חיוניים.

המונחים: constraints

מערכות לולאה סגורות רבות דורשות שליטה בזמן אמת עם מרווחי דגימה במילימטרים.רשתות עצביות עמוקות, במיוחד אלה עם מיליוני פרמטרים, עשויים להציג שקיפות בלתי מקובלת. Solutions כוללים דחיסה מודל (התאזרחות, ריצה), חומרה מחשוב קצה (ג'טסון, FPGA, או TPU), ושימוש במודלים פשוטים אך יעילים יותר כמו יערות אקראיים או שיטות גרעין שבו המסחר המתאים בין מודל לדיוק, יש להעריך בזהירות.

בטיחות ורובוסטנס

מערכת לולאה סגורה שמלומדת באינטרנט יכולה להתנהג ללא תנאי אם היא נתקלת במדינה מחוץ להפצת האימונים שלה.יישומים קריטיים כמו נהיגה אוטונומית או אינפוזיה רפואית דורשים ערבויות רשמיות על יציבות והתכנסות.טכניקות כגון לייפנוב מבוסס למידה, מגן על RL (שם שכבת בטיחות על פעולות לא בטוחות), ותפקודי מחסום בקרה הם תחומי מחקר פעילים, שיטות פרשנות (APRM), עזרה (מהנדסים), מדוע עזרה מגינה מודל אבטחה מסוימת) , עזרה, עזרה, עזרה, עזרה, פעולה מסוימת, מניעת בקרה.

כיוונים עתידיים ומגמות מתפתחות

הסינרגיה בין ML לבין בקרת לולאה סגורה עדיין מתפתחת.המגמות השונות יגדירו את העשור הבא של התפתחות.

תאומים דיגיטליים וסימס-ל-אמת

תאומו דיגיטלי הוא העתק וירטואלי של מערכת פיזית שפועלת בזמן אמת.על ידי הכשרת בקרים בסימולציות (שם מיליוני ניסויים בטוחים ומהירים), ולאחר מכן העברת המדיניות למערכת האמיתית, מהנדסים עקפים נתונים רבים ומגבלות בטיחות. גישה זו, הנקראת העברה פשוטה-למציאותית, שימשה כדי להכשיר ידיים רובוטיות ורחפנים.

למידה מעודכנת עבור Multi-Plant Optimization

בהגדרות תעשייתיות מבוזרות, לכל צמח יש נתונים קנייניים שלא ניתן לשתף אותם באופן מרכזי בשל מגבלות פרטיות או רוחב פס. למידה פדרated מאפשרת מערכות לולאה סגורות מרובות לאמן באופן קולקטיבי מודל עולמי תוך שמירה על נתונים מקומיים.מודל המצטבר לוכד דפוסים בין-גופיים - כגון מכונות זהות שחווה ללבוש דומה - ומשפר דיוק ללא חשיפת נתונים תפעוליים רגישים.

AutoML for Controller

מסגרות למידה אוטומטיות של מכונה (AutoML) מותאמות למציאת היפר-פרפרפרמטרים אופטימליים וארכיטקטורה רשת עבור יישומים שליטה.במקום ניסיון ידני וטרור, AutoML יכול לחפש על חללי אדריכלות עצביים, שיעורי למידה, ולתגמל פונקציות כדי לגלות בקרים כי הם גם מדויקים וגם יעילים חישוביים.זה מוריד באופן משמעותי את המחסום עבור מהנדסים לא-מיוחדים כדי לפרוס את השליטה על ML.

יישום אמיתי בעולם: מבט עמוק יותר

כדי להמחיש את ההשפעה המעשית, לשקול שלושה תחומים מגוונים שבהם מערכות הלולאה סגורה של ML-enhanced עברו ממחקר לייצור.

ניהול לייזר: לייזר Welding Quality control

במשחת לייזר, איכות המפרק תלויה בעוצמה, מהירות ומיקום מוקד.מערכת לולאה סגורה מסורתית משתמשת photodiodes כדי למדוד פליטות פלזמה ולהתאים את הכוח מעט. מודל למידה עמוק שמעבד תמונות מצלמה מהירה ונתונים ספקטרומטר יכול לחזות porosity ותחת חתכים עם 95% דיוק, התאמת פרמטרים ב 200 הרץ.

רכב אוטונומי: מסלול מסלול

כלי רכב אוטונומיים משתמשים בקרים לולאה סגורים להיגוי, בבריכה ובבעטים.בעוד שגישות קלאסיות כמו סטנלי בקר פועלות היטב במהירויות בינוניות, הם נאבקים על כבישים חלקלקטיים או על עקומות חדות.בקר עמוק ב-RL שהוכשר בסימולציה עם חיכוך וריפוי דרכים משיג 30% שגיאה מעקב נמוכה יותר מאשר בקר הבסיס על נתונים ציבוריים.

אנרגיה: Microgrid Frequency control

מיקרוגרואידים משלבים מקורות מתחדשים כמו השמש והרוח, המציגים את הזמינות.בקר צפוי באמצעות תחזית רשת עצבית של אי-המציאות הסולארית ומהירות הרוח יכול לשמור על תדירות בתוך ±0.2 הרץ אפילו מתחת ל-50% חדירה מתחדשת, תוך כדי יצירת בקר ברירת מחדל של PI על ידי גורם של שלוש הפרעות.זה מאפשר שילוב מתחדש גבוה יותר ללא יציבות רשת.

בעוד שלמידה של מכונה ממשיכה להתבגר, השילוב שלה במערכות לולאה סגורות כבר לא יהיה חידוש אבל פרקטיקה סטנדרטית.שילוב של הסתגלות מבוססת נתונים, פיקוח חיזוי, אופטימיזציה חזקים כבר מספק רווחים דיוק שלא ניתן להשגה עם שיטות קלאסיות בלבד. מעצבי מערכת אשר לאמץ את הטכניקות האלה לבנות אוטומציה שהיא לא רק חכמה יותר אלא גם יותר יעילה יותר לאי-ודאות של העולם האמיתי מתיאוריה של פעילות, כולל תגמולים של אבטחה, אלא גם חסכוניים, אלא גם חסכוניים, אלא גם חסכוניים, אלא גם חסכוניים, אלא גם חסכוניים, אלא גם יותר, אלא גם יותר, חסכוניים, חסכוניים, אלא גם יותר, אלא גם יותר, חסכוניים, חסכוניים, חסכוניים, אלא גם יותר, אלא גם יותר, אלא גם יותר, חסכוןים, אלא גם יותר, חסכוניים חישוביים, אך יעילים יותר, אך יעילים יותר, אך יעילים יותר, אך יעילים יותר, אך יעילים יותר, אך יעילים יותר, אך יעילים יותר, אך יעילים יותר, אך יעילים יותר, אך יעילים יותר, אך יעילים יותר, אך יעילים יותר, אך יעילים יותר, אך יעילים יותר, אך יעילים יותר, אך ורק חסכוניים, אך יעילים יותר, אך