Hiểu hệ thống vòng lặp đóng cửa

Hệ thống vòng khép, cũng được biết đến như hệ thống điều khiển phản hồi, là xương sống của tự động hóa hiện đại. Chúng hoạt động liên tục bằng cách đo kết xuất của một tiến trình, so sánh nó với điểm đã mong muốn, và điều chỉnh dữ liệu nhập để giảm thiểu lỗi. Hệ thống tự sửa chữa này là cơ bản cho ứng dụng từ quy tắc điều chỉnh điện trong nhà thông minh đến độ chính xác chuyển động trong cánh tay robot. Thành phần lõi bao gồm bộ nhạy cho phản hồi, bộ điều khiển (như bộ điều khiển định hướng) và bộ điều khiển hành để áp dụng sửa chữa. Hệ thống truyền thống truyền thống truyền thống này đóng lại dựa trên mô hình toán học cố định và lý thuyết tuyến tính, mà có thể thực hiện được trong điều kiện chuyển động không có tính toán, nhưng có sự chậm trễ về thời gian và môi trường.

Thành phần của hệ thống vòng lặp đóng cửa

Mỗi hệ thống vòng kín bao gồm năm yếu tố thiết yếu: quá trình kiểm soát, bộ cảm biến mà đo lường đầu ra, bộ điều khiển tính toán các lỗi và hành động điều khiển, bộ kích hoạt thực hiện hành động, và đường dẫn phản hồi đóng các vòng lặp. Lấy thí dụ, trong lò sưởi công nghiệp, bộ cảm biến nhiệt độ chuyển đổi dữ liệu thành bộ điều khiển mà điều chỉnh van khí để duy trì nhiệt độ tập trung. hiệu suất của hệ thống thường được đánh giá trong điều kiện ổn định, ổn định, ổn định thời gian, hơn bắn và lỗi chính thức. Tuy nhiên, hệ thống này thay đổi khi hệ thống hoạt động hoặc cảm biến động khi giới thiệu nhiễu.

Những giới hạn của sự kiểm soát cổ điển

Phương pháp điều khiển cổ điển như PID (Tọa độ tương ứng- đối-Interral) phụ thuộc vào đánh giá bằng tay và tối ưu chỉ trong phạm vi hoạt động hẹp. Khi điều kiện thay đổi - như việc thay đổi trọng lượng trong một động cơ điện hay tính năng khác nhau trong lò phản ứng hóa học - hiệu suất điều khiển của máy tính này bị suy giảm. Máy học địa chỉ những giới hạn này bằng cách bật hoạt động, cấu hình dữ liệu mà không cần thiết tái lập lại trình.

Vai trò của người máy trong việc học thay đổi vai trò

Học tập máy (ML) tăng cường hệ thống vòng khép lại bằng cách chuyển từ quy tắc dựa trên việc học tập điều khiển. Thay vì phụ thuộc vào phương trình tĩnh, mô hình ML phức tạp suy luận giữa dữ liệu nhập và kiểm soát kết xuất từ dữ liệu lịch sử và thời gian thực. Tính năng này đặc biệt mạnh mẽ trong môi trường với tính chất không tuyến tính cao, sự kết nối, hay sự nhiễu máy tính không rõ. Kỹ thuật như việc củng cố việc học (RL), giám sát và mạng thần kinh sâu đã được áp dụng để cải thiện độ chính xác và khả năng thích nghi.

Chuyên gia học cách nhận diện hệ thống

Nhận diện hệ thống là tiến trình xây dựng một mô hình toán học của một hệ thống tính năng từ dữ liệu nhập vào. Các phương pháp học tập được giám sát để điều chỉnh điểm HVAC, đặc biệt là mạng thần kinh sâu, có thể học những mô hình chính xác của hệ thống phi tuyến tính. Thí dụ, mạng thần kinh có thể mô hình động lực nhiệt của một tòa nhà hơn một mô hình tuyến tính đơn giản, cho phép một bộ điều khiển dự đoán để điều chỉnh điểm HVAC với tiêu thụ năng lượng tối thiểu. Một cuộc nghiên cứu từ [FL: 0]E TC trên Mạng Mạng và Học tập Hệ thống [FL] chứng minh rằng mô hình thần kinh dựa trên các mô hình hệ thống thần kinh dựa trên các mô hình mạng XX (bằng cách dùng tối thiểu).

Học thêm về chính sách hôn nhân

Trong một hệ thống vòng khép, một tác nhân RL quan sát tình trạng (các thư mục đọc), chọn một hành động (điều khiển kết nhập), và nhận phần thưởng dựa trên kết quả xuất ra. Trong thời gian, nó học cách tăng cường phần thưởng - chuẩn với việc giảm thiểu lỗi và sử dụng năng lượng. Phương pháp RL như TB (DQN) và Proximized (P) đã đạt được hiệu suất siêu phàm trong việc mô phỏng và điều khiển thực tế. Lấy thí dụ, GoogleMind GL sẽ giảm thiểu các dữ liệu tiêu dùng năng lượng (bằng cách giảm nhẹ, giảm dần) khi hệ thống an toàn [FTTTT].

Học sâu về sự nhiệt huyết của bộ cảm biến

Nhiều hệ thống vòng khép lại dựa vào nhiều bộ nhạy khác nhau (v. d., máy ảnh, bộ tạo ống kính, bộ mã hóa). Mô hình học sâu có thể kết hợp những dữ liệu tăng tốc thời gian, để tạo ra một trạng thái chính xác và mạnh hơn các bộ cảm biến riêng lẻ. Trong khả năng tự điều khiển phương tiện, hệ thống thần kinh cảm biến (CN) xử lý ảnh trong khi các mạng máy ảnh lặp lại mạng tăng tốc độ thời gian, cho phép dự đoán đường đi với độ chính xác phụ. Phương pháp này giảm đáng kể ảnh hưởng của bộ nhạy hoặc tiếng ồn của bộ nhạy.

Quyết định dữ liệu-Driven: vượt xa logic truyền thống

Điều khiển truyền thống thực hiện quyết định dựa trên so sánh đơn giản (Braw = setpoint – đo lường). Máy học tập cho phép đưa ra quyết định kiểu lệnh cao hơn, cảm biến chéo tương quan với quan lâu dài. Ví dụ, trong một nhà máy trộn hóa học, một mạng thần kinh có thể phát hiện dấu hiệu đầu của chất độc xúc tác từ độ rung tinh tế và nhiệt độ thay đổi - chuyển không thể nhìn thấy được đến một bộ điều khiển tuyến tính và điều chỉnh tỷ lệ hình ảnh để tránh sự vi phạm chất lượng sản phẩm.

Học hỏi trực tuyến và thích ứng với đời sống

Một trong những khía cạnh quý giá nhất của ML trong hệ thống vòng khép kín là khả năng cập nhật các mô hình trong thời gian thực như luồng dữ liệu mới. Các thuật toán trực tuyến, như biến đổi vercrupt và gốc gốc theo mùa hoặc đệ quy trình ít nhất là hình dạng hạt nhân, cho phép bộ điều khiển tiếp tục tinh luyện mô hình mà không cần phải sửa chữa. Điều này là thiết yếu cho hệ thống có khả năng trôi dạt dần dần, chẳng hạn như cơ học cơ học trong một bảng điều khiển máy hay thay đổi theo mùa trong bảng năng hiệu suất mặt trời. Một trường hợp nghiên cứu từ [FT: 0] phương pháp nhân: 0, 0 sáng tạo: 22.07: 045] [FU] cho thấy một hệ thống tự quản lý bản bản bản địa phương pháp điều khiển máy tính, bằng cách điều khiển phát triển phát triển nhanh, trong vòng một tiến trình điều khiển phát triển trực tuyến 5% trong vòng 1.000 giờ đầu tiên định sẵn sàng của chương trình GB.

Phát hiện vô căn cứ và không khoan dung

Mô hình học máy cũng có thể hoạt động như màn hình giám sát để phát hiện sự bất thường trong hành vi vòng khép kín. Các bộ mã hoá tự động và hệ thống SVM học được phong bì hoạt động bình thường của hệ thống; bất kỳ sự lệch lạc nào bên ngoài ngưỡng học tập gây ra một công tắc chính sách điều khiển hoặc báo động người điều khiển. Điều này cải thiện độ chính xác bằng cách ngăn chặn bộ điều khiển đọc hay bộ kích hoạt lỗi. Trong chế độ bay, hệ thống định vị dựa trên đường dây đã giảm tốc độ báo động sai khi bắt lỗi chính sách 99%, trong khi [FT: 0] Theo [FAS] Cơ quan Nghiên cứu Hàng không: 1].

Tính năng dự đoán: Kích hoạt chống lại. Điều khiển hoạt động lại

Một lợi thế lớn của ML là khả năng dự đoán các trạng thái tương lai, cho phép bộ điều khiển hoạt động tích cực hơn là phản ứng. Kiểm soát dự đoán kiểu mẫu (MPC) đã sử dụng một hệ thống để tối ưu hóa một chuỗi điều khiển tương lai, nhưng MPC cổ điển phụ thuộc vào một mô hình tuyến tính cố định. LL-hanced MPC thay thế điều này bằng một mô hình dữ liệu có thể được cập nhật nhanh hơn và có thể dự đoán ứng xử phi tuyến tính chính xác hơn.

Bảo trì bằng dự đoán trong các hệ thống công nghiệp

Trong hệ thống vòng kín như băng tải hoặc tua bin gió, mô hình ML dự đoán còn lại có ích (RUL) các thành phần sử dụng dữ liệu nhạy như rung động, nhiệt độ và vẽ hiện thời. Điều này cho phép bộ điều khiển điều chỉnh nạp và tốc độ để kéo dài sự sống thành phần trong khi duy trì thông qua. Một nghiên cứu Silemens tìm thấy rằng việc tích hợp sự bảo trì dựa trên ML- dự đoán về vòng lặp khép kín của họ giảm thời gian không được dự đoán trước và hiệu quả tổng thể đến năm 15%. Kết quả tổng thể. Kết quả là hệ thống đóng cửa không chỉ điều khiển các tiến trình mà còn bảo trì sức khỏe của nó.

Điều khiển HVAC đã định sẵn

Hệ thống quản lý xây dựng hiện đại dùng ML để dự đoán các mẫu thời tiết và địa hình bên ngoài. Thay vì phản ứng với các thay đổi nhiệt độ, bộ điều khiển trước khi nóng hoặc làm mát không gian dựa trên mức năng lượng dự báo và giao thông của con người. Một mô hình học tập sâu được đào tạo về dữ liệu lịch sử từ bộ cảm biến của tòa nhà có thể giảm 25–40% trong khi duy trì sự thoải mái trong việc chịu đựng nghiêm ngặt, như được trình bày trong nghiên cứu [FT: 0] U.S. Bộ Nghiên cứu Phòng Nghiên cứu về Phòng Năng lượng [FL: 1].

Lợi ích chính xác của sự hợp nhất ML

Sự tích hợp của máy học cung cấp sự cải tiến có tính toán trên nhiều chiều. Trong khi bài báo gốc liệt kê các lợi ích chung, các trường hợp công nghiệp gần đây cung cấp các con số cụ thể.

  • cải tiến tính cầu kỳ:) Một cây phun chính xác đạt được 50% khả năng biến đổi chiều sau khi thay thế một bộ điều khiển định vị bằng một bộ điều khiển dựa trên mạng thần kinh được đào tạo trên 10.000 chu kỳ sản xuất.
  • Hiệu suất sử dụng ): Trung tâm dữ liệu làm mát bằng cách sử dụng hiệu quả sử dụng điện năng sâu (PUE) từ 1.22 đến 1.09, đại diện hàng triệu đô la trong tiết kiệm hàng năm.
  • Khả năng truy cập:) Một hệ thống máy móc chọn và thay thế sử dụng việc học trực tuyến thích nghi với trọng lượng mới trong vòng 5 chu kỳ, so với 200 chu kỳ cho một biểu tượng tái tạo.
  • Cả sự chuyển hóa:) Trong một nhà máy xử lý nước, một bộ điều khiển bằng ML-nluced được duy trì chất lượng trong giới hạn quy định ngay cả trong khi dòng chảy tăng 40%, trong khi bộ điều khiển thông thường vượt quá giới hạn trong hơn một giờ.

Những thử thách trong việc triển khai

Bất kể những lợi ích hấp dẫn, việc triển khai ML trong hệ thống khép kín đưa ra nhiều thách thức không liên quan đến việc đảm bảo hoạt động an toàn và đáng tin cậy.

Chất lượng dữ liệu và số lượng

Mô hình ML chỉ tốt như dữ liệu đào tạo. Cảm biến không có gì, đo đạc và các bộ dữ liệu không có tính đại diện có thể dẫn đến sự tổng quát hóa kém. Trong một vòng khép kín, những lỗi như thế có thể gây ra dao động hoặc bất ổn định. Tính năng sẵn sàng, kỹ thuật cấu hình, và mô phỏng dữ liệu tổng hợp là thiết yếu. Các hệ thống có lịch sử hoạt động hạn có thể đòi hỏi sự học hỏi sự chuyển đổi từ các tiến trình tương tự.

Các biện pháp tính toán

Nhiều hệ thống vòng khép kín cần sự điều khiển thời gian thực với khoảng thời gian thử nghiệm trong phần nghìn giây. Mạng thần kinh sâu, đặc biệt là những hệ thống có hàng triệu tham số, có thể giới thiệu tính năng mở rộng không thể chấp nhận được. Giải pháp bao gồm khả năng nén mô hình (sự thẩm định, tỉa), phần cứng điện toán (Jetson, FPGA, hoặc TPU), và sử dụng mô hình đơn giản nhưng hiệu quả như các khu rừng ngẫu nhiên hoặc các phương pháp hạt nhân thích hợp. Các giải pháp trao đổi phải được đánh giá cẩn thận.

An toàn và sự lột trần

Một hệ thống vòng kín học trực tuyến có thể hoạt động không tiên đoán được nếu nó gặp một trạng thái ở xa nơi nó được huấn luyện. Các ứng dụng nghiêm trọng như tự động lái xe hoặc thuốc giải quyết cần thiết các bảo đảm chính thức về sự ổn định và hội tụ. Kỹ thuật viên như Lyapunov có thể tiếp cận một việc học dựa trên việc tăng cường, bảo vệ RL (nơi mà lớp an toàn có thể thay thế hành động không an toàn), và các chức năng kiểm soát là các khu vực nghiên cứu hoạt động. Ngoài ra, các phương pháp khả năng giải thích (SP, LIME) giúp các kỹ sư hiểu tại sao mô hình lại có hành động, hỗ trợ tính năng điều khiển và cấu hình giảm thiểu lỗi và cấu hình.

Những hướng đi trong tương lai và những cuộc chiến tranh gay go

Sự cộng hưởng giữa ML và kiểm soát vòng lặp khép kín vẫn đang tiến triển.

Hai mặt số và chuyển đổi đơn giản sang điều kiện lại

Một cặp song sinh số là một mô phỏng ảo cao của một hệ thống vật lý chạy trong thời gian thực. Bằng cách đào tạo bộ điều khiển ML trong mô phỏng (nơi hàng triệu thử nghiệm là an toàn và nhanh), sau đó chuyển chính sách này sang hệ thống thật, các kỹ sư vượt qua nhiều dữ liệu và sự hạn chế an toàn. Cách tiếp cận này được gọi là Mô phỏng chuyển giao đơn đối xứng, đã được dùng để đào tạo máy móc dexterous tay và máy bay bốn bánh. Khoảng cách giữa mô phỏng và thực tế là cầu nối bằng cách ngẫu nhiên và đào tạo đối xứng hợp.

Tập đa năng hóa

Trong các thiết lập công nghiệp được phân phối, mỗi thực vật có dữ liệu riêng không thể được chia sẻ trung tâm do sự riêng tư hay hạn chế băng thông. Việc học tập cho phép nhiều hệ thống vòng kín tập hợp lại để tập hợp một mô hình toàn cầu trong khi giữ dữ liệu cục bộ. Mô hình kết hợp lại có thể được chia sẻ với nhau, chẳng hạn như bộ máy tương tự như bộ máy đang mặc và cải thiện độ chính xác mà không phơi bày dữ liệu hoạt động nhạy. Kết quả trong các nhà máy cuộn thép cho thấy giảm 20% trong việc giữ dữ liệu địa phương.

Tự độngML để điều khiển điều khiển

Các khuôn khổ tự động học (tự độngML) đang được điều chỉnh để tìm các thiết bị siêu chuẩn và cấu trúc mạng tối ưu cho các ứng dụng điều khiển. Thay vì thử nghiệm và khủng bố bằng tay, AutoML có thể tìm kiếm trên không gian cấu trúc thần kinh, tỷ lệ học tập và các chức năng thưởng để khám phá các bộ điều khiển vừa chính xác vừa có tính toán. Điều này làm giảm đáng kể các rào cản cho các kỹ sư không ưu tiên để triển khai khả năng kiểm soát MLenced.

Ứng dụng thế giới thực: Một cái nhìn sâu sắc hơn

Để minh họa tác động thực tế, hãy xem xét ba lĩnh vực khác nhau nơi mà hệ thống vòng kín ML-enhanced đã di chuyển từ nghiên cứu sang sản xuất.

Sản xuất: Kiểm soát chất lượng hàn laser

Trong việc hàn laser, chất lượng của khớp phụ thuộc vào năng lượng, tốc độ và vị trí tập trung. Một hệ thống vòng đóng kín truyền thống sử dụng ảnh chụp để đo độ phóng xạ plasma và điều chỉnh năng lượng một chút. một mô hình học sâu có thể xử lý hình ảnh tốc độ cao và dữ liệu quang phổ có thể dự đoán độ mờ và độ chính xác thấp với 95% độ chính xác, điều chỉnh tại 200 Hz. Kết quả là sự kết quả là sự kết hợp không có kết hợp giữa các máy điện tự động.

Xe tự động: Đường dẫn theo dõi

Trong khi những cách tiếp cận cổ điển như Stanley điều khiển với tốc độ vừa phải, chúng phải vật lộn với những con đường trơn trợt hoặc những đường cong sắc nét. Một bộ điều khiển RL sâu được huấn luyện trong việc mô phỏng sự ma sát và đường cong khác nhau đạt được 30% lỗi theo dõi theo dõi theo chiều ngang thấp hơn so với bộ điều khiển đường công cộng.

Năng lượng: Điều khiển tần số vi mô

Vi mô phỏng tích hợp các nguồn tái tạo như năng lượng mặt trời và gió, tạo ra khả năng biến đổi. một mô hình kiểm soát dự đoán bằng cách sử dụng dự báo mạng thần kinh của năng lượng mặt trời và tốc độ gió có thể duy trì tần số trong dâng 0,2 hz thậm chí dưới 50% khả năng tái tạo, vượt quá mức kiểm soát công nghệ thông tin mặc định bởi yếu tố 3 yếu tố bị từ chối. Điều này cho phép sự kết hợp năng lượng tái tạo cao hơn mà không có sự bất ổn định.

Khi máy học tiếp tục trưởng thành, sự tích hợp của nó vào hệ thống khép kín sẽ không còn là một sự mới lạ nữa nhưng là một thực hành chuẩn. sự kết hợp của sự thích nghi dữ liệu được định trước, dự đoán và tối ưu cao hóa đã có những sự đạt được sự chính xác mà chỉ riêng các phương pháp cổ điển. các nhà thiết kế hệ thống sẽ tiếp nhận các kỹ thuật này sẽ xây dựng tự động mà không chỉ thông minh hơn mà còn có tính kiên cường hơn cho thế giới thực. hành từ lý thuyết để phát triển sự chú ý đến các đường ống dữ liệu, sự an toàn, và hiệu quả, nhưng phần thưởng được bảo đảm - được bảo về năng lượng - được bảo trong tiết kiệm năng lượng, giảm thiểu và tuổi thọ đáng kể.