了解闭环系统

闭环系统,也称回馈控制系统,是现代自动化的支柱。它们通过连续测量一个过程的输出,将其比作一个理想的定点,并调整输入以尽量减少出错。这种自我校正机制对于从智能家庭的自转调节到机器人武器中的精确运动控制等各种应用都至关重要。 核心组件包括一个反馈传感器、一个控制器(如PID控制器)和一个应用校正的动因子。 传统的闭环系统依赖于固定数学模型和线性控制理论,这些模型和理论在可预见的条件下表现良好,但与非线性、时间拖延和环境扰动相抗衡。

闭环系统组件

每个闭环系统包括五个基本要素:控制下的进程、测量输出的传感器、计算出错和控制动作的控制器、执行动作的起动器以及关闭循环的反馈路径。例如,在工业炉中,温度传感器向控制器转发数据,调节气体阀以维持设定温度。这些系统的表现通常从稳定性、定时、超射和稳态误差等角度来评估。 然而,当系统动态变化或传感器噪音带来不确定性时,这些度量计会退化。

传统管制的限制

诸如PID(Protional-Integral-Derivative)等经典控制方法的调制依赖于手动校正,并且只在狭窄的操作范围内才最优化。 当条件不同时——比如电动机的负荷变化或化学反应堆的粘度变化——控制器的性能会恶化。机器学习通过允许动态的、由数据驱动的调制而无需明确重新编程,从而解决这些局限性。

机器学习的转型作用

机器学习(ML)通过从基于规则的到基于学习的控制来增强闭环系统。ML模型不依赖静态等式,而是在传感器输入和控制结果之间从历史数据和实时数据推断出复杂的绘图。在非线性、相接性或未知扰动程度高的环境中,这种绘制特别强大。强化学习(RL)、有监督的学习和深神经网络等技术已经成功应用,以提高准确性和适应性。

系统识别监督学习

系统识别是从输入输出数据中构建动态系统的数学模型的过程. 监督学习方法,特别是深神经网络,可以学习高度精确的非线性系统的模型. 例如,神经网络可以比简单的线性模型更准确地建模建筑物的热能动态,使预测控制器能够以最小能耗来调整HVAC的定点. 的2021年研究显示,基于神经网络的NARX模型在温度控制应用中比经典的ARX模型减少了40%的预测错误.

加强学习,促进最佳政策

强化学习(RL)为直接通过试和误差的学习控制政策提供了一个框架。在一个闭环系统中,一个RL代理观察状态(传感器读取),选择动作(控制输入),并根据结果得到奖励。随着时间的推移,它学会了最大限度地增加累积奖励,相当于最大限度地减少误差和能量使用。深网(DQN)和近距离政策优化(PPPO)等深网方法在模拟和现实世界控制任务中实现了超人性能。例如,谷歌DeepMind在维持温度限制的同时,将RL应用于数据中心冷却能消耗减少40%,详见 DeepMind的安全-第一AI冷却系统。

传感器融合的深层学习

许多闭环系统依赖于多个具有不同特性的传感器(如相机,lidar,编码器). 深层学习模型可以将这些异质输入器相接而成,产生比单个传感器更准确更强健的状态估计. 在自主的车辆控制中,分解神经网络(CNN)处理相机图像,而经常性网络则整合时间加速数据,输入一个模型预测控制器,确保车道保持分米精确度,这种方法可显著地减少传感器的中断或噪音的影响.

数据驱动决策:超越传统逻辑

传统控制器基于简单的比较(error = setpoint – simporting ) 来执行决策。 机器学习可以让决策考虑到更高排序模式、跨传感器关联和长期依赖性。 比如,在一个化学混合工厂,神经网络可以检测出从微妙振动和温度变化中产生的催化剂中毒的早期迹象 — — 线性控制器看不见的标点 — — 并调整饲料率以避免产品质量被违反。

在线学习和适应

闭环系统中ML最有价值的方面之一是能够实时更新模型,作为新数据流。在线学习算法,如有内核方法的分层梯度下降变体或递归最小平方,允许控制器不断改进模型而无需全面再培训。这对于经历逐渐漂移的系统来说至关重要,如机械穿戴在机器人臂上或太阳板效率的季节性变化。 arXiv:2203.07845[[[FLT: 1]] 的案例研究显示,一个使用在线高斯进程回归的自适应PID控制器在运行1000小时后保持了最初最佳状态的5%以内的表现,而固定PID则退化了25%。

异常检测和过失容忍

机器学习模型也可以作为监视器来检测闭环行为中的异常。 自动编码器和一等SVM学习系统的正常操作信封;任何超过所学阈值的偏差都会触发控制政策开关或提醒操作员。这可以通过防止控制器跟踪错误的传感器读取或激活器故障来提高准确性。在航空领域,基于ML的逐线系统的故障检测降低了60%的假警报率,同时捕捉到99%的实际故障,根据美国航天局航空研究任务局。

预测能力:主动性对反应控制

ML的一个主要优势是它能够预测未来的系统状态,使控制器能够主动采取行动而不是被动地行动. Model 预测控制(MPC)已经使用系统模型来优化未来控制动作的顺序,但古典MPC依赖于固定的,往往是线性的模式. ML-增强的MPC用一个数据驱动模型来取代它,可以快速更新并更准确地预测非线性行为.

工业系统预测维护

在诸如传送带或风轮机等闭环系统中,ML模型利用振动,温度等传感器数据预测组件的剩余使用寿命(RUL),这使得控制器在保持吞吐量的同时可以调整装载和速度以延长组件寿命. Siemens研究发现,将基于ML的预测维护纳入其闭环自动化中,将计划外的停机时间减少了30%,提高了设备整体效能(OEE)15%. 结果是闭环系统不仅控制了过程变量,而且优化了自身健康.

基于预测的HVAC控制

现代建筑管理系统使用ML来预测占用和外部天气模式。 控制器不是对温度变化作出反应,而是根据预测的太阳增收和人类交通量对空间进行预热或预冷。 建筑传感器历史数据方面的深层学习模型可以将HVAC能耗降低25-40%,同时在严格耐受范围内保持舒适,美国能源部建筑技术办公室的研究就表明了这一点。

混合劳动一体化的量化效益

机器学习的结合在多个层面都带来可衡量的改进,虽然原文章列出了通用的效益,但最近的工业案例研究提供了具体数字。

  • 精准注射模具厂在用一个神经网络控制器取代一个PID控制器,经过了10,000个生产周期的培训后,实现了50%的维可变性下降.
  • 能源效率:[] 数据中心用深RL的断能使用效能从1.22到1.09进行冷却,代表每年节省了数百万美元.
  • 可适应性:[] 机器人取地系统,在5个周期内使用适应新对象重量的在线学习,而手动重制PID的200个周期.
  • 阻力:在一个水处理厂,一个ML增强控制器即使在40%的流出量激增期间仍保持了排出物的质量,而常规控制器超过限制超过限制1个多小时。

部署方面的挑战

尽管有令人信服的好处,但将ML部署在封闭的循环系统中,带来了一些非三角挑战,必须加以解决,以确保安全和可靠的运作。

数据质量和数量

ML模型只和训练数据一样好. 噪音传感器,缺失的测量,和不具有代表性的训练数据集可能导致简略化的差错. 在闭环中,这种错误会导致振荡或不稳定. 数据预处理,强力特性工程,和模拟合成数据生成都是必不可少的. 运行历史有限的系统可能需要从类似过程的转移学习.

计算制约因素

许多闭环系统需要实时控制,采样间隔以毫秒为单位. 深神经网络,特别是那些有上百万个参数的神经网络,可能会引入不可接受的后期. 解决方案包括模型压缩(定量,普鲁恩),边缘计算硬件(杰松,FPGA,或TPU),以及酌情使用随机森林或内核方法等简单而有效的模型. 模型精度与推论速度之间的权衡必须仔细评估.

安全和健全

一个在线学习的闭环系统如果遇到远在其培训分发之外的状态,其行为就可能不可预测。 自主驾驶或医疗药物注入等安全关键应用需要稳定性和趋同性的正式保证。基于Lyapunov的强化学习、屏蔽RL(安全层可以覆盖不安全的行动)和控制屏障功能等技术是活跃的研究领域。 此外,可解释性方法(SHAP,LIME)帮助工程师理解一个模型为什么采取某种控制行动,为调试和认证提供便利。

未来方向和新趋势

移动控制与闭环控制之间的协同作用仍在演变之中,若干趋势将决定下一个发展十年。

数字双胞胎和Sim-to-Real 传输

数字双胞胎是实时运行的物理系统的一种高真性虚拟复制品。通过对ML控制器进行模拟(其中数百万次试验安全而快)的培训,然后将政策转移到了真正的系统,工程师们绕过许多数据和安全限制。这种方法被称为sim-to-real 传输,被用于训练德克星机器人手和四相机无人机。模拟与现实之间的差距通过域随机化和对抗性训练来弥补。

多植物优化学习联盟

在分布式工业环境中,每个工厂都拥有专有数据,由于隐私或带宽限制而无法集中共享。联邦学习允许多个闭环系统在将数据保存在本地的同时集体训练一个全球模型。 汇总模型捕捉出跨工厂模式 — — 如同样磨损的机械 — — 并在不暴露敏感操作数据的情况下提高了精度。 钢制滚磨厂的早期结果显示,与本地培训的模型相比,采用联合模型的缺陷减少了20%。

控制器图宁的自动ML

正在对自动机器学习(AutoML)框架进行修改,以找到用于控制应用的最佳超参数和网络架构。AutoML可以不进行人工试验和操作,而是搜索神经结构空间、学习率和奖励功能,以发现准确和计算效率的控制器。这大大降低了非专业工程师部署ML增强控制的障碍。

真实世界应用:更深的外观

为了说明实际影响,考虑三个不同的领域,即ML增强的闭环系统从研究转向生产。

制造:激光焊接质量控制

在激光焊接中,关节的质量取决于功率,速度和焦位. 传统的闭环系统使用光电极来测量等离子体排放并略微调整功率. 处理高速相机影像和分光仪数据的深层学习模型可以预测孔径和下切分,精度为95%,以200赫兹来调整参数. 结果是汽车电池制造中的零分解焊接.

自主车辆:路径跟踪

自主车辆使用闭环控制器进行转向、节流和制动。 虽然像斯坦利控制器这样的经典方法在中速上运作良好,但它们在滑行道或锐曲线上挣扎。 接受过不同摩擦和道路曲率模拟训练的深层RL控制器比公共道路数据上的基准控制器实现了30%的平面跟踪错误。 ML模型学习了预测转向滞后和主动补偿。

能源:微网频率控制

微网融合了太阳能和风能等可再生能源,从而引入了可变性。 利用神经网络预测太阳辐照和风速的模型预测控制器,即使不到50%的可再生渗透率,也能在±0.2赫兹范围内保持频率,在扰动排斥中以3倍的系数比默认的PI控制器高。 这可以使更高的再生融合不不稳定。

随着机器学习的不断成熟,它融入闭环系统将不再是新颖的,而是一种标准的做法。 数据驱动的适应、预测和强力优化相结合,已经带来了仅靠古典方法无法实现的准确性收益。 采用这些技术的系统设计师将构建自动化,不仅更聪明,而且更能适应现实世界的不确定性。 从理论到部署的历程需要认真关注数据管道、安全限制和计算效率,但衡量在节能、减少缺陷和系统寿命方面的回报是巨大的。