وقد حولت الشبكات العصبية بشكل أساسي مجال الهندسة الرقابية، ولا سيما عندما تطبق على تنظيم النظم الدينامية المعقدة واستقرارها، وقدرتها على التعلم والتكيف على الإنترنت، مما يجعلها قوية بشكل خاص في السيناريوهات التي تواجه فيها أساليب الرقابة التقليدية القائمة على النماذج قيودا متأصلة، مثل معالجة أوجه عدم التقادم الشديدة، والديناميات غير المأهولة، والبارامترات الزمنية، وهذه المادة تتيح دراسة شاملة لكيفية إدماج الشبكات العصبية في أطر الرقابة الحقيقية، وتستكشف دراساتها النظرية.

التعريف بالشبكات العصبية في نظم الرقابة

والشبكات العصبية هي هياكل حاسبية مصممة بشكل غير مباشر بعد الشبكات العصبية البيولوجية للدماغ البشري، وتتألف من طبقات من وحدات التجهيز المترابطة (الرياح) التي تحول إشارات المدخلات من خلال وظائف تنشيط غير خطية، وتُعدل قوة هذه الشبكات - الوزن أثناء عملية التدريب، مما يتيح للشبكة إمكانية وضع خرائط عشوائية غير خطية من حجر الزاوية.

إن إدماج الشبكات العصبية في حلقات المراقبة ليس فكرة جديدة؛ فالعمل الأساسي في التسعينات وضع الأسس النظرية، غير أن التقدم الأخير في المعدات الحاسوبية، والحسابات التدريبية، والتعلم العميق قد أعاد تأكيد الاهتمام ومكن من نشر النظم المتجسدة في الوقت الحقيقي، وقد أدى ظهور أطر مثل نظام تينسور فلو وPy Torch، مقرونة بالحدود الجامدة للتعددية، إلى جعل التقارب بين الأطراف في التدريب والضوابط المعقدة.

الرقابة التكيفية والتحديات الأساسية التي تواجهها

فالضبط التأديبي هو منهجية تسمح لمراقب أن يضبط تلقائياً معاييره استجابة للتغيرات في ديناميات النظام أو الاضطرابات الخارجية، وهذا أمر حاسم بالنسبة للنظم التي يتطور سلوكها بمرور الزمن أو التي لا يعرف نموذجها بدقة، وتقنيات الرقابة التقليدية - مثل الرقابة المرجعية النموذجية، والمنظمين الذين يحافظون على أنفسهم - على نماذج شبه قياسية خطية، ويفترضون أن هيكل النظام معروف.

ومن التحديات الأساسية أن ديناميات العالم الحقيقي نادراً ما تكون خطية، فعلى سبيل المثال، فإن القوى الهوائية على طائرة تتغير بصورة غير مباشرة مع زاوية الهجوم؛ والاحتكاك في مفاصل آلي يعتمد على السرعة بطريقة غير متماثلة؛ والثقل على مقياس كهربائي يتفاوت بشكل ثابت.

وتتصدى الشبكات العصبية لهذه التحديات بتوفير جهاز قياسي مرن وغير خطي يمكن أن يمثل سلوكا معقدا في النظام دون أن يتطلب هيكلا نموذجيا ثابتا، ويمكن تدريبها على الإنترنت أو على شبكة الإنترنت لاستخلاص ديناميات المصنع، ويمكن دمجها في هياكل الرقابة التكييفية التي تستكمل أوزان الشبكة في الوقت الحقيقي، وتفتح هذه القدرة إمكانيات جديدة لنظم التحكم التي كانت تعتبر في السابق صعبة للغاية لإدارة مستقلة.

دور الشبكات العصبية في هياكل الرقابة التكيفية

وتُنشر الشبكات العصبية في نظم الرقابة التكييفية في عدة أدوار متميزة، وأكثر النهج شيوعا هو التحكم التكييفي المباشر ، حيث تعمل الشبكة العصبية نفسها كمراقب، وفي هذه الحالة تتلقى الشبكة خطأ النظام أو الناتج، وتُحدَّث إشارات المراقبة، وتُحدَّث الأوزان الشبكية استنادا إلى معيار للأداء، مثل التقليل إلى أدنى حد من خطأ التتبع، وكثيرا ما تستخدم مؤشرا.

المراقبة غير المباشرة

في غير مباشر التحكم التكييفي ]، شبكة عصبية تتعلم أولا نموذجا لديناميات النظام (تحديد النظام)

Neural Network-Based Model Reference Adaptive Control (NN-MRAC)

() الهيكل الهجين الذي اكتسب مشقته هو دمج الشبكات العصبية ذات الرقابة التكييفية المرجعية النموذجية (MRAC) وفي الشبكة غير المرجعية، يحدد نموذج السلوك المغلقة المرغوب فيه، وتستخدم الشبكة العصبية لتقارب الفرق غير الخطي بين الديناميات النباتية الفعلية والنموذج المتسلسل المستخدم في قانون (MRAC) التقليدي، وتتم تكييف أوزان الشبكة باستخدام قاعدة نسبية من هذا القبيل.

تعزيز التعلم من أجل الرقابة التكيفية

وقد برزت مؤخراً مسألة التعلم من التعزيز كأداة قوية للمراقبة التكييفية، ففي القانون الإقليمي، تتعلم شبكة عصبية (العامل) سياسة من خلال التفاعل مع البيئة والحصول على المكافآت، وهذا مفيد بصفة خاصة بالنسبة للنظم التي يحدد فيها الهدف من حيث الأداء التراكمي بدلاً من الخطأ الفوري، وعلى سبيل المثال، يمكن للعامل، في القيادة المستقلة، أن يتعلم سياسة تحكم التوازن بين السلامة والراحة والكفاءة في استخدام الطاقة.

تطبيقات النظم الدينامية المعقدة

وقد تم نشر الرقابة على التكيف القائم على الشبكة العصبية عبر مجموعة واسعة من الصناعات، فيما يلي أمثلة مفصلة توضح التنفيذ العملي والفوائد.

الأجهزة والتلاعب

وفي مجال الروبوتات، تتيح الشبكات العصبية مراقبة دقيقة للمتلاعبين من ذوي الأصول العالية في إطار حمولات مختلفة وظروف الاحتكاك، كما أن هناك آلية صناعية تعمل بستة أكواس تؤدي مهمة اختيار ومكان، يجب أن تعدل أوامرها المتعلقة بالارتفاع عند تغير وزنها، ويمكن للشبكة العصبية أن تتعلم الديناميات العكسية من البيانات وأن تستكمل على الإنترنت مع تحولات الحمولة، مما يقلل الحاجة إلى إعادة توزيع اليدين.

الفضاء الجوي ومراقبة الطيران

وتواجه الطائرات الثابتة الأجنحة نظماً جوية مختلفة أثناء عمليات التصفية والرحلات السياحية والهبوط؛ وتواجه المشابكات الرباعية التقارب بين التناوب والحركات الترجمة؛ وتُثبت أجهزة التحكم في التكييف الشبكية العصبية استقرار الطائرات في ظل إخفاقات وضرر، مثلاً شبكة السحب الحاد من البرمجيات التي تستخدمها أجهزة التحكم في الصواريخ.

نظم الطاقة وإدارة الطاقة

وتواجه شبكات الطاقة الحديثة تعقيدا متزايدا بسبب مصادر الطاقة المتجددة (الريح، والشمس) التي تستحدث تقلبات سريعة وملموسة، وتُستخدم أجهزة التحكم التكييفية القائمة على الشبكة العصبية في مراقبة الجيل الآلي (AGC) للحفاظ على التردد في حدود ضيقة، كما أن الشبكة العصبية يمكن أن تُضفي نموذجا على العلاقة غير المباشرة بين إنتاج المولدات وتواترها، ثم تُطبق إجراءات تصحيحية مقارنة في سيناريوهات الجزريّة.

نظم السيارات والمركبات المستقلة

في الهندسة الميكانيكية، الشبكات العصبية هي مركزية للسيطرة على الرحلات السياحية المُتكيفة، والاحتفاظ بالطرق، و أنظمة الإيقاف النشطة، على سبيل المثال، التحكم في المحرك للمركبات يعتمد على الشبكات العصبية للتعويض عن المكونات القديمة والأوضاع البيئية (الخطوبة، درجة الحرارة)

البيولوجي - الطبي ومراقبة العمليات

كما وجدت الشبكات العصبية طريقها إلى تطبيقات طبية بيولوجية مثل مراقبة التخدير، حيث يجب أن يحافظ النظام على حالة المريض داخل حدود ضيقة، على الرغم من التباين بين المرضى، وبالمثل، في مراقبة العمليات الكيميائية (مثل مفاعلات البوليمرات)، وأجهزة التحكم في التكييف العصبي، تعوض عن تغيرات في التحلل الحفاز والتكوين الغذائي، بما يكفل اتساق نوعية المنتجات.

ألف - المزايا والتحديات المستمرة

إن اعتماد الشبكات العصبية في مجال الرقابة التكييفية يحقق فوائد كبيرة، أولا، إن قدرتها على إقامة علاقات نموذجية غير خطية دون معرفة مسبقة هي ميزة رئيسية على أساليب التكيف الخطي، وثانيا، يمكن تدريب الشبكات العصبية مباشرة من بيانات المدخلات والنواتج، مما يلغي الحاجة إلى تحديد نظام مفصل، ثالثا، عندما يقترن ذلك بتعلم التعزيزات، يمكن أن تكتشف سياسات للمراقبة تُفضي إلى تطبيقات معقدة متعددة الجوانب للأداء.

ومع ذلك، لا تزال هناك تحديات عديدة، أهمها ضمان القابلية للتأثر ]. وعلى عكس أجهزة التحكم بالخط، فإن النظم القائمة على الشبكة العصبية غير خطية في جوهرها ولا تنطوي على أدلة على استقرار مبني.() وفي حين توجد تقنيات قائمة على ليابونوف لبعض البنى (مثل استخدام شبكة سلبية أو حججج ملزِمة) فإنها كثيراً ما تتطلب افتراضات تقييدية للتكيّل.

(ب) وجود حاجز آخر هو التعقيد التراكمي ، إذ إن الشبكات العميقة التي لديها ملايين من المعايير تتطلب قدراً كبيراً من الذاكرة والموارد الحاسوبية، كما أن الاختبارات في الوقت الحقيقي بشأن النظم المدمجة التي تنطوي على قيود على الطاقة (مثل الطائرات الآلية المحمولة) قد لا تكون ممكنة بالنسبة إلى النماذج الكبيرة.

() لا تزال إمكانية التنبؤ تشكل شاغلاً لوكالات التصديق (مثلاً، FA، FDA، ISO) - يحتاج المهندسون والمنظمون إلى فهم سبب اتخاذ متحكم عصبي لقرار معين، لا سيما بعد حدث غير متوقع.

المستقبل

وتتطور سرعة خط الحدود بين سيطرة الشبكة العصبية على التكيف، حيث تتجه عدة اتجاهات واعدة إلى معالجة القيود الحالية.

الشبكات المُطلعة على التعلم العميق والفيزياء

وتدمج الشبكات العصبية المزودة بالمعلومات الفيزيائية القوانين المادية المعروفة (مثل الحفاظ على الزخم) في وظيفة الخسارة أثناء التدريب، وهذه المعرفة المسبقة تقلل من الحاجة إلى مجموعات بيانات كبيرة وتقييد الحل لسلوك يمكن التنبؤ به جسديا، وفي مجال الرقابة، يمكن أن تكون نظم المعلومات الأساسية نماذج عالية الجودة للديناميات غير الخطية، مما يتيح إمكانية تكييف نظم الرقابة المسبقة النموذجية مع نماذج دقيقة.

الهيكل الهجيني للتحكم

وكثيرا ما تُفضّل شبكات الظواهر العصبية المختلطة مع عناصر الرقابة الكلاسيكية (الوحدة، والقاعدة، والأسلوب المتدهور) أفضل العالمين، ويمكن للشبكة العصبية أن تزيد جهاز مراقبة خطي للتعويض عن عدم اللينة بينما يحافظ الجزء الخطي على الاستقرار في منطقة محلية، مثلا، يمكن للشبكة العصبية أن تكيف مكاسب جهاز التحكم في البيوتادايين على الإنترنت (الوحدة المغلقة) أو أن تولد تعبيراً مغذية يكفل الاضطرابات الارتفاعية.

ضمانات السلامة والسطو

ومن خلال ربط عملية التحقق من إنتاج الشبكة أو استخدام نظام كيميائي، يمكن للمهندسين أن يثبتوا أن إشارة المراقبة ستظل في حدود آمنة، والعمل الأخير على إنشاء شبكات جديدة معتمدة في ليابوفووف، وذلك من خلال تحديد درجات التشغيل الحراري للشبكة أو استخدام عمليات التصويب في فترات زمنية معينة.

Meta-Learning and Few-Shot Adaptation

(ب) يتيح التعلم (التعلم) للمتحكمين العصبيين التكيف بسرعة مع البيئات الجديدة بعد التفاعلات القليلة فحسب، وفي سياق الرقابة التكييفية، يمكن لشبكة مدربة تدريباً متبادلاً أن تستنتج ديناميات مصنع جديد من كمية صغيرة من البيانات، ثم تعدل أوزانه أو بارامتراته تبعاً لذلك، مما يقلل من الحاجة إلى التعلم المطول عبر الإنترنت ويخفف من خطر عدم الاستقرار خلال مرحلة التكيف الأولية.

نشر وشبكات تيني للطبيعة

ومع ارتفاع الحوسبة الحادة، هناك دفعة إلى تشغيل أجهزة التحكم العصبي على أجهزة التحكم الدقيقة (مثلاً، ARM Cortex-M، RISC-V) التي تحتوي على كيلوبايت من RAM.

خاتمة

وقد أظهرت الشبكات العصبية إمكانات هائلة في مجال الرقابة التكييفية على النظم الدينامية المعقدة، حيث تكمن قوتها في التعلم وتمثيل العلاقات غير الخطية من البيانات، والتكيف في الوقت الحقيقي مع الظروف المتغيرة، وتمكين سياسات الرقابة التي قد يتعذر وضعها تحليليا، ومن التلاعب الآلي والرحلة المستقلة إلى تثبيت شبكات الطاقة، والتنظيم الطبي الأحيائي، فإن أجهزة التحكم العصبية تعمل على حل المشاكل التي تواجه المهندسين الذين تحدوا عقودا.

ولكن الطريق إلى التبني الصناعي الواسع النطاق يتطلب التغلب على العقبات غير المتطرفة: ضمان الاستقرار والسلامة، والحد من البصمات الحاسوبية، وتحسين إمكانية الترجمة الشفوية، ووضع إجراءات تدريب قوية، وتصدى مجتمع البحوث بفعالية لهذه التحديات من خلال الأساليب المزودة بالمعلومات الفيزيائية، والهيجين، والتحقق الرسمي، والتعلم المتطور، ويمكننا أن نتوقع من الشبكات العصبية أن تصبح عنصراً قياسياً في التكييف

For further reading, see the comprehensive survey by ]Liu et al. (2020) on deep learning in control], the foundational textbook by ]Narendra and Annaswamy (2005), and recent results from the Machine Learning for Control workshop[FL:]