در سال های اخیر، ترکیب تئوری کنترل با تجزیه و تحلیل داده های بزرگ اساساً تغییر شکل داده است که چگونه مهندسان و دانشمندان داده سیستم های پیچیده را مدیریت می کنند.این هم افزایی سازمان ها را با قابلیت های پیش بینی کننده ای تجهیز می کند که به طور چشمگیری بهره وری، ثبات و پاسخگویی را در تولید، انرژی، حمل و نقل و مراقبت های بهداشتی بهبود می بخشد.

درک تئوری کنترل و Big Data Analytics

تئوری کنترل یک نظم ریاضی از مهندسی است که بر روی سیستم های طراحی تمرکز می کند تا خروجی های مطلوب را با تنظیم مداوم ورودی ها بر اساس بازخورد، مثال های کلاسیک شامل یک ترموستات تنظیم دمای اتاق یا یک سیستم کنترل کروز که سرعت وسیله نقلیه را حفظ می کند، حفظ کند: حالت فعلی، مقایسه آن با یک هدف، محاسبه یک خطا و اعمال یک عمل اصلاحی است که بر مدل های متمایز ریاضی تعریف شده است - اغلب سیستم دینامیک آن را توصیف می کند.

تجزیه و تحلیل داده های بزرگ، در عین حال، شامل جمع آوری، پردازش و تجزیه و تحلیل مجموعه های عظیم برای کشف الگوهای پنهان، همبستگی ها و روند است.این شامل تکنیک ها از آمار، یادگیری ماشین و استخراج داده ها است که در آن تئوری کنترل یک مدل شناخته شده را فرض می کند، داده های بزرگ در کشف مدل ها از داده ها رشد می کند، حتی زمانی که روابط غیر خطی یا تصادفی هستند.

شکاف بین مدل ها و واقعیت

سیستم های کنترل سنتی تنها به اندازه مدل های خود هستند.در محیط های پایدار و به خوبی مشخص شده، این مدل ها به زیبایی کار می کنند، اما سیستم های دنیای واقعی - شبکه های برق، زنجیره های عرضه، وسایل نقلیه مستقل - در شرایطی عمل می کنند که حرکت، پرش، یا به طور غیر قابل پیش بینی، مدل ساخته شده در داده های کف کارخانه دیروز ممکن است دیگر درست نباشد.

نیاز به ادغام

جدا، آنها قدرتمند هستند. یونایتد، آنها تبدیل به تحول می شوند. ادغام تئوری کنترل با تجزیه و تحلیل داده های بزرگ به محدودیت اساسی هر یک از آنها می پردازد: وابستگی تئوری کنترل به مدل های استاتیک و تجزیه و تحلیل داده های بزرگ از یک چارچوب داخلی برای تصمیم گیری حلقه بسته است.هنگامی که بینش های داده محور به طور مستقیم به یک حلقه کنترل تغذیه می کنند، سیستم می تواند پارامترهای آن را سازگار کند - یا حتی در ساختار زمان واقعی آن.

سیستم تهویه مطبوع ساختمان هوشمند را در نظر بگیرید.یک کنترل کننده PID سنتی ممکن است دمای خود را در یک روز معمولی حفظ کند، اما هنگامی که یک موج گرما باعث کاهش کارایی خنک کننده می شود، یا یک اتاق جلسه پر از افراد، کنترل کننده تلاش می کند تا کنترل کننده داده ای را کنترل کند، از سوی دیگر، می تواند الگوهای اشغال را یاد بگیرد، نزدیک شدن به تغییرات آب و هوا و پیش از حد بالا، در حالی که همه چیز را بهینه سازی می کند؛ و سیستم راحتی است؛ در حالی که همه چیز هزینه ای ندارد؛ این سیستم است.

مزایای ترکیب هر دو رویکرد

  • قابلیت های پیش بینی شده: با ادغام داده های تاریخی با فید سنسور زمان واقعی، سیستم های کنترل می توانند پیش بینی وضعیت های آینده - چه این یک موتور در مورد شکست یا تشکیل ترافیک است.
  • بهبود ثبات سیستم: تجزیه و تحلیل داده های بزرگ می تواند نشانه های هشدار اولیه بی ثباتی را تشخیص دهد - نوسانات در یک شبکه برق، به عنوان مثال - که نامرئی به کنترل کنندگان معمولی است، پس از آن سیستم می تواند سود کنترل و یا بارهای مسیریابی را قبل از وقوع خاموشی تغییر دهد.
  • عملکرد بهینه سازی شده: [FLT 1] با یادگیری مداوم، کنترل کننده ها می توانند پارامترهای ریز و دقیق برای حداکثر بهره وری را تنظیم کنند.به عنوان مثال، بازوی ربات صنعتی می تواند پروفایل حرکت خود را بر اساس داده های سایش و مصرف انرژی، در حالی که دقت حفظ می کند، سازگار کند.
  • هنگامی که شرایط جدید بوجود می آید - تغییر در کیفیت مواد خام، تغییر ناگهانی در تقاضای بازار - سیستم ترکیبی می تواند بدون مداخله دستی اصلاح شود، اطمینان از عملیات نزدیک به بهینه سازی خود باقی بماند.

برنامه های کاربردی در سراسر صنایع

ادغام تئوری کنترل و داده های بزرگ نظری نیست؛ در حال حاضر در چندین بخش، هر کدام با الزامات منحصر به فرد و مزایای قابل اندازه گیری مستقر شده است.

تولید و اتوماسیون صنعتی

در کارخانه های هوشمند، سیستم های کنترل حلقه بسته خطوط تولید را هماهنگ می کنند در حالی که تجزیه و تحلیل داده های بزرگ هزاران سنسور را برای ناهنجاری ها نظارت می کند.پیش بینی تعمیر و نگهداری پیش بینی شده یک مورد استفاده ایستاده است: داده های ارتعاشی پمپ ها یا نوار نقاله ها به یک مدل که پیش بینی می کند زندگی مفید باقی مانده، ایجاد تعمیر و نگهداری قبل از خرابی و بدون خرابی های غیر ضروری است.

انرژی و شبکه های هوشمند

شبکه های برق شاید پیچیده ترین سیستم هایی باشند که تاکنون ساخته شده اند. یکپارچه سازی تئوری کنترل با داده های بزرگ به تعادل عرضه و تقاضا از منابع تجدید پذیر کمک می کند که به طور ذاتی متغیر هستند. الگوریتم ها پیش بینی آب و هوا، الگوهای بار تاریخی و داده های تولید زمان واقعی برای تنظیم تنظیمات ضربه، ذخیره سازی باتری و حتی پاسخ تقاضای مشتری است.

حمل و نقل و وسایل نقلیه مستقل

اتومبیل های خودران ترکیب را به صورت خلاصه ای از همجوشی می کنند: آنها از تئوری کنترل برای فرمان، ترمز و شتاب استفاده می کنند، در حالی که تجزیه و تحلیل داده های بزرگ، خطوط درب، رادار و جریان دوربین را پردازش می کند تا محیط را درک و پیش بینی کنند. Beyond Personal Trucks، سیستم های مدیریت ترافیک از داده های جمع آوری شده از ماشین های متصل و سنسورهای جاده برای بهینه سازی زمان نور ترافیک، پیش بینی و انتقال گازهای گلخانه ای استفاده می کنند.

مراقبت های بهداشتی و نظارت بر بیمار

در واحدهای مراقبت فشرده، الگوریتم های کنترل تنظیم میزان تزریق دارو و تنظیمات تهویه کننده (بر اساس نشانه های حیاتی، تجزیه و تحلیل داده های بزرگ این را با تشخیص الگوهای ظریف - نشانه اولیه از سپسلوپ، یک آریتمی در حال توسعه - که یک کنترل کننده مستقل ممکن است از دست دهد درمان در زمان واقعی، بهبود نتایج بیمار در حالی که کاهش بار شناختی بر روی پزشکان مانند F0: [0:1]

چالش ها و مسیرهای آینده

علی رغم وعده، یکپارچه سازی تئوری کنترل با تجزیه و تحلیل داده های بزرگ موانع قابل توجهی را که مهندسان و محققان باید به آن رسیدگی کنند، معرفی می کند.

کیفیت داده ها و Latency

سیستم های کنترل نیاز به ورودی های به موقع، دقیق دارند. Gaps، سر و صدا یا تاخیر در داده های سنسور می تواند باعث شود که یک کنترل کننده در اطلاعات ثابت یا نادرست عمل کند. خط لوله داده های بزرگ باید تأخیر پایین و قابلیت اطمینان بالا را تضمین کند – یک سفارش بلند هنگامی که حجم داده ها منفجر می شود. Edge Computing، جایی که تجزیه و تحلیل نزدیک به سنسورها اتفاق می افتد، به عنوان یک راه حل برای کاهش تأخیر و پهنای باند است.

پیچیدگی مدل و اعتماد

در حالی که داده های بزرگ می توانند مدل های بسیار دقیق تولید کنند، این مدل ها اغلب جعبه های سیاه (به عنوان مثال، شبکه های عصبی عمیق) هستند که مهندسان کنترل نیاز به تفسیر برای تأیید ثبات و ایمنی دارند. رویکردهای ترکیبی که مدل های اولیه را با یادگیری ماشین ترکیب می کنند (به اصطلاح "شبکه خاکستری" مدل های") به دست آوردن کشش، زیرا آنها شفافیت را حفظ می کنند در حالی که تکنیک های انعطاف پذیری داده ها نیز به شکاف اعتماد کمک می کنند.

مطالبات محاسباتی و مقیاس پذیری

اجرای یادگیری آنلاین و بهینه سازی برای میلیون ها نفر از نهادهای کنترل شده – فکر می کنم ترموستات های هوشمند در یک شبکه – نیاز به منابع محاسباتی عظیم دارد.معمار های کنترل توزیع شده و الگوریتم های سبک وزن (به عنوان مثال، یادگیری تقویت شده با تقریبی تابع) هدف مقیاس بدون افزایش نمایی در محاسبه Cloud و ماژول های محاسباتی مه نیز توزیع بار.

امنیت و حریم خصوصی

داده ها و اتصال بیشتر به معنای یک سطح حمله بزرگتر است.اگر جریان داده های کنترل کننده مسموم شود، سیستم فیزیکی نیز می تواند به خطر بیفتد. امنیت سایبری باید از زمین به بالا، با ارتباطات رمزگذاری شده، تشخیص ناهنجاری و قوانین عقب نشینی مانند GDPR، به خصوص در مراقبت های بهداشتی و کاربردهای خانگی هوشمند تعبیه شود.

مسیر های آینده

با نگاهی به آینده، ادغام عمیق تر خواهد شد. دوقلوهای دیجیتال - شبیه سازی های مجازی که سیستم های فیزیکی را در زمان واقعی منعکس می کنند - رایج خواهد شد.این دوقلوها مدل های کنترل را با داده های زنده ترکیب می کنند تا شبیه سازی های ناوگان را پیش بینی کنند، شکست ها و استراتژی های کنترل تست بدون ریسک. [F:2Reforcement Learning [F3]

عمیق ترین تغییر ممکن است در چگونگی طراحی سیستم های کنترلی باشد، به جای ساخت یک مدل ثابت، مهندسان ابتدا (FLT:0) معماری های سازگار که از داده ها به عنوان آنها کار می کنند، طراحی می کنند - یک پارادایم اغلب به نام FLT:2 کنترل داده محور [LT:3].به عنوان الگوریتم تبدیل به قوی تر و قدرت محاسباتی ارزان تر، ادغام زیرساخت های کنترل کارآمد، نه تنها از یک ابزار واقعی استفاده می کنند.