در زمینه مهندسی به سرعت در حال تحول، الگوریتم های تصمیم گیری باید با تغییر شرایط برای اطمینان از عملکرد بهینه سازگار شوند.توسعه چنین الگوریتم های سازگار برای مدیریت محیط های پیچیده و پویا که در آن رویکردهای استاتیک به سمت استقلال بیشتر و پاسخگویی زمان واقعی، مهندسان به یک چارچوب تصمیم گیری سازگار که یادگیری، تنظیم، و بهینه سازی در این مقاله بررسی روش های توسعه هسته ای، و سیستم های مهندسی پویا، و برنامه های مهندسی واقعی، و سیستم های مهندسی پویا تبدیل به یک چارچوب های توسعه پویا تبدیل می شوند.

درک محیط های مهندسی پویا

محیط های مهندسی پویا با نوسانات مداوم در متغیرهای مانند شرایط بار، خواص مواد، محدودیت های عملیاتی و اختلالات خارجی مشخص می شوند.بر خلاف سیستم های استاتیک با ورودی های قابل پیش بینی، محیط های پویا نیاز به الگوریتم هایی دارند که می توانند تغییرات را حس کنند، عواقب پیش بینی کنند و اقدامات را مطابق با آن تنظیم کنند. نمونه هایی از توربین های بادی که به تغییر در مقایسه با سلاح های رباتیک برای بخشی از سوء تفاهم در یک خط مونتاژ سریع بالا پاسخ می دهند.

این محیط ها اغلب رفتار آنلاین را نشان می دهند پارامترهای متغیر زمان و بدون بازداشت از سنسور یا مدل های ناقص. یک الگوریتم تصمیم گیری سازگار باید این پیچیدگی ها را در حالی که حفظ بهره وری زمان واقعی است، ضبط کند.

اجزای کلیدی الگوریتم های تصمیم گیری تطبیقی Adaptive Decision Making Algorithms

ایجاد یک الگوریتم انطباق نیاز به ادغام چندین عنصر بنیادی دارد که هر جزء به توانایی سیستم برای درک، یادگیری و عمل تحت شرایط در حال تغییر کمک می کند.

  • سنسورهای با تعادل بالا (به عنوان مثال، LIDAR، شتاب سنج، ترمزو) جریان های مداوم داده ها در مورد محیط زیست فراهم می کند.
  • آموزش توانایی ها: تکنیک های یادگیری ماشین، از جمله یادگیری تقویت، گرادیان آنلاین و بی سواد، اجازه می دهد الگوریتم ها برای بهبود عملکرد خود را در طول زمان بدون برنامه ریزی مجدد صریح.
  • الگوریتم باید قادر به تغییر بین استراتژی ها یا تنظیم پارامترهای بر روی پرواز باشد، این اغلب شامل معماری های ماژولار است که سیاست های کنترل بر اساس متن فعلی انتخاب یا ترکیب می شوند.
  • روبوست: سیستم های مهندسی باید با خیال راحت حتی تحت اختلالات غیرمنتظره عمل کنند.

Insight: تعادل بین نرخ یادگیری و ثبات یک سازگاری طراحی مرکزی است که می تواند منجر به نوسان شود؛ یادگیری بیش از حد محافظه کارانه ممکن است پنجره های عملکرد بهینه را از دست بدهد.[۱۰]

توسعه الگوریتم های سازگار

ایجاد یک الگوریتم تصمیم گیری سازگار با تولید، از یک چرخه عمر ساختاری پیروی می کند.هر مرحله جنبه های مختلف چالش مهندسی را به شما می دهد.

مدل سازی محیط زیست

قبل از طراحی الگوریتم، مهندسان باید پویایی محیط را مشخص کنند.این شامل شناسایی متغیرهای مربوطه (مخالق، خروجی، اختلالات)، تعاملات آنها و مقیاس های زمانی که آنها تغییر می کنند، تکنیک هایی مانند سیستم شناسایی با استفاده از حداقل مربع یا روش های زیر فضا رایج هستند، و همچنین شبکه های فیزیکی مبتنی بر سیستم های شبیه سازی و تجزیه و تحلیل معادلات و تحلیل و تحلیل یک مدل پایه و همچنین یک سیستم های مبتنی بر سیستم.

طراحی الگوریتم

فاز طراحی الگوریتم مکانیسم سازگاری هسته ای را انتخاب می کند، به عنوان مثال، در کنترل پیش بینی مدل (MPC) با بهینه سازی افق دید آنلاین، الگوریتم کنترل اقدامات در هر زمان بر اساس برآوردهای دولتی به روز شده است.

تصمیمات کلیدی طراحی شامل:

  • انتخاب پارادایم یادگیری (بر اساس، بدون نظارت، تقویت)
  • مدیریت اطلاعات تاخیر یا از دست رفته
  • محدودیت های بودجه محاسباتی (RAM، سرعت پردازنده، تاخیر)
  • ادغام محدودیت های ایمنی (به عنوان مثال، توابع مانع)

چارچوب های مدرن اغلب تئوری کنترل کلاسیک را با روش های مبتنی بر داده ترکیب می کنند، عملکرد (FLT:0) کنترل کننده های سازگار که هر دو دانش مدل و یادگیری آنلاین را به کار می برند.

تست و اعتبار

تست مبتنی بر شبیه سازی برای الگوریتم های تطبیقی ضروری است. مهندسان ایجاد دوقلوهای دیجیتال یا شبیه سازی های بافیادل بالا که شرایط تصادفی، سر و صدا سنسور و محدودیت های محرک را بازتولید می کنند. سخت افزار در حلقه (HIL) [FLT 1 تست سپس الگوریتم در کنترل های واقعی قبل از پوشش معیارهای مانند تست مقدار شدید، و اطمینان از تست شدید، اثبات می کند.

اعتبار همچنین باید شامل (FLT:0) تأیید رسمی در صورت امکان – با استفاده از ابزارهایی مانند تجزیه و تحلیل قابلیت دسترسی برای اثبات اینکه الگوریتم هرگز محدودیت های ایمنی را تحت مجموعه ای از فرضیات تعریف شده نقض نمی کند.

اجرای پیاده سازی

استقرار الگوریتم به یک سیستم زنده نیاز به ادغام دقیق با پشته های نرم افزاری موجود، پروتکل های ارتباطی و نظارت انسان دارد. الگوریتم های سازگار اغلب بر روی دستگاه های لبه (به عنوان مثال، میکروکنترلرها، FPGAs) با زمان دقیق نظارت مداوم از طریق observasibility Pipelines ردیابی در عملکرد، و تجزیه و تحلیل پس از آن نیاز به یک تجزیه و تحلیل مجدد دارند.

اجرای موفق، یک مرحله بندی را اتخاذ می کند: اول در حالت سایه (فقط تصمیم گیری)، سپس با استقلال محدود و در نهایت عملیات کامل با قابلیت های انسانی.

درخواست تصمیم گیری تطبیقی Adaptive Decision Making

الگوریتم های تطبیقی، حوزه های مهندسی متعددی را انقلابی می کنند.در زیر نمونه های گسترده ای هستند که نشان دهنده تاثیر آن ها هستند.

وسایل نقلیه مستقل

اتومبیل های خودران باید محیط های غیر قابل پیش بینی را هدایت کنند – مناطق ساخت و ساز، گذرگاه های ناگهانی پیاده، تغییر اصطکاک جاده ای. اجازه می دهد تا وسایل نقلیه از کارشناسان یاد بگیرند و سیاست های اصلاح شده در زمان واقعی مانند شرکت های یادگیری جاده ای و سیستم های کنترل ترافیک مداوم را تنظیم کنند.

Smart Grids

شبکه های الکتریکی مدرن منابع تجدید پذیر (solar، باد) را ادغام می کنند که تنوع پذیری بالایی را ارائه می دهند. الگوریتم های سازگار توزیع انرژی را با پیش بینی عرضه و تقاضا، تنظیم زاویه های فاز و بازگرداندن قدرت در طول خطاها مدیریت می کنند. یادگیری چند عامل تقویت کننده [FLT 1 برای هماهنگ کردن هزاران منبع انرژی توزیع شده (DER) بدون کاهش خطر و به حداکثر رساندن استفاده از آن استفاده می شود.

رباتیک

ربات های صنعتی که در کنار انسان ها کار می کنند باید با تغییرات در طرح های فضایی، تغییرات جزئی و مناطق ایمنی سازگار شوند. کنترل عدم انطباق اجازه می دهد تا ربات مفاصل خود را در هنگام برخورد با یک برخورد، جلوگیری از آسیب، ربات های انبار مانند کسانی که از Amazon Robotics استفاده از تصمیم گیری غیرمتمرکز برای مسیرهای بازگردان هنگامی که مسدود می شوند، نرم کند.

تولید

کارخانه های هوشمند الگوریتم های برنامه ریزی سازگار را به کار می گیرند که به تجزیه و تحلیل ماشین، سفارشات عجله و نقص های کیفیت پاسخ می دهند. مدل های تعمیر و نگهداری پیش بینی کننده تنظیمات را برای نرخ تولید یا تغییرات ابزار قبل از شکست ایجاد می کنند. به طور مداوم پارامترهای فرایند را اصلاح می کند (به عنوان مثال، دما، فشار، نرخ تغذیه) برای حفظ کیفیت محصول علی رغم تنوع مواد خام.

چالش ها و مسیرهای آینده

علی رغم پیشرفت قابل توجه، چندین مانع قبل از اینکه الگوریتم های تصمیم گیری سازگار در مهندسی در همه جا قرار بگیرند باقی می مانند.

  • پیچیدگی محاسباتی: بسیاری از روش های انطباقی (به عنوان مثال، روند Gaussian رگرسیون، nonlinear MPC) به طور محاسباتی فشرده، محدود کردن استفاده از آنها بر روی دستگاه های جاسازی شده است.
  • قابلیت اطمینان داده: الگوریتم های انطباقی به داده های با کیفیت بالا بستگی دارد.حرکت سنسور، افت ارتباطات و حملات مجاور می تواند عملکرد ضعیف دولت با تشخیص ناهنجاری را کاهش دهد یک منطقه فعال است.
  • ادغام سیستم: زیرساخت های میراث اغلب فاقد ماژول های مدولار به راحتی ترکیب ماژول های سازگار است. استاندارد سازی شده واسطه (به عنوان مثال، ROS 2، OPC UA) کمک به پل این شکاف، اما مقاوم سازی همچنان گران است.
  • [Explainability and Trust: مهندسین و تنظیم کنندگان نیاز به شفافیت در مورد چرا یک الگوریتم تصمیم گیری خاص.
  • گواهی نامه ایمنی: استانداردهای صدور گواهینامه فعلی (به عنوان مثال، DO-7.1C برای هوافضا، ISO 26262 برای خودرو) فرض نرم افزار تعیین کننده است. الگوریتم های سازگار که رفتار آنلاین چارچوب های اعتباری موجود را تغییر می دهد.

جهت های تحقیق آینده شامل یادگیری (یادگیری سریع تر یاد بگیرید)، هوشگرم برای سیستم های سازگار توزیع شده و ادغام با generative AI برای ایجاد سناریوهای آموزش واقع بینانه.

از آنجایی که این تکنولوژی ها بالغ هستند، می توانیم انتظار داشته باشیم که سیستم های مهندسی انعطاف پذیر، کارآمد و مستقل قادر به رشد در محیط های همیشه در حال تغییر باشند.سازمان هایی که امروزه در الگوریتم های تصمیم گیری سازگار سرمایه گذاری می کنند، بهتر است که عدم اطمینان فردا را مدیریت کنند.

برای خواندن بیشتر، [FLT 1 ] [IEEE معاملات در کنترل خودکار [ را برای مقالات اخیر در کنترل تطبیقی و یادگیری تقویت کننده، و NSF Cyber-Physical Systems برنامه برای فرصت های بودجه در این فضا [F5:5:5]