Viime vuosina, fuusio kontrolliteoria ja big data analytiikka on pohjimmiltaan muotoiltu uudelleen miten insinöörit ja data tutkijat hallita monimutkaisia järjestelmiä. Tämä synergia varustaa organisaatiot ennustavia valmiuksia, jotka merkittävästi parantaa tehokkuutta, vakautta, ja reagointia valmistuksen, energian, kuljetuksen ja terveydenhuollon. Yhdistämällä tiukka palautemekanismit ohjausteoria ja kuviotunnistus voima big data, tiimit voivat ennakoida järjestelmän käyttäytymistä, ennalta ehkäisevät virheet, ja säätää toimintaa reaaliajassa .

Kontrolliteorian ja Big Data Analyticsin ymmärtäminen

Control theory on matemaattinen kurinalaisuus insinöörin, joka keskittyy suunnitella järjestelmiä säilyttää haluttuja tuotokset jatkuvasti säätämällä syöttöjä perustuu takaisin. Klassisia esimerkkejä ovat termostaatti sääntelemällä huoneen lämpötila tai risteilyn ohjausjärjestelmä ylläpitää ajoneuvon nopeus. Ydin idea on suljettu silmukka: mittaa nykyinen tila, vertaa sitä tavoite, laskea virhe, ja soveltaa korjaavaa toimintaa. Perinteinen ohjaus perustuu hyvin määriteltyihin matemaattisia malleja . Usein DIFFERENTIAL EQUATIONS .

Big data analytiikka, sillä välin, sisältää kerätä, käsittely, ja analysointi massiivisia dataaineistoja paljastaa piilotettuja kuvioita, korrelaatioita ja suuntauksia. Se kattaa tekniikoita tilastoista, koneoppimisen, ja tiedonlouhinta. Jos valvonta teoria olettaa tunnettu malli, big data viihtyy löytää malleja datasta, vaikka suhteet ovat epälineaarisia tai stokastinen. Kaksi kenttää jakaa yhteisen tavoitteen: tehdä järjestelmät käyttäytyvät ennustavasti ja optimaalisesti . Mutta ne lähestyvät sitä vastakkaisista päistä mallispektrin.

Mallien ja todellisuuden välinen kuilu

Perinteiset ohjausjärjestelmät ovat vain yhtä hyviä kuin niiden mallit. Vakaissa, hyvin ominaisissa ympäristöissä nämä mallit toimivat kauniisti. Mutta reaalimaailman järjestelmät ... Sähköverkot, toimitusketjut, itsenäiset ajoneuvot toimivat olosuhteissa, jotka ajelehtivat, hyppäävät tai hajoavat arvaamattomasti. Eilisen tehtaan lattian tiedot eivät ehkä enää pidä paikkaansa tänään. Big data-analyysit siltoja tätä aukkoa nauttimalla jatkuvia anturien lukemia, konelokkeja ja ulkoisia muuttujia, sitten päivittämällä järjestelmän ymmärrys omasta käyttäytymisestään.

Integroinnin tarve

Erillinen, ne ovat tehokkaita. Yhdistetty, ne tulevat transformatiivisia. Integraatio ohjausteoriassa big data analytiikka käsittelee perustavaa rajoitusta kunkin: ohjausteoria.Sotateoriassa riippuvuus staattisia malleja, ja big data analytiikka. Puuttuu sisäänrakennettu kehys suljetun silmukka-päätöksentekoa. Kun data-lähtöiset oivallukset syöttävät suoraan ohjaussilmukka, järjestelmä voi mukauttaa sen parametreja .

Harkitse älykäs rakennus. Perinteinen PID-ohjain voi pitää lämpötila hyvin tyypillinen päivä. Mutta kun helleaalto aiheuttaa jäähdytystehon pudota, tai kokoushuone täyttyy ihmisiä, ohjain kamppailee. Data-tehostettu ohjain, toisaalta, voi oppia käyttöaste kuvioita, tunnistaa lähestyvät säämuutokset, ja esijäähdyttää rakennuksen ennen huippukysyntää . Kaikki samalla optimoimalla energian kustannuksia ja mukavuutta. Tämä ei ole vain automaatio; se on ennakoiva järjestelmähallinta[.

Etuja yhdistämällä molemmat lähestymistavat

  • Ennakoidut ennustettavissa olevat kyvyt:[] Kun otetaan huomioon historialliset tiedot reaaliaikaisilla sensorisyöteillä, ohjausjärjestelmät voivat ennustaa tulevia todetaan . ... olipa kyseessä moottori, joka on kaatumassa tai ruuhkautuminen. Tämä mahdollistaa ennakoivat muutokset sen sijaan, että ne olisivat reaktiivisia.
  • Parempi järjestelmän vakaus:[ Big data analytiikka voi havaita varhaisvaroitus merkkejä epävakautta ... esimerkiksi ... jotka ovat näkymättömiä perinteisille ohjaimille. Järjestelmä voi muuttaa ohjaustehosteita tai ohjata kuormat ennen sähkökatkoksen tapahtumaa.
  • Optimoitu Suorituskyky:[] Jatkuvalla oppimisella ohjaimet voivat hienosäätää parametreja mahdollisimman tehokkaaksi. Esimerkiksi teollinen robottivarsi voi mukauttaa liikeprofiiliaan kulumis- ja repeytymistietojen perusteella ja vähentää energiankulutusta samalla kun säilytetään tarkkuus.
  • Soveltuvuus:[] Kun syntyy uusi tilanne ... raaka-aineiden laadun muutos, markkinoiden kysynnän äkillinen muutos...

Sovellukset eri toimialoilla

Valvontateorian ja big datan integrointi ei ole teoreettinen, vaan sitä käytetään jo useilla aloilla, joilla kullakin on ainutlaatuisia vaatimuksia ja mitattavissa olevia hyötyjä.

Teollisuus ja teollinen automaatio

Älykkäissä tehtaissa suljetun kierron ohjausjärjestelmät järjestävät tuotantolinjoja samalla kun big data-analytiikka valvoo tuhansia sensoreita poikkeamien varalta. Ennustushuolto on seisontatapaus: pumppujen tai kuljettimien tärinätiedot syöttävät malliin, joka ennustaa jäljellä olevan käyttöiän, käynnistää huollon ennen hajoamista ja ilman tarpeetonta seisokkia. Yritykset kuten Siemens ovat yhdistäneet nämä ominaisuudet digitaalisiin Enterprise-sviitteihinsä, jolloin tehtaat voivat optimoida itsensä.

Energia ja älykkäät verkot

Voimaverkot ovat ehkä monimutkaisimpia koskaan rakennettuja järjestelmiä.Suunnitteluteorian integrointi isoihin tietoihin auttaa tasapainottamaan uusiutuvien energialähteiden tarjontaa ja kysyntää, jotka ovat luonnostaan vaihtelevia. Algoritmit syövät sääennusteita, historiallisia kuormitusmalleja ja reaaliaikaista tuotantoa koskevia tietoja muuntajan hana-asetusten, akun varastoinnin ja jopa asiakkaiden kysynnän reagoinnin säätämiseksi. Tuloksena on verkon suurempi vakaus ja suurempi tuuli- ja aurinkoenergian levinneisyys. Organisaatiot kuten NREL[ jatkavat näiden tekniikoiden kehittämistä seuraavan sukupolven energiajärjestelmissä.

Kuljetus ja autonomiset ajoneuvot

Itse ajavat autot epitomisoivat fuusion: ne käyttävät ohjausteoriaa ohjaukseen, jarrutukseen ja kiihtyvyyteen, kun taas isodata-analyysiprosessit käsittelevät lidaria, tutkaa ja kameravirtoja ympäristön hahmottamiseksi ja ennustamiseksi. Yksittäisten ajoneuvojen lisäksi liikenteenhallintajärjestelmät käyttävät yhdistettyjä autoja ja tieantureita yhdistettyjen tietojen keräämiseen liikennevalojen ajoituksen optimoimiseksi, ruuhkien ennustamiseksi ja autonomaisten laivastojen uudelleenreitittämiseksi. Tämä integraatio vähentää matka-aikaa ja vähentää päästöjä.

Terveydenhuolto ja potilaiden seuranta

Tehohoitoyksiköissä kontrollialgoritmit säätelevät lääkkeiden infuusionopeutta ja hengityskoneen asetuksia elintoimintojen perusteella. Big data analytiikka laajentaa tätä tunnistamalla hienovaraisia kuvioita . ... • varhaisen merkkinä sepsiksestä, kehittyvästä rytmihäiriöstä . Yhdistetyt järjestelmät voivat sitten säätää hoitoja reaaliajassa, parantaa potilaiden tuloksia samalla kun vähentää kognitiivista kuormitusta klinikoilla. Tutkimuslaitokset, kuten MIT Healthcare, tutkivat näitä hybridilähestymistapoja autonomisen suljetun anestesian ja glukoosin hallintaan.

Haasteet ja tulevaisuuden linjaukset

Lupauksesta huolimatta valvontateorian integrointi ison datan analysointiin tuo mukanaan merkittäviä esteitä, joihin insinöörien ja tutkijoiden on puututtava.

Tietojen laatu ja laatu

Ohjausjärjestelmät vaativat oikea-aikaista ja tarkkaa syötettä. Sensoritietojen aukot, melu tai viiveet voivat aiheuttaa ohjaimen toimivan himmeällä tai väärällä tiedolla. Isojen tietoputkistojen on taattava alhainen latenssi ja korkea luotettavuus . Korkea tilaus kun datan määrä räjähtää. Edgelaskenta, jossa analytiikka tapahtuu lähellä sensoreita, on kehittymässä ratkaisu vähentää latenssi ja kaistanleveys vaatimukset.

Mallin monimutkaisuus ja luottamus

Vaikka big data voi tuottaa erittäin tarkkoja malleja, ne mallit ovat usein mustia laatikoita (esim. syvä hermoverkko). Ohjausinsinöörit tarvitsevat tulkintaa vakauden ja turvallisuuden todentamiseksi. Hybridi lähestymistapoja, joissa yhdistyvät ensilinjan mallit koneoppimiseen (ns. harmaa-laatikko-mallit) ovat saamassa vetoa, koska ne säilyttävät läpinäkyvyyden ja lisäävät datalähtöistä joustavuutta. Selitettävä tekoäly tekniikat auttavat myös kuromaan umpeen luottamuskuilun.

Laskuvaatimukset ja skaalattavuus

Running online-oppiminen ja optimointi miljoonille kontrolloiduille kokonaisuuksille . Ajattele älykkäitä termostaatteja ruudukossa . Jaettu ohjausarkkitehtuurit ja kevyet algoritmit (esim. vahvistaminen oppimisen funktioiden lähentämisestä) pyrkivät mittakaavaan ilman eksponentiaalista kasvua laskenta. Pilvi- ja sumulaskenta paradigmat myös jakaa kuormaa.

Turvallisuus ja yksityisyys

Enemmän tietoa ja yhteyksiä tarkoittaa suurempi hyökkäyspinta. Jos rekisterinpitäjä n datavirta on myrkytetty, fyysinen järjestelmä voi vaarantua. Kyberturvallisuus on upotettava maasta käsin, salattu viestintä, poikkeamien havaitseminen, ja varatilat. Säännökset kuten GDPR myös vaativat huolellista käsittelyä henkilötietoja, erityisesti terveydenhuollossa ja älykkäiden kotisovellusten.

Tulevaisuuden suunnat

Jatkossa integraatio syvenee. [ Digital kaksoset[ . ... virtuaalisia kopioita, jotka heijastavat fyysisiä järjestelmiä reaaliajassa. Nämä kaksoset yhdistävät ohjaus teoriamalleja eläviin tietoihin simuloinnin, ennusteiden ja ilman riskejä tapahtuvan testauksen suorittamiseksi. [ Oppimisen vahvistaminen[] tulee kypsymään datalähtöisen optimoinnin ja suljetun silmukkaohjauksen välisenä sillana, erityisesti robotiikassa ja autonomisissa järjestelmissä. [] Saadulla oppimisella[[]] mahdollistaa monien järjestelmien jakamisen ilman, että ne keskittävät arkaluonteisia tietoja, kiihdyttävät oppimista laivoissa.

Syvin muutos voi olla se, miten suunnittelemme ohjausjärjestelmiä. Kiinteän mallin rakentamisen sijaan insinöörit suunnittelevat [ mukautuvia arkkitehtuuria[], jotka oppivat datasta niiden toimiessa . ... malliksi kutsutaan usein [, datavetoista ohjausta [[. Algoritmeista tulee entistä vankempia ja tietokonetehokkaampia, joten ohjausteorian ja big data-analytiikan yhdistäminen siirtyy kilpailuedusta operatiiviseen tarpeeseen, jolloin infrastruktuurit, jotka ovat paitsi tehokkaita myös aidosti muutoksensietokykyisiä.