הבנה של שליטה אופטית במערכות הנדסה גדולות

תיאוריית הבקרה האופטימלית מספקת מסגרת קפדנית לתכנון מדיניות בקרה המפחיתה או ממקסמת תפקוד עלות מוגדר לאורך זמן.ביישומים הנדסיים, הפונקציה עלות זו מייצגת לעתים קרובות צריכת אנרגיה, שגיאה מסלול, לחץ תרמי, או תנודות מערכתיות.הבסיס המתמטי מתרבים על תכנות דינמי ועקרון חישובי מינימלי של מערכת פונטריידמיין, אך שמירה על מגבלות מהירות יותר של אלפי מגבלות לחץ אוויריות ובקרת מגבלות שונות.

אתגרים מרכזיים ב Scaling Optimal control

מורכבות של בעיות גבוהות

הקללה של המימדליות היא המכשול הבסיסי ביותר.התכנות הדינמיות הקלאסיות דורשות אחסון של ערך על פני כל המרחב הממלכתי, אשר גדל באופן אקספוננציאלי עם מספר המדינות.מניפולטור רובוטי עם עשרה מפרקים יש מרחב של 20 (הגדרות ומהירויות) המפרק את כל ממד ל-100 מקטעי זמן לא פשוטים, כולל מספר קבוע של מערכות אחסון (אונטרי) וספקות קבועות (אומטיות) של כמה מגבלות) הן ממושכות כל אחת מהן הן ממושכות את המשתנים באופן קבועות, כמו גם את המשתנים, כמו גם את המשתנים, כולל מספר שיטות אחסון בינוניות, כולל מגבלות קבועות, כולל מספר פעמים, אפילו ממושכות של מספר פעמים.

מודלים של פידלון ו-Vsus Tractability

חוק בקרה שמקורו במודל ליניארי פשוט עשוי להופיע בצורה גרועה כאשר הוא מיושם על המערכת הלא-לינארית האמיתית. ולהיפך, שילוב כל פרט פיזי - חיכוך, היסטריה, תלות בטמפרטורות, דינמיקות נוזליות - מוביל למודל עם מאות מדינות ומשוואות שונות נוקשה, כמו לנטרל את בעיית הבקרה האופטימלית עבור מודל כזה לעתים קרובות נכשל בתוך גבולות זמן מקובלים.

ביצוע בזמן אמת ותקשורת נדחה

מערכות הנדסיות גדולות דורשות פעולות שליטה להיות מקוטב ומיושם בשיעורים של מילימטרים לשנייה. חווה רוח עם מאות טורבינות חייב להתאים את תיבת הלהב ואת w בתגובה לשינויים בדפוסי רוח; היווצרות של מזל"טים אוטונומיים חייב לתכנן מחדש מסלולים כמו מכשולים להופיע, כאשר הבקר חייב לפתור בעיה אופטימיזציה גדולה בכל שלב, זמן נתון לעתים קרובות עולה על המדגם הזמין, כדי לשלוח דינמיקה מרכזית יותר, במיוחד, אם מערכת בקרה מקומית של בקרה, אם אתה יכול לספק שליטה מהירה יותר, במיוחד, אם אתה יכול לספק שליטה על ידי בקרת אבטחה, אם זה יכול לספק בקרת בקרת בקרת בקרת אבטחה גבוהה יותר, במיוחד, אם מערכת בקרה.

חוסר ודאות ורובוסטנטיות ב- Scale

פתרונות בקרת אופטית נגזרים בדרך כלל באמצעות מודל ⁇ .מערכות בקנה מידה גדול כפופות להפרעות - רעש חיישן, אקטוטור ללבוש, תקלות בלתי צפויות, וריאציות סביבתיות.בקר שהוא אופטימלי עבור המודל נומינאלי עשוי להיות שברירי כאשר אי הוודאות האלה נוכחים.עיצוב שלביקור אופטימליים (למשל, באמצעות סימולציות ממות או סטוכסטיות) מגביר את הנטל המחשוב של הרובוטים הבאים של מערכת ההפעלה של כל חומרת של חומרים מדויקים, נחשב להפחתה מהירה יותר, בהתחשב בטמפרטורות איטיות של GPS, נחשבות באופן טבעי, כמו גם כן, כמו גם כן, כמו גם כן, כאשר הוא בטוח, כאשר הוא צורך בטוח, כמו גם בטמפרטורות מהירות גבוהה מדי (למשל, כלומר, כמו גם בטמפרטורות מהירות הרגל (למשל, כלומר, שימוש בטמפרטורות מהירות גבוהה מדי (למשל, שימוש בעקביות GPS (למשל, שימוש בעקביות GPS (למשל, שימוש בטמפרטורות מהירות גבוהה מדי (למשל, שימוש בעקביות GPS (למשל, שימוש בעקביות GPS (למשל, שימוש בתדירות גבוהה מדי (למשל, שימוש בגיטרה הולכי הרגל אופטימליות) של עומס פחות או הולכי הרגל אופטימליות) של הולכי הרגל אופטימליות, שימוש בגיטרה הולכי רגל (למשל,

אסטרטגיות ל-Scaling Barriers

מודל ניכוי ומודלים של הפרדה

שיטות הפחתת המודל להחליף מודל נאמנות גבוה עם יישום תת-ממדי נמוך כי שומרת על הדינמיקה הדומיננטית. ⁇ אוטוקונלי (POD) משמש נרחב בשליטה זרימה נוזלית: הוא מפיץ את הצורות האנרגטיות ביותר ממערך של תמונות ופרויקטים של משוואות Nvier-Stoke על תת-קרקעית נמוכה.

שליטה ממוקדת ומבוטלת

במקום לפתור אופטימיזציה ענקית אחת, המערכת מחולקת למערכות תת-מערכות קטנות יותר, כל אחת עם הבקר המקומי שלה.מנגנוני התיאום להבטיח כי המטרות הכלליות הן בערך נפגשות.מודל בקרת חיזוי (MPC) עם אופטימיזציה מבוזרת הוחלפה בהצלחה בבניית בקרת אקלים, רשתות תנועה ורשתות כוח התכנסות.בתכנית MPC שיתופית, כל תת-מערכת פותרת את הבעיה המקומית שלה ולאחר מכן מתקשרת קטנה של הפיכה אישית, כי הם יכולים להיות מעורבים באלגוריתם אבטחה, כיעד להחלפה של כלי רכב קטנים.

תכנות דינמי Approximate תכנות ו Reinforcement Learning

תכנות דינמי Approximate (ADP) משתמש ב- approximators הפונקציה (רשתות עצביות, פונקציות בסיס) כדי לייצג את הפונקציה הערך או מדיניות, לצד הצורך בתכנות דינמיות מבוססות רשת מפורשות.אלגוריתמים מתקדמים של השחקן יכול להכשיר מדיניות לא מקוון על מנת לדגום נתונים ולאחר מכן די-פעמי DRL (DRL) הוכיחה דאגה לשליטה בחווה של 100 טורבנית כדי למקסם את עוצמת ה-DEXIQ, אך ורק לאחר מכן, אך ורק על ידי תכנון יעיל של נתונים.

מחשוב במקביל ו-Hardware מיוחדת

מחשוב ביצועים גבוהים מודרני (HPC) מאפשר בעיות שליטה אופטימליות בקנה מידה גדול כדי לפתור על ידי מקבילה אלגוריתם אופטימיזציה.לדוגמה, הפתרון של בעיית הקרנה ישירה יכול להיות מואץ על ידי חלוקת הערכה של יעקבים והוסיאנים על פני מספר GPUs. Real-Time Iterations (RTI) עבור MPC לא ליניארית לנצל רק שלב התנגשויות של דגימות לטווח בינוני; עם תריסר מצבים מתקדמים של פעילות גופנית (p) עם קיבולת גבוהה של מערכות CLC) עם קיבולת נמוכה יותר של פעילות גופנית (R) עם קיבולת גבוהה של מערכות CLCDLC) עם FPR.

בקרה היררכית ורב-מידה

מערכות גדולות לעיתים קרובות מציגות דינמיקות על מספר קשקשים של זמן.אדריכלות שליטה היררכית מקצה לולאות מקומיות מהירות כדי להתמודד עם הפרעות גבוהות של קידוד, בעוד שכבה עליונה איטי יותר מבצעת תכנון אופטימלי.הפרדה זו מפחיתה את המימד של אופטימיזציה של כל שכבה של כל שכבה.לדוגמה, במיקרוגריד, בקרים מקומיים מייצבים מתח ותדירות בסולם תת-שני, בעוד לוח זמנים מפקח של MPC מקצה-קליד (C) נמצא בשימוש נרחב של מערכת בקרה (Ricererergent) באופן קבוע).

מחקרים ויישומים

אופטימיזציה של רכבי

סוכנויות חלל מתמודדות עם שליטה אופטימלית של כלי רכב שיגור וקרקעות פלנטריות. A Moon הנחיתה כרוך מודל לא ליניארי שישה מעלות של חופשות עם throttle, gmbaling, ומגבלות שטח. שיטות ירי מסורתיות מרובות דורשות פתרון תוכנית גדולה לא ליניארית.על ידי שימוש בדגם (למשל, הזנחה של מצבי גוף גמישים במהלך שלב התרגום) ומחשוב, ניתן לפתור בעיה עם מחשבי זמן קצר על ידי מחשבי לוח זמנים אופטימלי:

שליטה ירוקה חכמה

ככל שחדירה לאנרגיה מתחדשת גדלה, האינטרטי של מערכת החשמל יורדת, מה שהופך את הרגולציה לתדירות מאתגר יותר.שליטה אופטימאלית של משאבי אנרגיה מבוזרים רבים (מסעדות, מופנים סולאריים, תגובה דרישה) היא בעיה בקנה מידה גדול.שיטות MPC מבוזרות נבדקו בפרויקטים של טייס: כל בקר של משק בית מנהל את הסוללה שלו תוך שינוי כוח נטו צפוי זורם עם בתים שכנים.

צי רכב אוטונומי

(הרחבת צי של מכוניות אוטונומיות הנמשכות בעיר דורשת פתרון אלפי בעיות שליטה אופטימליות (כל רכב מחליט האצה והדרכה למזער את זמן הנסיעה תוך הימנעות מהתנגשות) פתרון מרכזי אינו מרתיע; במקום זאת, מופץ MPC עם מגבלות של התנגשויות של כלי רכב פתוחים, כל רכב מתקשר בדרך המיועדת שלו על פני אופק קצר (למשל, 2 שניות) ועוקב אחר בקרים של תאים קלים, כדי להפחית את התוצאות של כלי רכב).

מגמות מתפתחות וכיוונים עתידיים

Machine Learning-Augmented Optimal control

שיטות מונחות נתונים משמשים יותר ויותר ללמוד דינמיקות מערכת, מודלים אי ודאות, ואפילו חוקי בקרה אופטימליים ישירות מהנתונים.מודלים Gaussian תהליך (GP) מספקים תחזיות פרוביביליסטיות שניתן להטמיע ב- MPC כדי להסביר את ה- MPC לאודאות.ברובוטים, מודלים של שאריות של תאים עצביים או אפקטים ארודינמיים, המאפשרים אלה לעבוד על פני מצבים מגוונים.

ענן ו- Edge מחשוב עבור שליטה בזמן אמת

ההתכנסות של מחשוב ענן ותקשורת 5G מאפשרת כמה חישובים אופטימליים להתבצע מרחוק, בעוד מכשירים קצה להתמודד עם משימות בעלות נמוכה.עבור חוות רוח גדולה, הענן יכול להפעיל אופטימיזציה כלל החווה כל כמה דקות, בעוד כל בקר המקומי של טורבינה מבצע פקודות להב-pitch ב 10Hz בהתבסס על נקודת המוצא האחרונה.

שיטות ובטיחות

בקרה אופטימלית Scaling פירושה גם מדרגת אימות שהבקר מתנהג בבטחה תחת כל התנאים האפשריים.ניתוח יכולת, פונקציות מחסום שליטה, וסכום של קווי תכנות של קוהרס מספקים שרשרת כלים עבור אישור כי מדיניות בקרה תמנע מצבים לא בטוחים.עבור מערכות גדולות, שיטות אלה הופכות יקרות, אך התקדמות לאחרונה בחשיבה הרכבית - שוברת את ההוכחה לבטיחות להוכחות מרשימות קטנות יותר - הבטחות שילוב אופטימלי של פונקציות בקרה (תפקודים) ותפקודי בקרה אקטיבית (בתחום בטיחות פעיל) הוא יעיל) ותפקודי בקרה (מרוץ) ותפקודים אוטומטיים).

מסקנה

מיפוי פתרונות בקרה אופטימליים עבור מערכות הנדסה גדולות נשאר אתגר עצום, מונע על ידי מורכבות חישובית, מודלים של סחר נאמנות, מגבלות בזמן אמת, וחוסר ודאות.אבל השדה מתקדם במהירות באמצעות שילוב של הפחתת מודל, אדריכלות מבוזרת, תכנות דינמי משוער, מחשוב מקביל, והצלחה בעולם האמיתי בחלל, מערכות כוח, רובוטיות, ומדגים אסטרטגיות אלה יכולים להיות שילוב של מיומנויות למידה יעילות, כמו גם שיטות למידה מתקדמות.