יישום רשתות נילי בשליטה הסתגלות עבור מערכות דינמיות מורכבות

רשתות נילי הפכו את התחום של הנדסה בשליטה, במיוחד כאשר הם חלים על הרגולציה והייצוב של מערכות דינמיות מורכבות.היכולת שלהם למידה מקוונת והסתגלות הופכת אותם חזקים במיוחד בתרחישים שבהם שיטות בקרה מסורתיות המבוססות על מודלים עומדים בפני מגבלות טבועות, כגון טיפול באנטי-לינאריות חמורות, דינמיקות לא מתוכננות, ופרמטרים של זמן-זמנית. מאמר זה מספק בדיקה מקיפה של איך רשתות עצביות משתלבות למסגרות בקרה אקטיביות, חוקרים תחת מחסומים תיאורטיים, ויישומים מתמשכים, , , מחסומים מתמשכים , ויישומים אמיתיים , , , , , , , , מחסומים , , , , , מחסומים , , , מתמשכים , , , מחסומים מחסומים מחסומים מחסומים מחסומים מחסומים מתמשכים , , מתמשכים , , , , , , , מקיפים , , מחסומים מקיפים , , מחסומים מקיפים , מחסומים מקיפים , מחסומים מקיפים מקיפים , , מחסומים מחסומים מקיפים מקיפים מחסומים מקיפים מקיפים מחסומים , , ,

מבוא ל-Nural Networks in Control Systems

רשתות נילי הן מבנים חישוביים שמודלים באופן רופף לאחר רשתות עצביות ביולוגיות של המוח האנושי.הם מורכבים משכבות יחידות עיבוד מקושרות (נוירונים) שהופכות אותות קלט באמצעות פונקציות הפעלה לא לינאריות.הכוח של קשרים אלה - משקלים - מותאם במהלך תהליך אימונים כימי, ומאפשרות לרשת למיפוי לא ליניארי משוער של קלט לפלט, נכס זה אוניברסלי של אופטימיזציה של מערכות בקרה אופטית, כולל תאים אופייניים, כגון רשתות בקרה אופטיים, כגון שיטות בקרה אופטיים, כגון שיטות בקרה אופטיים, כגון, כגון שיטות בקרה אופטיים, כגון שיטות בקרה אופטיים, כגון, כגון שיטות בקרה אופטיים, כגון, כגון, כגון, כגון רשתות בקרה אופטיות, כגון שיטות בקרה אופטיות, כגון, רשתות בקרה אופטית, כגון, כגון, רשתות בקרה אופטיות, או תאים עצביים, כגון, כגון, רשתות בקרה אופטיים, רשתות בקרה אופטיים, כגון, כגון, כגון, כגון, רשתות בקרה אופטיים, כגון שיטות בקרה אופטיים, כגון, רשתות בקרה אופטיים, יכולות ללמוד באופן ישיר, רשתות בקרה אופטיים, כגון, כגון, רשתות בקרה אופטיים, כגון, כגון, רשתות בקרה אופטיים, כגון, כגון, כגון, רשתות בקרה אופטימנטליות, כגון, כגון

השילוב של רשתות עצביות ללולאות בקרה אינו רעיון חדש; עבודה נשנית בשנות ה-90 הניחה את היסודות התיאורטיים.עם זאת, ההתקדמות האחרונה בחומרה מחשוב, אלגוריתמים אימונים ולמידה עמוקה עיצבה מחדש את העניין ותאפשרה פריסה במערכות משובצות בזמן אמת.ההופעת מסגרות כמו TensorFlow ו- PyTorch, יחד עם GPUs חזקים, הפכה אותו לזמין לאימון במערכות עצביות ומורכבות של בקרה זו, אשר מנטראקטיבית, אשר מנטראקטיבית, אשר מנטראקטיבית, אשר מנטראקטיבית במהירות, אשר מנטרלה, אשר מנטראקטיבית, אשר מנטרלה, אשר מנטרלה את היישר את היישר את היישר את היישר את היישר את היישרמותת, אשר ממזגת, אשר מנטרל במהירות, אשר מנטרל מערכות עצביות, אשר מנטרל, אשר מנטרלספקית, אשר מנטרל במהירות, אשר מנטרפתן של מערכות עצביות, אשר מנטראקטיביות, אשר מנטראקטיביות, אשר מנטרול מחדש, אשר מנטראקטיביות, אשר מנטרפתן של מערכות מורכבות, אשר מנטרל במהירות, אשר מנטראקטיביות, אשר

שליטה הסתגלות ואתגרי הליבה שלה

בקרה הסתגלותית היא מתודולוגיה המאפשרת לבקר להתאים באופן אוטומטי את הפרמטרים שלו בתגובה לשינויים בדינמיקה המערכת או הפרעות חיצוניות.זה קריטי עבור מערכות שהתנהגותן מתפתחת לאורך זמן או שהמודל המדויק שלו אינו ידוע.טכניקות בקרה הסתגלות קלאסיות – כגון בקרת הסתגלות מודל (MRAC) ו הרגולטורים עצמיים - הן על מודלים לינאריים ונניח כי המבנה של המערכת ידוע בעוד יישומים תעשייתיים רבים, כאשר שיטות לחימה חזקות, או התנהגות לא-עצמית חזקות.

אתגר בסיסי אחד הוא שדינמיקה בעולם האמיתי היא לעתים רחוקות ליניארית.לדוגמה, הכוחות האירודינמיים על שינוי מטוס ללא לינארי עם זווית התקפה; החיכוך במפרק הרובוטי תלוי במהירות באופן לא-מוסופי; והעומס על רשת כוח משתנה ללא לינארי עם זווית של פרמטרים מתכנסים באופן לא רצוי, אפילו פרמטרים מתאמתים או לא רצויים, הם לעתים קרובות צריכים להיות מסובכים למזגים, או למזגים, אפילו פרמטרים, באופן קבוע, או לא רצוי, כלומר, או לא רצוי, אם זה דורש, לעתים קרובות, זה דורש פרמטרים, זה לא רצוי, זה דורש פרמטרים, כלומר, לעתים קרובות, זה בטוח, אם זה בטוח, זה דורש פרמטרים, זה לא רצוי, או קבוע, גם פרמטרים, או פרמטרים, לעתים קרובות, זה לא רצוי, כי הוא בטוח, זה דורש, כלומר, באופן קבוע, באופן קבוע, באופן קבוע, באופן קבוע, זה דורש פרמטרים, זה לא רצוי, כי הוא בטוח, אם זה לא רצוי, או קבוע, כי הוא, כי הוא, כי הוא, כי הוא, זה דורש פרמטרים, כי הוא לעתים קרובות, לעתים קרובות, כי הוא לעתים קרובות, כי הוא

רשתות נילי מטפלות באתגרים אלה על ידי מתן מכשיר גמיש, לא לינארי שיכול לייצג התנהגויות מורכבות מערכת מבלי לדרוש מבנה מודל קבוע.הם יכולים להיות מאומנים באינטרנט או לא מקוון כדי ללכוד את הדינמיקה של הצמח, ויכול להיות מוטבעים בארכיטקטורה של שליטה הסתגלותית המעדכנת את המשקלים ברשת בזמן אמת.יכולת זו פותחת אפשרויות חדשות לשליטה במערכות שנחשבו בעבר קשה מדי לניהול אוטונומי.

תפקיד רשתות נילי באדריכלות בקרה הסתגלות

רשתות נילי פרוסות במערכות בקרה אדפטיות במספר תפקידים נפרדים.הגישה הנפוצה ביותר היא (FLT:0) שליטה אדפטיבית אדפטיבית (FLT:1), שבו הרשת העצבית עצמה פועלת כבקר.במקרה זה, הרשת מקבלת את מצב המערכת או טעות פלטה ופלט את אות הבקרה.המשקל הרשת מעודכנים על בסיס קריטריון ביצועים, כגון צמצום השגיאה, לעתים קרובות באמצעות גישה מבוססת על בסיס יעיל של מודלים מתמטיים או תכנות.

בקרה הסתגלותית

ב-FLT:0 ,indirectative controlFLT:1, רשת עצבית לומדת מודל של הדינמיקה של המערכת (זיהוי המערכת) מודל זה משמש על ידי חוק שליטה נפרד, כגון שליטה חיזוי מודל (MPC), כדי לחשב את הסימולציות האופטימליות של המערכת יכול להיות מעודכן באינטרנט כמו נתונים חדשים לינארי מגיע, המאפשר לבקר לצפות התנהגות עתידית.

N-MRAC מבוססת מודל של ניהול הסתגלות (N-MRAC)

אדריכלות היברידית שהשיגה את האינטגרציה של רשתות עצביות עם בקרת הסתגלות מודל (MRAC) ב NN-MRAC, מודל ההתייחסות מגדיר את התנהגות הסגורה הרצויה.הרשת העצבית משמשת כדי להשוות את ההבדל הלא ליניארי בין הדינמיקה בפועל צמח לבין המודל ליניארי המשמש חזק במשפט MRAC לינארי הרגיל.

Reinforcement Learning for Adaptive control

לאחרונה, חיזוק הלמידה (RL) התפתחה ככלי רב עוצמה לשליטה הסתגלותית.In RL, רשת עצבית (הסוכנת) לומדת מדיניות על ידי אינטראקציה עם הסביבה ולקבל תגמולים.זה שימושי במיוחד עבור מערכות שבו המטרה מוגדרת במונחים של ביצועים מצטברים ולא שגיאות מיידיות, למשל, ב נהיגה אוטונומית, הסוכן עשוי ללמוד מדיניות בקרה כי בטיחות, נוחות, ויעילות דלק (למשל, שיטות מחקר) הן יעילות רבה.

יישומים במערכות דינמיות מורכבות

שליטה אדפטית מבוססת הרשת של נילי כבר משתרעת על פני מגוון רחב של תעשיות. להלן הן דוגמאות מפורטות הממחישות את יישום מעשי והטבות.

רובוטיקה ומניפולציה

הרובוטים הרובוטיים, רשתות עצביות מאפשרות שליטה מדויקת של מניפולטורים ללא חתימות על ידי ניצולים שונים בתנאי שכר וחיכוך. A שישה צירים תעשייתיים המבצעים משימה איסוף ומיקום חייב להתאים את פקודות הסימון שלה כאשר חלק במשקל משתנה.רשת עצבית יכולה ללמוד את הבלבול בנתונים ולהיות מעודכנת באינטרנט כמו משמרות תשלום, צמצום הצורך בשיקום ידני, כמו גם מיומנויות מורכבות של ראייתיות, כמו אופטימיזציה של אנשים, כמו מיומנויות למידה, כמו שיטות עבודה מורכבות, כמו שיטות עבודה, כמו שיטות למידה, כמו שיטות למידה, כמו שיטות עבודה, כמו שיטות למידה, או שיטות למידה, כמו שיטות למידה, כמו שיטות למידה מורכבות, כמו שיטות למידה, כמו שיטות למידה כגון פונקציות מורכבות, כמו אופטימיזציה של שיטות למידה, כמו שיטות עבודה.

בקרת אוויר וטיסות

מערכות חלליות הן דוגמאות קלאסיות של זמן-מה, דינמיקות לא לינאריות.מטוסים קבועים נתקלו במשטרים אווירודינמיקה שונים במהלך ההמראה, השייט וההנחתה; quadcopters חווים הפיכה בין תנועות סיבוביות ותרגומים. , בקרים ניאלים ברשת ניאלים להסתגל למכשולים חזקים של זמן בקרה תחת תקלות פעולה ונזקים.

מערכות חשמל וניהול אנרגיה

רשתות חשמל מודרניות להתמודד עם מורכבות מוגברת עקב מקורות אנרגיה מתחדשת (wind, השמש) המציגים תנודות מהירות וסטיות. נזלת מבוססת רשת ניטארית משמשים בשליטה דור אוטומטי (AGC) כדי לשמור על תדירות בתוך גבולות הדוקים.רשת עצבית יכולה מודל מערכת יחסים לא ליניארית בין פלט גנרטור ותדירות רשתית, ולאחר מכן לתקן פעולות מהר יותר מאשר בקרים מסורתיים.

מערכות רכב וכלי רכב אוטונומיים

בהנדסת רכב, רשתות עצביות הן מרכזי בשליטה על שיוט מותאם, שמירה על נתיב ומערכות השעיה פעיל.לדוגמה, בקרת מנוע מנוע של כלי רכב מסתמכת על רשתות עצביות כדי לפצות על רכיבים ותנאים סביבתיים (גישה, טמפרטורה) ב נהיגה אוטונומית, בקרים ברשת עצבית חייבים לטפל במשטחי דרך שונים, דפוסי תנועה, וטכניקות למידה מקצה לקצה, כגון אלה על ידי בדיקות טבעיות, שימוש במצלמות אוטומטיות של לחץ דם, כגון שימוש במצלמות אבטחה, לחץ דם, כגון שימוש במצלמות אבטחה, לחץ דם, שימוש במצלמות אבטחה, לחץ דם, לחץ דם, כולל בדיקות אבטחה, כולל שיטות בקרה אופטיות של מצלמות אבטחה, לחץ דם, לחץ דם, כולל בדיקות אבטחה, כולל של מצלמות אבטחה, לחץ דם, שימוש במצלמות אבטחה, לחץ דם, שימוש במצלמות אבטחה, לחץ דם, כולל שיטות אבטחה, לחץ דם ממוקדות של Microsoft, שיטות אבטחה, שיטות אבטחה, שיטות אבטחה, שיטות אבטחה, כולל שיטות אבטחה, שיטות אבטחה, שיטות אבטחה, שימוש במצלמות אבטחה, שימוש במצלמות אבטחה, שיטות אבטחה חזותיות של מערכות אבטחה, שיטות אבטחה, ללא שימוש חזותיות, לחץ דם ממוקדות של Microsoft, שיטות אבטחה, שיטות אבטחה, שימוש במצלמות אבטחה, שימוש במצלמות אבטחה ידניות, לחץ דם קריטיות,

Bioרפואי ובקרת תהליכים

רשתות נילי מצאו גם את דרכם ליישומים ביו-רפואיים כגון בקרת אינפוזיה הרדמה, שם המערכת חייבת לשמור על מצב המטופל בתוך גבולות צרים למרות יכולת טיפולית בין-רפואית. בדומה, בשליטה בתהליך כימי (למשל, כור פולימריזציה), בקרים אדפטיים אדפטיים אדפטיים לפצות על זרז והזנת שינויים, הבטחת איכות מוצר עקבית.

יתרונות ואתגרים מתקדמים

אימוץ רשתות עצביות בשליטה אדפטיבית מביא יתרונות משמעותיים.קודם, היכולת שלהם מודלים יחסים לא ליניאריים ללא ידע קודם היא יתרון גדול על שיטות הסתגלות ליניאריות. שנית, רשתות עצביות יכולות להיות מאומן ישירות מהנתונים קלט- ⁇ , תוך עקיפה את הצורך בזיהוי מערכת מפורט.שלישי, כאשר בשילוב עם חיזוק למידה, הם יכולים לגלות מדיניות בקרה כי אופטימיזציה של קריטריונים מורכבים, רב-אובייקטיביים, חומרת מודרנית עבור מתכנתים אמיתיים (GPUs), המאפשרים מתאימים ליישומים אמיתיים (GPUs), PG-מעבדים רבים).

עם זאת, כמה אתגרים נותרו.הנושא הקריטי ביותר הוא FLT:0stabilityערובה FLT:1 [בניגוד לבקרים ליניאריים, מערכות מבוססות רשת עצבית הן בלתי לינאריות, ולא באים עם הוכחות יציבות בנויות, בעוד שטכניקות מבוססות ליפסנוב קיימות עבור ארכיטקטורות מסוימות (למשל, באמצעות טיעוני מעבר או סודיות), הם דורשים לעתים קרובות הנחות מגבילות משקל בלתי מבוקר:

(FLT:0Computational ComplexFLT:1) הוא מחסום נוסף.רשתות עמוקות עם מיליוני פרמטרים דורשות זיכרון משמעותי ומשאבים חישוביים.זמן אמת על מערכות משובצות עם מגבלות כוח (למשל, מזל"טים, רובוטים ניידים) עשויים לא להיות אפשריים עבור מודלים גדולים של דחיסה, לכמת ויחידות עיבוד עצביות (NPUs) לפתח את הכתובת הזו, בנוסף לנתיבים גמישים להכשרה, אך לא ניתן להגביל את דרישות למידה גדולות.

(FLT:0 InterpretabilityFLT:1) נשאר דאגה לסוכנויות הסמכה (למשל, FAA, FDA, ISO) מהנדסים ו הרגולטורים צריכים להבין מדוע בקר עצבי קיבל החלטה מסוימת, במיוחד לאחר אירוע בלתי צפוי.פוסט-הואץ שיטות (LIME, SHAP) ואדריכלות מפרשות מוטמעות (למשל, אודימיות עצביות מזוהה עם פרמטרים) נחקרות בקפידה על מנת להפחית את הפערים על ידי הניצול הזה, או לצמצום של ההסתברות של מידע זה, או לצמצום באופן ישיר, או לפירוק (LIME) האם ניתן לפרש את הפחתת ה-Flortation (למשל, או לצמצום ה-DILDL.

כיוונים עתידיים ומחקרים עתידיים

הגבול של שליטה ברשת העצבית מתפתח במהירות, עם כמה כיוונים מבטיחים שנועדו להתמודד עם מגבלות נוכחיות.

למידה עמוקה ופיזיקה - Informed Networks

רשתות עצביות מבוססות פיזיקה (PINNs) משלבות חוקים פיזיים ידועים (למשל, שימור התנופה) לתוך תפקוד אובדן במהלך אימון.ידע זה קודם מפחית את הצורך במאגרי נתונים גדולים ומגביל את הפתרון להתנהגויות הסתברותיות פיזית. בשליטה, PINNs יכול לשמש מודל נאמנות גבוהה עבור דינמיקות לא לינאריות, המאפשר בקרת מודלים חיזוי (MP) עם דיוק פעיל כי הוא שיפור סימולציה.

אדריכלות: Hybrid Control Architectures

שילוב רשתות עצביות עם אלמנטים בקרה קלאסית (PID, LQR, מצב מתפתל) לעתים קרובות מניב את הטוב ביותר של שני העולמות.רשת עצבית יכולה להגדיל בקר ליניארי לפצות על אי לינאריות בעוד החלק הליני שומר יציבות באזור מקומי.לדוגמה, רשת עצבית יכולה להתאים את הרווחים של בקר PID באינטרנט (neural PID) או ליצור מונח מקדים כי משחרר את הליניארי כדי להתמודד עם הפרעות קלות אלה הם לאבטחת קרישה היברידית.

בטיחות ורובוסטנטיות מבטיחות

שיטות פורמליות כגון ניתוח יכולת להגיע, תעודות מחסום, רשתות לישלצץ-קודדות מפותחות לספק אישורי בטיחות עבור בקרים עצביים.על ידי הגבלת הפלט של הרשת או באמצעות טבילה מרווחת, מהנדסים יכולים להוכיח כי אות הבקרה תישאר בתוך גבולות בטוחים.

מטא-לימוד ומעט-Shot הסתגלות

מטא-learning (למידה ללמוד) מאפשר בקרים עצביים להסתגל במהירות לסביבות חדשות לאחר רק כמה אינטראקציות. בהקשר של שליטה אדפטיבית, רשת מאומנים יכול להפר את הדינמיקה של צמח חדש מכמות קטנה של נתונים, ולאחר מכן להתאים את המשקלים או הפרמטרים בהתאם.זה מקטין את הצורך ללמידה מקוונת ממושכת ומפחית את הסיכון של חוסר יציבות במהלך שלב ההסתגלות הראשונית.

המונחים: Tiny Neural Networks

עם עליית מחשוב קצה, יש דחיפה להפעיל בקרים עצביים על מיקרובקרים (למשל, ARM Cortex-M, RISC-V) עם קילויטים של RAM.טכניקות כגון רשתות עצביות בינאריות, ארכיטקטורות מוכת, ומכשירים מבוססי חומרה-קודמת-תוכנות-תוכנות-תוכנות-תוכנות-תוכנות-תוכנות-מתאים המאפשרים שליטה מתאימה במכשירים רגישים ובעלים נמוכים.

מסקנה

רשתות נילי הפגינו פוטנציאל עצום בשליטה אדפטית במערכות דינמיות מורכבות.הכוח שלהן נמצא בלמידה וייצוג יחסים לא ליניאריים מהנתונים, הסתגלות בזמן אמת לשינוי התנאים, ומאפשרת מדיניות בקרה שלא תהיה אפשרות לגבש אנליטית.ממניפולציה רובוטית וטיסה אוטונומית לייצוב חשמל ולתקנות ביו-רפואיות, בקרים אדפטיים עצביים הם פתרון בעיות שיש להן מהנדסים מאתגרים במשך עשרות שנים.

עם זאת, הדרך לאימוץ תעשייתי נרחב דורשת מעבר למכשולים שאינם ימיים: הבטחת יציבות וביטחון, צמצום טביעת רגל חישובית, שיפור הפרשיות ופיתוח נהלי הדרכה חזקים.קהילת המחקר מטפלת באופן פעיל באתגרים אלה באמצעות שיטות מדעת, אדריכלות היברידית, אימות פורמלי, ולמידה מטא-דוקטורט. כמו טכנולוגיות אלה בוגרות, אנו יכולים לצפות שרשתות עצביות יהפכו למרכיב סטנדרטי של הבקרה של המהנדסים, המאפשרים חדשים וחכמים יותר מאשר מערכות, אשר יהיו יותר מאשר אי פעם, יכולות להתאים יותר מאשר מנט-מתאים יותר מאשר מערכות חכמות, מאשר טכנולוגיות בוגרות, כמו טכנולוגיות אלה, יכולות להיות יותר, יכולות להיות ממותיות, יכולות להיות ממותיות, כמו טכנולוגיות מתקדמות יותר, יכולות להיות מרכיב סטנדרטיות, יכולות להיות מרכיב סטנדרטיות, יכולות להיות יותר מאשר שיטות מתקדמות יותר מאשר שיטות מתקדמות יותר, יכולות להיות מרכיב סטנדרטיות, מאשר שיטות, יכולות להיות ממערכות חכמות, יותר, מאשר , יכולות להיות ממותיות, יכולות להיות ממערכות חכמות, יותר מאשר , יכולות להיות ממות, יכולות להיות ממותיות, יכולות להיות מרכיב סטנדרטיות, מאשר שיטות מתקדמות יותר מאשר , יכולות להיות ממערכות מתקדמות יותר מאשר , יכולות להיות ממערכות חכמות, יכולות להיות ממותגמותגמותגמותיות,

(ב) ראו את הסקר המקיף של FLT:0Liu et al. (2020) על למידה עמוקה ב- ControlvesFLT:1, ספר הלימוד הבסיסי של FLT:2Narandro ו Annaswamy (2005)FLT, ותוצאות האחרונות מן ה-FLT:4 Machine Learning for Control WorkshopFLT:5Narandro and Annaswamy (2005)FLT, and Annaswamy 2005FLT