בתחום המתפתח במהירות של הנדסה, ההתכנסות של תורת הבקרה האופטימלית וניתוח נתונים גדול היא הצצה לשינוי פרדיגמה בהנדסה חיזוי.אינטגרציה זו מאפשרת למהנדסים לא רק מודל ולסימולציה מערכות מורכבות עם דיוק חסר תקדים, אלא גם לחזות מצבים עתידיים והתאמה דינמית אסטרטגיות שליטה בזמן אמת. כמו מערכות הנדסה הופכת יותר ויותר כלי רכב עשיר נתונים, היכולת להחדיר תובנות חדירות מסיביות מהנתונים ומזינים ישירות לתוך מודלים של פעילות גופנית יעילה יותר.

הבנה של שליטה אופטית

שליטה אופטית היא ענף של מתמטיקה והנדסה המוקדש למציאת מדיניות בקרה הממזערת או למקסם את הקריטריון ביצועים ספציפיים לאורך זמן.שורשed בחישוב של וריאציות ותכנות דינמיות, בעיות בקרה אופטימליות בדרך כלל כרוכות בתפקוד עלות, משתנים המדינה, שליטה קלטות ומגבלות.המטרה היא לקבוע את רצף הפעולות השולטות כי מניע מערכת ממדינה ראשונית למצב סופי בזמן קידוד, כגון צריכת אנרגיה או סטומטי.

שיטות קלאסיות כוללות הרגולטור הליניארי (LQR) עבור מערכות ליניאריות בעלות quadratic, ואת העיקרון המינימלי של פונטריידמיין עבור בעיות לא לינאריות כלליות יותר.מודל שליטה חיזוי (MPC), גישה מודרנית יותר, פותרת בעיית בקרה אופטימלית שוב ושוב על אופק מהדהד, באמצעות מודל של המערכת לחיזוי תפוקות עתידיות ו-compute אופטימליות MPC הפך לחיזוי סטנדרטי, נהיגה אוטונומית, כי הוא יכול לשלב באופן מפורש של המערכת.

עם זאת, בקרה אופטימלית מסורתית מסתמכת על מודלים מתמטיים מדויקים של הדינמיקה של המערכת.ביישומים רבים בעולם האמיתי, מודלים אלה קשה להפיק עקב אי-לינאריות, פרמטרים של זמן, או הפרעות לא ידועות.כאן נמצאים צעדים ניתוח נתונים גדולים כדי להגדיל את תהליך הדוגמנות.

התפקיד של Big Data Analytics

ניתוח נתונים גדול מתייחס לטכניקות ולכלים המשמשים לעיבוד, לנתח, ולהוציא תובנות ממאגרי נתונים גדולים ומורכבים. בהקשרים הנדסיים, נתונים נוצרים ברציפות על ידי חיישנים, מתמריצים, יומני היסטורי, וסימולציות. נתונים אלה מאופיין לעתים קרובות על ידי "ארבע V's": נפח, מהירות, מגוון, ומציאותיות. ניתוח יעיל דורש אלגוריתמים מדרגיים ומתוחכמות כדי לטפל בנתונים, ומדמים גבוהים, ומדכאים, ומדכאים, ומדכאים, ומדכאים, ומדכאים.

שיטות אנליטיות חשובות המועסקות כוללות:

  • (FLT:0) Machine Learning:FLT:1 אלגוריתמי למידה סופר-בידור (regression, סיווג, רשתות עצביות) משמשים לדגם התנהגות מערכת בנתונים היסטוריים.לדוגמה, רשת עצבית יכולה ללמוד את המיפוי מקלטים לפרופילי טמפרטורה עתידיים במערכת תרמית.
  • (FLT:0) למידה:00 (Deep Learning:FLT:1) Recurrent רשתות עצביות (RNN) ורשתות זיכרון לטווח קצר ארוך (LSTM) להצטיין בחיזוי של סדרות זמן, לכידת תלות ארוכת טווח בנתונים זניחים.
  • (FLT:0) Anomaly Detection: 1FLT:1 שיטות בלתי מבוקרות למחצה לזהות סטייה מניתוח רגיל, הטלת תקלות פוטנציאליות או השפלה מוקדם.
  • (FLT:0Data Mining and Clustering:03: ⁇ 1) טכניקות כמו k-means או DBSCAN לעזור לגלות דפוסים ומשטרים הפעלה דומים, אשר יכולים להודיע אסטרטגיות שליטה נשגבת.
  • (FLT:0) ניתוח סטטיסטי: FLT:1Hpothesis בדיקות, ניתוח קורלציה ו Bayesian השוויון מספקים הבנה פרובנטית של אי-ודאות במערכת.

ניתוח נתונים גדול הופך את קריאות חיישן גולמי לידע מעשי.לדוגמה, בחווה רוחית, נתונים היסטוריים על מהירות הרוח, טורבינות, ופלט כוח ניתן לנתח כדי לבנות מודל חיזוי של ייצור אנרגיה בתנאים שונים של מזג אוויר.מודל זה הופך לבסיס עבור החלטות שליטה אופטימליות.

הצצה לשתי הגישות

הכוח האמיתי של הנדסה חיזויית עולה כאשר שליטה אופטימלית הוא יחד עם ניתוח נתונים גדול. במקום להניח מודל קבוע, מערכת הבקרה מעדכנת את המודל שלה על בסיס נתונים נכנסים.היתוך זה יוצר מסגרת סגורה שבו תחזיות מונעות נתונים מודיעות פעולות שליטה, ופעולות שליטה לייצר נתונים חדשים שמשפרים תחזיות עתידיות.

תבנית אינטגרציה נפוצה היא מודל למידה מבוסס נתונים (למשל, רשת עצבית או תהליך Gaussian) במקום להשתמש במודל הראשון של עקרונות, מודל למידה מכונה (למשל, רשת עצבית או תהליך Gaussian) מאומן על נתונים היסטוריים כדי לחזות פלטות מערכת. MPC פותר לאחר מכן משתמש במודל זה כדי להתאים את השליטה האופטימלית על פני אופק.

עוד שדרה מבטיחה היא (FLT:0)reinforcement Learning (RLIR)FLT:1, אשר לומד מדיניות אופטימלית ישירות מנתוני אינטראקציה.In RL, סוכן צופה במדינות, נוקט פעולות ומקבל פרסים.בפרקים רבים, הוא מגלה אסטרטגיות הממקסימות את הפרס המצטבר.עבור מערכות הנדסה, RL יכול להיחשב כשיטת בקרה אופטימלית המונעת נתונים שאינה דורשת מודל מפורש - למרות גישות היברידיות גם יחד עם MPC.

מעקב בזמן אמת ו- Feedback

עם ניתוח נתונים גדול, ניטור בזמן אמת הופך חיזוי. אלגוריתמים זיהוי אנומלי יכול דגל תקלות חד-צדדיות לפני שהם משפיעים על הביצועים.הבקר האופטימלי יכול אז להתאים נקודות או להפעיל אמצעי מיגציה, כגון צמצום העומס על רכיב כושל.זה עמדה פרואקטיבית מפחיתה באופן דרסטי את זמן השבתה ומרחיב את חיי הנכס.

תחזוקה חיזוי

אחת האפליקציות המשפיעות ביותר היא תחזוקה חיזויית.במקום לעקוב אחר לוח זמנים קבוע, פעולות תחזוקה מופעלות על ידי תחזיות המונעות על ידי נתונים של חיים שימושיים הנותרים (RUL) ניתוח ויברציה, מגמות טמפרטורה ופליטות אקוסטיות מוזנים למודלים של למידת מכונה אשר מעריכים כאשר נושא צפוי להיכשל.מערכת הבקרה האופטימלית יכולה לקבוע תחזוקה במהלך תקופות נמוכות של ביקוש, צמצום אובדן ייצור יתר על כן, הבקר עשוי לשנות תנאים איטיים כגון עומס מחדש או צמצום רכיבים.

מערכת מוגברת של רובוסטנטיות והתאמה

על ידי למידה מתמדת של נתונים בעולם האמיתי, המסגרת המשולבת משפרת את העוצמה.אם חיישן סחף או תהליך פרמטר משתנה, שכבת הניתוח מזהה את השינוי ועדכונים מודל הבקרה.זה הסתגלות קריטית בתעשיות כמו אוויר, שבו תנאי טיסה משתנים באופן נרחב, או באנרגיה מתחדשת, שבו דפוסי מזג האוויר הם סטוצ'יסטיק.הבקר לעולם לא מסתמך על מודל סטטי; הוא מתפתח עם המערכת.

יישומים בתעשייה

השילוב של בקרה אופטימלית וניתוח נתונים גדול כבר מספק תוצאות מוחשיות על פני מגזרים רבים.

רשתות חכמות ומערכות אנרגיה

ברשתות חשמל, נתונים מיחידות מדידה phasor, מונים חכמים ותחנות מזג אוויר להאכיל צינורות אנליטיים כי הביקוש, דור מתחדש, ויציבות הרשת. אלגוריתמים שליטה אופטית לאחר מכן להתאים את הגנרטור, להציק את השינויים ומערכות אחסון בזמן אמת כדי לאזן את היצע הביקוש תוך צמצום עלויות ופליטות.וול / VAR אופטימיזציה, למשל, משתמש מודלים חיזוייים כדי להגדיר פרופילים ללא הפסדים סבירים.

חלל ו Avionics

מטוסים מייצרים terabytes של נתונים לטיסה מחיישנים על מנועי, על לוחות אוויר, ולשלוט על פני השטח. Airlines ויצרנים להשתמש בנתונים אלה כדי לחזות כשלים רכיב, אופטימיזציה של מסלולי טיסה עבור יעילות דלק, ותחזוקת לוח הזמנים. מערכות Fly-by-wire כבר ליישם חוקי בקרה אופטימליים, ועל ידי שילוב ניתוח בזמן אמת, חוקים אלה יכולים להתאים את עצמם למטוסים הנוכחיים, צמצום שריפת דלק ושיפור בטיחות.

ייצור ובקרה תהליכים

בצמחים כימיים ובפיקציה למחצה, תהליכים הם מאוד לא ליניאריים וכפוף לסחף.ניתוח נתונים מזהה מתאם בין תכונות חומריות גולמיות, תנאי תהליך ואיכות המוצר.מודל שליטה חיזויית, ואז משתמש בתאים אלה כדי לשמור על פלט בתוך סובלנות הדוקה.התוצאה היא תשואה גבוהה יותר, פחות פסולת, וזמני שינוי מהירים יותר.

רכב אוטונומי

מכוניות אוטונומיות מסתמכות על היתוך של נתוני חיישן (lidar, מכ"ם, מצלמות) ואלגוריתמים שליטה על נתיב תכנון ובקרת תנועה. Big Data Analytics מאפשר לרכב ללמוד ממיליוני קילומטרים המונעים על ידי הצי, שיפור התחזיות ההתנהגות עבור משתמשים אחרים בדרכים. שיטות בקרה אופטימאליות לאחר מכן להנעה, מתפתלת, מתפתלת ופקודות מצמצם את השימוש באנרגיה תוך הבטחת בטיחות.

נפט וגז

בייצור upstream, חיישני הירכיים ונתונים סיסמיים משולבים להתנהגות של מאגר מודל.שליטה אופטימאלית של שיעורי ההזרקה ולחץ טוב ממקסימה התאוששות תוך מניעת פריצת דרך מים.ניתוח חיזוי חיזוי גם תחזיות ציוד כשלים במשאבות ומדחסחסמכים, המאפשר תחזוקה בזמן אמת במקומות מרוחקים.

אתגרים ומגבלות

למרות הבטחתו, שילוב של שליטה אופטימלית עם ניתוח נתונים גדול עומד בפני כמה מכשולים שיש לטפל בהם לאימוץ נרחב.

  • איכות נתונים ו Veracity:FLT:1 Garbage in, אשפה החוצה.חוש רעש, ערכים חסרים שגיאות קלבריה יכול להטעות הן ניתוח והן שליטה. שיטות ניקוי נתונים רובוסט הם חיוניים, כמו השימוש של חיישנים אדומים ומגונים.
  • (FLT:0Computational Complexity:FLT:1) הפעלת מודל למידת מכונה בתוספת פתרון אופטימיזציה בזמן אמת יכול להיות אינטנסיבי חישובי עבור מערכות מהירות (למשל, בקרת טיסה), דרישות שקיפות הן מחמירות. Edge והאצה חומרה חומרה (GPUs, FPGAs) ממצמות את זה, אבל אתגרים נשארים לבעיות גבוהות.
  • (FLT:0) סודיות ופרטיות: התקפות סייבר 1FLT:1 שמניחות את נתוני החיישן או אותות שליטה יכולים להיות השלכות קטסטרופליות. Anomaly זיהוי ממלא תפקיד כפול כאן: זה חייב לזהות הן פגמים טבעיים והן מניפולציה רציונאלית. מוצפן ופרוטוקולים תקשורת מאובטחים הם לא הכרחיים בתשתיות קריטיות.
  • (FLT:0) בין-חשיבות ואמון: מודלים של למידה עמוקה הם לעתים קרובות קופסאות שחורות, מה שהופך את זה קשה למהנדסים להבין מדוע נדרשה פעולת בקרה מסוימת.סבירה AI (XAI) היא תחום מחקר פעיל, אך ביישומים קריטיים בטיחותיים, הרגולטורים דורשים קבלת החלטות שקופה.
  • (FLT:0)Model Mismatch and Generalization: FIRLT:1) מודל מונע נתונים מאומן על נתונים קודמים לא יכול להופיע היטב בתנאים חדשים שלא נראו במהלך אימון. Robust control טכניקות, כגון MPC הסתגלות עם הגדרות אי ודאות, נדרשים לשמור על יציבות גם כאשר המודל אינו מדויק.
  • (FLT:0)איכותיות: 1.As מערכות הופכות גדולות יותר (למשל, רצפות מפעל שלמות או רשתות תנועה מרחבי העיר), המדינה ומרחבי הפעולה מתפוצץ.

מגמות מחקר ודרכים לעתיד

תחום ההנדסה החיזויית מתקדם במהירות, מונע על ידי חידושים אלגוריתמיים, כוח חישובי מוגבר והפצת נתונים.כמה מגמות מפתח מעצבות את העשור הבא.

תאומים

תאום דיגיטלי הוא העתק וירטואלי של מערכת פיזית המשקפת את המצב בזמן אמת ותפתח עם זה. על ידי האכלה של נתוני חיישן לתוך סימולציה נאמנות גבוהה, תאומים דיגיטליים מאפשרים מה ניתוחים, תובנות חיזוי, אופטימיזציה לא מקוון.התאום עצמו יכול להיות לראות מודל חי כי הוא מעודכן ברציפות על ידי ניתוח, ופעולות בקרה אופטימליות ניתן לבדוק כמעט לפני שהוא פרוס במערכת האמיתית סגורה זה-פרלופה טבעי עבור סימולציה טבעית עבור שליטה מלאה של נתונים.

« « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « «

העברת ניתוח ושליטה קרוב יותר למקור הנתונים מפחיתה את השימוש בעקביות ובפס רוחב פס.ה מכשירים מצוידים ב- AI שבבים יכולים להפעיל מודלים קלים למידת מכונה ופתרון בקרה אופטימלי מקומי. למידה פדרated מאפשר מספר צמתים לרכבת משותפת מודל משותף ללא ריכוז נתונים רגישים.זה רלוונטי במיוחד עבור ציים אוטונומיים - כגון מל"טים או כלי רכב מחוברים - שבו כל יחידה לומדת מניסיון קולקטיבי.

בקרת מודל היברידית מבוססת ו-Data-Driven Control

במקום לבחור בין מודלים ראשונים מונעים נתונים, גישות היברידיות משלבות את נקודות החוזק של שניהם.לדוגמה, מודל מבוסס פיזיקה ללכוד דינמיקות ידועות, בעוד רשת עצבית לפצות על השפעות לא מתוכננות. תיבת אפור זו מודלים משפרים את יעילות הדגימה ואת כלליות. שליטה אופטימלית יכול לנצל את החלק המובנה של המודל תוך הסתמכות על המרכיב העצבי כדי לטפל באי ודאות.

למידה בטוחה

שיטות RL הן חזקות אך לעיתים קרובות חסרות ערבויות בטיחות.ההתפתחויות האחרונות בפונקציות מחסום מבוזרות ובקרת שליטה מאפשרות לסוכנים לחקור תוך שמירה על מגבלות בטיחות קשות. בהגדרות הנדסיות, פירוש הדבר שבקר מבוסס RL יכול ללמוד לייעל ביצועים מבלי להפר מגבלות כגון טמפרטורה מקסימלית או לחץ מינימלי.טכניקות כאלה חיוניות לפרוס שליטה המונעת על נתונים בעולם האמיתי, סביבות בטיחות.

העברה למידה ו- Meta-Learning

מודלים של הכשרה מאפס עבור כל מערכת חדשה הוא יקר.העברה למידה מאפשר מודל מאומן על נכס אחד (למשל, טורבינות מסוימת) להיות מותאם במהירות לנכס דומה אחר עם נתונים מינימליים. מטא-learning (למידה ללמוד) הולך רחוק יותר, ומאפשר מערכת הבקרה להסתגל למשימות חדשות או לאחר רק כמה עדכונים ⁇ .

מסקנה

השילוב של שליטה אופטימלית עם ניתוח נתונים גדול אינו רק שיפור מצטבר - הוא מייצג שינוי יסודי כיצד מערכות הנדסה נועדו, מופעלת, ו נשמרת. על ידי סגירת הלולאה בין תובנות מונעות נתונים והחלטות שליטה, הנדסה חיזוי משיגה רמות של יעילות, אמינות, והתאמה כי היו בעבר בלתי ניתנים לשליטה על ידי תעשיות אשר מחבקות סינרגיה זו כבר לקצור את היתרונות בזמניות, צריכת אנרגיה נמוכה יותר, ולהפחית, כמו אלגוריתמים, כמו גם אלגוריתמים מתקדמים, כמו גם אלגוריתמים, כמו גם אלגוריתמים של מערכות בקרה אוטונומיים, כמו גם אלגוריתמים, כמו גם אלגוריתמים, כמו גם אלגוריתמים, כמו אלגוריתמים מתקדמים, כמו אלגוריתמים, כמו גם אלגוריתמים מתקדמים יותר, אלגוריתמים, אלגוריתמים, אלגוריתמים מתקדמים, כמו גם אלגוריתמים, אלגוריתמים, אלגוריתמים, אלגוריתמים, אשר ימשיכו להיות מתחום הבקרה, אשר ימשיכו להיות מתחום הבקרה, אלגוריתמים מתקדמים, כמו אלגוריתמים מתקדמים יותר, אלגוריתמים, אלגוריתמים, כמו גם אלגוריתמים, אשר ימשיכו אלגוריתמים של מערכות בקרה, אשר ימשיכו אלגוריתמים מתקדמים, אלגוריתמים של מערכות בקרה, כמו אלגוריתמים

לקריאה נוספת על בקרת מודלים, ראה:0 (Model Predictive ControlFLT:1 ).