תאוריה של שליטה עם גדול Analytics נתונים למערכת חיזוי ניהול ניהול ניהול

בשנים האחרונות, היתוך של תורת הבקרה עם ניתוח נתונים גדול יש בצורת יסודית כיצד מהנדסים ומדענים נתונים מנהלים מערכות מורכבות.סינרגיה זו מציידת ארגונים עם יכולות חיזוי כי לשפר באופן דרמטי את היעילות, היציבות, ותגובה על פני הייצור, האנרגיה, התחבורה והבריאות.על ידי שילוב מנגנוני משוב קפדניים של שליטה עם כוח זיהוי דפוס של נתונים גדולים, קבוצות יכולות לצפות התנהגויות, כישלונות לפנים, והתנהגויות מתקדמות, כדי להתאים את הזמן, או שיטות פעולה המבוססות על פני זמן, או לאחור, או לאחור, מעבר לטווח ארוך, או מודלים מתקדמים.

הבנת תיאוריית הבקרה ו-Big Data Analytics

תורת הבקרה היא משמעת מתמטית מהנדסה המתמקדת בעיצוב מערכות כדי לשמור על פלטים הרצויים על ידי התאמה מתמדת של קלטות בהתבסס על משוב.דוגמאות קלאסיות כוללות טמפרטורת החדר או מערכת בקרת שיוט שמירה על מהירות הרכב.הרעיון הליבה הוא לולאה סגורה: למדוד את המדינה הנוכחית, להשוות אותה למטרה, לטעמה וליישם פעולה נכונה.

ניתוח נתונים גדול, בינתיים, כרוך איסוף, עיבוד וניתוח נתונים מסיביים כדי לחשוף דפוסים נסתרים, התאמות ומגמות.זה כולל טכניקות מסטטיסטיקה, למידת מכונה, כריית נתונים. שבו תורת הבקרה מניחה מודל ידוע, נתונים גדולים משגשגים על גילוי מודלים מהנתונים, גם כאשר מערכות יחסים הן לא לינאריות או סטוצ'סטיות.

הפער בין מודלים למציאות

מערכות בקרה מסורתיות הן רק טובות כמו המודלים שלהם.בסביבות יציבות, מתועשות היטב, מודלים אלה פועלים יפה.אבל מערכות בעולם האמיתי - רשתות חשמל, רשתות אספקה, כלי רכב אוטונומיים - פועלים בתנאים שסחפים, קופצים, או משפילים ללא משפט. מודל שנבנה על סמך נתוני רצפת המפעל של אתמול לא יכול עוד להחזיק היום את הפער הזה על ידי צמת זרמים של חיישנים, ואז חיישנים חיצוניים של מערכות ההפעלה שלה, ואז, תכונות חיצוניות של מערכות ההפעלה שלה, ואז, תכונות חיצוניות של מערכות.

הצורך באינטגרציה

בנפרד, הם חזקים.מאוחדים, הם הופכים להיות טרנספורמטיביים.שילוב של תורת הבקרה עם ניתוח נתונים גדול מטפל המגבלה הבסיסית של כל אחד: הסתמכותה של תיאוריית הבקרה על מודלים סטטיים, וחוסר ניתוח נתונים גדול של מסגרת מבוססת-במסגרת עבור החלטות סגורות.כאשר תובנות המונעות נתונים ישירות לתוך לולאה שליטה, המערכת יכולה להתאים את הפרמטרים שלה - או אפילו את המבנה שלה - בזמן אמתי.

בהתחשב במערכת HVAC של בניין חכם.בקר PID מסורתי עשוי לשמור על טמפרטורה טובה ביום טיפוסי.אבל כאשר גלי חום גורם יעילות מצמררת יותר לרדת, או חדר ישיבות מלא עם אנשים, בקר נאבקים.בקר נתונים-enhanced, לעומת זאת, יכול ללמוד דפוסים דיקור, לזהות שינויים מתקרבים, מראש-cool הבניין לפני הביקוש - כל זאת, בעוד עלות אנרגיה:0D הוא רק נוחות; הוא פשוט לחץ דם.

היתרונות של שילוב שתי גישות

• (FLT:0) תחזיות צפויות: ההרחבה 1 (FLT:1) על ידי שילוב נתונים היסטוריים עם הזנות חיישן בזמן אמת, מערכות בקרה יכולות לחזות מדינות עתידיות - בין אם מדובר במנוע המוביל לכישלון או הקמת פקק תנועה.זה מאפשר התאמות אקטיביות ולא אקטיביות.
• (FLT:0)Imrovated System Stability:FreaLT:1) ניתוח נתונים גדול יכול לזהות סימני אזהרה מוקדמת של חוסר יציבות - תנודות ברשת חשמל, למשל - הם בלתי נראים ל בקרים קונבנציונליים.המערכת יכולה לשנות את הרווחים או לנתב מחדש עומסים לפני ששחור מתרחש.
• (FLT:0) ביצועים מאומתים:FLT:1אנדר עם למידה רציפה, בקרים יכולים פרמטרים של דיוק יעילות מקסימלית. זרוע רובוט תעשייתית, למשל, יכול להתאים את פרופיל התנועה שלה בהתבסס על נתונים של עונדים והפחדים, צמצום צריכת האנרגיה תוך שמירה על דיוק.
• (FLT:0) ,Adaptancy: 1 כאשר מתעוררות תנאים חדשים - שינוי באיכות חומרית גולמית, שינוי פתאומי בביקוש בשוק - המערכת המשולבת יכולה לתקן ללא התערבות ידנית, הבטחת פעולות להישאר ליד אופטימלי שלהם.

יישומים בתעשיות

השילוב של תורת הבקרה והנתונים הגדולים אינו תיאורטי; הוא כבר פרוס על פני מגזרים מרובים, כל אחד עם דרישות ייחודיות והטבות מדידה.

ייצור ואוטומציה תעשייתית

במפעלים חכמים, מערכות בקרה סגורות מתזמרות קווי ייצור בעוד ניתוח נתונים גדול עוקב אחר אלפי חיישנים עבור אנומליות. תחזוקה חיזויית היא מקרה שימוש במלכוד: נתוני רטט ממשאבות או מפיץ מזון למודל שנבא חיים שימושיים, גורם תחזוקה לפני התמוטטות וללא צורך בירידה מוקדמת של מפעלים כמו FLT:0SiemenssigtureFLT:1 יש המשולבים אלה לתוך התוכנות שלהם, המאפשרות למפעלים ל-Digitalifite to selfop.

אנרגיה ורשתות חכמות

רשתות חשמל הן אולי המערכות המורכבות ביותר שנבנו אי פעם.התאוריית הבקרה עם נתונים גדולים מסייעת איזון היצע וביקוש ממקורות מתחדשים, אשר הם משתנים מטבעם.אלגותמים תחזיות מזג אוויריות בולטות, דפוסי עומס היסטוריים, ודור בזמן אמת נתונים כדי להתאים את הגדרות הברז, אחסון סוללות, ואפילו תגובת הביקוש ללקוח.

תחבורה וכלי רכב אוטונומיים

מכוניות אוטונומיות מחלחלות להיתוך: הן משתמשות בתיאוריה של שליטה להיגוי, מתפתלות והאצה, בעוד שניתוח נתונים גדול מעבדים לידר, מכ"ם ומצלמות מזרמים כדי לתפוס ולנבא את הסביבה. Beyond כלי רכב בודדים, מערכות ניהול תנועה ממנפיקות נתונים ממכוניות מחוברות וחיישנים דרכים כדי להתאים את תזמוןי התנועה, החיזוי, ולהוביל מחדש צי אוטונומי.

בריאות ובדיקות מטופלים

ביחידות טיפול אינטנסיביות, אלגוריתמים שולטים על שיעורי ההיתוך וההגדרות של אוורור בהתבסס על סימנים חיוניים. Big Data analytics מרחיבה זאת על ידי זיהוי דפוסים עדינים - סימן מוקדם של סכיזופרניה, arrhythmia מתפתח - כי בקר עומד עשוי להחמיץ.מערכות משולבות יכולות להתאים טיפולים בזמן אמת, שיפור תוצאות המטופל תוך צמצום העומס הקוגניטיבי על מוסדות מחקר כגון: FLTir: 0LT1 גישות בריאותיות סגורות עבור ריפוי אוטונומיות ו-אוטומטיות אלה הן סגורות.

אתגרים וכיוונים עתידיים

למרות ההבטחה, שילוב תורת הבקרה עם ניתוח נתונים גדול מציג מכשולים משמעותיים כי מהנדסים וחוקרים חייבים לטפל.

איכות נתונים ועוצמה

מערכות בקרה דורשות זמן, קלטות מדויקות. גפיים, רעש או עיכובים בנתונים של חיישן יכול לגרום בקר לפעול על מידע מפוסל או שגוי. צינורות נתונים גדולים חייבים להבטיח שקיפות נמוכה ואמינות גבוהה - סדר גבוה כאשר נפח נתונים מתפוצץ. Edge מחשוב, שבו ניתוח קורה קרוב לחיישנים, מתפתח כפתרון לצמצום הגמישות ודרישות רוחב הפס.

מורכבות מודל ואמון

בעוד שהנתונים הגדולים יכולים לייצר מודלים מדויקים מאוד, המודלים האלה הם לעתים קרובות ארגזים שחורים (למשל, רשתות עצביות עמוקות) מהנדסי בקרה צריכים פירוש כדי לאמת יציבות ובטיחות. גישות היברידיות המשלבות מודלים ראשונים עם למידת מכונה (המכונים "סמלי קידוד") הם צוברים מתח, כפי שהם שומרים על שקיפות תוך מינוף גמישות המונעת על ידי נתונים.

דרישות מפוכחות ו Scalability

הפעלת למידה מקוונת ואופטימיזציה עבור מיליוני ישויות מבוקרות - לחשוב על תרמוסטטים חכמים ברשת - דורש משאבים חישוביים עצומים. דיסטריט ארכיטקטורות שליטה ואלגוריתמים קלים (למשל, חיזוק למידה עם יישום תפקוד) המטרה לסקאלה ללא עלייה אקספוננציאלית ב compute.ענן ופרדוקס מחשוב גם להפיץ את העומס.

אבטחה ופרטיות

יותר נתונים וקישוריות מתכוונים משטח התקפה גדול יותר.אם זרם הנתונים של בקר מועלל, המערכת הפיזית יכולה להיות נפגעת.אבטחת סייבר חייבת להיות מוטבעת מהבסיס, עם תקשורת מוצפנת, זיהוי אנומלי, ו מצבי נפילה.תקנות כמו GDPR דורשות גם טיפול זהיר בנתונים אישיים, במיוחד בטיפול רפואי ויישומים ביתיים חכמים.

כיוונים עתידיים

(במבט קדימה, האינטגרציה עמיקה.(FLT:0) תאומים של גילגנליים (FLT) 1:1 - העתקים וירטואליים שמראות מערכות פיזיות בזמן אמת - יהפכו לנפוצים.תתתאומות הללו משלבות מודלים של שליטה עם נתונים חיים כדי להפעיל סימולציות, לחזות כישלונות ואסטרטגיות בקרה במבחן ללא סיכון.FLT:2 Reinforcement LearningF3LT יתבשלו כגשר בין אופטימיזציה מבוססת נתונים וסגורה במיוחד ל-Dipericial Systems:

השינוי העמוק ביותר עשוי להיות כיצד אנו מעצבים מערכות בקרה.במקום לבנות מודל קבוע ראשון, מהנדסים יעצבו את האדריכלות העקרונית של ההרחבה 1 (FLT:1 ), אשר נלמד מהנתונים כפי שהם פועלים - פרדיגמה המכונה לעתים קרובות (FLT:2 Data-oriented controlFLT 3:0 אלגוריתמים הופכים להיות חזקים יותר ומחשובים יותר, מיזוג של תיאוריה שליטה ונתונים גדולים יהיה יתרון תחרותי כדי לשנות באמת לא רק כדי לשנות תשתיות יעילות.