跟传统控制算法相比

机器学习放到传统控制中,就在前几天反馈控制系统是有,有一个类似的项目,说说我的看法。

总的来说,这个方向还处于非常早期的阶段,目前还没有看到成熟的应用方案。首先,机器学习算法的本质是非线性关联,输入-黑盒,不管是分类还是回归。

图片[1]-跟传统控制算法相比-唐朝资源网

图片[2]-跟传统控制算法相比-唐朝资源网

图片[3]-跟传统控制算法相比-唐朝资源网

对于传统的反馈控制,主要有控制器和系统两部分,基本都是机器学习算法可以替代的部分

对于控制器来说,机器学习主要有两种方法:

图片[4]-跟传统控制算法相比-唐朝资源网

2000年左右,当时学术界主要的方法是用ANN来代替pid的关系表达式,试图自己用ann来学习比pid关系更好的控制关系。本质上还是pid,输入基本一样,只是pid公式换成了ann。还有近年来出现的强化学习,但目前强化学习在传统控制领域存在几个不足。虽然现在叫model free rl,但其实根本没有模型可以直接训练rl控制模型。以上是不可行的。目前已知只有group的sac是直接从实际系统中训练出来的,但是目标系统很简单。比如mpc,真的一点优势都没有。其次,做闭环控制,rl不能保证闭环稳定性,也不能直接观察两者之间的误差,所以用rl代替传统方法还有很多基本点无法解决。如果你有资源推荐美孚研发的文章,可以看看行业大佬的观点

使用机器学习来构建系统模型是大有可为的,但仍有许多基础问题没有解决。目前,许多动态模型都是通过微分方程来模拟的。主要优点是它们需要的数据少,针对几种不同的类型收集几组数据,建立机制模型,确定几个参数反馈控制系统是有,模型就出来了。几组数据,建立中试工厂需要很多年,根特大学的破解模型,几十个博士,花费数年,投入数亿美元,机理模型出来,精度够高,而所有隐变量(不能直接测量)都可以通过微分方程计算出来。如果用机器学习来建模,首先数据量肯定比现在的方法多,其次预测区间怎么改变,然后怎么用隐藏变量预测,如果这些问题不解决,现实中没人敢把机器学习模型放到生产线上。当然,如果是简单的系统,收单的成本比较低,比如机器人小车什么的,那么用ann建模是完全可以的

最后,传统的控制做得很好现在,无论是在理论上还是在实践中,稳定性,安全性,各种状态,安全运维,十多年的理论积累,都做出了非常少的点可以得到改善。唯一的缺点是模型构建需要金钱和时间。 ,但就目前而言,机器学习在这方面还很难突破

© 版权声明
THE END
喜欢就支持一下吧
点赞199 分享
评论 抢沙发
头像
欢迎您留下宝贵的见解!
提交
头像

昵称

取消
昵称表情代码图片