但就这些还是抢不了自动化的饭碗的。人脸识别对标的是传感器,自动化的核心还是在于控制器。
自控有两大路:一路是参数化控制(parametriccontrol),另一路是非参数化控制(non-parametriccontrol)。非参数化控制不需要被控过程的数学模型,只要了解大概的定性行为就可以了,比如“加水导致水位升高,撤火导致降温”,这个不能搞反了,剩下的靠一定形式的控制算法和参数整定来Zui终调试出一个稳定、满意的系统,传统的PID就是这样的。参数化控制则是以数学模型为基础的,数学模型的作用是jingque预测被控过程在给定输入时的响应,然后可以根据需要的响应,反推需要给出的控制输入。当然,模型不可能完全jingque,剩下的就靠反馈和参数微调来“磨”了。
人工智能用于非参数化控制的话,参数整定太恐怖。一个简单的单回路神经元网络控制器可能有一个决策层,不超过10个神经元,加上输入层和输出层,随随便便就有30-50个可调参数,这是不可能像PID那样整定的。PID一共只有3个参数,大部分人都嫌麻烦,不碰微分,只动比例和积分。要动那么多参数,这是不可能的。但把大量参数都锁定,神经元网络的高度可塑性就没有了,也就不需要费那个事了。
像“阿尔法狗1.0”那样,用现有数据训练神经元网络控制器,这在理论上是可能的,问题是实用中不可能有那样海量的输入-输出的静态数据和动态数据。要真有这些数据,非神经元网络的控制器也已经在手了,而且行为可预测,还费那个事干什么?直接观察人类操作的常年数据也不行,那是闭环的,输入-输出的因果关系已经打乱了,直接拿来训练肯定是不行的,这就和闭环辨识一样。
那像“阿尔法狗2.0”那样自学习呢?更不行了。“阿尔法狗2.0”自我训练的前提是有清晰的规则和游戏空间。更重要的是,自学习需要大量的试错。不可能在实际工业过程上这样试错,人家还要不要生产啦?更何况无限制的试错可能造成各种安全问题。用高度jingque的仿真系统大量试错倒是不会造成危险或者生产损失,“阿尔法狗2.0”实际上就是这样做的,但围棋和实际工业工程的差别太大了,“阿尔法狗2.0”可以左右手互博,也可以与“阿尔法狗1.0”互博,每一步在棋盘上清清楚楚,结果判定也一目了然,实际工业过程就需要高精度动态仿真系统了,还要考虑各种不定性情况,这样的高精度动态仿真在工业上是特例,可遇而不可求的。事实上,有了高度jingque的动态仿真模型,本身就可以成为模型预估控制或者其他现代控制方法的基础,不需要舍近求远搞神经元网络控制器。
- 影响神经元网络 2024-11-26
- 设置绘图环境(花样喷泉控制) 2024-11-26
- 绘制原理图 2024-11-26
- 干货 | 台达C2000变频器在球磨机上的应用案例 2024-11-26
- . 球磨机常用控制方式与变频控制方式的优劣对比 2024-11-26
- 干货 |台达C2000变频器在施工升降机上的应用案例 2024-11-26
- 台达变频器方案 2024-11-26
- ICS网络安全防护技术之网络隔离技术 2024-11-26
- 网络隔离技术的原理应用 2024-11-26
- 一文读懂TwinCAT NC PTP 2024-11-26
- TwinCAT NC的基本特征 2024-11-26
- TwinCAT NC轴的类型和数量 2024-11-26
- 开环、闭环、半闭环 2024-11-26
- NC轴的配置和调试 2024-11-26
- 浅谈一点智能语音处理 2024-11-26