مقدمه
رباتیک، ماشین‌ها و ویلچرها از جمله ذینفعان هوش مصنوعی هستند که حلقه‌های کنترل را هوشمندتر، سازگارتر و قادر به تغییر رفتار می‌کنند. در این مقاله که توسط محققان دانشگاه پورتسموث در بریتانیا گردآوری شده است، به طور خلاصه به چگونگی کمک هوش مصنوعی در کنترل مهندسی پرداخته شده است.
حلقه های کنترل داخلی
در مهندسی کنترل همه چیز در مورد این است که طیف متنوعی از سیستم های دینامیکی (به عنوان مثال، سیستم های مکانیکی) کاری که شما می خواهید را انجام دهند. روند کنترلی شامل طراحی کنترلرها می شود. به عنوان مثال یکی از مشکلات حلقه داخلی که ممکن است با آن مواجه شویم، در مورد ایجاد یک کنترل کننده مناسب برای یک سیستم یا کارخانه قابل کنترل است، بگونه ای که این سیستم‌ها باید به حسگرها و محرک‌ها متصل شوند. به عنوان مثال در این مورد موتورهای ویلچر و سنسورهای اولتراسونیک برای اجتناب از موانع و مشکلاتی از این قبیل را می‌توان با استفاده از وقفه‌های کامپیوتری، مدارهای تایمر، میکروکنترلرهای اضافی یا کنترل حلقه باز ساده حل کرد.
حلقه های کنترل داخلی شبیه به سیستم عصبی خودمختار در حیوانات است. آنها معمولاً سیستم های کنترلی هستند که عمدتاً به طور ناخودآگاه برای انجام کارهایی مانند تنظیم ضربان قلب و تنفس، پاسخ مردمک و سایر عملکردهای طبیعی عمل می کنند.
این سیستم همچنین مکانیسم اولیه در کنترل پاسخ های جنگ یا گریز است و حیوان را برای مبارزه یا فرار آماده می کند که اولین بار توسط والتر کانندر سال 1929 توصیف شد. سیستم عصبی خودمختار دارای دو شاخه است: سیستم عصبی سمپاتیک و سیستم عصبی پاراسمپاتیک. سیستم عصبی سمپاتیک یک سیستم تحرک سریع واکنش است و پاراسمپاتیک یک سیستم میرایی کندتر است. در سیستم مورد بررسی در این مقاله، این شبیه به کنترل سریع موتورهای ویلچر برقی و نظارت آهسته تر سیستم های حسگر به دلایل فوری برای تغییر سریع ورودی موتور است.
کنترل خودکار
هنگامی که دستگاهی طراحی می شود که بدون نیاز به ورودی های آگاهانه انسان برای اصلاح کار کند، به آن کنترل خودکار می گویند. سیستم های کنترل خودکار برای اولین بار بیش از 2000 سال پیش توسعه یافتند که نمونه آن ساعت آبی باستانی Ktesibios در مصر (قرن سوم قبل از میلاد) است. از آن زمان، بسیاری از دستگاه‌های کنترل خودکار در طول قرن‌ها مورد استفاده قرار گرفته‌اند، دستگاه‌های قدیمی‌تر اغلب حلقه باز و جدیدتر اغلب بسته هستند.
نمونه‌هایی از دستگاه‌های کنترل خودکار حلقه بسته نسبتاً اولیه که از فیدبک حسگر در یک حلقه داخلی استفاده می‌کردند، شامل تنظیم‌کننده دمای کوره منسوب به درِبل در حدود سال ۱۶۲۰ و فرمان‌دهنده توپ گریز از مرکز که برای تنظیم سرعت موتورهای بخار توسط جیمز وات در سال ۱۷۸۸ استفاده شد، می‌شود. اکثر سیستم های کنترلی آن زمان از مکانیزم های گاورنر استفاده می کردند و ماکسول (1868) از معادلات دیفرانسیل برای بررسی استفاده می کرد. روث و هرویتز (1874) دینامیک سیستم های کنترل برای سیستم ها و سپس شرایط پایداری سیستم ها را بررسی کردند. ایده این بود که از حسگرها برای اندازه‌گیری عملکرد خروجی یک دستگاه در حال کنترل استفاده شود تا بتوان از آن اندازه‌گیری‌ها برای ارائه فیدبک به محرک‌های ورودی استفاده کرد، که می‌توانند اصلاحاتی را برای دستیابی به برخی عملکرد مطلوب انجام دهند.
کنترل کننده های فیدبک
کنترل‌کننده‌های فیدبک به‌عنوان دستگاه‌های چند منظوره جداگانه ایجاد شدند و مینورسکی در سال 1922 کنترل سه جمله ای یا PID را در آزمایشگاه تحقیقاتی جنرال الکتریک اختراع کرد و در عین حال به نصب و آزمایش برخی فرمان‌های خودکار روی کشتی کمک کرد. کنترل‌کننده‌های PID از آن زمان به‌طور مرتب برای حلقه‌های داخلی مورد استفاده قرار گرفته‌اند. این کنترل‌کننده‌ها برای توسعه ایده‌هایی درباره کنترل بهینه در دهه‌های 1950 و 1960 مورد استفاده قرار گرفتند. اصل حداکثر در سال 1956 توسعه یافت و بلمن در سال 1957 با استفاده از برنامه نویسی پویا پایه های نظریه کنترل بهینه را بنا نمود. در دهه 1970 پیشرفت در تکنیک های کنترل تصادفی ومقاوم دنبال شد. روش‌های طراحی آن زمان برای سیستم‌های تک ورودی، تک خروجی خطی بود و بر اساس تکنیک‌های پاسخ فرکانسی یا حل تبدیل لاپلاس معادلات دیفرانسیل بود. ظهور کامپیوترها و نیاز به کنترل اشیاء بالستیک که می‌توان برای آنها مدل‌های فیزیکی ساخت، به رویکرد فضای حالت منجر شد. این رویکرد تمایل داشت معادله دیفرانسیل عمومی را با سیستم معادلات دیفرانسیل مرتبه اول جایگزین کند، که منجر به توسعه سیستم‌های مدرن و تئوری کنترل با تأکید بر فرمول‌بندی ریاضی شد.
کنترل تطبیقی
کنترل‌کننده‌های اخیر به‌طور سنتی الکتریکی یا حداقل الکترومکانیکی بودند، اما در سال‌های 1969-1970، ریزپردازنده اینتل توسط تد هاف اختراع شد و از آن زمان به بعد قیمت ریزپردازنده‌ها (و حافظه) تقریباً مطابق با قانون مور کاهش یافت. ترانزیستورهای یک مدار مجتمع تقریباً هر دو سال یکبار دو برابر می شوند. همه اینها اجرای یک سیستم کنترل فیدبک اولیه در یک حلقه داخلی را بی اهمیت تر کرد و سیستم های جدیدتر، از کنترل مقاوم و سپس کنترل تطبیقی استفاده کرده اند. کنترل تطبیقی نیازی به اطلاعات پیشینی ندارد و دارای پارامترهایی است که متفاوت هستند یا در ابتدا نامشخص هستند. به عنوان مثال، با پرواز یک هواپیما، جرم آن به آرامی در نتیجه مصرف سوخت کاهش می یابد، یا کاربر ویلچر برقی ممکن است با گذشت روز خسته تر شود. در این موارد یک قانون کنترل سطح پایین مورد نیاز است که خود را با تغییر شرایط وفق دهد.
حلقه های کنترل خارجی
حلقه های کنترل داخلی نیاز به ورودی دارند. آنها به نقاط مرجع یا پروفایلی به صورت یک مقدار تعیین شده نیاز دارند. به عنوان مثال، ورودی ساعت آب Ktesibios یک سطح آب مورد نظر بود و ورودی تنظیم کننده دمای Drebbel یک مقدار دمای خاص بود. همانطور که حلقه های داخلی قابل اعتمادتر شدند و تا حد زیادی می توان آنها را بدون مراقبت رها کرد (اگرچه اغلب نظارت می شود)، توجه به حلقه های کنترلی که خارج از آنها قرار دارند معطوف شد.
در جایی که حلقه‌های کنترل درونی شبیه سیستم‌های عصبی خودمختار حیوانات است، حلقه‌های کنترل بیرونی شبیه مغز آنها است (کاندل، 2012). به این معنا که آنها تمایل بیشتری به آگاهی دارند و کمتر به طور خودکار قابل پیش بینی هستند. حتی کرم‌های مسطح دارای یک سیستم عصبی ساده و واضح با یک سیستم مرکزی و یک سیستم محیطی هستند که شامل یک سیستم عصبی خودمختار ساده است (کلولند و همکاران، 2008).
مغز مرکز کنترل بالاتری برای عملکردهایی مانند راه رفتن، صحبت کردن و بلعیدن است. این کارکردهای تفکر، نحوه رفتار و همه فعالیت‌های فکری (شناختی) ما را کنترل می‌کند، مانند اینکه چگونه به چیزها توجه می‌کنیم، چگونه جهان خود و محیط فیزیکی آن را درک می‌کنیم، چگونه یاد می‌گیریم و به یاد می‌آوریم و غیره. در مورد سیستم مورد بررسی در این مقاله، این شبیه تصمیم گیری بود که کاربر ویلچر می خواهد کجا برود و کاربر ممکن است بخواهد چه کاری انجام دهد و اینکه آیا پارامترهای کنترلی باید به خاطر آنها تنظیم شوند یا نه. در هر دو مورد، سطح بالاتر و پیچیده‌تر کنترل در حلقه‌های بیرونی تنها در صورتی می‌تواند کار کند که کنترل سطح پایین‌تر در حلقه‌های داخلی به شیوه‌ای قابل پیش‌بینی و تکرارپذیر عمل کند.
در اصل، مهندسی کنترل همه چیز در مورد سیستم های پیوسته بود. توسعه کامپیوترها و میکروکنترلرها منجر به مهندسی سیستم کنترل گسسته شد، زیرا ارتباطات بین کنترل‌کننده‌های دیجیتال مبتنی بر کامپیوتر و سیستم‌های فیزیکی توسط ساعت کنترل می‌شد. بسیاری از سیستم های کنترل در حال حاضر تحت کنترل کامپیوتری هستند و از اجزای دیجیتال و آنالوگ تشکیل شده اند و کلید پیشرفت موفقیت آنها یادگیری بدون نظارت و تطبیقی است.
اما یک کامپیوتر می تواند کارهایی بیش از کنترل یک حلقه بیرونی انجام دهد تا یک ورودی یا ورودی دلخواه برای برخی از حلقه های داخلی تولید کند. بسیاری از مردم بر این باورند که مغز را می توان با ماشین ها شبیه سازی کرد و چون مغزها باهوش هستند، مغزهای شبیه سازی شده نیز باید باهوش باشند. بنابراین ماشین ها می توانند هوشمند باشند. ممکن است از نظر فن آوری امکان کپی کردن مغز مستقیماً در سخت افزار و نرم افزار وجود داشته باشد و چنین شبیه سازی اساساً مشابه نسخه اصلی باشد (راسل و نورویگ، 2003؛ کریویر، 1993).
برنامه‌های رایانه‌ای سرعت و حافظه زیادی دارند، اما توانایی‌های آنها فقط با مکانیسم‌های فکری ای مطابقت دارد که طراحان برنامه به‌خوبی آنها را درک کرده‌اند تا بتوانند آنها به کار ببرند. برخی از توانایی‌هایی که کودکان معمولاً تا سنین نوجوانی ندارند، ممکن است در آنها وجود داشته باشد و از سوی دیگر برخی از توانایی‌هایی که کودکان دو ساله دارند هنوز در این برنامه ها وجود ندارد. این موضوع پیچیده است زیرا علوم شناختی هنوز در تعیین دقیق توانایی های انسان موفق نشده اند. سازماندهی مکانیسم های فکری برای کنترل هوشمند می تواند با سازماندهی در افراد متفاوت باشد. هر زمان که افراد در برخی کارها بهتر از رایانه ها عمل می کنند، یا رایانه ها مانند افراد از محاسبات زیادی برای انجام آن استفاده می کنند، نشان می دهد که طراحان برنامه درک درستی از مکانیسم های فکری لازم برای انجام کارها ندارند و یا شاید بتوان کار را به روش دیگری بهتر انجام داد.
در حالی که مهندسان کنترل از فن‌آوری‌های کنترل الکترونیکی، الکترومکانیکی و آنالوگ سنتی به سیستم‌های کنترل مکاترونیک دیجیتال که شامل تجزیه و تحلیل کامپیوتری و الگوریتم‌های تصمیم‌گیری هستند، مهاجرت کرده‌اند، فناوری‌های رایانه‌ای جدید در افق ظاهر شده‌اند که ممکن است حتی تغییرات بیشتری ایجاد کنند (Masi, 2007). حلقه های بیرونی با توسعه میکروکنترلرها و رایانه ها در طول دهه ها پیچیده تر و کمتر قابل پیش بینی شده اند و از زمانی که جان مک کارتی این اصطلاح را در سال 1955 ابداع کرد، آنها را به عنوان سیستم های هوش مصنوعی در نظر گرفت (Skillings, 2006).
ابزارهای هوش مصنوعی
هوش مصنوعی هوشی است که ماشین ها یا نرم افزارها نشان می دهند. هوش مصنوعی در مهندسی کنترل اغلب در مورد شبیه سازی هوش انسانی نیست. ما می‌توانیم در مورد چگونگی ساخت ماشین‌ها برای حل مشکلات با مشاهده افراد دیگر چیزهایی بیاموزیم، اما بیشتر کارها در زمینه کنترل هوشمند شامل مطالعه مشکلات واقعی در جهان است تا مطالعه افراد یا حیوانات.
هوش مصنوعی می‌تواند فنی و تخصصی باشد و اغلب به زیرشاخه‌هایی تقسیم می‌شود که عموما اصلاً با یکدیگر ارتباط برقرار نمی‌کنند (مک کورداک، 2004). زیرا زیرشاخه‌های مختلف بر روی راه‌حل‌های مشکلات خاص تمرکز می‌کنند. اما هوش عمومی هنوز جزو اهداف بلندمدت است (Kurzweil, 2005) و مشکلات (یا اهداف) اصلی هوش مصنوعی شامل استدلال، دانش، برنامه ریزی، یادگیری، ارتباطات و ادراک است. در حال حاضر رویکردهای رایج در مهندسی کنترل برای دستیابی به آنها شامل روش های آماری، هوش محاسباتی و هوش مصنوعی نمادین سنتی است. کل این رشته بین رشته ای است و شامل مهندسان کنترل، دانشمندان کامپیوتر، ریاضیدانان، روانشناسان، زبان شناسان، فیلسوفان و عصب شناسان می شود.
ابزارهای زیادی در هوش مصنوعی استفاده می شود، از جمله جستجو و بهینه سازی ریاضی، منطق، روش های مبتنی بر احتمال و بسیاری دیگر. مقاله‌ای درباره هفت ابزار هوش مصنوعی در مهندسی کنترل که ثابت کرده‌اند در سیستم‌های کنترل و حسگر مفید هستند توسط ساندرز در سال 2013 ارائه شده است. آنها سیستم های مبتنی بر دانش، منطق فازی، کسب دانش خودکار، شبکه های عصبی، الگوریتم های ژنتیک، استدلال مبتنی بر مورد و هوش محیطی بودند. کاربردهای این ابزارها به دلیل قدرت و مقرون به صرفه بودن رایانه های امروزی گسترده تر شده است و ممکن است از ابزارهای ترکیبی که نقاط قوت دو یا چند مورد از آنها را با هم ترکیب می کنند، بیشتر استفاده شود. ابزارها و روش‌های مهندسی کنترل نسبت به سایر برنامه‌های هوش مصنوعی پیچیدگی محاسباتی کمتری دارند و اغلب می‌توان آنها را با میکروکنترلرهای کم‌توان پیاده‌سازی کرد. استقرار مناسب ابزارهای جدید هوش مصنوعی به ایجاد سیستم‌ها و برنامه‌های کنترلی توانمندتر کمک می‌کند. سایر پیشرفت‌های فناوری در هوش مصنوعی که بر مهندسی کنترل تأثیر می‌گذارد، شامل تکنیک‌های داده کاوی، سیستم‌های چند عاملی و سیستم‌های خودسازمان‌دهی توزیع‌شده است.
هوش مصنوعی فرض می‌کند که حداقل برخی از چیزهایی مانند هوش انسانی را می‌توان آنقدر دقیق توصیف کرد که بتوان ماشینی برای شبیه‌سازی آن ساخت. این موضوع مسائل فلسفی را در مورد ماهیت ذهن و اخلاقیات ایجاد هوش مصنوعی با هوشی شبیه به انسان مطرح می کند، موضوعاتی که از دوران باستان توسط اسطوره، داستان و فلسفه به آن پرداخته شده است (مک کورداک، 2004). اما چگونه این کار را انجام دهیم؟ خوب، استدلال مکانیکی یا رسمی از دوران باستان توسط فیلسوفان و ریاضیدانان توسعه یافته است و مطالعه منطق مستقیماً به اختراع رایانه الکترونیکی دیجیتال قابل برنامه ریزی منجر شد. تئوری محاسبات تورینگ پیشنهاد می‌کند که یک ماشین، با به هم زدن نمادهایی به سادگی «0» و «1»، می‌تواند هر عمل قابل تصوری از استنتاج ریاضی را شبیه‌سازی کند (برلینسکی، 2000).
این، همراه با اکتشافات در عصب شناسی، تئوری اطلاعات و سایبرنتیک، محققان را برانگیخت تا امکان ساخت مغز الکترونیکی را در نظر بگیرند (مک کورداک، 2004). اکنون رایانه ها می توانند در چکرز و شطرنج برنده شوند، برخی از مسائل کلمه ای را در جبر حل کنند، قضایای منطقی را اثبات کنند و صحبت کنند، اما دشواری برخی از مشکلاتی که با آن مواجه شده اند، همه افراد جامعه را شگفت زده کرده است. در سال 1974، در پاسخ به انتقاد لایت‌هیل (1973) و فشارهای مداوم کنگره ایالات متحده، دولت‌های ایالات متحده و بریتانیا تمام تحقیقات اکتشافی بدون هدایت در هوش مصنوعی را قطع کردند و تنها تحقیقات خاصی را در زمینه‌هایی مانند مهندسی کنترل باقی گذاشتند.
ادامه دارد…
