人工智能與智能系統(tǒng)這幾年從論文里的熱詞變成了工程現(xiàn)場天天要面對的東西。我最早接觸這個(gè)方向是從數(shù)學(xué)建模比賽開始的當(dāng)時(shí)做的是一個(gè)多變量耦合系統(tǒng)的控制優(yōu)化題調(diào)參調(diào)到凌晨三點(diǎn)最后發(fā)現(xiàn)真正卡住我的不是算法本身而是對系統(tǒng)建模的理解不夠深。后來陸續(xù)做了幾個(gè)工業(yè)控制、數(shù)據(jù)驅(qū)動(dòng)優(yōu)化相關(guān)的項(xiàng)目才慢慢摸清楚這條鏈路建模是地基控制是骨架優(yōu)化是讓整個(gè)系統(tǒng)跑得更省、更穩(wěn)、更準(zhǔn)的那層潤滑劑。這篇內(nèi)容圍繞人工智能與智能系統(tǒng)的建模、控制與優(yōu)化展開把我在實(shí)際項(xiàng)目里踩過的坑、用過的工具、驗(yàn)證過的思路整理出來適合正在做相關(guān)課題的研究生、剛?cè)胄械乃惴üこ處熞约跋霃膫鹘y(tǒng)控制轉(zhuǎn)向智能控制的從業(yè)者參考。不管你是用MATLAB做仿真還是用Python搭數(shù)據(jù)驅(qū)動(dòng)模型或者是在嵌入式平臺(tái)上跑實(shí)時(shí)控制這里面的思路都能直接拿去用。1. 從物理模型到數(shù)據(jù)驅(qū)動(dòng)建模路線怎么選1.1 建模的本質(zhì)是找輸入輸出之間的映射關(guān)系很多人一上來就問“用神經(jīng)網(wǎng)絡(luò)還是用機(jī)理模型”這個(gè)問題本身就問偏了。建模的核心任務(wù)是找到一個(gè)能準(zhǔn)確描述系統(tǒng)行為的映射關(guān)系至于用什么工具取決于你對這個(gè)系統(tǒng)的先驗(yàn)知識(shí)有多少、能拿到多少數(shù)據(jù)、以及最終要拿這個(gè)模型干什么。我習(xí)慣把建模分成三條路線來看白箱建模系統(tǒng)的物理規(guī)律清楚比如電機(jī)控制里的電壓方程、磁鏈方程你能直接寫出微分方程。這種模型可解釋性最強(qiáng)外推能力好但參數(shù)辨識(shí)往往很麻煩尤其是非線性項(xiàng)和耦合項(xiàng)。黑箱建模完全靠數(shù)據(jù)驅(qū)動(dòng)神經(jīng)網(wǎng)絡(luò)、高斯過程、支持向量回歸都屬于這一類。優(yōu)點(diǎn)是省去了推導(dǎo)機(jī)理的功夫缺點(diǎn)是外推能力差數(shù)據(jù)沒覆蓋到的工況基本靠猜?；蚁浣０岩阎奈锢斫Y(jié)構(gòu)和數(shù)據(jù)驅(qū)動(dòng)的參數(shù)估計(jì)結(jié)合起來。比如你知道系統(tǒng)是一階慣性加純延遲但時(shí)間常數(shù)和增益隨工況變化那就用數(shù)據(jù)去擬合這兩個(gè)參數(shù)。這是我在工業(yè)項(xiàng)目里用得最多的方式。選哪條路線我一般看三個(gè)指標(biāo)數(shù)據(jù)量、可解釋性要求、實(shí)時(shí)性約束。數(shù)據(jù)少、要求可解釋走白箱或灰箱數(shù)據(jù)多、精度優(yōu)先、能接受黑箱那就上神經(jīng)網(wǎng)絡(luò)。實(shí)時(shí)性要求高的場景模型復(fù)雜度必須壓下來這時(shí)候一個(gè)辨識(shí)良好的低階傳遞函數(shù)比一個(gè)五層LSTM管用得多。1.2 數(shù)據(jù)驅(qū)動(dòng)建模中最容易被忽略的預(yù)處理環(huán)節(jié)我見過太多人直接把原始數(shù)據(jù)丟進(jìn)模型然后抱怨效果不好。數(shù)據(jù)驅(qū)動(dòng)建模里預(yù)處理的工作量至少占整個(gè)流程的一半而且這一步做不好后面調(diào)參調(diào)到天荒地老也沒用。幾個(gè)關(guān)鍵動(dòng)作異常值處理。工業(yè)現(xiàn)場的數(shù)據(jù)經(jīng)常有跳變點(diǎn)可能是傳感器故障也可能是通信丟包。我一般用滑動(dòng)窗口中位數(shù)濾波先過一遍再用3σ原則標(biāo)記異常點(diǎn)。注意標(biāo)記出來的異常點(diǎn)不要直接刪先看看是不是真實(shí)工況變化誤刪了反而丟信息。歸一化方式的選擇。Min-Max歸一化適合數(shù)據(jù)分布比較均勻的場景Z-Score標(biāo)準(zhǔn)化適合有離群點(diǎn)的情況。但如果你用的是神經(jīng)網(wǎng)絡(luò)而且激活函數(shù)是ReLU我建議用Z-Score因?yàn)镽eLU在負(fù)半軸梯度為零Min-Max把數(shù)據(jù)壓到[0,1]之后負(fù)值信息就丟了。時(shí)序?qū)R。多傳感器系統(tǒng)里不同傳感器的采樣率和延遲不一樣。做建模之前必須把時(shí)間戳對齊否則你拿t時(shí)刻的輸入去預(yù)測t時(shí)刻的輸出實(shí)際上輸入可能來自t-2時(shí)刻。這個(gè)坑我在一個(gè)溫度控制項(xiàng)目里踩過模型離線精度很高上線之后完全不能用查了兩天才發(fā)現(xiàn)是時(shí)序錯(cuò)位。訓(xùn)練集和測試集的劃分。時(shí)序數(shù)據(jù)不能隨機(jī)劃分必須按時(shí)間順序切。而且測試集要和訓(xùn)練集在工況分布上有區(qū)分度否則你測出來的精度是虛高的。我通常的做法是前70%做訓(xùn)練中間15%做驗(yàn)證最后15%做測試并且確保測試集覆蓋了至少一種訓(xùn)練集中沒出現(xiàn)過的工況。1.3 模型驗(yàn)證不只看精度指標(biāo)很多人模型訓(xùn)練完看MSE和R2達(dá)標(biāo)了就收工。但實(shí)際項(xiàng)目里精度只是及格線真正決定模型能不能用的是下面這幾項(xiàng)驗(yàn)證維度檢查內(nèi)容常見問題殘差分析殘差是否白噪聲、有無自相關(guān)殘差有趨勢說明模型欠擬合外推能力超出訓(xùn)練數(shù)據(jù)范圍的預(yù)測表現(xiàn)黑箱模型外推基本失效魯棒性輸入加小擾動(dòng)后輸出變化幅度過擬合模型對噪聲極度敏感計(jì)算耗時(shí)單次推理時(shí)間是否滿足實(shí)時(shí)要求復(fù)雜模型在嵌入式端跑不動(dòng)參數(shù)敏感性關(guān)鍵參數(shù)變化對輸出的影響辨識(shí)參數(shù)物理意義不合理我特別想強(qiáng)調(diào)殘差分析。如果殘差圖里能看到明顯的周期性或趨勢說明模型結(jié)構(gòu)有問題不是調(diào)參能解決的。這時(shí)候要么增加模型階次要么換建模路線。另外外推能力測試一定要做尤其是你要拿這個(gè)模型去做預(yù)測控制的場景模型必須在訓(xùn)練數(shù)據(jù)沒覆蓋的工況下也能給出合理輸出哪怕精度下降也不能發(fā)散。2. 控制策略的工程落地從PID到智能控制2.1 PID依然是基本盤但整定方法要升級不管智能控制多火工業(yè)現(xiàn)場80%以上的回路還是PID。這不是因?yàn)镻ID多先進(jìn)而是因?yàn)樗煽?、好維護(hù)、工程師都懂。但傳統(tǒng)PID的問題在于面對非線性、時(shí)變、大延遲系統(tǒng)固定參數(shù)很難在全工況下都表現(xiàn)良好。我在項(xiàng)目里常用的整定思路是分工況整定增益調(diào)度。具體做法先把系統(tǒng)的工作范圍劃分成若干工況區(qū)間比如低負(fù)載、中負(fù)載、高負(fù)載。在每個(gè)區(qū)間內(nèi)單獨(dú)做階躍響應(yīng)實(shí)驗(yàn)用繼電反饋法或者Cohen-Coon法整定一組PID參數(shù)。運(yùn)行時(shí)根據(jù)工況變量如負(fù)載率、流量在線切換參數(shù)組切換時(shí)做平滑過渡避免參數(shù)跳變引起振蕩。注意增益調(diào)度不是簡單的查表切換參數(shù)之間要做插值或者用模糊規(guī)則過渡否則在切換點(diǎn)附近容易出現(xiàn)極限環(huán)。對于大延遲系統(tǒng)普通PID怎么調(diào)都不理想這時(shí)候可以考慮Smith預(yù)估器或者內(nèi)?？刂?。Smith預(yù)估器的原理是在控制器旁邊并聯(lián)一個(gè)系統(tǒng)模型把延遲環(huán)節(jié)“移出”閉環(huán)讓控制器面對的是一個(gè)無延遲的對象。但它的致命弱點(diǎn)是依賴模型精度模型不準(zhǔn)的時(shí)候效果可能比普通PID還差。所以用Smith預(yù)估器之前先把模型辨識(shí)做扎實(shí)。2.2 模型預(yù)測控制MPC的落地門檻在哪里MPC這幾年在過程控制里用得越來越多它的核心思想是在每個(gè)控制周期求解一個(gè)有限時(shí)域的優(yōu)化問題得到最優(yōu)控制序列只執(zhí)行第一個(gè)控制量下一個(gè)周期重新優(yōu)化。理論上很美但落地時(shí)有幾個(gè)硬門檻計(jì)算量。MPC每個(gè)周期都要解QP或者NLP問題對于快速系統(tǒng)比如電機(jī)控制控制周期幾十微秒普通求解器根本來不及。解決方案有兩種一是顯式MPC離線把優(yōu)化問題的解算成查表形式在線只做查表二是用快速求解器比如OSQP、qpOASES配合代碼生成工具如ACADO、CasADi把求解時(shí)間壓到微秒級。模型精度。MPC對模型誤差的容忍度比PID低因?yàn)樗腔谀Ｐ妥鲱A(yù)測的。模型不準(zhǔn)預(yù)測就偏優(yōu)化出來的控制量可能反而讓系統(tǒng)發(fā)散。我的經(jīng)驗(yàn)是MPC的模型驗(yàn)證要比PID嚴(yán)格一個(gè)檔次殘差分析、外推測試一個(gè)都不能少。約束處理。MPC的一大優(yōu)勢是能顯式處理約束比如執(zhí)行器飽和、狀態(tài)安全邊界。但約束加多了會(huì)導(dǎo)致優(yōu)化問題不可行。處理不可行的方法有軟約束、約束松弛、優(yōu)先級分層等。我一般把安全相關(guān)的約束設(shè)為硬約束性能相關(guān)的設(shè)為軟約束并給軟約束加懲罰項(xiàng)。2.3 智能控制的真實(shí)定位補(bǔ)償而非替代現(xiàn)在很多論文把神經(jīng)網(wǎng)絡(luò)控制、模糊控制、強(qiáng)化學(xué)習(xí)控制說成是PID的替代品但我在實(shí)際項(xiàng)目里的體會(huì)是智能控制更適合做補(bǔ)償和優(yōu)化而不是完全替代傳統(tǒng)控制器。一個(gè)典型的架構(gòu)是底層用PID或者M(jìn)PC保證基本穩(wěn)定性和動(dòng)態(tài)性能上層用神經(jīng)網(wǎng)絡(luò)或者模糊系統(tǒng)做前饋補(bǔ)償、參數(shù)自適應(yīng)或者工況識(shí)別。比如在一個(gè)溫度控制項(xiàng)目里我用PID做反饋控制用一個(gè)小型神經(jīng)網(wǎng)絡(luò)根據(jù)歷史數(shù)據(jù)預(yù)測環(huán)境熱擾動(dòng)把預(yù)測值作為前饋量加到控制輸出上溫度波動(dòng)從±2℃降到了±0.5℃。強(qiáng)化學(xué)習(xí)控制在工業(yè)里落地更難主要問題是訓(xùn)練需要大量交互數(shù)據(jù)而工業(yè)系統(tǒng)不允許你隨便探索。比較可行的路線是先在仿真環(huán)境里訓(xùn)練策略再用遷移學(xué)習(xí)或者在線微調(diào)適配真實(shí)系統(tǒng)同時(shí)保留一個(gè)傳統(tǒng)控制器作為安全兜底當(dāng)強(qiáng)化學(xué)習(xí)策略的輸出超出安全范圍時(shí)自動(dòng)切換。3. 優(yōu)化問題的求解從凸優(yōu)化到啟發(fā)式算法3.1 凸優(yōu)化是首選但別硬套優(yōu)化問題分兩大類凸優(yōu)化和非凸優(yōu)化。凸優(yōu)化的好處是局部最優(yōu)就是全局最優(yōu)求解器成熟如CVXPY、Mosek、Gurobi求解速度快且穩(wěn)定。所以拿到一個(gè)優(yōu)化問題第一反應(yīng)應(yīng)該是能不能轉(zhuǎn)化成凸問題常見的凸化手段變量替換比如把非線性的乘積項(xiàng)通過變量替換變成線性約束。松弛把整數(shù)約束松弛成連續(xù)約束先求一個(gè)下界再用分支定界逼近。近似把非凸項(xiàng)用凸函數(shù)近似比如用二次函數(shù)近似高階項(xiàng)。但有些問題本質(zhì)上就是非凸的比如含整數(shù)變量的調(diào)度問題、多峰的目標(biāo)函數(shù)、非凸約束的軌跡優(yōu)化。這時(shí)候硬套凸優(yōu)化只會(huì)得到一個(gè)不可行的解或者嚴(yán)重偏離最優(yōu)的解。該用非凸方法就用非凸方法別為了追求理論上的優(yōu)雅而犧牲實(shí)際效果。3.2 啟發(fā)式算法的適用邊界遺傳算法、粒子群、模擬退火這些啟發(fā)式算法在論文里出現(xiàn)頻率極高但在工程里我用得比較謹(jǐn)慎。原因很簡單它們沒有收斂性保證每次跑出來的結(jié)果可能不一樣而且計(jì)算量大。啟發(fā)式算法適合的場景目標(biāo)函數(shù)不可導(dǎo)、不連續(xù)梯度類方法用不了。問題規(guī)模不大對求解時(shí)間不敏感比如離線參數(shù)優(yōu)化。作為其他算法的初始化手段先用啟發(fā)式算法找到一個(gè)不錯(cuò)的起點(diǎn)再用梯度類方法精細(xì)搜索。不適合的場景實(shí)時(shí)控制計(jì)算時(shí)間不可控。高維優(yōu)化維度災(zāi)難種群規(guī)模指數(shù)增長。需要嚴(yán)格保證最優(yōu)性的場合。我在做參數(shù)辨識(shí)的時(shí)候經(jīng)常用粒子群先粗搜一遍把結(jié)果作為最小二乘的初值這樣既避免了陷入局部最優(yōu)又保證了最終的收斂精度。3.3 多目標(biāo)優(yōu)化的權(quán)衡策略實(shí)際工程問題幾乎都是多目標(biāo)的既要控制精度高又要能耗低還要執(zhí)行器動(dòng)作平滑。這些目標(biāo)之間往往互相沖突不存在一個(gè)讓所有目標(biāo)同時(shí)最優(yōu)的解只能找Pareto最優(yōu)解集。處理多目標(biāo)優(yōu)化我常用的兩種方法加權(quán)求和法。給每個(gè)目標(biāo)分配權(quán)重合成一個(gè)標(biāo)量目標(biāo)。優(yōu)點(diǎn)是簡單缺點(diǎn)是權(quán)重不好定而且只能找到Pareto前沿上的凸部分。權(quán)重的確定我一般用層次分析法或者熵權(quán)法減少主觀性。NSGA-II等Pareto方法。直接求Pareto前沿然后根據(jù)實(shí)際需求從前沿上選一個(gè)解。優(yōu)點(diǎn)是能拿到完整的權(quán)衡信息缺點(diǎn)是計(jì)算量大。我通常用它做離線分析看看各個(gè)目標(biāo)之間的trade-off關(guān)系然后再?zèng)Q定用加權(quán)法在線運(yùn)行。方法優(yōu)點(diǎn)缺點(diǎn)適用場景加權(quán)求和簡單、快速權(quán)重主觀、只能找凸Pareto前沿在線優(yōu)化、目標(biāo)少ε-約束能找非凸前沿需要設(shè)定約束值離線分析NSGA-II前沿分布均勻計(jì)算量大離線多目標(biāo)分析MOEA/D分解思想、收斂快權(quán)重向量選擇敏感高維多目標(biāo)4. 工具鏈與實(shí)操環(huán)境搭建4.1 仿真環(huán)境MATLAB還是Python這個(gè)問題沒有標(biāo)準(zhǔn)答案取決于你的項(xiàng)目階段和團(tuán)隊(duì)習(xí)慣。MATLAB/Simulink的優(yōu)勢在于控制系統(tǒng)設(shè)計(jì)工具鏈完整PID Tuner、MPC Toolbox、System Identification Toolbox都是開箱即用Simulink的圖形化建模對復(fù)雜系統(tǒng)特別友好。缺點(diǎn)是部署到嵌入式平臺(tái)需要額外步驟而且license費(fèi)用不低。Python的優(yōu)勢在于生態(tài)開放scikit-learn、PyTorch、CasADi、CVXPY覆蓋了從建模到優(yōu)化的全鏈路部署也方便。缺點(diǎn)是控制系統(tǒng)設(shè)計(jì)的工具鏈不如MATLAB成熟很多功能需要自己搭。我的實(shí)際做法是前期用MATLAB做快速驗(yàn)證和系統(tǒng)辨識(shí)后期用Python做數(shù)據(jù)驅(qū)動(dòng)建模和優(yōu)化求解最終部署用C/C。中間的數(shù)據(jù)交換通過.mat文件或者CSV雖然麻煩一點(diǎn)但各取所長。4.2 實(shí)時(shí)控制平臺(tái)的選型考量如果你要做硬件在環(huán)或者實(shí)際部署平臺(tái)選型要考慮這幾個(gè)因素計(jì)算能力MPC和神經(jīng)網(wǎng)絡(luò)推理需要一定的算力單片機(jī)跑不動(dòng)就得上DSP或者FPGA。接口豐富度ADC、DAC、PWM、CAN、以太網(wǎng)根據(jù)你的傳感器和執(zhí)行器來定。開發(fā)工具鏈有沒有自動(dòng)代碼生成有沒有實(shí)時(shí)調(diào)試接口。成本實(shí)驗(yàn)室階段可以用開發(fā)板量產(chǎn)要考慮BOM成本。我做過的一個(gè)電機(jī)控制項(xiàng)目最開始用STM32F4跑PID后來要加神經(jīng)網(wǎng)絡(luò)補(bǔ)償算力不夠換成了TI的C2000系列DSP配合Simulink的自動(dòng)代碼生成開發(fā)效率高了不少。FPGA適合做超低延遲的并行計(jì)算比如相控陣的相位控制但開發(fā)門檻高算法驗(yàn)證周期長。4.3 版本管理與實(shí)驗(yàn)記錄這一點(diǎn)經(jīng)常被忽略但我覺得特別重要。做建模和控制優(yōu)化你會(huì)跑大量的實(shí)驗(yàn)參數(shù)組合、數(shù)據(jù)集版本、模型權(quán)重、實(shí)驗(yàn)結(jié)果如果沒有好的管理過兩周你自己都記不清哪個(gè)結(jié)果對應(yīng)哪組參數(shù)。我的做法代碼用Git管理每個(gè)實(shí)驗(yàn)開一個(gè)分支實(shí)驗(yàn)完成后合并到主分支并打tag。實(shí)驗(yàn)記錄用表格維護(hù)字段包括實(shí)驗(yàn)編號(hào)、日期、數(shù)據(jù)集版本、模型結(jié)構(gòu)、超參數(shù)、評價(jià)指標(biāo)、備注。模型權(quán)重和數(shù)據(jù)集用DVC或者簡單的文件命名規(guī)范管理避免版本混亂。提示實(shí)驗(yàn)記錄表不要只記成功的結(jié)果失敗的實(shí)驗(yàn)同樣有價(jià)值尤其是那些“看起來應(yīng)該work但實(shí)際不work”的案例往往能幫你排除錯(cuò)誤方向。5. 典型場景拆解從需求到落地5.1 場景一工業(yè)過程的多變量控制某化工過程有四個(gè)被控變量溫度、壓力、流量、液位和三個(gè)操縱變量變量之間存在強(qiáng)耦合。傳統(tǒng)做法是每個(gè)回路單獨(dú)PID但耦合導(dǎo)致互相干擾一個(gè)回路調(diào)好了另一個(gè)又亂了。我的處理步驟相對增益陣列RGA分析確定變量配對把耦合最強(qiáng)的回路分開。解耦設(shè)計(jì)如果RGA顯示耦合嚴(yán)重設(shè)計(jì)前饋解耦器或者直接用多變量MPC。模型辨識(shí)對每個(gè)通道做階躍響應(yīng)辨識(shí)傳遞函數(shù)矩陣。MPC設(shè)計(jì)設(shè)定預(yù)測時(shí)域、控制時(shí)域、權(quán)重矩陣處理輸入輸出約束。在線調(diào)試先手動(dòng)模式跑一段時(shí)間收集數(shù)據(jù)驗(yàn)證模型再切自動(dòng)模式。這個(gè)項(xiàng)目最后用的是MPC控制周期1秒預(yù)測時(shí)域20步控制時(shí)域5步。投運(yùn)后溫度波動(dòng)從±3℃降到±0.8℃能耗降低約7%。5.2 場景二嵌入式平臺(tái)的實(shí)時(shí)控制一個(gè)運(yùn)動(dòng)控制項(xiàng)目要求控制周期100微秒被控對象是一個(gè)非線性伺服系統(tǒng)。PID在低速段表現(xiàn)可以高速段因?yàn)槟Σ练蔷€性導(dǎo)致跟蹤誤差大。解決方案是PID神經(jīng)網(wǎng)絡(luò)前饋底層PID保證穩(wěn)定性參數(shù)用繼電反饋法整定。神經(jīng)網(wǎng)絡(luò)用歷史數(shù)據(jù)離線訓(xùn)練輸入是位置、速度、加速度輸出是摩擦補(bǔ)償力矩。在線運(yùn)行時(shí)神經(jīng)網(wǎng)絡(luò)推理用定點(diǎn)化加速單次推理控制在20微秒以內(nèi)。安全兜底神經(jīng)網(wǎng)絡(luò)輸出限幅超出范圍時(shí)自動(dòng)退化為純PID。實(shí)測跟蹤誤差從±0.05mm降到±0.015mm而且神經(jīng)網(wǎng)絡(luò)的計(jì)算開銷在DSP上完全可以接受。5.3 場景三數(shù)據(jù)驅(qū)動(dòng)的參數(shù)優(yōu)化一個(gè)批次過程每批次有20個(gè)可調(diào)參數(shù)目標(biāo)是最大化產(chǎn)率同時(shí)保證質(zhì)量指標(biāo)在范圍內(nèi)。參數(shù)與產(chǎn)率之間的關(guān)系沒有明確的機(jī)理模型只能靠數(shù)據(jù)。我用的是高斯過程回歸貝葉斯優(yōu)化先做實(shí)驗(yàn)設(shè)計(jì)DOE用拉丁超立方采樣生成30組初始參數(shù)跑實(shí)驗(yàn)收集數(shù)據(jù)。用高斯過程回歸擬合參數(shù)到產(chǎn)率的映射同時(shí)給出預(yù)測不確定性。用貝葉斯優(yōu)化EI采集函數(shù)推薦下一組實(shí)驗(yàn)參數(shù)平衡探索和利用。迭代10輪后產(chǎn)率提升了12%而且找到了之前沒考慮過的參數(shù)組合。這個(gè)方法的優(yōu)勢是樣本效率高適合實(shí)驗(yàn)成本高的場景。缺點(diǎn)是不能處理高維參數(shù)超過50維效果下降明顯而且需要一定的先驗(yàn)知識(shí)來設(shè)定核函數(shù)。6. 踩坑記錄與排查思路6.1 模型離線精度高但上線效果差這是最經(jīng)典的坑。原因通常有三個(gè)數(shù)據(jù)泄漏。訓(xùn)練時(shí)用了未來信息比如歸一化的時(shí)候用了全量數(shù)據(jù)的均值和方差而不是只用訓(xùn)練集的。上線后新數(shù)據(jù)進(jìn)來歸一化參數(shù)不匹配模型輸出就偏了。解決辦法是歸一化參數(shù)只用訓(xùn)練集計(jì)算然后保存下來推理時(shí)直接調(diào)用。工況分布不一致。訓(xùn)練數(shù)據(jù)來自A工況上線后系統(tǒng)跑在B工況。模型在B工況下外推精度自然差。解決辦法是訓(xùn)練集要覆蓋盡可能多的工況或者加在線自適應(yīng)機(jī)制。時(shí)序錯(cuò)位。前面提過輸入和輸出在時(shí)間上沒有對齊。排查方法是畫輸入輸出互相關(guān)圖看峰值在哪個(gè)延遲點(diǎn)。6.2 控制器振蕩的排查鏈路控制器振蕩是現(xiàn)場最常見的故障排查要按順序來先看執(zhí)行器閥門有沒有卡澀電機(jī)有沒有丟步PWM輸出是否正常。執(zhí)行器問題占振蕩原因的30%以上。再看傳感器信號(hào)有沒有噪聲采樣是否穩(wěn)定有沒有接地環(huán)路。傳感器噪聲會(huì)引起高頻振蕩。然后看控制器參數(shù)比例增益是不是太大積分時(shí)間是不是太短。用階躍響應(yīng)實(shí)驗(yàn)重新整定。最后看系統(tǒng)本身有沒有非線性如死區(qū)、飽和有沒有外部擾動(dòng)源。我遇到過一個(gè)案例溫度控制振蕩查了半天控制器參數(shù)都沒問題最后發(fā)現(xiàn)是加熱器的固態(tài)繼電器在低頻開關(guān)時(shí)產(chǎn)生了周期性擾動(dòng)。換了一個(gè)過零觸發(fā)的繼電器就好了。6.3 優(yōu)化算法不收斂的常見原因目標(biāo)函數(shù)尺度差異大一個(gè)目標(biāo)在10^6量級另一個(gè)在10^-2量級梯度下降會(huì)被大量級目標(biāo)主導(dǎo)。解決辦法是先歸一化。約束沖突多個(gè)約束互相矛盾可行域?yàn)榭铡z查約束的物理意義看看是不是設(shè)錯(cuò)了。初值太差非凸問題對初值敏感多試幾組初值或者先用啟發(fā)式算法粗搜。學(xué)習(xí)率不當(dāng)太大震蕩太小收斂慢。用自適應(yīng)學(xué)習(xí)率或者線搜索。7. 一些實(shí)用的經(jīng)驗(yàn)參數(shù)與配置7.1 神經(jīng)網(wǎng)絡(luò)建模的推薦配置對于工業(yè)過程建模我一般用這樣的配置起步網(wǎng)絡(luò)結(jié)構(gòu)3層MLP隱藏層神經(jīng)元數(shù)量取輸入維度的2-3倍。激活函數(shù)隱藏層用ReLU或Tanh輸出層用線性。優(yōu)化器Adam學(xué)習(xí)率1e-3配合余弦退火。正則化Dropout 0.1-0.2或者L2正則化系數(shù)1e-4。訓(xùn)練輪數(shù)早停法驗(yàn)證集損失連續(xù)10輪不下降就停。數(shù)據(jù)量至少是參數(shù)數(shù)量的10倍否則容易過擬合。如果數(shù)據(jù)量少優(yōu)先考慮高斯過程回歸或者支持向量回歸別硬上深度學(xué)習(xí)。7.2 MPC參數(shù)整定的經(jīng)驗(yàn)值參數(shù)推薦范圍說明預(yù)測時(shí)域20-50步覆蓋系統(tǒng)主要?jiǎng)討B(tài)響應(yīng)時(shí)間控制時(shí)域5-10步太短控制保守太長計(jì)算量大輸出權(quán)重1-100根據(jù)各輸出重要性調(diào)整輸入權(quán)重0.01-1抑制控制量波動(dòng)控制量變化率權(quán)重0.1-10讓控制動(dòng)作平滑整定時(shí)先調(diào)輸出權(quán)重讓跟蹤性能達(dá)標(biāo)再調(diào)輸入權(quán)重和控制量變化率權(quán)重讓控制動(dòng)作平滑。約束先不加跑通了再加。7.3 數(shù)據(jù)采集的注意事項(xiàng)采樣率至少是系統(tǒng)帶寬的10倍否則會(huì)丟失動(dòng)態(tài)信息。采集時(shí)間要覆蓋完整的工況變化周期不能只采穩(wěn)態(tài)數(shù)據(jù)。加激勵(lì)信號(hào)時(shí)幅值要在安全范圍內(nèi)同時(shí)保證信噪比足夠。記錄時(shí)間戳和工況標(biāo)簽方便后續(xù)分析。8. 從項(xiàng)目到論文如何把工程經(jīng)驗(yàn)轉(zhuǎn)化為學(xué)術(shù)成果8.1 工程問題的學(xué)術(shù)化表達(dá)很多工程師手里有很好的項(xiàng)目數(shù)據(jù)但不知道怎么寫成論文。核心問題是工程問題關(guān)注“怎么解決”學(xué)術(shù)論文關(guān)注“為什么這樣解決”和“相比現(xiàn)有方法好在哪里”。轉(zhuǎn)化方法把工程需求抽象成數(shù)學(xué)問題明確目標(biāo)函數(shù)和約束。把解決方案和現(xiàn)有方法做對比突出創(chuàng)新點(diǎn)。補(bǔ)充理論分析比如收斂性證明、復(fù)雜度分析。用消融實(shí)驗(yàn)說明每個(gè)模塊的貢獻(xiàn)。8.2 實(shí)驗(yàn)設(shè)計(jì)要經(jīng)得起推敲審稿人最常質(zhì)疑的點(diǎn)對比方法是不是調(diào)到了最優(yōu)測試集是不是和訓(xùn)練集有重疊評價(jià)指標(biāo)是不是只選了對自己有利的統(tǒng)計(jì)顯著性有沒有驗(yàn)證我的建議是對比方法用官方代碼或者公認(rèn)的調(diào)參方法測試集嚴(yán)格劃分評價(jià)指標(biāo)多選幾個(gè)實(shí)驗(yàn)結(jié)果做多次重復(fù)取均值和標(biāo)準(zhǔn)差。8.3 數(shù)學(xué)建模競賽的經(jīng)驗(yàn)遷移華為杯數(shù)學(xué)建模大賽和研究生數(shù)學(xué)建模競賽的題目很多都涉及優(yōu)化和控制。我在帶學(xué)生參賽時(shí)發(fā)現(xiàn)獲獎(jiǎng)?wù)撐牡墓餐攸c(diǎn)是問題拆解清晰、模型假設(shè)合理、求解方法匹配、結(jié)果驗(yàn)證充分。具體來說第一問通常是建立模型這時(shí)候不要追求復(fù)雜選一個(gè)能解釋清楚、能求解的模型最重要。第二問往往是求解和優(yōu)化注意算法的收斂性和計(jì)算效率。第三問通常是靈敏度分析或者推廣這時(shí)候要展示你對模型邊界的理解。比賽時(shí)間緊不要花太多時(shí)間在模型調(diào)參上把時(shí)間留給論文寫作和結(jié)果可視化。評委看的是你的思路和表達(dá)不是你的模型有多復(fù)雜。9. 跨學(xué)科建模的幾點(diǎn)體會(huì)9.1 生物群體行為的建模啟示鳥群、魚群這類群體行為用三條簡單規(guī)則就能模擬出壯觀的同步運(yùn)動(dòng)分離、對齊、聚合。這個(gè)思路在工程上很有借鑒意義——復(fù)雜系統(tǒng)不一定需要復(fù)雜的控制規(guī)則局部簡單規(guī)則的交互可能涌現(xiàn)出全局有序行為。我在做多智能體協(xié)同控制的時(shí)候就借鑒了這類思路每個(gè)智能體只需要知道鄰居的狀態(tài)不需要全局信息通過局部規(guī)則就能實(shí)現(xiàn)編隊(duì)和避障。這種分布式控制架構(gòu)的魯棒性比集中式好單個(gè)智能體失效不會(huì)導(dǎo)致整個(gè)系統(tǒng)崩潰。9.2 跨領(lǐng)域方法的遷移邊界跨學(xué)科建模聽起來很美但遷移的時(shí)候要注意邊界條件。比如把生物群體的規(guī)則搬到無人機(jī)編隊(duì)要考慮無人機(jī)的動(dòng)力學(xué)約束、通信延遲、避障安全距離不能直接照搬。我的經(jīng)驗(yàn)是先抽象出方法論層面的共性再結(jié)合具體領(lǐng)域的約束做適配。不要指望一個(gè)模型打天下每個(gè)領(lǐng)域都有自己的特殊性。10. 寫在最后的一些個(gè)人體會(huì)做建模、控制、優(yōu)化這條線這么多年最大的體會(huì)是工具和算法只是手段對系統(tǒng)的理解才是核心。你可以不會(huì)推導(dǎo)復(fù)雜的公式但你必須知道你的系統(tǒng)在什么工況下會(huì)出問題、哪些變量之間有強(qiáng)耦合、執(zhí)行器和傳感器的物理限制在哪里。另一個(gè)體會(huì)是不要追求一步到位。先跑通一個(gè)簡單方案哪怕性能一般然后在實(shí)際運(yùn)行中發(fā)現(xiàn)問題、迭代改進(jìn)。我見過太多項(xiàng)目卡在“追求完美方案”的階段最后連一個(gè)能用的版本都沒交付。還有一點(diǎn)記錄和復(fù)盤比埋頭干活更重要。每次實(shí)驗(yàn)的參數(shù)、結(jié)果、異?，F(xiàn)象都記下來過一段時(shí)間回頭看你會(huì)發(fā)現(xiàn)很多當(dāng)時(shí)沒注意到的規(guī)律。這些積累才是你真正的競爭力。如果你正在做相關(guān)項(xiàng)目遇到模型不收斂、控制器振蕩、優(yōu)化效果不達(dá)預(yù)期的問題歡迎交流。很多坑我都踩過也許能幫你省點(diǎn)時(shí)間。