人工智能和神经网络作为基于经验模型的工具，可应用于闭环反馈控制的实现。本文介绍了神经网络算法的基本原理及其适用的工业场景。

　　一家化工厂在经过考量与测试后决定采用神经网络（NN）解决方案，以实现对非线性多变量应用的复杂闭环控制。该项目旨在开发一种神经网络解决方案，用于控制化学反应器装置所生产树脂的粘度。在项目团队应用基于神经网络的控制系统之前，一直采用的是反复试验的方法，而基于神经网络的控制系统确定了输入化学物质的质量、其他变量与树脂粘度之间的关系。

　　一旦开发出神经网络模型，并将其应用于类似 “黑箱” 的化学反应器，操作人员便可确定目标树脂粘度，进而借助该神经网络模型，确定需改变哪种输入化学原料的质量以及具体改变量以达成目标粘度。不过，开发这个神经网络模型并非轻而易举，参与项目的团队从中对关键成功因素有了诸多深刻认识。

　　人工智能（AI）和神经网络属于基于经验模型的工具，能够应用于闭环反馈控制的实践。闭环反馈控制作为一种控制策略，旨在通过调整影响被测量过程变量的输出元件，并对过程变量引发的变化加以测量，以此将过程变量维持在设定值。测量结果会反馈至控制器，直至测量值与设定值之间的差值（即误差）归零。在闭环反馈控制的实施中，神经网络模型可用于预测被测量的过程值，无需借助仪器测量。在这类应用场景里，神经网络引擎常被称作软传感器。

▲图1：闭环反馈控制图。

　　神经网络是深度学习算法的核心所在，深度学习算法属于机器学习的一个分支，而机器学习又是AI的一个分支。当然，还有一些其它的AI算法，其功能与神经网络有相似之处，在闭环反馈控制的实施过程中，它们的功能表现也大致相同。在本文案例中，神经网络被当作基础预测算法来使用，其它AI算法也可以以类似的方式得以应用。

　　深入理解这些算法背后的概念至关重要，特别是神经网络算法。神经网络算法借助一个数据集来探寻输入数据变量与输出变量之间的内在联系，进而构建出一个模型。这一方法具有广泛的适用性，不仅能够处理变量间关系较为简单的情形，还可有效应用于极为复杂的非线性多变量场景。以树脂反应器项目为例，在化学反应的复杂环境下，通过不同化学物质的质量（作为输入变量），来精准确定化合物的粘度（作为输出变量）。

　　从本质上来说，神经网络远比单纯运用诸如“速度=距离/时间”这类基于第一性原理的公式要复杂得多，实际实施过程中也面临更多困难。对于那些简单的线性应用场景而言，神经网络并非必然是最优的选择。然而，当面对其它方法，比如第一性原理、模糊逻辑控制、先进调节控制或者模型预测控制等，无法提供所需的可靠功能的复杂应用时，神经网络就成为了一个极为强大且实用的工具。图2呈现了一个简单神经网络的运行机制。

▲图2：神经网络图

　　神经网络需经历训练过程（即对神经网络隐藏层的权重进行调整），以此来逼近输入值与输出值之间的关系。完成训练后，基于所获取的知识，当向算法中输入不同的输入值时，便能对输出值进行预测。需要注意的是，这种预测只是一个近似值，并且其预测精度是可以调节的。图3所示便是一个应用于闭环反馈控制实施中，用于预测测量值速度的简单神经网络模型。

▲图3：在闭环反馈控制实施中应用简单的神经网络模型预测测量值速度。

　　我们以一个例子来说明，分析一下表1中这个简单的神经网络算法。该算法对两个输入变量，即距离和时间，与输出变量速度之间的关系展开分析。在训练阶段，它会对神经网络隐藏层中的数值（权重）进行调整，持续调整直至整个模型能够精准反映出数据集中各变量之间的内在联系。

　　当算法对所确定的变量关系有近乎百分之百的信心时，便可结束训练阶段。此后，它便准备好接收其它不同的数值输入，从而计算（预测）出表2中对应的输出值。

　　速度预测值的可靠程度与精确程度，与基础数据集的有效性、准确性以及在神经网络实施过程中所定义的精度密切相关。在本文所举的例子里，所有的预测值都属于估算值。从这个例子中可以明显看出，相较于运用基于第一性原理的公式所得出的结果，神经网络算法的预测值则没那么精确。

　　在实际的现实场景中，每一台测量仪器都不可避免地存在一定的误差范围，哪怕这台仪器刚刚完成校准。这就表明，对同一个变量进行多次重复测量，得到的结果要么极为相近，要么处于与该仪器相关的误差范围之内。而且，随着时间的不断推移，仪器还可能出现校准不再精准的状况。就上述包含测量值以及误差的数据集而言，一个更贴合现实情况的版本或许就如同表3所呈现的那样。用前一张表进行训练，以确定输入（距离和时间）与输出（速度）之间的关系后，神经网络可以给出如表4所示的结果。

　　仪器存在的误差以及校准不当的情况，会对神经网络预测的精确程度造成影响。仪器校准随着时间推移而发生的漂移，其产生的影响有可能比仪器本身所固有的误差更为显著，当然，反之也有可能成立。神经网络的预测效果，在很大程度上取决于用于训练算法的数值，与作为输入以获取预测输出数值之间的匹配质量。这种情况可能会致使神经网络预测值在质量和准确性方面出现较大的差异。在闭环反馈控制方案当中，这种差异可能会带来非常不稳定且令人不期望的影响。

　　另外，输入变量之间的耦合也是影响神经网络预测值精度的一个重要因素。输入变量应当尽可能地相互独立，因为输入变量之间若存在耦合关系，就会对预测值的精度和可靠性产生不良影响。在构建神经网络时，选择合适的自变量作为其组成部分可能颇具挑战性，但这一步骤却至关重要。通常而言，这需要经历一个反复尝试、不断调整的过程。

　　若想让神经网络的预测值具备更高的精度与可靠性，就必须对输入到神经网络算法中的数据质量实施严格把控。起码要对数据进行粗差检测，而在理想状况下，应当运用一些数据验证方法，以此提升数据集的整体质量。在神经网络控制的实际应用里，这一环节的工作常常被忽视，进而导致控制回路的性能不尽如人意。此外，还有一个关键因素不容忽视，那就是要采用足够多的数据来训练模型，确保能够覆盖所有的运行数据范围。数据集的质量越高，获得良好且可靠预测结果的可能性也就越大。对预测值设置限幅也是一种有效的手段，它有助于保证这些值处于预期的范围之内，从而增强预测结果的稳定性和可信度。

　　部分应用场景在实施神经网络或其它AI算法时颇具挑战性。那些与工厂工艺或设备特性相关，且随时间推移变化较小、测量结果稳定的应用，最适宜在神经网络或AI环境中成功落地。相反，由于设备磨损、老化或其它因素致使工厂工艺或设备特性发生变化的应用，则不太适合此类算法的实施。在设备或工艺易发生变化的情况下，必须更为频繁地对神经网络进行训练，以保证其模型能够实时反映最新情况。然而，在两次训练的间隔期内，神经网络的预测质量会受到影响，这是因为最初用于训练的数据集已无法准确反映实际状况。并且，在训练过程中，神经网络无法生成预测结果。 

　　一种神经网络算法若要顺利应用于各类不同的控制方案，需以高质量、可靠、经过验证且性能稳定的有限输入数据集为开发基础。这些数据集不仅要明确操作边界，还需确定自变量。例如，在简单闭环反馈控制方案中，采用诸如比例积分微分（PID）控制这类控制器组合，便能成功实施控制。更为复杂的控制器设计方法同样切实可行。

　　在基于神经网络和AI的控制实施过程中，一大挑战在于需要配备经过专业培训的人员，以确保系统始终维持在完全可接受的功能状态。人员配置对于实施能否成功起着关键作用，然而，实际操作中却往往难以落实。

　　从整体来看，基于神经网络和AI的闭环反馈控制适用于特定的复杂、非线性且多变量的应用场景。对于简单应用而言，这类算法显得过于复杂，既不是最具成本效益的选择，在维护方面也并非最可靠、最简便的方法。

　　■ 理解神经网络的基本功能。

　　■ 了解在神经网络或其它AI应用中所使用数据质量的重要性。

　　■ 探究在反馈闭环应用中使用AI，尤其是神经网络的基本原理。

　　您是否正在使用AI来改进你的闭环反馈控制应用呢？