CPS的最小控制单元是CPS应用体系中的最小个体，可以是一个核心零部件或子系统，也可以是一个面向工业装备的集成控制系统，其核心目的是使装备在具备自省性、自比较性和自预测性的基础上，能够自适应地面向自身状态、环境和任务的变化调整控制，从而增强整个系统的强韧性和灵活适应复杂任务的能力。
CPS的智能控制单元与传统的预测性控制（predictive control）的不同点在于，预测性控制通常是基于系统的动力学模型（dynamic model）而预测系统的下一个控制步序的位置、动态性和误差，进而在预测的基础上对下一步可能出现的误差进行控制。而CPS的智能控制单元则是在原有的控制系统，既可以是反馈控制系统，也可以是预测控制系统的基础上，利用数据驱动的方式，不断优化原有控制系统中的模型、查找表和逻辑策略。因此，预测性控制系统是模型（或策略）驱动，而CPS智能控制单元是“模型+数据”驱动，比预测性控制系统具备更好的自成长性和自适应能力。
CPS智能控制单元主要包括以下几个要素：感知、分析（基于Agent模块）、决策、控制和反馈。
智能控制单元中的分析与前文提到的分析有所不同，它依靠基于模型的Agent模块，要求很强的实时性，但是并不需要很多信息来源，而是追求微观尺度的精确性和实时性。反馈则是分析和决策的自适应和自成长的基础，每一个控制步骤结束后的系统表现都将作为优化分析和决策Agent的参考样本。
我们将通过一个具体的案例来说明CPS智能控制单元的开发和应用方式。
丰田汽车公司的北美总部是最早与IMS中心展开合作的企业之一，IMS中心与丰田汽车探讨第一个合作项目时，丰田汽车的设备部门主管抱怨说压缩机轴承的经常性损坏是造成最多停机时间的故障。于是，第一个合作课题选择了对轴承的健康管理和故障预测，但是项目刚刚进行几个月后，部署了IMS健康管理系统的轴承又发生了损坏，在对历史数据进行分析后发现，轴承在服役过程中和损坏前均发生了数次非常剧烈的振动，对根本原因进行分析，发现振动的来源是压缩机自身的喘振现象，发动机喘振是气流沿压气机轴线方向发生的低频率、高振幅的振荡现象。于是我们开始意识到，问题并不是出在对轴承的健康管理上，而是在对压缩机的控制管理和使用管理。
为压缩机实行优化控制策略时遇到了很大的困难，因为压缩机控制模型的基础是压缩机的理论设计工况曲线，如图5-1所示，如果控制策略距离性能曲线太远，虽然会避免喘振现象的发生，但是会使压缩机的能耗效率降低；而如果距离性能曲线太近（低流量、高压力状态），则造成喘振现象的风险会提升。现在的压缩机控制器中虽然有针对发生早期和短期喘振现象时的保护控制措施，但是往往还是会在工况运行时出现状况甚至紧急停机。
图5-1 压缩机的理论设计工况曲线
优化离线空气压缩机喘振现象从而提高控制的准确度和效率，其核心是准确地定位系统的喘振边界，为入口导流叶片设计反馈控制，在避免压缩机激流现象发生的同时尽可能靠近最佳效率区间；但是压缩气体的流量、体积、压力、压缩比等参数，具有很强的动态性和非线性特点，且容易受到环境和压缩机自身健康状态变化的影响，因此压缩机的喘振边界曲线是非线性和动态的。
为了解决这些挑战，这个项目使用了数据驱动建模方法（见图5-2），为控制系统提供一个最优的控制参考曲线。在数据的准备阶段，先采集在喘振和非喘振状态下的各类控制和状态参数，在经过参数之间的相关性分析和降维处理后，选择了对喘振现象辨识度最高的11个参数作为输入模型。分析Agent的建模过程则利用了非对称支持向量机的分类算法，该算法对激流和非激流状态的数据主成分建立了分类模型，并利用支持向量拟合出了最优的工况曲线，使控制模型的边界确保了激流和非激流状态下的边界参数之间的距离最远，也确保了能耗效率的最优化。同时，在上线使用过程中，当这个边界由于设备自身状态发生变化而迁移时，每一次控制系统触发了喘振保护控制的参数样本都会反馈到在线的自适应建模过程中，系统能够根据新的工况曲线自动调整控制策略，避免在相同状态下再次发生喘振现象。
最终，通过验证的预测分析工具被集成到了压缩机的控制系统中，实现了具有在线激流监控和优化控制能力的智能压缩机设备。在对压缩机控制器完成智能化升级后，由于能耗效率提升带来的直接收益超过50万美元/年，且设备再也没有发生过由于严重喘振现象引起的故障和停机。
图5-2 压缩机CPS智能控制单元建模过程
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
