使用 Ziegler-Nichols 法进行 PID 参数整定：实践指南

PID（比例-积分-微分）控制器广泛应用于工业控制中。虽然其结构简单，但如何选择合适的比例增益 $K_p$、积分时间 $T_i$ 和微分时间 $T_d$ 是实现良好控制性能的关键。本文将详细介绍一种经典且实用的 PID 参数整定方法——Ziegler-Nichols 法。

基于MQTT的设备监控与控制系统设计

引言

物联网(IoT)设备的远程监控与控制是现代智能系统的基础需求。本文将介绍一个基于MQTT协议的设备监控与控制系统，该系统由两部分组成：模拟单片机设备和PyQt客户端。我们将详细讨论系统的设计思路、代码实现以及实际应用场景。

之前博客介绍了如何搭建EMQX：https://www.dong-blog.fun/post/1963

本博客在 EMQX 中配置规则将数据写入 MySQL，可以通过 规则引擎 + 数据桥接 实现。以下是详细步骤：

论文：https://arxiv.org/pdf/2407.17490 https://github.com/YuxiangChai/AMEX-codebase/tree/main/data_utils https://huggingface.co/datasets/Yuxiang007/AMEX

AMEX数据集包括三个层次的注释：

1. GUI交互元素定位 ：

• 分类两类交互元素：可点击元素和可滚动元素。

2. GUI屏幕和元素功能描述 ：

• 使用GPT生成屏幕和元素的功能描述，并进行人工检查以确保准确性。

3. 复杂自然语言指令与GUI动作链 ：

• 每条指令平均包含12.8个步骤的动作链，显著高于现有数据集。

在 Ubuntu 22.04 上，我们经常需要查看当前的网络带宽占用情况，尤其是下载大文件时，了解实时的下载速度可以帮助我们判断网络状况或管理下载任务。本文将介绍几种简单有效的方法来监控 Ubuntu 22.04 的下载带宽，包括终端工具和图形界面方案。

为什么极点在左半平面（LHP）系统就会稳定？

在控制系统中，极点的位置决定了系统的动态响应和稳定性。具体原因如下：

1. 时域响应分析： • 对于连续时间系统，传递函数的极点 $p_i$ 对应的时域模态为 $e^{p_i t}$。

   • 若极点 $p_i$ 在左半平面（LHP）（即 $\text{Re}(p_i) < 0$），则 $e^{p_i t}$ 会指数衰减，系统最终趋于稳定。

   • 若极点 $p_i$ 在右半平面（RHP）（即 $\text{Re}(p_i) > 0$），则 $e^{p_i t}$ 会指数发散，系统不稳定。

   • 若极点在虚轴上（$\text{Re}(p_i) = 0$），则系统处于临界稳定（如持续振荡）。

2. 稳定性判据： • BIBO稳定性（有界输入有界输出）：所有极点必须在左半平面。

   • Lyapunov稳定性：对于线性系统，LHP极点等价于渐近稳定。

LQR控制原理与倒立摆系统实践指南

一、问题背景：惯性轮倒立摆控制 我们面对的是一个典型的欠驱动系统——惯性轮倒立摆（Inertia Wheel Pendulum）。系统通过控制惯性轮电机产生反扭矩来维持摆杆竖直平衡。系统参数如下：

配置

构建新的镜像：

展开代码
docker build --network=host --build-arg http_proxy=http://10.136.19.26:10828 --build-arg  https_proxy=http://10.136.19.26:10828 -f Dockerfile -t kevinchina/deeplearning:vlmr1-0501 .

# 进容器装环境：
apt-get update
apt-get install libibverbs1

pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple
pip install babel python-Levenshtein matplotlib pycocotools timm==1.0.15

# Addtional modules
pip install wandb==0.18.3
pip install tensorboardx
pip install qwen_vl_utils torchvision
pip install flash-attn --no-build-isolation
pip install babel
pip install python-Levenshtein
pip install matplotlib
pip install pycocotools
pip install openai
pip install httpx[socks]

pip install json_repair

展开代码
docker commit 4411ba9deb19 kevinchina/deeplearning:vlmr1-0501-1

在MATLAB中，将状态空间模型转换为传递函数可以通过以下步骤完成：

方法一：使用 ss 和 tf 函数

1. 定义状态空间矩阵：

   matlab
   展开代码
   A = [...];  % 状态矩阵
   B = [...];  % 输入矩阵
   C = [...];  % 输出矩阵
   D = [...];  % 直接传输矩阵
   

2. 创建状态空间对象：

   matlab
   展开代码
   sys_ss = ss(A, B, C, D);
   

3. 转换为传递函数：

   matlab
   展开代码
   sys_tf = tf(sys_ss);
   

4. （可选）约简传递函数（消除共同零极点）：

   matlab
   展开代码
   sys_tf = minreal(sys_tf);
   

状态空间方程与传递函数的关系详解

在控制系统中，状态空间方程和传递函数是两种常用的数学模型，它们分别代表了现代控制理论和经典控制理论的核心工具。本文将深入探讨它们之间的内在联系与相互转换方法，并通过实例解析帮助读者更好地理解这两种模型的关系。

状态空间方程（State-Space Equation）是现代控制理论中描述动态系统的核心数学模型，它将系统的输入、输出和内部状态变量通过矩阵形式关联起来。以下是详细解释：

在带有惯性轮的倒立摆系统中，使用拉格朗日方程进行分析时，确定摆杆角度和惯性轮角度的方程右边的步骤如下：

1. 系统建模与广义坐标 • 摆杆角度：定义为摆杆与垂直方向的夹角，记为 $\theta$。

• 惯性轮角度：定义为惯性轮相对于摆杆的转角，记为 $\phi$。惯性轮的绝对转角为 $\theta + \phi$。

本地模型目录需要是git仓库：

1. 初始化 Git 仓库（如果尚未初始化） 如果目录没有初始化过 Git，需要先执行：

bash
展开代码
git init

2. 添加 Hugging Face 远程仓库

bash
展开代码
git remote add origin https://huggingface.co/hugxd/InternVL2_8B_Point_to_Box

《SWING UP AND BALANCING OF A REACTION WHEEL INVERTED PENDULUM》

https://github.com/B-Paweekorn/Reaction-wheel-inverted-pendulum

更多信息可直接访问官网：

https://internvl.readthedocs.io/en/latest/internvl2.0/finetune.html

image_max_pixels

image_max_pixels， 这里的 area 就是宽*高

python
展开代码
# 在src/llamafactory/data/mm_plugin.py中定义
# 控制图像处理时的最大像素数量
# 如果图像超过这个像素数，会被调整大小
def get_image_processor_preprocess_params(image_processor):
    params = {}
    if hasattr(image_processor, "crop_size"):  # for CLIP
        params["crop_size"] = {
            "height": image_processor.crop_size["height"],
            "width": image_processor.crop_size["width"]
        }
        params["size"] = max(params["crop_size"]["height"], params["crop_size"]["width"])
    elif hasattr(image_processor, "size"):
        if isinstance(image_processor.size, dict):  # for Qwen
            params["size"] = image_processor.size["max_edge"]
        elif isinstance(image_processor.size, list):  # for InternVL
            params["size"] = image_processor.size
        else:
            params["size"] = image_processor.size
    
    # image_max_pixels用于确保图像不会太大，超出内存
    if params.get("size", None) is not None and hasattr(image_processor, "image_max_pixels"):
        area = image_processor.image_max_pixels  # 来自training_args.image_max_pixels
        size = int(math.sqrt(area))
        params["size"] = size

    return params

LLaMA-Factory 源码信息

展开代码
register_model_group(
    models={
        "InternVL2.5-1B-MPO": {
            DownloadSource.DEFAULT: "kingsley01/InternVL2_5-1B-MPO-hf",
            DownloadSource.MODELSCOPE: "llamafactory/InternVL2_5-1B-MPO-hf",
        },
        "InternVL2.5-2B-MPO": {
            DownloadSource.DEFAULT: "kingsley01/InternVL2_5-2B-MPO-hf",
            DownloadSource.MODELSCOPE: "llamafactory/InternVL2_5-2B-MPO-hf",
        },
        "InternVL2.5-4B-MPO": {
            DownloadSource.DEFAULT: "kingsley01/InternVL2_5-4B-MPO-hf",
            DownloadSource.MODELSCOPE: "llamafactory/InternVL2_5-4B-MPO-hf",
        },
        "InternVL2.5-8B-MPO": {
            DownloadSource.DEFAULT: "kingsley01/InternVL2_5-8B-MPO-hf",
            DownloadSource.MODELSCOPE: "llamafactory/InternVL2_5-8B-MPO-hf",
        },
        "InternVL3-1B-hf": {
            DownloadSource.DEFAULT: "kingsley01/InternVL3-1B-hf",
            DownloadSource.MODELSCOPE: "llamafactory/InternVL3-1B-hf",
        },
        "InternVL3-2B-hf": {
            DownloadSource.DEFAULT: "kingsley01/InternVL3-2B-hf",
            DownloadSource.MODELSCOPE: "llamafactory/InternVL3-2B-hf",
        },
        "InternVL3-8B-hf": {
            DownloadSource.DEFAULT: "kingsley01/InternVL3-8B-hf",
            DownloadSource.MODELSCOPE: "llamafactory/InternVL3-8B-hf",
        },
    },
    template="intern_vl",
    multimodal=True,
)

InternVL 1技术深度分析

1. 引言

InternVL（Internal Vision-Language model）是一个开源的多模态大型模型项目，由上海人工智能实验室（OpenGVLab）开发。InternVL 1是该项目的第一个主要版本，它通过创新的视觉-语言融合方法，实现了强大的图像理解和多模态对话能力。本文将深入分析InternVL 1的技术架构、关键特性和创新点，以提供对该模型的全面了解。

该文章已加密，点击 阅读全文 并输入密码后方可查看。

Spatial Layout Projector (SLP)

1. InternVL采用了一种称为"Spatial Layout Projector (SLP)"的方法，将四维的空间坐标[x1,y1,x2,y2]（一个bounding box）转换为单个token嵌入：

   "A key innovation in LayTextLLM is the Spatial Layout Projector (SLP), which transforms a spatial layout into a singular bounding box token. This enhancement enables the model to process both spatial layouts and textual inputs simultaneously. To be specifically, each OCR-derived spatial layout is represented by a bounding box defined by four-dimensional coordinates [x1,y1,x2,y2]..."

2. 这种方法确实将每个边界框（box）表示为一个token，不同于之前的"coordinate-as-tokens"方案（这种方案会将坐标转换为多个token）：

   "Compared to the coordinate-as-tokens scheme, the SLP represents each bounding box with a single token. This approach significantly reduces the number of input tokens..."

3. 这种单token表示法的计算方式是通过将坐标映射到高维空间来实现的：

   "The process can be computed as z=W⋅c+b, where c∈ℝ^4 is the vector of the bounding box coordinates. W∈ℝ^(d×4) is a weight matrix with d represents the dimension of the embedding, b∈ℝ^(d×1) is a bias vector, z is the resulting bounding box token represented as an d-dimensional embedding."