Progresul tehnologiei AI în domeniul industrial
Dinamica liniară, piese statice neliniare modelate folosind rețele neuronale. Aceste aplicații industriale abordează în mod explicit problemele de extrapolare în afara bazei lor de instruire.
În același interval de timp, cea mai moale dezvoltare a senzorilor adoptă o abordare diferită de modelare.
În anii 90, sistemele de proces au adus contribuții academice importante la aplicațiile de rețea neuronală. Acestea includ modelarea hibridă folosind rețele neuronale, unde relațiile și/sau parametrii necunoscuți sunt adaptate la modelul de rețea neuronală. O altă abordare de remarcat include funcționalitatea de tip PLS în rețea, dar permite termeni neliniari, mai degrabă decât termeni liniari, cum ar fi PLS. Alte contribuții implică utilizarea rețelelor neuronale în metodele de clasificare pentru a detecta operații anormale (care pot fi considerate PCA neliniare).
Dezvoltarea ulterioară a AI și învățarea automată (ML) este realizată în mare parte de marile companii de tehnologie și, prin urmare, nu este determinată de aplicațiile sau nevoile industriei proceselor. Prin urmare, aplicarea acestor metode nu poate fi aplicată 100% în domeniul nostru. Desigur, este minunat acolo unde o fac. Prelucrarea imaginilor este un exemplu. Rețelele mai noi oferă acum capacități de modelare dinamică, care sunt o îmbunătățire față de rețelele ciclice utilizate în trecut. Un exemplu este ChatGPT, care a fost dezvoltat pentru modele de limbaj mare, dar s -a dovedit la fel de reușită în modelarea datelor din seriile de timp. Am observat rezultate promițătoare cu această tehnologie în senzori soft și modelare hibridă, dar până acum am văzut puține aplicații industriale reale.
Suntem încă în primele etape ale călătoriei pentru a afla ce înseamnă noi evoluții în AI și ML pentru industria proceselor. Există o mulțime de hype, dar cred că există multă speranță. Cred că cel mai mare impact va fi în utilizarea acestor instrumente AI și ML sau în combinarea lor cu metodele existente, mai degrabă decât să presupunem că le vor înlocui complet.
Comparația diferitelor metode de control al procesului
PID (control proporțional-integral-diferențial): Controlul PID acționează ca un regulator de erori, concentrându-se pe conducerea erorii la zero. Este adesea aplicat în sisteme cu modele variabile sau neliniare, de aceea este esențial să selectați cu atenție parametrii de reglare pentru performanțe stabile. PID funcționează într -o singură manieră de intrare, o singură ieșire (SISO), dar combinarea mai multor controlere PID poate introduce complexitate în schema de control.
MPC (Model Control predictiv): Spre deosebire de PID, MPC utilizează un model de proces pentru a optimiza mai multe variabile simultan pentru a atinge obiective predefinite. O provocare cheie cu MPC este necesitatea unui model de proces cunoscut. Spre deosebire de PID, variațiile modelului pot duce la performanțe slabe, iar o matrice model este adesea necesară pentru un control eficient în procesele complexe.
FLC (controler logic fuzzy): În mod alternativ, FLC intervine atunci când se ocupă de modele diferite sau necunoscute prin simularea unui operator calificat. În loc să modeleze direct procesele (cum ar fi MPC) sau să se concentreze pe reducerea erorilor (cum ar fi PID), FLC simulează un comportament ideal al operatorului în diferite scenarii.
Controlul AI: Folosind date istorice și în timp real, controlorii AI se străduiesc să atingă obiective fără cunoașterea prealabilă a procesului. Spre deosebire de FLC, sistemele AI funcționează ca o cutie neagră, oferind adaptare bazată pe date fără cunoaștere explicită a proceselor sau operațiunilor.
Fiecare metodă de control are propriile sale caracteristici: cu PID, reglarea implică utilizarea cunoștințelor procesului pentru a seta rapid parametrii de control adecvați pe baza relației dorite între acești parametri și răspunsul procesului. De exemplu, o buclă de flux necesită de obicei un câștig proporțional scăzut (<0.1), while a level loop requires a higher value, depending on the application. In MPC, complex modeling replaces educated guesswork and emphasizes the importance of well-defined process models. FLC relies on understanding operational success rather than a detailed process model, making it a valuable option for processes that are not clearly characterized. For AI control, large amounts of data and clear goals are essential to guide the system to effectively achieve its goals.
În cele din urmă, un control eficient al procesului depășește complexitatea controlerului în sine. La fel ca în curse, șoferii calificați (controlori) au nevoie de vehicule de înaltă performanță (procese și echipamente bine proiectate) pentru a avea succes, realizarea unei performanțe optime necesită o abordare holistică, nu doar adoptarea „controlerelor inteligente”.
Provocările AI și ML în domeniul procesului
AI, ML sau învățare profundă (DL) sunt echivalente cu regresiile statistice mari. Pentru a obține modele utile din aceste aplicații necesită o mulțime de date „de înaltă frecvență”, care conține o mulțime de mișcări și o mulțime de compensări dincolo de limitele de performanță dorite. Toate acestea sunt necesare astfel încât modelul „să cunoască” locația nominală a „Cliff Edge”. Multe date istorice pe termen lung sunt supra-comprimate în numele economiei de spațiu pe disc. Prin urmare, zicala „gunoi în, gunoiul” este foarte aplicabilă.
Ca în cazul oricărui alt model statistic, ML face o treabă destul de bună de interpolare, dar suprasolicitarea în cel mai bun caz are efectul binecunoscut de a face extrapolări. După cum s-a subliniat deja, datele cu buclă închisă adesea modelul înclinat rezultă în moduri ciudate. Și, la fel ca în cazul tuturor aplicațiilor ML, „expertiza în domeniu” este încă necesară pentru a se asigura că modelul reflectă nominal realitatea.
Un domeniu pe care nu l -am văzut eficient abordat pentru aplicațiile de control al proceselor este înțelegerea limitărilor fizice ale supapelor de control, ale intervalelor de instrumente și așa mai departe. Aceasta este o problemă pe care dezvoltatorii de control predictive timpuriu (MPC) au recunoscut -o: aplicațiile sunt construite pentru a recunoaște că nu au control direct asupra proceselor. Prin urmare, înțelegerea când mișcarea controlorului PID este restricționată sau limitată într -una sau ambele direcții este fundamentală. Aplicațiile ML nu par să înțeleagă acest concept în acest moment.
În cele din urmă, „învățarea” cu date istorice depinde de asigurarea faptului că procesele de bază și structurile de control pentru datele de învățare și operațiunile curente sunt aceleași (cu excepția problemelor de compresie menționate mai sus). Prin urmare, schimbarea capacității valvei de control, a schimbătorilor de căldură și/sau a pompelor etc., poate schița modelul și poate da rezultate nesigure/imprevizibile.
Progresul cercetării în aplicarea AI în controlul proceselor
În ultimii ani, o serie de studii recente ale experților și cercetătorilor din industrie au arătat că creșterea utilizării tehnologiilor AI ar putea aduce câștiguri de eficiență pentru îmbunătățirea și susținerea controlului proceselor, precum și a celor care lucrează în domeniul automatizării proceselor.
AI poate fi atât o amenințare, cât și îmbunătățirea activității noastre în căutarea amenințărilor și informațiile. Colegii noștri mai tineri care lucrează în prezent în domeniul extinderii automatizării și controlului proceselor industriale vor beneficia de obținerea de cunoștințe AI; Principii, teorii, metode, diferențe între ele și aplicațiile lor.
Deoarece mulți din industrie sunt de acord, viitoarele noastre locuri de muncă nu vor fi luate de AI, ci de alți ingineri care știu să folosească AI și să obțină un avantaj competitiv în domeniu.
AI este folosit pentru a controla direct fabricile
O instalație nesupravegheată (Nuf) este o facilitate care funcționează complet automatizată sau de la distanță, de obicei fără personal la fața locului. Adoptarea mai largă a abordării Nuf în industrie se confruntă cu mai multe provocări (tehnice, logistice, financiare și de reglementare). Există o serie de inițiative conduse de industrie care vizează deplasarea în această direcție, încurajând în același timp inițiative de dezvoltare a tehnologiei care permit această nouă filozofie operațională și, în final, poziționează Nuf ca o abordare sigură, rentabilă și acceptată pe scară largă a proiectării și funcționării instalațiilor de petrol și gaze.
AI combinată cu controlul predictiv al modelului avansat și strategiile avansate de control de reglementare pot ajuta la atingerea acestui obiectiv.
În comparație cu operațiunile manuale anterioare, sistemele AI prezintă o stabilitate și o eficiență mai mare, controlând cu succes stabilitatea chiar și în fața interferenței externe, păstrând valorile operaționale critice apropiate de valorile țintă. Acesta este primul exemplu de consolidare de învățare a AI -ului folosit formal pentru a controla direct o fabrică.