Napredak AI tehnologije u industrijskom polju
Linearna dinamika, nelinearni statički dijelovi modelirani pomoću neuronskih mreža. Ove industrijske primjene izričito se bave problemima ekstrapolacije izvan svoje osnovice za obuku.
U istom vremenskom okviru, većina mekih razvoja senzora uzima drugačiji pristup modeliranju.
Devedesetih je procesni sustavi dali važna akademska doprinosa u aplikacijama neuronske mreže. Oni uključuju hibridno modeliranje pomoću neuronskih mreža, gdje su nepoznati odnosi i \/ ili parametri ugrađeni u model neuronske mreže. Još jedan značajan pristup uključuje funkcionalnost PLS-tipa u mrežu, ali omogućava nelinearno pojmove, a ne linearnim pojmovima poput pls. Ostali doprinosi uključuju upotrebu neuronskih mreža u klasifikacijskim metodama za otkrivanje nenormalnih operacija (koje se mogu smatrati nelinearnoj PCA).
Naknadni razvoj AI i mašinskog učenja (ML) u velikoj mjeri vrše velike tehnološke kompanije i stoga ne vode podnošenje zahtjeva ili potreba procesne industrije. Stoga se primjena ovih metoda ne može primijeniti 100% u našem polju. Naravno, sjajno je tamo gdje to rade. Obrada slike je primjer. Novije mreže sada nude dinamičke mogućnosti modeliranja koje su poboljšanje nad cikličkim mrežama koje se koriste u prošlosti. Jedan primer je chatgpt, koji je razvijen za velike jezične modele, ali se pokazalo jednako uspješnim u podacima o vremenskim serijama modeliranja. Vidjeli smo obećavajući rezultate sa ovom tehnologijom u mekim senzorima i hibridnim modeliranjem, ali do sada smo vidjeli nekoliko pravih industrijskih aplikacija.
Još smo u ranim fazama putovanja da bismo shvatili koji novi razvoj u AI i ML za procesnu industriju. Ima puno htepe, ali vjerujem da postoji puno nade. Mislim da će najveći utjecaj biti u korištenju ovih AI i ML alata ili kombinirati ih postojećim metodama, a ne pretpostavljajući da će ih u potpunosti zamijeniti.
Poređenje različitih metoda kontrole procesa
PID (proporcionalno-integralna kontrola): PID kontrola djeluje kao regulator pogreške, fokusirajući se na pokretanje greške na nulu. Često se primjenjuje u sistemima s varijabilnim ili nelinearnim modelima, tako da je od suštinskog značaja za pažljivo odabrati parametre prilagođavanja za stabilne performanse. PID djeluje u jednom unosu, jedinstvenom izlazu (siso) načinu, ali kombinirajući više PID kontrolera može uvesti složenost u shemu kontrole.
MPC (model prediktivna kontrola): Za razliku od PID-a, MPC koristi model procesa za optimizaciju više varijabli istovremeno za postizanje unaprijed definiranih ciljeva. Ključni izazov s MPC-om je potreba za poznatim modelom procesa. Za razliku od PID-a, varijacije u modelu mogu dovesti do loših performansi, a matrica modela često je potreban za efikasnu kontrolu u složenim procesima.
FLC (Fuzzy logički regulator): Alternativno, FLC intervenira kada se bavite različitim ili nepoznatim modelima simuliranjem kvalificiranog operatera. Umjesto modeliranja procesa direktno (kao što je MPC) ili fokusiranje na smanjenje grešaka (poput PID-a), FLC simulira idealno ponašanje operatera u različitim scenarijima.
AI Control: Korištenje povijesnih i stvarnih podataka, AI kontroleri nastoje postići ciljeve bez prethodnog znanja o procesu. Za razliku od FLC-a, AI sustavi rade poput crne kutije, pružajući prilagodbu zasnovanu na podacima bez izričitog znanja o procesima ili operacijama.
Svaka metoda kontrole ima svoje karakteristike: s PID-om, podešavanje uključuje korištenje procesnog znanja da brzo postavi odgovarajuće parametre kontrolera na osnovu željenog odnosa između tih parametara i reakcije procesa. Na primjer, protočna petlja obično zahtijeva nizak proporcionalni dobitak (<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.
Konačno, efikasna kontrola procesa nadilazi složenost samog kontrolera. Baš kao i u trkama, kvalificirani vozači (kontroleri) potrebne su vozila visokih performansi (dobro dizajnirani procesi i oprema) da budu uspješni, postizanje optimalnih performansi zahtijeva holistički pristup, a ne samo usvajanje "pametnih kontrolera".
Izazovi AI i ML u procesnoj domeni
AI, ml ili duboko učenje (dl) su ekvivalentne velikim statističkim regresijama. Da biste dobili korisne modele iz ovih aplikacija potrebna je puno "visokih frekvencijskih" podataka, koji sadrži puno kretanja i puno nadoknada izvan željenih granica performansi. Sve je to potrebno tako da model "zna" nominalnu lokaciju "ivice litice". Mnogo dugoročnih povijesnih podataka je prekomjerno komprimiran u nazivu spašavanja prostora na disku. Stoga je izreka "smeće u, smeće" vrlo primjenjivo.
Kao i kod bilo kojeg drugog statističkog modela, ML radi prilično dobar posao interpoliranja, ali pretjerana u najboljem slučaju ima dobro poznati učinak izrade ekstrapolacije. Kao što je već istaknuto, podaci o zatvorenim petljima često iskrivljuju model rezultira čudnim načinima. I, kao i sa svim ml aplikacijama, "Stručnost domene" i dalje je potrebno da osigura da model nominalno odražava stvarnost.
Jedno područje koje nismo vidjeli efikasno upućeno za aplikacije za kontrolu procesa razumijeva fizička ograničenja upravljačkih ventila, raspona instrumenata i tako dalje. Ovo je problem što su prepoznali programeri ranog modela prediktivnog kontrole (MPC): Aplikacije su izgrađene kako bi prepoznale da nemaju direktnu kontrolu nad procesima. Stoga razumijevanje kada je kretanje PID kontrolera ograničen ili ograničen u jednom ili oba smjera je temeljna. Čini se da ML aplikacije trenutno ne shvate ovaj koncept.
Konačno, "učenje" sa istorijskim podacima ovisi o osiguravanju da su osnovni procesi i kontrolne strukture za učenje podataka i tekućih operacija iste (osim gore navedenih spomenutih pitanja kompresije). Stoga, promjena kapaciteta kontrolnog ventila, izmjenjivača topline i \/ ili pumpe, itd., Mogu iskriviti model i dati nepouzdane \/ nepredvidive rezultate.
Napredak istraživanja na primjeni AI u kontroli procesa
Posljednjih godina, niz nedavnih studija eksperata industrije i istraživača pokazalo je da je povećanje korištenja AI tehnologija moglo donijeti dobitak učinkovitosti za poboljšanje i podršku kontrolu procesa, kao i one koji rade u području automatizacije procesa.
AI može biti prijetnja i poboljšati naš rad u pretrazi i inteligenciji prijetnji. Naše mlađe kolege koji trenutno rade na proširenju polja za automatizaciju i kontrolu industrijskog procesa koristit će se od stjecanja AI znanja; Osnovni principi, teorije, metode, razlike između njih i njihovih aplikacija.
Koliko se u industriji slažu, naši budući poslovi neće oduzeti AI, već i drugi inženjeri koji znaju koristiti AI i steknu konkurentsku prednost na terenu.
AI se koristi za izravno kontroliranje tvornica
Objekt bez nadzora (NUF) je objekt koji djeluje u potpunosti automatizirano ili na daljinu, obično bez osoblja na licu mjesta. Šire usvajanje NUF pristupa u industriji suočen je sa nekoliko izazova (tehničkoj, logističkoj, finansijskoj i regulatornom). Postoji nekoliko inicijativa za industriju usmjerene na kretanje u tom pravcu, dok podstičući inicijative za razvoj tehnologije koje omogućuju ovu novu operativnu filozofiju i na kraju pozicioniraju NUF kao siguran, ekonomičan i široko prihvaćen prilaz dizajnu i radu naftnih i plinskih objekata.
AI u kombinaciji s naprednim modelom prediktivne kontrole i napredne strategije regulatorne kontrole mogu pomoći u postizanju ovog cilja.
U odnosu na prethodne ručne operacije, AI sustavi pokazuju veću stabilnost i efikasnost, uspješno kontroliraju stabilnost čak i pred vanjskim smetnji čuvanjem kritičnih operativnih vrijednosti u blizini ciljanih vrijednosti. Ovo je prvi primjer učenje ojačanja AI formalno korišteno za izravno kontrolirati fabriku.