Напредъка на AI технологията в индустриалната област
Линейна динамика, нелинейни статични части, моделирани с помощта на невронни мрежи. Тези индустриални приложения изрично се занимават с проблемите на екстраполацията извън тяхната база за обучение.
В същата времева рамка повечето меки разработки на сензори предприемат различен подход за моделиране.
През 90 -те години процесорните системи направиха важен академичен принос към приложенията на невронните мрежи. Те включват хибридно моделиране с помощта на невронни мрежи, където са монтирани неизвестни връзки и\/или параметри към модела на невронната мрежа. Друг забележителен подход включва функционалност от тип PLS в мрежата, но позволява нелинейни термини, а не линейни термини като PLS. Други приноси включват използването на невронни мрежи в методите за класификация за откриване на ненормални операции (които могат да се разглеждат като нелинейни PCA).
Следващото развитие на AI и машинно обучение (ML) до голяма степен се извършва от големи технологични компании и следователно не се ръководи от приложенията или нуждите на процесорната индустрия. Следователно прилагането на тези методи не може да се прилага 100% в нашата област. Разбира се, чудесно е там, където го правят. Обработката на изображения е пример. По -новите мрежи сега предлагат динамични възможности за моделиране, които са подобрение спрямо цикличните мрежи, използвани в миналото. Един пример е Chatgpt, който е разработен за големи езикови модели, но се оказа еднакво успешен при моделиране на данни от времеви серии. Видяхме обещаващи резултати с тази технология в меки сензори и хибридно моделиране, но досега видяхме няколко реални индустриални приложения.
Все още сме в ранните етапи на пътуването, за да разберем какви нови разработки в AI и ML означават за процесорната индустрия. Има много свръх, но вярвам, че има много надежда. Мисля, че най -голямото въздействие ще бъде при използването на тези AI и ML инструменти или комбинирането им със съществуващи методи, вместо да се предполага, че ще ги заменят напълно.
Сравнение на различни методи за контрол на процесите
PID (пропорционално-интегрално-диференциален контрол): PID контролът действа като регулатор на грешки, като се фокусира върху стимулирането на грешката до нула. Често се прилага в системи с променливи или нелинейни модели, така че е от съществено значение внимателно да изберете параметрите на регулиране за стабилна производителност. PID работи по един вход, единичен изходен начин (SISO), но комбинирането на множество PID контролери може да въведе сложност в схемата за управление.
MPC (прогнозен контрол на модела): За разлика от PID, MPC използва модел на процеса, за да оптимизира едновременно множество променливи, за да постигне предварително определени цели. Ключово предизвикателство при MPC е необходимостта от известен модел на процеса. За разлика от PID, вариациите в модела могат да доведат до лоша производителност, а моделната матрица често се изисква за ефективен контрол при сложни процеси.
FLC (Fuzzy Logic Controller): Алтернативно, FLC се намесва при работа с различни или неизвестни модели, като симулира квалифициран оператор. Вместо да се моделират процеси директно (като MPC) или да се фокусирате върху намаляване на грешките (като PID), FLC симулира идеалното поведение на оператора в различни сценарии.
Контрол на AI: Използвайки исторически и в реално време данни, AI контролерите се стремят да постигнат цели без предварително познаване на процеса. За разлика от FLC, AI системите работят като черна кутия, осигурявайки адаптация на базата на данни без изрично познаване на процеси или операции.
Всеки метод на управление има свои собствени характеристики: с PID настройката включва използване на знания за процеса за бързо задаване на подходящите параметри на контролера въз основа на желаната връзка между тези параметри и отговора на процеса. Например, цикълът на потока обикновено изисква ниско пропорционално усилване (<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.
В крайна сметка ефективният контрол на процесите надхвърля сложността на самия контролер. Точно както в състезанията, квалифицираните шофьори (контролери) се нуждаят от високопроизводителни превозни средства (добре проектирани процеси и оборудване), за да бъдат успешни, постигането на оптимална ефективност изисква цялостен подход, а не само приемането на „интелигентни контролери“.
Предизвикателствата на AI и ML в домейна на процеса
AI, ML или дълбоко обучение (DL) са еквивалентни на големи статистически регресии. За да получите полезни модели от тези приложения, са необходими много „високочестотни“ данни, които съдържат много движение, и много компенсации извън желаните граници на изпълнение. Всичко това е необходимо, така че моделът „знае“ номиналното местоположение на „ръба на скалата“. Много дългосрочни исторически данни са прекалено компресирани в името на запазването на дисковото пространство. Следователно поговорката „боклук в, боклук навън“ е много приложима.
Както при всеки друг статистически модел, ML върши доста добра работа по интерполиране, но в най-добрия случай преодоляването има добре известния ефект от извършването на екстраполации подъл. Както вече беше посочено, данните от затворен контур често изкривяват модела на странни начини. И, както при всички ML приложения, все още е необходим „домейн експерт“, за да се гарантира, че моделът номинално отразява реалността.
Една област, която не сме виждали ефективно за приложения за контрол на процесите, е разбирането на физическите ограничения на контролните клапани, диапазоните на инструмента и т.н. Това е проблем, че разработчиците на предсказуем контрол на модела (MPC) разпознават: Приложенията са изградени, за да разпознаят, че те нямат пряк контрол върху процесите. Следователно, разбирането, когато движението на PID контролера е ограничено или ограничено в една или и двете посоки, е основно. Приложенията на ML изглежда не разбират тази концепция в момента.
И накрая, „Ученето“ с исторически данни зависи от гарантирането, че основните процеси и контролните структури за учебни данни и текущите операции са еднакви (с изключение на споменатите по -горе проблеми с компресията). Следователно, промяната на капацитета на контролния клапан, топлообменниците и\/или помпите и т.н. може да изкриви модела и да даде ненадеждни\/непредвидими резултати.
Напредъкът на изследванията по прилагането на AI в контрола на процесите
През последните години редица скорошни проучвания на експерти и изследователи в индустрията показват, че увеличаването на използването на AI технологии може да доведе до повишаване на ефективността за подобряване и поддържане на контрола на процесите, както и тези, които работят в областта на автоматизацията на процесите.
AI може да бъде заплаха и да подобри нашата работа в търсенето на заплахи и разузнаването. Нашите по -млади колеги, които в момента работят в разширяващата се област на автоматизацията и контрола на индустриалните процеси, ще се възползват от придобиването на знания за AI; Основни принципи, теории, методи, разлики между тях и техните приложения.
Както мнозина в бранша са съгласни, бъдещите ни работни места няма да бъдат отнети от AI, а от други инженери, които знаят как да използват AI и да получат конкурентно предимство в тази област.
AI се използва за директно контрол на фабриките
Съоръжение без надзор (NUF) е съоръжение, което работи напълно автоматизирано или дистанционно, обикновено без персонал на място. По -широкото приемане на подхода на NUF в индустрията е изправено пред няколко предизвикателства (технически, логистични, финансови и регулаторни). Съществуват редица инициативи, ръководени от индустрията, насочени към преминаване в тази посока, като същевременно насърчават инициативите за развитие на технологиите, които дават възможност за тази нова оперативна философия и в крайна сметка позиционират NUF като безопасен, рентабилен и широко приет подход към проектирането и експлоатацията на нефтени и газови съоръжения.
AI в комбинация с усъвършенстван модел за прогнозиране на модела и усъвършенствани стратегии за регулаторен контрол може да помогне за постигането на тази цел.
В сравнение с предишните ръчни операции, AI системите проявяват по -голяма стабилност и ефективност, като успешно контролират стабилността дори при външни смущения, като поддържат критичните оперативни стойности, близки до целевите стойности. Това е първият пример за подсилване на AI, който се използва официално за директно контрол на фабриката.