Напредак АИ технологије у индустријском пољу
Линеарна динамика, нелинеарни статички делови моделирани користећи неуронске мреже. Ове индустријске апликације изричито се баве питањима екстраполације изван своје базе за обуку.
У истом временском оквиру, већина развоја меког сензора заузима другачији приступ моделирању.
Деведесетих година прошлог века, процесни системи су важни академски доприноси остварили апликацијама неуронских мрежа. Они укључују хибридно моделирање користећи неуронске мреже, где су непознати односи и / или параметри постављени на модел неуронске мреже. Други приметни приступ садржи функцију ПЛС-ове функције у мрежу, али омогућава нелинеарне услове, а не линеарне услове попут плс. Остали доприноси укључују употребу неуронских мрежа у метода класификације за откривање ненормалних операција (које се могу сматрати нелинеарним ПЦА).
Наредни развој АИ и машинског учења (мЛ) у великој мери су вршили велике технолошке компаније и стога се не покреће апликацијама или потребама процесне индустрије. Стога се примени ових метода не може примењивати 100% у нашем пољу. Наравно, супер је где то раде. Обрада слике је пример. Новије мреже сада нуде динамичке могућности моделирања које су побољшање преко цикличких мрежа које се користе у прошлости. Један пример је ЦХАТГГПТ, који је развијен за велике језичке моделе, али је показао подједнако успешан у подацима о временском времену. Видели смо обећавајуће резултате са овом технологијом у меким сензорима и хибридном моделирању, али до сада смо видели неколико стварних индустријских апликација.
Још увек смо у раним фазама путовања да бисмо схватили који су нови догађаји у АИ и МЛ средњим средствима за процесну индустрију. Постоји пуно хипе, али верујем да има пуно наде. Мислим да ће највећи утицај бити у коришћењу ових АИ и МЛ алата или их комбинујући постојећим методама, уместо да их претпоставља да ће их у потпуности заменити.
Поређење различитих метода контроле процеса
ПИД (пропорционална-интегрална-диференцијална контрола): ПИД контрола делује као регулатор грешке, фокусирајући се на вожњу грешке на нулу. Често се примењује у системима са променљивим или нелинеарним моделима, тако да је од суштинског значаја за пажљиво одабир параметара прилагођавања за стабилне перформансе. ПИД делује у једном улазном, јединственом излазу (Сисо) начин, али комбиновање више ПИД регулатора може увести сложеност на контролну шему.
МПЦ (Модел Предиктивна контрола): За разлику од ПИД-а, МПЦ користи процесни модел да истовремено оптимизира више променљивих променљивих за постизање унапред дефинисаних циљева. Кључни изазов са МПЦ-ом је потреба за познатим моделом процеса. За разлику од ПИД-а, варијације у моделу могу довести до лоших перформанси, а матрица модела је често потребна за ефикасну контролу у сложеним процесима.
ФЛЦ (Фуззи логички контролер): Алтернативно, ФЛЦ интервенише када се бави различитим или непознатим моделима симулирајући квалификованог оператера. Уместо процеса моделирања директно (као што је МПЦ) или се фокусира на смањење грешака (као што је ПИД), ФЛЦ симулира идеално понашање оператера у различитим сценаријима.
АИ ЦОНТРОЛ: Користећи историјске и у стварне податке, АИ контролери настоје да постигну циљеве без претходног знања о процесу. За разлику од ФЛЦ-а, АИ системи раде попут црне кутије, пружајући адаптацију засновану на подацима без изричитог знања о процесима или операцијама.
Свака метода контроле има своје карактеристике: са ПИД-ом, подешавање укључује коришћење процеса знања да би брзо поставио одговарајуће параметре контролера на основу жељеног односа између ових параметара и реакције процеса. На пример, петља протока обично захтева ниску пропорционалну добит (<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.
На крају, ефикасна контрола процеса надилази сложеност самог регулатора. Као и у тркачким, квалификованим управљачким програмима (контролери) потребна су возила високих перформанси (добро дизајнирани процеси и опрема) да би били успешни, постизање оптималних перформанси захтева холистички приступ, а не само усвајање "паметних контролора".
Изазови АИ и МЛ у процесу домена
АИ, МЛ или дубоко учење (ДЛ) су све еквивалентне великим статистичким регресијама. Да бисте добили корисне моделе из ових апликација, потребно је пуно података "високе фреквенције", који садржи пуно кретања и пуно надокнаде изван жељених граница перформанси. Све је то потребно тако да модел "познаје" номиналну локацију "Цлифф Едге". Много дугорочних историјских података је претерано компримиран у име штедње простора на диску. Стога је изрека "смеће у смећу" врло применљива.
Као и код било којег другог статистичког модела, МЛ ради прилично добар посао интерполирања, али у најбољем случају има добро познати ефекат израде екстраполације. Као што је већ истакнуто, подаци затворене петље често скевс модели резултирају чудним начинима. И, као и код свих мл апликација, "експертиза домена" је и даље потребна да би се осигурало да модел номинално одражава стварност.
Једно подручје које нисмо ефикасно решили за апликације за контролу процеса је разумевање физичких ограничења контролних вентила, распона инструмента и тако даље. Ово је проблем да прерађивачки програмери предиктивне (МПЦ) предиглук за прераспоређивање: примене су изграђене да признају да немају директну контролу над процесима. Стога разумевање када је покрет ПИД регулатора ограничен или ограничен у једном или оба смера је основна. МЛ апликације тренутно не схватају овај концепт.
Коначно, "учење" са историјским подацима зависи од осигурања да основни процеси и контролне структуре за учење података и тренутне операције су исти (осим за спомене компресије). Стога, променљиви капацитет управљачког вентила, измењивачи топлоте и / или пумпи итд., Може да скенира модел и дају непоуздане / непредвидиве резултате.
Напредак истраживања о примени АИ у контроли процеса
Последњих година, низ недавних студија стручњака и истраживача у индустрији показало је да је повећање употребе АИ технологија могло донијети унос ефикасности да побољша и подржи контролу процеса, као и оне који раде у области аутоматизације процеса.
Обоје може бити претња и побољшати наш рад у потрази за претњом и интелигенцијом. Наши млађи колеге који тренутно раде у ширењу области индустријског процеса аутоматизације и контроле користиће се од стицања АИ знања; Основни принципи, теорије, методе, разлике између њих и њихових апликација.
Колико се у индустрији слажу, нашим будућим пословима неће одузети АИ, већ и други инжењери који знају како да користе АИ и добију конкурентску предност у пољу.
АИ се користи за директно контролне фабрике
Постројење без надзора (НУФ) је објекат који послује у потпуности аутоматизовано или даљинско, обично без особља на лицу места. Шире усвајање НУФ-овог приступа у индустрији суочава се са неколико изазова (техничке, логистичке, финансијске и регулаторне). Постоји низ иницијатива које води индустрије које имају за циљ да се крећу у овом правцу, истовремено подстичући иницијативе за развој технологије које омогућавају ову нову оперативну филозофију и на крају позиционирају НУФ као сигуран, економичан и широко прихваћен приступ дизајну и раду нафтних и гасних објеката.
АИ у комбинацији са напредном моделом предиктивне контроле и напредне стратегије регулаторне контроле могу помоћи у постизању овог циља.
У поређењу са претходним ручним операцијама, АИ системима показују већу стабилност и ефикасност, успешно контролишу стабилност чак и на лицу спољног уплитања држећи критичне оперативне вредности близу циљних вредности. Ово је први пример ојачавања у учењу АИ који се формално користи за директно контролу фабрике.