Kemajuan teknologi AI dalam bidang perindustrian
Dinamik linear, bahagian statik tak linear yang dimodelkan menggunakan rangkaian saraf. Aplikasi perindustrian ini secara eksplisit menangani isu -isu ekstrapolasi di luar pangkalan latihan mereka.
Dalam tempoh masa yang sama, kebanyakan perkembangan sensor lembut mengambil pendekatan pemodelan yang berbeza.
Pada tahun 1990 -an, sistem proses membuat sumbangan akademik penting kepada aplikasi rangkaian saraf. Ini termasuk pemodelan hibrid menggunakan rangkaian saraf, di mana hubungan dan/atau parameter yang tidak diketahui dipasang pada model rangkaian saraf. Satu lagi pendekatan yang patut diberi perhatian menggabungkan fungsi jenis PLS ke dalam rangkaian, tetapi membolehkan istilah bukan linear dan bukannya istilah linear seperti PLS. Sumbangan lain melibatkan penggunaan rangkaian saraf dalam kaedah klasifikasi untuk mengesan operasi yang tidak normal (yang boleh dianggap sebagai PCA bukan linear).
Perkembangan AI dan Pembelajaran Mesin (ML) seterusnya sebahagian besarnya dilakukan oleh syarikat teknologi besar dan oleh itu tidak didorong oleh aplikasi atau keperluan industri proses. Oleh itu, permohonan kaedah ini tidak boleh digunakan 100% dalam bidang kami. Sudah tentu, ia hebat di mana mereka melakukannya. Pemprosesan imej adalah contoh. Rangkaian yang lebih baru kini menawarkan keupayaan pemodelan dinamik yang merupakan peningkatan ke atas rangkaian kitaran yang digunakan pada masa lalu. Salah satu contoh ialah CHATGPT, yang dibangunkan untuk model bahasa yang besar tetapi telah terbukti sama -sama berjaya dalam data siri masa pemodelan. Kami telah melihat hasil yang menjanjikan dengan teknologi ini dalam sensor lembut dan pemodelan hibrid, tetapi setakat ini kami telah melihat beberapa aplikasi perindustrian sebenar.
Kami masih berada di peringkat awal perjalanan untuk mengetahui perkembangan baru dalam AI dan ML untuk industri proses. Terdapat banyak gembar -gembur, tetapi saya percaya terdapat banyak harapan. Saya fikir kesan terbesar adalah dalam memanfaatkan alat AI dan ML ini atau menggabungkannya dengan kaedah yang sedia ada, dan bukannya menganggap mereka akan menggantikannya sepenuhnya.
Perbandingan kaedah kawalan proses yang berbeza
PID (kawalan proporsional-integral-perbezaan): Kawalan PID bertindak sebagai pengawal ralat, memberi tumpuan kepada memandu kesilapan kepada sifar. Ia sering digunakan dalam sistem dengan model pembolehubah atau tidak linear, jadi penting untuk memilih parameter pelarasan dengan teliti untuk prestasi yang stabil. PID beroperasi dalam satu input, output tunggal (SISO), tetapi menggabungkan pelbagai pengawal PID boleh memperkenalkan kerumitan kepada skema kawalan.
MPC (Model Predictive Control): Berbeza dengan PID, MPC menggunakan model proses untuk mengoptimumkan pelbagai pembolehubah serentak untuk mencapai matlamat yang telah ditetapkan. Cabaran utama dengan MPC adalah keperluan untuk model proses yang diketahui. Tidak seperti PID, variasi dalam model boleh membawa kepada prestasi yang lemah, dan matriks model sering diperlukan untuk kawalan yang berkesan dalam proses kompleks.
FLC (Fuzzy Logic Controller): Sebagai alternatif, FLC campur tangan apabila berurusan dengan model yang berbeza atau tidak diketahui dengan mensimulasikan pengendali mahir. Daripada proses pemodelan secara langsung (seperti MPC) atau memberi tumpuan kepada mengurangkan kesilapan (seperti PID), FLC mensimulasikan tingkah laku pengendali yang ideal dalam senario yang berbeza.
Kawalan AI: Menggunakan data sejarah dan masa nyata, pengawal AI berusaha untuk mencapai matlamat tanpa pengetahuan terlebih dahulu mengenai proses tersebut. Tidak seperti FLC, sistem AI beroperasi seperti kotak hitam, memberikan penyesuaian berasaskan data tanpa pengetahuan eksplisit mengenai proses atau operasi.
Setiap kaedah kawalan mempunyai ciri -ciri tersendiri: dengan PID, penalaan melibatkan penggunaan pengetahuan proses untuk dengan cepat menetapkan parameter pengawal yang sesuai berdasarkan hubungan yang dikehendaki antara parameter ini dan tindak balas proses. Sebagai contoh, gelung aliran biasanya memerlukan keuntungan berkadar yang rendah (<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.
Pada akhirnya, kawalan proses yang berkesan melampaui kerumitan pengawal itu sendiri. Sama seperti perlumbaan, pemandu mahir (pengawal) memerlukan kenderaan berprestasi tinggi (proses dan peralatan yang direka dengan baik) untuk berjaya, mencapai prestasi yang optimum memerlukan pendekatan holistik, bukan hanya penggunaan "pengawal pintar."
Cabaran AI dan ML dalam Domain Proses
AI, ML, atau Deep Learning (DL) semuanya bersamaan dengan regresi statistik yang besar. Untuk mendapatkan model yang berguna dari aplikasi ini memerlukan banyak data "frekuensi tinggi", yang mengandungi banyak pergerakan, dan banyak offset di luar sempadan prestasi yang dikehendaki. Semua ini diperlukan supaya model "mengetahui" lokasi nominal "tepi tebing." Banyak data sejarah jangka panjang yang terlalu banyak dimampatkan dalam nama ruang disk. Oleh itu, kata "sampah, sampah" sangat terpakai.
Seperti mana-mana model statistik yang lain, ML melakukan kerja yang cukup baik untuk interpolasi, tetapi terlalu banyak mempunyai kesan yang terkenal untuk membuat ekstrapolasi licik. Seperti yang telah dinyatakan, data gelung tertutup sering mencatatkan model menghasilkan cara yang pelik. Dan, seperti semua aplikasi ML, "kepakaran domain" masih diperlukan untuk memastikan model itu secara nominal mencerminkan realiti.
Satu kawasan yang tidak pernah kita lihat dengan berkesan untuk aplikasi kawalan proses adalah memahami batasan fizikal injap kawalan, julat instrumen, dan sebagainya. Ini adalah masalah bahawa pemaju Kawalan Ramalan Model Awal (MPC) yang diiktiraf: Aplikasi dibina untuk menyedari bahawa mereka tidak mempunyai kawalan langsung ke atas proses. Oleh itu, pemahaman apabila gerakan pengawal PID terhad atau terhad dalam satu atau kedua -dua arah adalah asas. Aplikasi ML nampaknya tidak memahami konsep ini pada masa ini.
Akhirnya, "pembelajaran" dengan data sejarah bergantung kepada memastikan bahawa proses asas dan struktur kawalan untuk data pembelajaran dan operasi semasa adalah sama (kecuali isu mampatan yang disebutkan di atas). Oleh itu, mengubah kapasiti injap kawalan, penukar haba, dan/atau pam, dan lain -lain, boleh mencabut model dan memberikan hasil yang tidak boleh dipercayai/tidak dapat diramalkan.
Kemajuan penyelidikan mengenai penerapan AI dalam kawalan proses
Dalam tahun -tahun kebelakangan ini, beberapa kajian baru -baru ini dari pakar industri dan penyelidik telah menunjukkan bahawa peningkatan penggunaan teknologi AI dapat membawa keuntungan kecekapan untuk meningkatkan dan mengawal kawalan proses, serta mereka yang bekerja dalam bidang automasi proses.
AI boleh menjadi ancaman dan meningkatkan kerja kita dalam pencarian dan kecerdasan ancaman. Rakan -rakan muda kami yang kini bekerja dalam bidang automasi dan kawalan proses perindustrian akan mendapat manfaat daripada mendapatkan pengetahuan AI; Prinsip asas, teori, kaedah, perbezaan antara mereka dan aplikasi mereka.
Sebilangan besar dalam industri bersetuju, pekerjaan masa depan kita tidak akan diambil oleh AI, tetapi oleh jurutera lain yang tahu cara menggunakan AI dan mendapatkan kelebihan daya saing di lapangan.
AI digunakan untuk mengawal kilang terus
Kemudahan tanpa pengawasan (NUF) adalah kemudahan yang beroperasi sepenuhnya automatik atau jauh dari, biasanya tanpa kakitangan di tapak. Penggunaan pendekatan NUF yang lebih luas dalam industri menghadapi beberapa cabaran (teknikal, logistik, kewangan, dan pengawalseliaan). Terdapat beberapa inisiatif yang diterajui oleh industri yang bertujuan untuk bergerak ke arah ini, sambil menggalakkan inisiatif pembangunan teknologi yang membolehkan falsafah operasi baru ini dan akhirnya meletakkan NUF sebagai pendekatan yang selamat, kos efektif dan diterima secara meluas kepada reka bentuk dan operasi kemudahan minyak dan gas.
AI digabungkan dengan kawalan ramalan model maju dan strategi kawalan pengawalseliaan yang maju boleh membantu mencapai matlamat ini.
Berbanding dengan operasi manual sebelumnya, sistem AI mempamerkan kestabilan dan kecekapan yang lebih besar, berjaya mengawal kestabilan walaupun dalam menghadapi gangguan luaran dengan mengekalkan nilai operasi kritikal yang dekat dengan nilai sasaran. Ini adalah contoh pertama pembelajaran tetulang AI yang digunakan secara rasmi untuk mengawal kilang secara langsung.