AI tehnoloģijas progress rūpniecības jomā
Lineārā dinamika, nelineāras statiskās detaļas, kas modelētas, izmantojot neironu tīklus. Šīs rūpniecības lietojumprogrammas skaidri aplūko ekstrapolācijas jautājumus ārpus viņu apmācības bāzes.
Tajā pašā laika posmā vairums mīksto sensoru attīstību izmanto atšķirīgu modelēšanas pieeju.
Deviņdesmitajos gados procesu sistēmas sniedza svarīgu akadēmisko ieguldījumu neironu tīkla lietojumprogrammās. Tie ietver hibrīda modelēšanu, izmantojot neironu tīklus, kur neironu tīkla modelim ir uzstādītas nezināmas attiecības un/vai parametri. Cita ievērības cienīga pieeja tīklā iekļauj PLS tipa funkcionalitāti, bet ļauj lietot nelineārus terminus, nevis lineārus terminus, piemēram, PLS. Citas iemaksas ir saistītas ar neironu tīklu izmantošanu klasifikācijas metodēs, lai noteiktu patoloģiskas operācijas (kuras var uzskatīt par nelineāru PCA).
Turpmāko AI un mašīnu apguves (ML) attīstību lielā mērā veic lieli tehnoloģiju uzņēmumi, tāpēc to neveic procesa nozares lietojumprogrammas vai vajadzības. Tāpēc šo metožu pielietojumu mūsu jomā nedrīkst piemērot 100%. Protams, tas ir lieliski, kur viņi to dara. Attēlu apstrāde ir piemērs. Jaunāki tīkli tagad piedāvā dinamiskas modelēšanas iespējas, kas ir uzlabojums salīdzinājumā ar iepriekš izmantotajiem cikliskajiem tīkliem. Viens piemērs ir Chatgpt, kas tika izstrādāts lielo valodu modeļiem, bet ir izrādījies vienlīdz veiksmīgs laika rindu modelēšanā. Mēs esam redzējuši daudzsološus rezultātus ar šo tehnoloģiju mīkstos sensoros un hibrīda modelēšanā, bet līdz šim mēs esam redzējuši maz reālu rūpniecisko lietojumu.
Mēs joprojām atrodamies ceļojuma sākumposmā, lai noskaidrotu, kādi jaunie notikumi AI un ML nozīmē procesu nozari. Ir daudz hype, bet es uzskatu, ka ir daudz cerību. Es domāju, ka vislielākā ietekme būs šo AI un ML rīku piesaistīšanai vai apvienojot tos ar esošajām metodēm, nevis pieņemot, ka tie tos pilnībā aizstās.
Dažādu procesa kontroles metožu salīdzinājums
PID (proporcionāla integrālā-diferenciālā kontrole): PID vadība darbojas kā kļūdu regulators, koncentrējoties uz kļūdas novirzīšanu uz nulli. To bieži izmanto sistēmās ar mainīgiem vai nelineāriem modeļiem, tāpēc ir svarīgi rūpīgi izvēlēties korekcijas parametrus stabilai veiktspējai. PID darbojas vienā ieejā, vienas izvades (SISO) veidā, bet vairāku PID kontrolieru apvienošana var radīt sarežģītību ar vadības shēmu.
MPC (modeļa paredzamā kontrole): Atšķirībā no PID, MPC izmanto procesa modeli, lai vienlaikus optimizētu vairākus mainīgos, lai sasniegtu iepriekš noteiktus mērķus. Galvenais MPC izaicinājums ir nepieciešamība pēc zināma procesa modeļa. Atšķirībā no PID, modeļa variācijas var izraisīt sliktu veiktspēju, un modeļa matrica bieži ir nepieciešama efektīvai kontrolei sarežģītos procesos.
FLC (izplūdušais loģikas kontrolieris): Alternatīvi, FLC iejaucas, strādājot ar dažādiem vai nezināmiem modeļiem, imitējot kvalificētu operatoru. Tā vietā, lai tieši modelētu procesus (piemēram, MPC) vai koncentrējoties uz kļūdu samazināšanu (piemēram, PID), FLC imitē ideālu operatora izturēšanos dažādos scenārijos.
AI kontrole: Izmantojot vēsturisko un reālā laika datus, AI kontrolieri cenšas sasniegt mērķus bez iepriekšējām zināšanām par procesu. Atšķirībā no FLC, AI sistēmas darbojas kā melnā lodziņš, nodrošinot uz datiem balstītu adaptāciju bez skaidrām zināšanām par procesiem vai operācijām.
Katrai vadības metodei ir savas īpašības: ar PID noskaņošana ietver procesa zināšanu izmantošanu, lai ātri iestatītu atbilstošos kontroliera parametrus, pamatojoties uz vēlamo saistību starp šiem parametriem un procesa reakciju. Piemēram, plūsmas cilpai parasti ir nepieciešams zems proporcionālais ieguvums (<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.
Galu galā efektīva procesa kontrole pārsniedz paša kontroliera sarežģītību. Tāpat kā sacīkstēs, kvalificētiem autovadītājiem (kontrolieriem) ir nepieciešami augstas veiktspējas transportlīdzekļi (labi izstrādāti procesi un aprīkojums), lai gūtu panākumus, optimālas veiktspējas sasniegšanai ir nepieciešama holistiska pieeja, ne tikai "gudru kontrolieru" pieņemšana.
AI un ML izaicinājumi procesa jomā
AI, ML vai dziļā mācīšanās (DL) ir līdzvērtīgi lielām statistikas regresijām. Lai iegūtu noderīgus modeļus no šīm lietojumprogrammām, ir nepieciešami daudz "augstas frekvences" datu, kas satur daudz kustību, un daudz kompensāciju, kas pārsniedz vēlamās veiktspējas robežas. Tas viss ir nepieciešams, lai modelis "zina" "klints malas" nominālo atrašanās vietu. Daudz ilgtermiņa vēsturiskie dati ir pārmērīgi saspiesti diska vietas taupīšanas vārdā. Tāpēc teiciens “atkritumi, atkritumi ārā” ir ļoti piemērojams.
Tāpat kā jebkuram citam statistikas modelim, arī ML veic diezgan labu darbu interpolācijā, taču labākajā gadījumā ir labi pazīstams efekts, padarot ekstrapolācijas nekaunīgu. Kā jau tika norādīts, slēgtas cilpas dati bieži vien šķietami rezultāti ir dīvaini. Un, tāpat kā visās ML lietojumprogrammās, joprojām ir nepieciešama "domēna zināšanas", lai nodrošinātu, ka modelis nomināli atspoguļo realitāti.
Viena no jomām, kuras mēs neesam redzējuši, ir efektīvi apskatīta procesa kontroles lietojumprogrammās, ir izpratne par vadības vārstu, instrumentu diapazonu un tā tālāk fiziskajiem ierobežojumiem. Tā ir problēma, kuru atzina agrīnā modeļa paredzamā kontroles (MPC) izstrādātāji: lietojumprogrammas ir veidotas, lai atzītu, ka viņiem nav tiešas procesu kontroles. Tāpēc izpratne, kad PID kontroliera ierosinājums ir ierobežots vai ierobežots vienā vai abos virzienos, ir būtiska. Šķiet, ka ML lietojumprogrammas šobrīd neaptver šo koncepciju.
Visbeidzot, "mācīšanās" ar vēsturiskiem datiem ir atkarīga no tā, vai pamatā esošie procesi un kontroles struktūras datu un pašreizējām operācijām ir vienādi (izņemot iepriekš minētos kompresijas jautājumus). Tāpēc vadības vārsta jaudas, siltummaiņu un/vai sūkņu utt. Mainīšana var sagriezt modeli un dot neuzticamus/neparedzamus rezultātus.
Pētniecības progress AI piemērošanā procesa kontrolē
Pēdējos gados vairāki nesenie nozares ekspertu un pētnieku pētījumi ir parādījuši, ka AI tehnoloģiju izmantošanas palielināšana varētu dot efektivitātes pieaugumu, lai uzlabotu un atbalstītu procesu kontroli, kā arī tos, kas strādā procesa automatizācijas jomā.
AI var būt gan drauds, gan uzlabot mūsu darbu draudu meklējumos un inteliģencē. Mūsu jaunākie kolēģi, kas šobrīd strādā paplašinātajā rūpniecības procesa automatizācijas un kontroles jomā, gūs labumu no AI zināšanu iegūšanas; Pamatprincipi, teorijas, metodes, atšķirības starp tām un to pielietojumiem.
Kā daudzi nozares pārstāvji piekrīt, AI mūsu turpmāko darbu neatņems, bet gan citi inženieri, kuri zina, kā izmantot AI un iegūt konkurences priekšrocības šajā jomā.
AI tiek izmantots, lai tieši kontrolētu rūpnīcas
Bez uzraudzības iekārta (NUF) ir iekārta, kas darbojas pilnībā automatizēta vai attālināti, parasti bez personāla uz vietas. Plašāka NUF pieejas pieņemšana nozarē saskaras ar vairākiem izaicinājumiem (tehniski, loģistikas, finanšu un normatīvie). Ir vairākas nozares vadītas iniciatīvas, kuru mērķis ir virzīties šajā virzienā, vienlaikus veicinot tehnoloģiju attīstības iniciatīvas, kas ļauj šai jaunajai darbības filozofijai un galu galā pozicionēt NUF kā drošu, rentablu un plaši pieņemtu pieeju naftas un gāzes aprīkojuma projektēšanai un darbībai.
AI apvienojumā ar uzlabotu modeļa paredzamo kontroli un uzlabotās regulatīvās kontroles stratēģijas var palīdzēt sasniegt šo mērķi.
Salīdzinot ar iepriekšējām manuālajām operācijām, AI sistēmām ir lielāka stabilitāte un efektivitāte, veiksmīgi kontrolējot stabilitāti, pat ņemot vērā ārējos traucējumus, saglabājot kritiskās darbības vērtības tuvu mērķa vērtībām. Šis ir pirmais piemērs, kā pastiprināšanas mācīšanās AI oficiāli tiek izmantota, lai tieši kontrolētu rūpnīcu.