Прогрес технології AI у промисловому полі
Лінійна динаміка, нелінійні статичні деталі, змодельовані за допомогою нейронних мереж. Ці промислові програми явно стосуються питань екстраполяції поза їх навчальною базою.
У той самий часовий проміжок, більшість м'яких датчиків розробляє інший підхід до моделювання.
У 90 -х роках системах процесів внесли важливий академічний внесок у додатки нейронної мережі. До них належать гібридне моделювання за допомогою нейронних мереж, де невідомі відносини та\/або параметри прилягають до моделі нейронної мережі. Інший примітний підхід включає в мережу функціональність типу PLS типу, але дозволяє нелінійні терміни, а не лінійні терміни, як PLS. Інші внески передбачають використання нейронних мереж у методах класифікації для виявлення ненормальних операцій (що можна розглядати як нелінійну PCA).
Подальший розвиток ШІ та машинного навчання (ML) значною мірою здійснюється великими технологічними компаніями і тому не керується програмами або потребами технологічної галузі. Тому застосування цих методів може не застосовуватися на 100% у нашій галузі. Звичайно, це чудово, де вони це роблять. Обробка зображень - приклад. Нові мережі тепер пропонують можливості динамічного моделювання, які є вдосконаленням у циклічних мережах, що використовуються в минулому. Одним із прикладів є Chatgpt, який був розроблений для великих мовних моделей, але виявився однаково успішним у моделюванні даних часових рядів. Ми бачили багатообіцяючі результати в цій технології в м'яких датчиках та гібридному моделюванні, але поки що ми побачили кілька реальних промислових застосувань.
Ми все ще перебуваємо на ранніх етапах подорожі, щоб зрозуміти, що означають нові розробки в AI та ML для технологічної галузі. Тут багато галасу, але я вважаю, що надія є багато. Я думаю, що найбільшим впливом буде використання цих інструментів AI та ML або поєднання їх з існуючими методами, а не припустити, що вони їх повністю замінять.
Порівняння різних методів управління процесами
PID (пропорційно-інтегрально-диференціальний контроль): управління PID діє як регулятор помилок, зосереджуючись на піднесенні помилки до нуля. Він часто застосовується в системах із змінними або нелінійними моделями, тому важливо ретельно вибирати параметри коригування для стабільної продуктивності. PID працює одним входом, одноразовим (SISO) способом, але поєднання декількох контролерів PID може ввести складність у схему управління.
MPC (модель прогнозування контролю): На відміну від PID, MPC використовує модель процесу для оптимізації декількох змінних одночасно для досягнення заздалегідь визначених цілей. Ключовим завданням з MPC є потреба у відомому процесі процесу. На відміну від PID, варіації моделі можуть призвести до низької продуктивності, а модельна матриця часто потрібна для ефективного контролю в складних процесах.
FLC (нечіткий логічний контролер): альтернативно, FLC втручається при роботі з різними або невідомими моделями, моделюючи кваліфікованого оператора. Замість процесів моделювання безпосередньо (наприклад, MPC) або зосередження уваги на зменшенні помилок (наприклад, PID), FLC імітує ідеальну поведінку оператора в різних сценаріях.
Контроль AI: Використовуючи історичні та в режимі реального часу, контролери AI прагнуть досягти цілей без попередніх знань про процес. На відміну від FLC, системи AI працюють як чорна скринька, забезпечуючи адаптацію на основі даних без явних знань про процеси чи операції.
Кожен метод управління має свої характеристики: за допомогою PID налаштування передбачає використання знань про процес для швидкого встановлення відповідних параметрів контролера на основі потрібного співвідношення між цими параметрами та реакцією на процес. Наприклад, петля потоку зазвичай вимагає низького пропорційного посилення (<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.
Зрештою, ефективний контроль процесів виходить за рамки складності самого контролера. Так само, як у гонках, кваліфіковані водії (контролери) потребують високопродуктивних транспортних засобів (добре розроблених процесів та обладнання), щоб досягти успіху, досягнення оптимальних показників вимагає цілісного підходу, а не лише для прийняття "розумних контролерів".
Проблеми AI та ML в домені процесу
AI, ML або Deep Learning (DL) всі рівнозначні великим статистичним регресіям. Для отримання корисних моделей з цих додатків потрібно багато даних "високої частоти", які містять багато руху, і багато компенсацій поза бажаними межами продуктивності. Все це потрібно, щоб модель "знала" номінальне розташування "Кліффського краю". Багато довгострокових історичних даних надмірно стискаються в ім'я збереження місця на диску. Тому приказка "сміття, сміття" дуже застосовна.
Як і в будь-якій іншій статистичній моделі, ML робить досить хорошу роботу з інтерполяції, але в кращому випадку надмірно відомі впливає на екстраполяцію підступними. Як уже вказувалося, дані із закритою циклом часто перекочують модель призводять до дивних способів. І, як і у всіх програмах ML, все ще необхідна "Доменна експертиза", щоб переконатися, що модель номінально відображає реальність.
Однією з областей, яку ми не бачили ефективно розглянуто для додатків для контролю процесів, - це розуміння фізичних обмежень контрольних клапанів, діапазонів інструментів тощо. Це проблема, яку розпізнали розробники ранньої моделі прогнозованого контролю (MPC): програми створені для визнання того, що вони не мають прямого контролю над процесами. Тому розуміння, коли рух контролера PID обмежений або обмежений в одному або обох напрямках, є основним. Наразі програми ML не розуміють цю концепцію.
Нарешті, "навчання" з історичними даними залежить від того, щоб основні процеси та структури контролю для навчання та поточні операції були однаковими (за винятком питань стиснення, згаданих вище). Тому зміна ємності контрольного клапана, теплообмінників та\/або насосів тощо може перекосити модель і дати недостовірні\/непередбачувані результати.
Дослідження прогресу в застосуванні ШІ в контролі процесів
В останні роки ряд останніх досліджень експертів та дослідників промисловості показали, що збільшення використання технологій AI може принести підвищення ефективності для підвищення та підтримки контролю процесу, а також тих, хто працює в галузі автоматизації процесів.
AI може бути загрозою та посилити нашу роботу в пошуку загрози та інтелекту. Наші молодші колеги, які зараз працюють у розширеній галузі автоматизації та контролю промислового процесу, отримають користь від здобуття знань про ШІ; Основні принципи, теорії, методи, відмінності між ними та їх додатками.
Як багато хто в галузі погоджується, наші майбутні робочі місця не будуть забрати AI, а інші інженери, які знають, як користуватися AI, і отримати конкурентну перевагу в цій галузі.
AI використовується для безпосереднього контролю фабрик
Без нагляду (NUF) - це об'єкт, який працює повністю автоматизованим або віддаленим, як правило, без персоналу на місці. Більш широке прийняття підходу NUF в галузі стикається з кількома проблемами (технічні, логістичні, фінансові та регуляторні). Існує ряд ініціатив під керівництвом галузі, спрямованих на рух у цьому напрямку, заохочуючи ініціативи з розвитку технологій, які дозволяють цій новій оперативній філософії та в кінцевому рахунку позиціонувати NUF як безпечний, економічний та широко прийнятий підхід до проектування та експлуатації нафтогазового споруд.
AI у поєднанні з прогнозованим прогнозованим контролем та розширеними стратегіями регуляторного контролю може допомогти досягти цієї мети.
Порівняно з попередніми ручними операціями, системи AI демонструють більшу стабільність та ефективність, успішно контролюючи стабільність навіть в умовах зовнішніх перешкод, зберігаючи критичні операційні значення близькими до цільових значень. Це перший приклад підкріплення навчання AI, що офіційно використовується для безпосереднього контролю фабрики.