AI -tekniikan eteneminen teollisuusalalla
Lineaarinen dynamiikka, epälineaariset staattiset osat, jotka on mallinnettu hermoverkkojen avulla. Nämä teollisuussovellukset käsittelevät nimenomaisesti ekstrapolointikysymyksiä koulutuspohjansa ulkopuolella.
Samassa aikataulussa useimmat pehmeät anturien kehitys käyttää erilaista mallinnusmenetelmää.
1990 -luvulla prosessijärjestelmät tekivät tärkeitä akateemisia panoksia hermoverkkosovelluksiin. Näitä ovat hybridimallinnus hermoverkkojen avulla, joissa tuntemattomat suhteet ja/tai parametrit on asennettu hermoverkkomalliin. Toinen huomionarvoinen lähestymistapa sisältää PLS-tyyppisen toiminnallisuuden verkkoon, mutta mahdollistaa epälineaariset termit kuin lineaariset termit, kuten PLS. Muihin panoksiin sisältyy hermoverkkojen käyttö luokittelumenetelmissä epänormaalien toimintojen havaitsemiseksi (jota voidaan pitää epälineaarisena PCA: na).
AI: n ja koneoppimisen (ML) myöhempi kehittäminen tehdään suurelta osin suurten teknologiayritysten toimesta, ja siksi sitä ei johdu prosessiteollisuuden sovelluksista tai tarpeista. Siksi näiden menetelmien soveltamista ei voida soveltaa 100% kentällämme. Tietysti on hienoa, missä he tekevät sen. Kuvankäsittely on esimerkki. Uudemmat verkot tarjoavat nyt dynaamisia mallinnusominaisuuksia, jotka ovat parannuksia aiemmin käytettyihin syklisiin verkkoihin nähden. Yksi esimerkki on ChatgPT, joka on kehitetty suurille kielimalleille, mutta on osoittautunut yhtä menestyväksi aikasarjatietojen mallintamisessa. Olemme nähneet lupaavia tuloksia tällä tekniikalla pehmeissä antureissa ja hybridimallinnuksessa, mutta toistaiseksi olemme nähneet muutamia todellisia teollisuussovelluksia.
Olemme vielä matkan varhaisessa vaiheessa selvittää, mitä uusi AI: n ja ML -kehitys tarkoittaa prosessiteollisuudelle. Hypeä on paljon, mutta uskon, että toivoa on paljon. Mielestäni suurin vaikutus on näiden AI- ja ML -työkalujen hyödyntäminen tai yhdistäminen olemassa oleviin menetelmiin sen sijaan, että olettaisivat, että ne korvaavat ne kokonaan.
Eri prosessinhallintamenetelmien vertailu
PID (suhteellisen integraalien differenssihallinta): PID-ohjaus toimii virhesäädinnä, keskittyen virheen ajamiseen nollaan. Sitä käytetään usein järjestelmissä, joissa on muuttuvia tai epälineaarisia malleja, joten on välttämätöntä valita huolellisesti vakaan suorituskyvyn säätöparametrit. PID toimii yhdellä tulolla, yhden lähdön (SISO) tavalla, mutta useiden PID -ohjaimien yhdistäminen voi tuoda esiin monimutkaisuuden ohjausjärjestelmään.
MPC (mallin ennustava ohjaus): Toisin kuin PID, MPC käyttää prosessimallia useiden muuttujien optimoimiseksi ennalta määritettyjen tavoitteiden saavuttamiseksi. Keskeinen haaste MPC: n kanssa on tunnettu prosessimalli. Toisin kuin PID, mallin variaatiot voivat johtaa huonoon suorituskykyyn, ja mallimatriisia tarvitaan usein monimutkaisten prosessien tehokkaan hallinnan saamiseksi.
FLC (Fuzzy Logic -ohjain): Vaihtoehtoisesti FLC puuttuu käsitellessään erilaisia tai tuntemattomia malleja simuloimalla ammattitaitoista operaattoria. Prosessien mallintamisessa (kuten MPC) tai keskittyen virheiden (kuten PID) vähentämiseen, FLC simuloi ihanteellista operaattorin käyttäytymistä eri skenaarioissa.
AI-ohjaus: Historiallisen ja reaaliaikaisen tiedon avulla AI-ohjaimet pyrkivät saavuttamaan tavoitteet ilman ennakkotietoa prosessista. Toisin kuin FLC, AI-järjestelmät toimivat kuten musta laatikko, tarjoamalla tietopohjaista sopeutumista ilman selkeää tietoa prosesseista tai toiminnoista.
Jokaisella ohjausmenetelmällä on omat ominaisuutensa: PID: llä viritys sisältää prosessitiedon käyttämisen sopivien ohjaimen parametrien nopeasti näiden parametrien ja prosessivasteen välisen halutun suhteen perusteella. Esimerkiksi virtaussilmukka vaatii tyypillisesti alhaisen suhteellisen vahvistuksen (<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.
Viime kädessä tehokas prosessin hallinta ylittää itse ohjaimen monimutkaisuuden. Aivan kuten kilpa-autoissa, ammattitaitoiset kuljettajat (ohjaimet) tarvitsevat korkean suorituskyvyn ajoneuvoja (hyvin suunniteltuja prosesseja ja laitteita) menestyäkseen, optimaalisen suorituskyvyn saavuttaminen vaatii kokonaisvaltaista lähestymistapaa, ei vain "älykkäiden ohjaimien" omaksumista.
AI: n ja ML: n haasteet prosessialueella
AI, ML tai Deep Learning (DL) ovat kaikki vastaavat suuria tilastollisia regressioita. Hyödyllisten mallien saaminen näistä sovelluksista vaatii paljon "korkeataajuus" -tietoja, jotka sisältävät paljon liikettä ja paljon korvauksia haluttujen suorituskykyrajojen ulkopuolella. Kaikki tämä vaaditaan siten, että malli "tuntee" "kallion reunan" nimellisen sijainnin. Levytilan säästämisen nimissä on liian pakattu paljon pitkäaikaisia historiallisia tietoja. Siksi sanonta "roskat sisään, roskat ulos" on erittäin sovellettavissa.
Kuten minkä tahansa muun tilastollisen mallin kohdalla, ML tekee melko hyvää työtä interpoloinnissa, mutta ylenmääräisesti on parhaimmillaan tunnettu vaikutus tehdä ekstrapoloinneilla. Kuten jo on jo huomautettu, suljetun silmukan tiedot vinoutuvat usein mallin tuloksiin omituisilla tavoilla. Ja kuten kaikki ML -sovellukset, "verkkotunnuksen asiantuntemus" vaaditaan edelleen sen varmistamiseksi, että malli heijastaa nimellisesti todellisuutta.
Yksi alue, jota emme ole nähneet tehokkaasti prosessinhallintasovelluksissa, on ohjausventtiilien, instrumenttialueen ja niin edelleen fyysisten rajoitusten ymmärtäminen. Tämä on ongelma, jonka varhainen mallin ennustava ohjaus (MPC) -kehittäjät tunnustivat: sovellukset on rakennettu tunnistamaan, että heillä ei ole suoraa hallintaa prosesseissa. Siksi ymmärtäminen, milloin PID -ohjaimen liike on rajoitettu tai rajoitettu yhdessä tai molemmissa suunnissa, on olennaista. ML -sovellukset eivät näytä ymmärtävän tätä käsitettä tällä hetkellä.
Lopuksi "oppiminen" historiallisella tiedoilla riippuu siitä, että oppimistietojen ja nykyisten operaatioiden taustalla olevat prosessit ja hallintarakenteet ovat samat (paitsi edellä mainitut pakkauskysymykset). Siksi ohjausventtiilin kapasiteetin, lämmönvaihtimien ja/tai pumppujen jne. Vaihtaminen voi vääristää mallia ja antaa epäluotettavia/arvaamattomia tuloksia.
Tutkimuksen edistyminen AI: n soveltamiseksi prosessin hallinnassa
Viime vuosina useita teollisuuden asiantuntijoiden ja tutkijoiden viimeaikaisia tutkimuksia on osoittanut, että AI -tekniikoiden käytön lisääminen voisi tuoda tehokkuusvoittoja prosessin hallinnan parantamiseksi ja prosessiautomaation alalla työskenteleville.
AI voi olla sekä uhka ja parantaa työtämme uhkahaussa ja älykkyydessä. Nuoremmat kollegamme, jotka työskentelevät tällä hetkellä teollisuusprosessien automatisoinnin ja valvonnan alalla, hyötyvät AI -tiedon saamisesta; Perusperiaatteet, teoriat, menetelmät, erot niiden ja niiden sovellusten välillä.
Kuten monet teollisuudessa ovat yhtä mieltä, AI ei vie tulevia työpaikkoja, vaan muut insinöörit, jotka osaavat käyttää AI: tä ja saada kilpailuetua kentällä.
AI: ta käytetään tehtaiden suoraan hallintaan
Valvontalaitos (NUF) on laitos, joka toimii täysin automatisoituna tai etäisesti, yleensä ilman henkilöstöä paikan päällä. NUF -lähestymistavan laajempi omaksuminen teollisuudessa on useita haasteita (tekninen, logistinen, taloudellinen ja sääntely). On olemassa useita alan johtamia aloitteita, joiden tavoitteena on siirtyä tähän suuntaan, samalla kun rohkaisee teknologian kehittämisaloitteita, jotka mahdollistavat tämän uuden operatiivisen filosofian ja sijoittavat lopulta NUF: n turvalliseksi, kustannustehokkaaksi ja laajalti hyväksyttyksi lähestymistavaksi öljy- ja kaasujen suunnitteluun ja toimintaan.
AI yhdistettynä edistyneeseen mallin ennustavaan hallintaan ja edistyneisiin sääntelyn torjuntastrategioihin voivat auttaa saavuttamaan tämän tavoitteen.
Verrattuna aikaisempiin manuaalisiin toimintoihin AI -järjestelmillä on suurempi vakaus ja tehokkuus, mikä hallitsee stabiilisuutta onnistuneesti jopa ulkoisten häiriöiden edessä pitämällä kriittisiä toiminta -arvoja lähellä kohdearvoja. Tämä on ensimmäinen esimerkki vahvistusoppimisesta AI: stä, jota käytetään muodollisesti tehtaan suoraan.