Fremskridt med AI -teknologi inden for det industrielle felt
Lineær dynamik, ikke -lineære statiske dele modelleret ved hjælp af neurale netværk. Disse industrielle applikationer behandler eksplicit ekstrapoleringsproblemer uden for deres træningsbase.
På samme tidsramme tager den mest bløde sensorudvikling en anden modelleringsmetode.
I 1990'erne gav processystemer vigtige akademiske bidrag til neurale netværksapplikationer. Disse inkluderer hybridmodellering ved hjælp af neurale netværk, hvor ukendte forhold og/eller parametre er monteret på den neurale netværksmodel. En anden bemærkelsesværdig tilgang inkorporerer funktionalitet af PLS-type i netværket, men giver mulighed for ikke-lineære udtryk snarere end lineære udtryk som pls. Andre bidrag involverer brugen af neurale netværk i klassificeringsmetoder til at detektere unormale operationer (som kan betragtes som ikke -lineær PCA).
Den efterfølgende udvikling af AI og Machine Learning (ML) udføres stort set af store tech -virksomheder og er derfor ikke drevet af applikationerne eller behovene i procesindustrien. Derfor anvendes anvendelsen af disse metoder muligvis ikke 100% i vores felt. Selvfølgelig er det fantastisk, hvor de gør det. Billedbehandling er et eksempel. Nyere netværk tilbyder nu dynamiske modelleringsfunktioner, der er en forbedring i forhold til de cykliske netværk, der blev brugt i fortiden. Et eksempel er ChatGpt, der blev udviklet til store sprogmodeller, men har vist sig at være lige så vellykket med modellering af tidsseriedata. Vi har set lovende resultater med denne teknologi inden for bløde sensorer og hybridmodellering, men indtil videre har vi set få reelle industrielle applikationer.
Vi er stadig i de tidlige stadier af rejsen for at finde ud af, hvad nye udviklinger i AI og ML betyder for procesindustrien. Der er en masse hype, men jeg tror, at der er meget håb. Jeg tror, at den største indflydelse vil være at udnytte disse AI- og ML -værktøjer eller kombinere dem med eksisterende metoder i stedet for at antage, at de vil erstatte dem fuldstændigt.
Sammenligning af forskellige processtyringsmetoder
PID (proportional-integreret-differentiel kontrol): PID-kontrol fungerer som en fejlregulator, der fokuserer på at køre fejlen til nul. Det anvendes ofte i systemer med variable eller ikke -lineære modeller, så det er vigtigt at omhyggeligt vælge justeringsparametre for stabil ydeevne. PID fungerer på en enkelt input, enkelt output (SISO) måde, men at kombinere flere PID -controllere kan introducere kompleksitet til kontrolordningen.
MPC (Model Predictive Control): I modsætning til PID bruger MPC en procesmodel til at optimere flere variabler samtidigt for at nå foruddefinerede mål. En vigtig udfordring med MPC er behovet for en kendt procesmodel. I modsætning til PID kan variationer i modellen føre til dårlig ydeevne, og en modelmatrix er ofte påkrævet for effektiv kontrol i komplekse processer.
FLC (Fuzzy Logic Controller): Alternativt griber FLC ind, når man beskæftiger sig med forskellige eller ukendte modeller ved at simulere en dygtig operatør. I stedet for at modellere processer direkte (såsom MPC) eller fokusere på at reducere fejl (såsom PID), simulerer FLC ideel operatøradfærd i forskellige scenarier.
AI-kontrol: Ved hjælp af historiske og realtidsdata stræber AI-controllere efter at nå mål uden forudgående viden om processen. I modsætning til FLC fungerer AI-systemer som en sort kasse, der leverer databaseret tilpasning uden eksplicit viden om processer eller operationer.
Hver kontrolmetode har sine egne egenskaber: med PID involverer tuning ved hjælp af procesviden til hurtigt at indstille de passende controller -parametre baseret på det ønskede forhold mellem disse parametre og procesresponsen. For eksempel kræver en flowsløjfe typisk en lav proportional forstærkning (<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.
I sidste ende går effektiv processtyring ud over selve controllerens kompleksitet. Ligesom i racing har dygtige drivere (controllere) brug for højtydende køretøjer (godt designede processer og udstyr) for at få succes, at opnå optimal ydelse kræver en holistisk tilgang, ikke kun vedtagelsen af "smarte controllere."
Udfordringerne ved AI og ML i processdomænet
AI, ML eller dyb læring (DL) svarer alle til store statistiske regressioner. For at få nyttige modeller fra disse applikationer kræver en masse "højfrekvens" -data, der indeholder en masse bevægelse, og en masse forskydninger ud over de ønskede ydelsesgrænser. Alt dette kræves, så modellen "kender" den nominelle placering af "klippekanten." Meget langsigtede historiske data er overkomprimeret i navnet på at gemme diskplads. Derfor er ordsproget "affald i, affald ud" meget anvendelig.
Som med enhver anden statistisk model, gør ML et ret godt stykke arbejde med at interpolere, men overfitting har i bedste fald den velkendte effekt af at gøre ekstrapolationer luskede. Som allerede er blevet påpeget, resulterer ofte med lukkede loop-data, som er ofte skæve model på underlige måder. Og som med alle ML -applikationer er "domænekspertise" stadig påkrævet for at sikre, at modellen nominelt afspejler virkeligheden.
Et område, vi ikke har set effektivt adresseret til processtyringsapplikationer, er at forstå de fysiske begrænsninger af kontrolventiler, instrumentområder og så videre. Dette er et problem, som Early Model Predictive Control (MPC) -udviklere anerkendte: applikationer er bygget til at erkende, at de ikke har nogen direkte kontrol over processer. Derfor er det grundlæggende, når PID -controllerens bevægelse er begrænset eller begrænset i den ene eller begge retninger. ML -applikationer ser ikke ud til at forstå dette koncept i øjeblikket.
Endelig afhænger "læring" med historiske data af at sikre, at de underliggende processer og kontrolstrukturer til læringsdata og aktuelle operationer er de samme (undtagen de ovennævnte komprimeringsproblemer). Derfor kan ændring af kontrolventilkapacitet, varmevekslere og/eller pumper osv. Skæve modellen og give upålidelige/uforudsigelige resultater.
Forskningsfremskridt med anvendelsen af AI i processtyring
I de senere år har en række nylige studier fra brancheeksperter og forskere vist, at forøgelse af brugen af AI -teknologier kunne bringe effektivitetsgevinster til at forbedre og understøtte processtyring såvel som dem, der arbejder inden for procesautomatisering.
AI kan både være en trussel og forbedre vores arbejde i trussel søgning og intelligens. Vores yngre kolleger, der i øjeblikket arbejder inden for det ekspanderende felt inden for industriel procesautomation og kontrol, vil drage fordel af at få AI -viden; Grundlæggende principper, teorier, metoder, forskelle mellem dem og deres applikationer.
Som mange i branchen er enige om, vil vores fremtidige job ikke blive taget væk af AI, men af andre ingeniører, der ved, hvordan man bruger AI og får en konkurrencefordel i marken.
AI bruges til direkte at kontrollere fabrikker
En uovervåget facilitet (Nuf) er en facilitet, der driver fuldt automatiseret eller eksternt, normalt uden personale på stedet. Bredere vedtagelse af Nuf -fremgangsmåden i branchen står over for flere udfordringer (tekniske, logistiske, økonomiske og lovgivningsmæssige). Der er en række branchestyrede initiativer, der sigter mod at bevæge sig i denne retning, samtidig med at man tilskynder til teknologiudviklingsinitiativer, der muliggør denne nye operationelle filosofi og i sidste ende placerer Nuf som en sikker, omkostningseffektiv og bredt accepteret tilgang til design og drift af olie- og gasfaciliteter.
AI kombineret med avanceret model forudsigelig kontrol og avancerede regulatoriske kontrolstrategier kan hjælpe med at nå dette mål.
Sammenlignet med tidligere manuelle operationer udviser AI -systemer større stabilitet og effektivitet, hvilket med succes kontrollerer stabilitet, selv i lyset af ekstern interferens ved at holde kritiske operationelle værdier tæt på målværdier. Dette er det første eksempel på, at forstærkningslæring AI formelt bruges til direkte at kontrollere en fabrik.