Az AI technológia fejlődése az ipari területen
Lineáris dinamika, neurális hálózatokkal modellezett nemlineáris statikus alkatrészek. Ezek az ipari alkalmazások kifejezetten foglalkoznak az extrapolációs kérdésekkel képzési bázisukon kívül.
Ugyanebben az időkeretben a legtöbb puha érzékelő fejlesztése eltérő modellezési megközelítést igényel.
Az 1990 -es években a folyamatrendszerek fontos tudományos hozzájárulást nyújtottak a neurális hálózati alkalmazásokhoz. Ide tartoznak a hibrid modellezés az ideghálózatok felhasználásával, ahol ismeretlen kapcsolatok és/vagy paraméterek vannak felszerelve a neurális hálózati modellhez. Egy másik figyelemre méltó megközelítés magában foglalja a PLS típusú funkciókat a hálózatba, de lehetővé teszi a nemlineáris kifejezéseket, nem pedig a lineáris kifejezéseket, mint például a PLS. Egyéb hozzájárulások magukban foglalják az ideghálózatoknak az osztályozási módszerekben történő felhasználását a rendellenes műveletek észlelésére (amelyet nemlineáris PCA -nak lehet tekinteni).
Az AI és a gépi tanulás (ML) későbbi fejlesztését nagyrészt nagy technológiai vállalatok végzik, ezért nem a folyamatipar alkalmazásai vagy igényei vezetik. Ezért ezen módszerek alkalmazását nem lehet 100% -ban alkalmazni a mi területünkön. Természetesen nagyszerű, ahol csinálják. A képfeldolgozás egy példa. Az újabb hálózatok most olyan dinamikus modellezési képességeket kínálnak, amelyek javulást jelentenek a múltban használt ciklikus hálózatokhoz képest. Az egyik példa a Chatgpt, amelyet nagy nyelvű modellekhez fejlesztettek ki, de ugyanolyan sikeresnek bizonyult az idősorok adatainak modellezésében. Így ígéretes eredményeket láttunk ezzel a technológiával a lágy érzékelőkben és a hibrid modellezésben, de eddig kevés valódi ipari alkalmazást láttunk.
Még mindig az utazás korai szakaszában vagyunk, hogy kitaláljuk, mit jelent az AI és az ML új fejleményei a folyamatipar számára. Nagyon sok hype van, de azt hiszem, nagyon sok remény van. Úgy gondolom, hogy a legnagyobb hatás az AI és ML eszközök kiaknázása vagy a meglévő módszerekkel való kombináció, ahelyett, hogy feltételeznénk, hogy teljesen helyettesítik őket.
A különböző folyamat -ellenőrzési módszerek összehasonlítása
PID (arányos-integrális-differenciális vezérlés): A PID-vezérlés hibamulátorként működik, összpontosítva a hiba nullára. Gyakran alkalmazzák a változó vagy nemlineáris modellekkel rendelkező rendszerekben, ezért elengedhetetlen a stabil teljesítmény beállítási paramétereinek gondos kiválasztása. A PID egyetlen bemeneti, egyetlen kimenetelű (SISO) módon működik, de a több PID -vezérlő kombinálása bonyolultságot vezethet be a vezérlési sémába.
MPC (modell prediktív kontroll): A PID -vel ellentétben az MPC egy folyamatmodellt használ több változó egyszerre történő optimalizálására az előre meghatározott célok elérése érdekében. Az MPC egyik legfontosabb kihívása az ismert folyamatmodell szükségessége. A PID -vel ellentétben a modell változásai rossz teljesítményhez vezethetnek, és a komplex folyamatokban a hatékony ellenőrzéshez gyakran szükség van modellmátrixra.
FLC (Fuzzy Logic Controller): Alternatív megoldásként az FLC beavatkozik, amikor különféle vagy ismeretlen modellekkel foglalkozik egy képzett operátor szimulálásával. Ahelyett, hogy a folyamatokat közvetlenül (például MPC) modellezi, vagy a hibák csökkentésére (például a PID -re) összpontosítana, az FLC különböző forgatókönyvekben szimulálja az ideális operátor viselkedését.
AI vezérlés: A történelmi és valós idejű adatok felhasználásával az AI vezérlők arra törekszenek, hogy célokat érjenek el a folyamat előzetes ismerete nélkül. Az FLC-vel ellentétben az AI rendszerek úgy működnek, mint egy fekete doboz, adat-alapú adaptációt biztosítva a folyamatok vagy műveletek kifejezett ismerete nélkül.
Minden ellenőrzési módszernek megvan a maga tulajdonsága: A PID -vel a hangolás magában foglalja a folyamat ismereteinek használatát a megfelelő vezérlő paraméterek gyors beállításához, az ezen paraméterek és a folyamatválasz közötti kívánt kapcsolat alapján. Például egy áramlási hurok általában alacsony arányos nyereséget igényel (<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.
Végül a hatékony folyamatvezérlés túlmutat magának a vezérlőnek a bonyolultságán. Csakúgy, mint a versenyzésben, a képzett járművezetőknek (vezérlőknek) nagy teljesítményű járművekre (jól megtervezett folyamatok és felszerelések) van szükség a sikerhez, az optimális teljesítmény eléréséhez holisztikus megközelítést igényel, nem csak az "intelligens vezérlők" elfogadását.
Az AI és az ML kihívásai a folyamat területén
Az AI, ML vagy a mély tanulás (DL) mind megegyezik a nagy statisztikai regresszióval. Ahhoz, hogy hasznos modelleket szerezzen ezekből az alkalmazásokból, sok "magas frekvenciájú" adatot igényel, amely sok mozgást tartalmaz, és a kívánt teljesítményhatárokon túl sok ellentmondást tartalmaz. Mindez szükséges, hogy a modell "ismerje" a "Cliff Edge" névleges helyét. Sok hosszú távú történelmi adat túlterhelt a lemezterület megtakarítása érdekében. Ezért a „szemétbe, a szemét ki” mondása nagyon alkalmazható.
Mint minden más statisztikai modellnél, az ML meglehetősen jó munkát végez az interpolálódásban, de a túlteljesítménynek a legjobban ismert hatása az extrapolációk alattomosnak. Mint már rámutattak, a zárt hurkú adatok gyakran ferde modelleket eredményeznek furcsa módon. És mint az összes ML alkalmazáshoz, a "domain szakértelem" -re is szükség van annak biztosítása érdekében, hogy a modell névlegesen tükrözze a valóságot.
Az egyik olyan terület, amelyet nem láttunk hatékonyan kezelni a folyamatvezérlő alkalmazásokhoz, a vezérlőszelepek, a műszertartományok stb. Fizikai korlátozásainak megértése. Ez egy olyan probléma, amelyet a korai modell prediktív kontroll (MPC) fejlesztők felismertek: Az alkalmazások úgy készülnek, hogy felismerjék, hogy nincs közvetlen ellenőrzésük a folyamatok felett. Ezért alapvető fontosságú annak megértése, hogy a PID vezérlő mozgása korlátozott vagy korlátozott, vagy korlátozott, vagy mindkét irányban korlátozott. Úgy tűnik, hogy az ML alkalmazások jelenleg nem fogják megérteni ezt a koncepciót.
Végül: a történelmi adatokkal rendelkező "tanulás" attól függ, hogy biztosítsa, hogy a tanulás és a jelenlegi műveletek alapjául szolgáló folyamatok és ellenőrzési struktúrák azonosak legyenek (a fent említett tömörítési kérdések kivételével). Ezért a vezérlőszelep -kapacitás, a hőcserélők és/vagy a szivattyúk stb. Változása stb. Fordulhat a modellt, és megbízhatatlan/kiszámíthatatlan eredményeket adhat.
Kutatási előrelépés az AI alkalmazására a folyamatvezérlésben
Az utóbbi években az iparági szakértők és a kutatók közelmúltbeli tanulmányai kimutatták, hogy az AI technológiák használatának növelése hatékonyságnövekedést eredményezhet a folyamatvezérlés javításához és támogatásához, valamint a folyamat automatizálásának területén dolgozók számára.
Az AI mind veszélyt jelenthet, és javíthatja munkánkat a fenyegetéskutatás és az intelligencia során. Fiatalabb kollégáink, akik jelenleg az ipari folyamat automatizálásának és ellenőrzésének bővülő területén dolgoznak, előnyös lesz az AI ismeretek megszerzése; Alapvető alapelvek, elméletek, módszerek, különbségek közöttük és alkalmazásuk között.
Amint az iparágban sokan egyetértenek, jövőbeli munkánkat nem az AI veszi el, hanem más mérnökök, akik tudják, hogyan kell használni az AI -t, és versenyelőnyt szerezhetnek a területen.
Az AI -t a gyárak közvetlen ellenőrzésére használják
A felügyelet nélküli létesítmény (NUF) olyan létesítmény, amely teljesen automatizált vagy távolról működtet, általában nincs személyzet a helyszínen. A NUF megközelítés szélesebb körű elfogadása az iparban számos kihívással szembesül (műszaki, logisztikai, pénzügyi és szabályozási). Számos iparág által vezetett kezdeményezés célja az ebbe az irányba való áttérés, miközben ösztönözve a technológiai fejlesztési kezdeményezéseket, amelyek lehetővé teszik ezt az új operatív filozófiát, és végül a NUF biztonságos, költséghatékony és széles körben elfogadott megközelítését az olaj- és gázipari létesítmények tervezésének és üzemeltetésének.
Az AI a fejlett modell prediktív kontrolljával és a fejlett szabályozási ellenőrzési stratégiákkal kombinálva segíthet e cél elérésében.
A korábbi kézi műveletekkel összehasonlítva az AI rendszerek nagyobb stabilitást és hatékonyságot mutatnak, sikeresen ellenőrizve a stabilitást még a külső beavatkozással szemben is azáltal, hogy a kritikus működési értékeket a célértékek közelében tartják. Ez az első példa arra, hogy az AI megerősítést tanuljon, amelyet hivatalosan használnak a gyár közvetlen ellenőrzésére.