AI -tehnoloogia areng tööstusvaldkonnas
Lineaarne dünaamika, mittelineaarsed staatilised osad, mis on modelleeritud närvivõrkude abil. Need tööstuslikud rakendused käsitlevad ekstrapoleerimisprobleeme selgesõnaliselt väljaspool nende treeningbaasi.
Samal ajaraamil võtab enamik pehmeid andurite arendamist erinevat modelleerimismeetodit.
1990ndatel andsid protsessisüsteemid närvivõrgu rakendustesse olulise akadeemilise panuse. Nende hulka kuulub närvivõrke kasutades hübriidmudelit, kus närvivõrgu mudelile sobivad tundmatud suhted ja\/või parameetrid. Veel üks tähelepanuväärne lähenemisviis hõlmab võrku PLS-tüüpi funktsioone, kuid võimaldab pigem mittelineaarseid termineid, mitte lineaarseid termineid nagu PLS. Muud panused hõlmavad närvivõrkude kasutamist klassifitseerimismeetodites ebanormaalsete toimingute tuvastamiseks (mida võib pidada mittelineaarseks PCA -ks).
Hilisemat AI ja masinõppe (ML) arendamist teevad suuresti suured tehnoloogiaettevõtted ja seetõttu ei ajenda seda protsessitööstuse rakendusi ega vajadusi. Seetõttu ei tohi nende meetodite rakendamist meie valdkonnas 100% rakendada. Muidugi on tore, kus nad seda teevad. Piltide töötlemine on näide. Uuemad võrgud pakuvad nüüd dünaamilisi modelleerimisvõimalusi, mis on paranenud võrreldes minevikus kasutatavate tsükliliste võrkudega. Üks näide on ChatGpt, mis töötati välja suurte keelemudelite jaoks, kuid mis on aegridade andmete modelleerimisel osutunud võrdselt edukaks. Oleme selle tehnoloogiaga palju paljulubavaid tulemusi näinud pehmete andurite ja hübriidmudelite osas, kuid siiani oleme näinud vähe tõelisi tööstuslikke rakendusi.
Oleme endiselt teekonna varases etapis, et aru saada, mida AI ja ML -i uued arengud protsessitööstuse jaoks tähendavad. Hype on palju, kuid usun, et lootust on palju. Arvan, et suurim mõju on nende AI ja ML -i tööriistade võimendamine või olemasolevate meetoditega ühendamine, selle asemel, et eeldada, et need asendavad need täielikult.
Erinevate protsessi juhtimismeetodite võrdlus
PID (proportsionaalse integreeritud diferentsiaalkontroll): PID-juhtimine toimib vearegulaatorina, keskendudes vea nulli juhtimisele. Seda rakendatakse sageli muutuvate või mittelineaarsete mudelitega süsteemides, seetõttu on oluline stabiilse jõudluse jaoks reguleerimisparameetrid hoolikalt valida. PID töötab ühe sisendiga, ühe väljundiga (SISO) viisil, kuid mitme PID -kontrolleri ühendamine võib juhtimisskeemi keerukust tutvustada.
MPC (mudeli ennustav kontroll): erinevalt PID -st kasutab MPC protsessimudelit, et optimeerida mitut muutujat üheaegselt, et saavutada etteantud eesmärgid. MPC peamine väljakutse on vajadus teadaoleva protsessimudeli järele. Erinevalt PID -st võivad mudeli variatsioonid põhjustada halva jõudluse ja keerukate protsesside tõhusaks kontrollimiseks on sageli vaja mudeli maatriksit.
FLC (hägune loogikakontroller): alternatiivina sekkub FLC erinevate või tundmatute mudelitega tegelemisel, simuleerides kvalifitseeritud operaatori. Otseste protsesside (näiteks MPC) modelleerimise või vigade (näiteks PID) vähendamise keskendumise asemel simuleerib FLC ideaalse operaatori käitumist erineva stsenaariumi korral.
AI kontroll: ajaloolisi ja reaalajas andmeid kasutades püüavad AI-kontrollerid saavutada eesmärke ilma protsessi eelteadmisteta. Erinevalt FLC-st töötavad AI-süsteemid nagu must kast, pakkudes andmepõhist kohanemist ilma protsesside või toimingute selgesõnaliste teadmisteta.
Igal juhtimismeetodil on oma omadused: PID -ga hõlmab häälestamine protsessiteadmiste kasutamist sobivate kontrolleri parameetrite kiireks seadmiseks nende parameetrite soovitud seose ja protsessireaktsiooni vahel. Näiteks nõuab vooluahend tavaliselt väikest proportsionaalset võimendust (<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.
Lõppkokkuvõttes ületab efektiivne protsesside kontroll kontrolleri enda keerukusest. Nii nagu võidusõidul, vajavad kvalifitseeritud autojuhid (kontrollerid) edukaks saavutamiseks suure jõudlusega sõidukeid (hästi kavandatud protsessid ja seadmed), optimaalse jõudluse saavutamiseks on vaja terviklikku lähenemist, mitte ainult "nutikate kontrollerite" kasutuselevõttu.
AI ja ML väljakutsed protsessi domeenis
AI, ML või Deep Learning (DL) on kõik samaväärsed suurte statistiliste regressioonidega. Nendest rakendustest kasulike mudelite saamiseks nõuab palju "kõrgsageduslikke" andmeid, mis sisaldab palju liikumist, ja palju nihkeid, mis ületavad soovitud jõudluse piire. Kõik see on vajalik nii, et mudel "teaks" "kalju serva" nominaalset asukohta. Palju pikaajalisi ajaloolisi andmeid on kettaruumi jaoks ülepingutatud. Seetõttu on ütlus "Sisse prügi, väljaprügi välja" väga rakendatav.
Nagu iga muu statistilise mudeli puhul, teeb ML interpoleerimise osas üsna head tööd, kuid parimal juhul on ülepaisutamisel üldtuntud efekt, mis muudab ekstrapoleerimised alatuks. Nagu juba märgitud, tuleneb suletud ahelaandmed sageli mudeli viltu kummalistel viisidel. Ja nagu kõigi ML -i rakenduste puhul, on endiselt vaja "domeeniteadmisi" tagamaks, et mudel kajastaks nominaalselt tegelikkust.
Üks valdkond, mida me ei ole protsessikontrollirakenduste jaoks tõhusalt käsitletud, on juhtimisventiilide füüsiliste piirangute, instrumentide vahemike jms mõistmine. See on probleem, et varajase mudeli ennustamisjuhtimise (MPC) arendajad tunnustasid: rakendused on üles ehitatud selleks, et tunnistada, et neil puudub protsesside üle otsene kontroll. Seetõttu on põhiline mõistmine, kui PID -kontrolleri liikumine on piiratud või piiratud ühes või mõlemas suunas. Tundub, et ML -i rakendused ei mõista seda kontseptsiooni praegu.
Lõpuks sõltub ajalooliste andmetega õppimine tagada, et andmete ja praeguste toimingute õppimise aluseks olevad protsessid ja kontrollstruktuurid on samad (välja arvatud eespool nimetatud pakkimisprobleemid). Seetõttu võivad juhtventiili mahutavuse, soojusvahetite ja\/või pumpade jms muutmine mudelit kalduda ja anda ebausaldusväärseid\/ettearvamatuid tulemusi.
Uurimistööd AI rakendamisel protsessi kontrollimisel
Viimastel aastatel on tööstuse ekspertide ja teadlaste hiljutised uuringud näidanud, et AI -tehnoloogiate kasutamise suurendamine võib tuua tõhususe kasu nii protsesside kontrolli parendamiseks ja toetamiseks kui ka protsesside automatiseerimise valdkonnas töötavate inimeste suurendamiseks.
AI võib nii oht olla kui ka parandada meie tööd ohtude otsimisel ja intelligentsuses. Meie nooremad kolleegid, kes töötavad praegu laienevas tööstusprotsesside automatiseerimise ja juhtimise valdkonnas, on AI -teadmiste saamisest kasu; Põhipõhimõtted, teooriad, meetodid, erinevused nende ja nende rakenduste vahel.
Nagu paljud selles valdkonnas nõustuvad, ei võta meie tulevased töökohad AI ära, vaid teised insenerid, kes teavad, kuidas AI -d kasutada ja valdkonnas konkurentsieelist saada.
AI -d kasutatakse tehaste otse kontrollimiseks
Järelevalveta rajatis (NUF) on rajatis, mis töötab täielikult automatiseeritud või kaugjuhtimisega, tavaliselt ilma töötajateta. NUF -i lähenemisviisi laiem kasutuselevõtt seisab silmitsi mitmete väljakutsetega (tehniline, logistiline, rahaline ja regulatiivne). Selles suunas liikumiseks on mitmeid valdkonna juhitud algatusi, julgustades samal ajal tehnoloogia arendamise algatusi, mis võimaldavad seda uut operatiivfilosoofiat ja positsioneerida NUF-i lõpuks ohutuks, kulutõhusaks ja laialt aktsepteeritud lähenemisviisile nafta- ja gaasiasutuste kavandamisel ja toimimisel.
AI koos täiustatud mudeli ennustava kontrolli ja täiustatud regulatiivsete kontrollistrateegiatega võivad aidata seda eesmärki saavutada.
Varasemate käsitsi toimingutega võrreldes on AI -süsteemidel suurem stabiilsus ja tõhusus, kontrollides stabiilsust edukalt isegi välise häirete korral, hoides kriitilisi tööväärtusi sihtväärtustele lähedal. See on esimene näide, kuidas tugevdusõppe AI -d kasutatakse ametlikult tehase otse juhtimiseks.