Fremdriften for AI -teknologi på industrifeltet
Lineær dynamikk, ikke -lineære statiske deler modellert ved hjelp av nevrale nettverk. Disse industrielle applikasjonene adresserer eksplisitt ekstrapolasjonsproblemer utenfor treningsbasen.
I samme tidsramme tar den mest myke sensorutviklingen en annen modelleringsmetode.
På 1990 -tallet ga prosesssystemer viktige akademiske bidrag til nevrale nettverksapplikasjoner. Disse inkluderer hybridmodellering ved bruk av nevrale nettverk, der ukjente forhold og\/eller parametere er tilpasset den nevrale nettverksmodellen. En annen bemerkelsesverdig tilnærming inkluderer PLS-type funksjonalitet i nettverket, men gir mulighet for ikke-lineære termer i stedet for lineære termer som PLS. Andre bidrag involverer bruk av nevrale nettverk i klassifiseringsmetoder for å oppdage unormale operasjoner (som kan betraktes som ikke -lineær PCA).
Den påfølgende utviklingen av AI og maskinlæring (ML) utføres i stor grad av store teknologiselskaper og er derfor ikke drevet av applikasjoner eller behov i prosessindustrien. Derfor kan anvendelsen av disse metodene ikke brukes 100% i vårt felt. Selvfølgelig er det flott hvor de gjør det. Bildebehandling er et eksempel. Nyere nettverk tilbyr nå dynamiske modelleringsfunksjoner som er en forbedring i forhold til de sykliske nettverkene som ble brukt tidligere. Et eksempel er ChatGPT, som ble utviklet for store språkmodeller, men har vist seg like vellykket med modellering av tidsseriedata. Vi har sett lovende resultater med denne teknologien i myke sensorer og hybridmodellering, men så langt har vi sett få virkelige industrielle applikasjoner.
Vi er fremdeles i de tidlige stadiene av reisen for å finne ut hvilken ny utvikling i AI og ML betyr for prosessindustrien. Det er mye hype, men jeg tror det er mye håp. Jeg tror den største effekten vil være å utnytte disse AI- og ML -verktøyene eller kombinere dem med eksisterende metoder, i stedet for å anta at de vil erstatte dem fullstendig.
Sammenligning av forskjellige prosesskontrollmetoder
PID (proporsjonal-integral-differensiell kontroll): PID-kontroll fungerer som en feilregulator, med fokus på å drive feilen til null. Det brukes ofte i systemer med variable eller ikke -lineære modeller, så det er viktig å nøye velge justeringsparametere for stabil ytelse. PID opererer på en enkelt inngang, enkelt utgang (SISO) måte, men å kombinere flere PID -kontrollere kan introdusere kompleksiteten til kontrollskjemaet.
MPC (Model Predictive Control): I motsetning til PID bruker MPC en prosessmodell for å optimalisere flere variabler samtidig for å oppnå forhåndsdefinerte mål. En sentral utfordring med MPC er behovet for en kjent prosessmodell. I motsetning til PID, kan variasjoner i modellen føre til dårlig ytelse, og en modellmatrise er ofte nødvendig for effektiv kontroll i komplekse prosesser.
FLC (Fuzzy Logic Controller): Alternativt griper FLC griper inn når du arbeider med forskjellige eller ukjente modeller ved å simulere en dyktig operatør. I stedet for å modellere prosesser direkte (for eksempel MPC) eller fokusere på å redusere feil (for eksempel PID), simulerer FLC ideell operatøratferd i forskjellige scenarier.
AI-kontroll: Ved å bruke historiske data og sanntidsdata, prøver AI-kontrollere å oppnå mål uten forkunnskaper om prosessen. I motsetning til FLC, fungerer AI-systemer som en svart boks, og gir databasert tilpasning uten eksplisitt kunnskap om prosesser eller operasjoner.
Hver kontrollmetode har sine egne egenskaper: med PID innebærer innstilling å bruke prosesskunnskap for å raskt angi passende kontrollerparametere basert på ønsket forhold mellom disse parametrene og prosessresponsen. For eksempel krever en strømningssløyfe typisk en lav proporsjonal forsterkning (<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.
Til syvende og sist går effektiv prosesskontroll utover kompleksiteten til selve kontrolleren. Akkurat som i racing, trenger dyktige sjåfører (kontrollere) kjøretøy med høy ytelse (godt utformede prosesser og utstyr) for å være vellykket, og oppnå optimal ytelse krever en helhetlig tilnærming, ikke bare adopsjonen av "smarte kontrollere."
Utfordringene til AI og ML i prosessdomenet
AI, ML eller dyp læring (DL) tilsvarer alle store statistiske regresjoner. For å få nyttige modeller fra disse applikasjonene krever mange "høyfrekvente" data, som inneholder mye bevegelse, og mange forskyvninger utenfor de ønskede ytelsesgrensene. Alt dette kreves slik at modellen "kjenner" den nominelle plasseringen av "Cliff Edge." Mye langsiktige historiske data er overkomprimert i navnet på å lagre diskplass. Derfor er ordtaket "søppel inn, søppel ut" veldig aktuelt.
Som med enhver annen statistisk modell, gjør ML en ganske god jobb med å interpolere, men å overmasse i beste fall har i beste fall den velkjente effekten av å gjøre ekstrapolasjoner sneaky. Som det allerede er påpekt, resulterer data med lukkede sløyfe ofte skjevhetsmodell resulterer på rare måter. Og som med alle ML -applikasjoner, er "domenekompetanse" fortsatt nødvendig for å sikre at modellen nominelt gjenspeiler virkeligheten.
Et område vi ikke har sett effektivt adressert for prosesskontrollapplikasjoner, er å forstå de fysiske begrensningene i kontrollventiler, instrumentområder og så videre. Dette er et problem som Early Model Predictive Control (MPC) utviklere anerkjent: applikasjoner er bygget for å erkjenne at de ikke har noen direkte kontroll over prosesser. Derfor er forståelse når PID -kontrollerens bevegelse er begrenset eller begrenset i en eller begge retninger grunnleggende. ML -applikasjoner ser ikke ut til å forstå dette konseptet for øyeblikket.
Til slutt avhenger "læring" med historiske data av å sikre at de underliggende prosessene og kontrollstrukturene for å lære data og nåværende operasjoner er de samme (bortsett fra kompresjonsproblemene nevnt ovenfor). Derfor kan endring av kontrollventilkapasitet, varmevekslere og\/eller pumper osv.
Forskningsfremdrift for anvendelse av AI i prosesskontroll
De siste årene har en rekke nyere studier fra bransjeeksperter og forskere vist at å øke bruken av AI -teknologier kan gi effektivitetsgevinster for å forbedre og støtte prosesskontroll, så vel som de som jobber innen prosessautomatisering.
AI kan begge være en trussel og forbedre vårt arbeid innen trusselsøk og intelligens. Våre yngre kolleger som for tiden jobber innen det ekspanderende feltet for industriell prosessautomatisering og kontroll, vil dra nytte av å få AI -kunnskap; Grunnleggende prinsipper, teorier, metoder, forskjeller mellom dem og deres anvendelser.
Som mange i bransjen er enige, vil ikke våre fremtidige jobber bli tatt bort av AI, men av andre ingeniører som vet hvordan de skal bruke AI og få et konkurransefortrinn på feltet.
AI brukes til å kontrollere fabrikker direkte
Et uten tilsynsanlegg (NUF) er et anlegg som driver helautomatisert eller eksternt, vanligvis uten personell på stedet. Bredere adopsjon av NUF -tilnærmingen i bransjen står overfor flere utfordringer (teknisk, logistisk, økonomisk og regulatorisk). Det er en rekke bransjeledede initiativer som tar sikte på å bevege seg i denne retningen, mens de oppmuntrer til teknologiutviklingsinitiativer som muliggjør denne nye operasjonelle filosofien og til slutt posisjonerer NUF som en trygg, kostnadseffektiv og allment akseptert tilnærming til utforming og drift av olje- og gassanlegg.
AI kombinert med avansert modell prediktiv kontroll og avanserte reguleringskontrollstrategier kan bidra til å oppnå dette målet.
Sammenlignet med tidligere manuelle operasjoner, viser AI -systemer større stabilitet og effektivitet, og kontrollerer vellykket stabilitet selv i møte med ytre interferens ved å holde kritiske driftsverdier nær målverdier. Dette er det første eksemplet på at forsterkningslæring AI blir brukt formelt for å kontrollere en fabrikk direkte.