Framstegen med AI -tekniken inom industriområdet
Linjär dynamik, olinjära statiska delar modellerade med neurala nätverk. Dessa industriella applikationer behandlar uttryckligen extrapoleringsproblem utanför deras träningsbas.
Under samma tidsram tar den mest mjuka sensorutvecklingen en annan modelleringsmetod.
På 1990 -talet gav Process Systems viktiga akademiska bidrag till neurala nätverksapplikationer. Dessa inkluderar hybridmodellering med neurala nätverk, där okända relationer och/eller parametrar är monterade på den neurala nätverksmodellen. En annan anmärkningsvärd metod innehåller PLS-funktionalitet i nätverket, men möjliggör icke-linjära termer snarare än linjära termer som PLS. Andra bidrag involverar användning av neurala nätverk i klassificeringsmetoder för att upptäcka onormala operationer (som kan betraktas som olinjär PCA).
Den efterföljande utvecklingen av AI och maskininlärning (ML) görs till stor del av stora teknikföretag och drivs därför inte av processindustrins applikationer eller behov. Därför får tillämpningen av dessa metoder inte tillämpas 100% inom vårt område. Naturligtvis är det fantastiskt där de gör det. Bildbehandling är ett exempel. Nyare nätverk erbjuder nu dynamiska modelleringsfunktioner som är en förbättring jämfört med de cykliska nätverk som tidigare använts. Ett exempel är chatgpt, som utvecklades för stora språkmodeller men har visat sig vara lika framgångsrika i modellering av tidsseriedata. Vi har sett lovande resultat med denna teknik inom mjuka sensorer och hybridmodellering, men hittills har vi sett få verkliga industriella applikationer.
Vi befinner oss fortfarande i de tidiga stadierna av resan för att ta reda på vilken ny utveckling i AI och ML betyder för processindustrin. Det finns mycket hype, men jag tror att det finns mycket hopp. Jag tror att den största effekten kommer att vara att utnyttja dessa AI- och ML -verktyg eller kombinera dem med befintliga metoder, snarare än att anta att de kommer att ersätta dem helt.
Jämförelse av olika processkontrollmetoder
PID (proportionell integral-differentiell kontroll): PID-kontroll fungerar som en felregulator, med fokus på att driva felet till noll. Det tillämpas ofta i system med variabla eller olinjära modeller, så det är viktigt att noggrant välja justeringsparametrarna för stabil prestanda. PID fungerar på ett enda ingång, enstaka utgång (SISO), men att kombinera flera PID -styrenheter kan introducera komplexiteten i kontrollschemat.
MPC (Model Predictive Control): I motsats till PID använder MPC en processmodell för att optimera flera variabler samtidigt för att uppnå fördefinierade mål. En viktig utmaning med MPC är behovet av en känd processmodell. Till skillnad från PID kan variationer i modellen leda till dålig prestanda, och en modellmatris krävs ofta för effektiv kontroll i komplexa processer.
FLC (fuzzy logic controller): Alternativt ingriper FLC när man hanterar olika eller okända modeller genom att simulera en skicklig operatör. Istället för att modellera processer direkt (t.ex. MPC) eller fokusera på att minska fel (som PID), simulerar FLC idealiskt operatörsbeteende i olika scenarier.
AI-kontroll: Med hjälp av historiska och realtidsdata strävar AI-styrenheter att uppnå mål utan förkunskaper om processen. Till skillnad från FLC fungerar AI-system som en svart låda och tillhandahåller databaserad anpassning utan uttrycklig kunskap om processer eller operationer.
Varje kontrollmetod har sina egna egenskaper: Med PID innebär tuning att använda processkunskap för att snabbt ställa in lämpliga kontrollparametrar baserat på önskat samband mellan dessa parametrar och processrespons. Till exempel kräver en flödesslinga vanligtvis en låg proportionell förstärkning (<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 slutändan går effektiv processkontroll utöver komplexiteten i själva styrenheten. Precis som i racing behöver skickliga förare (styrenheter) högpresterande fordon (väl utformade processer och utrustning) för att lyckas, att uppnå optimal prestanda kräver en helhetssyn, inte bara antagandet av "smarta kontroller."
AI och ML: s utmaningar i processdomänen
AI, ML eller Deep Learning (DL) motsvarar alla stora statistiska regressioner. För att få användbara modeller från dessa applikationer krävs mycket "högfrekvens" -data, som innehåller mycket rörelse, och många förskjutningar utöver de önskade prestationsgränserna. Allt detta krävs så att modellen "känner" den nominella platsen för "Cliff Edge." Mycket långsiktiga historiska data är överkomprimerade i namnet på att spara diskutrymme. Därför är ordspråket "skräp in, skräp ut" mycket tillämpligt.
Liksom med alla andra statistiska modeller gör ML ett ganska bra jobb med att interpolera, men i bästa fall har övermontering i bästa fall den välkända effekten av att göra extrapolationer smyga. Som redan har påpekats resulterar det ofta slutna data på konstiga sätt. Och som med alla ML -applikationer krävs fortfarande "domänkompetens" för att säkerställa att modellen nominellt återspeglar verkligheten.
Ett område som vi inte har sett effektivt adresserade för processkontrollapplikationer är att förstå de fysiska begränsningarna för kontrollventiler, instrumentintervall och så vidare. Detta är ett problem som Early Model Predictive Control (MPC) utvecklare erkände: applikationer är byggda för att inse att de inte har någon direkt kontroll över processer. Därför är förståelse när PID -styrenhetens rörelse är begränsad eller begränsad i en eller båda riktningarna grundläggande. ML -applikationer verkar inte förstå detta koncept just nu.
Slutligen beror "lärande" med historiska data på att säkerställa att de underliggande processerna och kontrollstrukturerna för inlärningsdata och nuvarande operationer är desamma (med undantag för de kompressionsproblem som nämns ovan). Därför kan ändring av kontrollventilkapacitet, värmeväxlare och/eller pumpar etc. skev modellen och ge opålitliga/oförutsägbara resultat.
Forskningsframsteg vid tillämpningen av AI i processkontroll
Under de senaste åren har ett antal nyligen genomförda studier från branschexperter och forskare visat att öka användningen av AI -tekniker kan ge effektivitetsvinster för att förbättra och stödja processkontroll, liksom de som arbetar inom processautomation.
AI kan både vara ett hot och förbättra vårt arbete i hotsökning och intelligens. Våra yngre kollegor som för närvarande arbetar inom det expanderande området för industriell processautomation och kontroll kommer att dra nytta av att få AI -kunskap; Grundläggande principer, teorier, metoder, skillnader mellan dem och deras tillämpningar.
Som många i branschen är överens om kommer våra framtida jobb inte att tas bort av AI, utan av andra ingenjörer som vet hur man använder AI och får en konkurrensfördel på området.
AI används för att direkt kontrollera fabriker
En obevakad anläggning (NUF) är en anläggning som fungerar helt automatiserad eller på distans, vanligtvis utan personal på plats. Det bredare antagandet av NUF -strategin i branschen står inför flera utmaningar (tekniska, logistiska, ekonomiska och reglerande). Det finns ett antal branschledda initiativ som syftar till att flytta i denna riktning, samtidigt som man uppmuntrar teknikutvecklingsinitiativ som möjliggör denna nya operativa filosofi och i slutändan positionerar NUF som en säker, kostnadseffektiv och allmänt accepterad strategi för utformning och drift av olje- och gasanläggningar.
AI i kombination med avancerad modellförutsägbar kontroll och avancerade strategier för regleringskontroll kan hjälpa till att uppnå detta mål.
Jämfört med tidigare manuella operationer uppvisar AI -system större stabilitet och effektivitet, vilket framgångsrikt kontrollerar stabilitet även inför extern störning genom att hålla kritiska operativa värden nära målvärden. Detta är det första exemplet på förstärkningslärande AI som formellt används för att direkt kontrollera en fabrik.