PG technologijos pažanga pramonės srityje
Linijinė dinamika, netiesinės statinės dalys, modeliuojamos naudojant neuroninius tinklus. Šios pramonės programos aiškiai išsprendžia ekstrapoliacijos problemas už jų mokymo bazės ribų.
Tuo pačiu metu daugumos minkštųjų jutiklių kūrimas laikosi kitokio modeliavimo metodo.
Dešimtajame dešimtmetyje proceso sistemos padarė svarbų akademinį indėlį į neuroninio tinklo programas. Tai apima hibridinį modeliavimą, naudojant neuroninius tinklus, kai nežinomi ryšiai ir (arba) parametrai yra pritaikyti prie neuroninio tinklo modelio. Kitas pastebimas požiūris į tinklą įtraukia PLS tipo funkcijas, tačiau leidžia netiesinius terminus, o ne linijinius terminus, tokius kaip PLS. Kiti įmokos apima neuroninių tinklų naudojimą klasifikavimo metoduose, siekiant nustatyti nenormalias operacijas (kurios gali būti laikomos netiesine PCA).
Vėlesnę PG ir mašinų mokymosi (ML) plėtrą daugiausia daro didelės technologijų kompanijos, todėl jos nėra skatinamos proceso pramonės programų ar poreikių. Todėl šių metodų taikymas negali būti taikomas 100% mūsų srityje. Žinoma, puiku, kur jie tai daro. Vaizdo apdorojimas yra pavyzdys. Naujesni tinklai dabar siūlo dinamines modeliavimo galimybes, kurios yra patobulinimas, palyginti su praeityje naudojamais cikliniais tinklais. Vienas iš pavyzdžių yra „CHATGPT“, kuris buvo sukurtas didelių kalbų modeliams, tačiau pasirodė vienodai sėkmingai modeliuojant laiko eilučių duomenis. Mes matėme perspektyvius rezultatus su šia technologija minkštųjų jutiklių ir hibridinių modeliavimo rezultatų, tačiau iki šiol matėme nedaug realių pramoninių programų.
Mes vis dar esame ankstyvajame kelionės etape, kad išsiaiškintume, ką proceso pramonei reiškia nauji AI ir ML pokyčiai. Yra daug hipe, bet aš tikiu, kad yra daug vilties. Manau, kad didžiausias poveikis bus panaudoti šias AI ir ML įrankius arba derinant juos su esamais metodais, o ne darant prielaidą, kad jie juos visiškai pakeis.
Skirtingų proceso kontrolės metodų palyginimas
PID (proporcingas integralo diferencinis valdymas): PID valdymas veikia kaip klaidų reguliatorius, sutelkdamas dėmesį į klaidos padidėjimą iki nulio. Jis dažnai naudojamas sistemose su kintamais ar netiesiniais modeliais, todėl būtina atidžiai pasirinkti koregavimo parametrus stabiliam našumui. PID veikia vienu įvestimi, vieno išvesties (SISO) būdu, tačiau sujungus kelis PID valdiklius, gali būti sudėtinga su valdymo schema.
MPC (modelio prognozavimo valdymas): Priešingai nei PID, MPC naudoja proceso modelį, kad optimizuotų kelis kintamuosius vienu metu, kad būtų pasiektos iš anksto nustatytos tikslų. Pagrindinis MPC iššūkis yra žinomo proceso modelio poreikis. Skirtingai nuo PID, modelio pokyčiai gali sukelti prastą našumą, o modelio matrica dažnai reikalinga efektyviai kontroliuoti sudėtingus procesus.
FLC („Fuzzy Logic Controller“): Arba FLC įsikiša, kai susiduria su skirtingais ar nežinomais modeliais, imituodamas kvalifikuotą operatorių. Užuot tiesiogiai modeliuojantys procesus (pvz., MPC) arba sutelkdami dėmesį į klaidų mažinimą (pvz., PID), FLC imituoja idealų operatoriaus elgesį skirtingais scenarijais.
PG kontrolė: Naudodamiesi istoriniais ir realiojo laiko duomenimis, PG valdikliai stengiasi pasiekti tikslus iš anksto žinant apie procesą. Skirtingai nuo FLC, AI sistemos veikia kaip juodoji dėžutė, teikdama duomenis pagrįstą adaptaciją, neturint aiškių žinių apie procesus ar operacijas.
Kiekvienas valdymo metodas turi savo charakteristikas: Naudojant PID, derinimas apima proceso žinių naudojimą, kad būtų galima greitai nustatyti tinkamus valdiklio parametrus, pagrįstus norimu šių parametrų ryšiu ir proceso atsakymu. Pavyzdžiui, srauto kilpai paprastai reikalauja mažo proporcingo padidėjimo (<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.
Galiausiai efektyvus proceso valdymas peržengia paties valdiklio sudėtingumą. Kaip ir lenktynėms, kvalifikuotiems vairuotojams (valdikliams) reikia aukštos kokybės transporto priemonių (gerai suprojektuoti procesai ir įranga), kad būtų sėkmingi, norint pasiekti optimalų našumą, reikia ne tik „išmaniųjų valdiklių“ priėmimo, bet ir holistinio požiūrio.
AI ir ML iššūkiai proceso srityje
AI, ML arba gilus mokymasis (DL) yra lygiaverčiai didelėms statistinėms regresijoms. Norint gauti naudingus modelius iš šių programų, reikia daug „aukšto dažnio“ duomenų, kuriuose yra daug judėjimo, ir daugybės kompensacijų, viršijančių norimas našumo ribas. Visa tai reikalinga taip, kad modelis „žinotų“ nominalią „uolos krašto“ vietą. Daug ilgalaikių istorinių duomenų yra per daug suspaudžiami dėl išsaugojimo disko vietos. Todėl labai taikoma posakis „šiukšlės, šiukšlės“.
Kaip ir bet kuriame kitame statistiniame modelyje, ML atlieka gana gerą darbą interpoliuodamas, tačiau geriausiu atveju per daug gali būti žinomas, kad ekstrapoliacijos taptų paslėpta. Kaip jau buvo pažymėta, uždarų ciklų duomenys dažnai kenkia modelio rezultatams keistais būdais. Ir, kaip ir visose ML programose, vis dar reikia „domenų kompetencijos“, kad būtų užtikrinta, jog modelis nominaliai atspindėtų tikrovę.
Viena sritis, kuria mes dar nematėme veiksmingai nagrinėjant proceso valdymo programas, yra fiziniai valdymo vožtuvų, prietaisų diapazonų ir pan. Fiziniai apribojimai. Tai yra problema, kurią pripažino ankstyvojo modelio numatomojo valdymo (MPC) kūrėjai: Programos yra sukurtos siekiant pripažinti, kad jie neturi tiesioginio proceso kontrolės. Todėl supratimas, kai PID valdiklio judesys yra apribotas arba ribotas vienoje ar abiejose kryptimis, yra esminis dalykas. Atrodo, kad šiuo metu ML programos nesuvokia šios koncepcijos.
Galiausiai, „mokymasis“ su istoriniais duomenimis priklauso nuo to, ar baziniai procesai ir kontrolės struktūros mokymosi duomenims ir dabartinėms operacijoms yra vienodi (išskyrus aukščiau paminėtus suspaudimo problemas). Todėl keičiantis valdymo vožtuvo talpą, šilumokaičius ir (arba) siurblius ir kt. Gali iškreipti modelį ir duoti nepatikimus/nenuspėjamus rezultatus.
AI taikymo proceso kontrolės tyrimų pažanga
Pastaraisiais metais daugelis naujausių pramonės ekspertų ir tyrėjų tyrimų parodė, kad padidinus AI technologijų naudojimą, gali padidėti efektyvumas, siekiant pagerinti ir palaikyti proceso kontrolę, taip pat tie, kurie dirba proceso automatizavimo srityje.
AI gali kelti grėsmę ir sustiprinti mūsų darbą ieškant grėsmės ir intelekto. Mūsų jaunesni kolegos, šiuo metu dirbantys besiplečiančioje pramonės proceso automatizavimo ir kontrolės srityje, bus naudingi įgyti AI žinių; Pagrindiniai principai, teorijos, metodai, jų ir jų taikymo skirtumai.
Kaip daugelis pramonėje sutinka, AI atims ne mūsų būsimus darbus, o kiti inžinieriai, kurie žino, kaip naudoti AI ir įgyti konkurencinį pranašumą šioje srityje.
AI naudojama tiesiogiai valdyti gamyklas
Nepateiktas objektas (NUF) yra įrenginys, veikiantis visiškai automatizuotas ar nuotoliniu būdu, paprastai be jokio personalo vietoje. Platesnis NUF požiūrio pritaikymas pramonėje susiduria su keliais iššūkiais (techniniais, logistiniais, finansiniais ir reguliuojančiaisiais). Yra keletas pramonės sričių vadovaujamų iniciatyvų, kuriomis siekiama judėti šia linkme, kartu skatinant technologijų plėtros iniciatyvas, leidžiančias šią naują veiklos filosofiją ir galiausiai apibūdinti NUF kaip saugų, ekonomišką ir plačiai priimtą požiūrį į naftos ir dujų įrenginių projektavimą ir veikimą.
AI kartu su pažangiausiu modelio numatomosios kontrolės ir pažangių reguliavimo kontrolės strategijomis gali padėti pasiekti šį tikslą.
Palyginti su ankstesnėmis rankinėmis operacijomis, AI sistemos pasižymi didesniu stabilumu ir efektyvumu, sėkmingai kontroliuojant stabilumą net ir susidūrę su išoriniais trukdžiais, išlaikydami kritines veiklos vertes artėjant tikslinėms vertėms. Tai yra pirmasis armatūros mokymosi AI pavyzdys, kuris yra oficialiai naudojamas tiesiogiai valdyti gamyklą.