Il progresso della tecnologia AI nel campo industriale
Dinamica lineare, parti statiche non lineari modellate con reti neurali. Queste applicazioni industriali affrontano esplicitamente i problemi di estrapolazione al di fuori della loro base di formazione.
Nello stesso lasso di tempo, la maggior parte dello sviluppo del sensore morbido adotta un approccio di modellazione diverso.
Negli anni '90, i sistemi di processo hanno fornito importanti contributi accademici alle applicazioni di rete neurale. Questi includono la modellazione ibrida utilizzando reti neurali, in cui relazioni sconosciute e\/o parametri sono montati sul modello di rete neurale. Un altro approccio degno di nota incorpora la funzionalità di tipo PLS nella rete, ma consente termini non lineari piuttosto che termini lineari come PLS. Altri contributi comportano l'uso di reti neurali nei metodi di classificazione per rilevare operazioni anormali (che possono essere considerate PCA non lineari).
Il successivo sviluppo di AI e Machine Learning (ML) è in gran parte realizzato da grandi aziende tecnologiche e non è quindi guidato dalle applicazioni o dalle esigenze del settore di processo. Pertanto, l'applicazione di questi metodi potrebbe non essere applicata al 100% nel nostro campo. Certo, è fantastico dove lo fanno. L'elaborazione delle immagini è un esempio. Le reti più recenti ora offrono funzionalità di modellazione dinamica che sono un miglioramento rispetto alle reti cicliche utilizzate in passato. Un esempio è CHATGPT, che è stato sviluppato per modelli di grandi dimensioni ma si è rivelato altrettanto successo nella modellazione dei dati delle serie temporali. Abbiamo visto risultati promettenti con questa tecnologia in sensori morbidi e modellazione ibrida, ma finora abbiamo visto alcune vere applicazioni industriali.
Siamo ancora nelle prime fasi del viaggio per capire quali nuovi sviluppi in AI e ML significano per l'industria di processo. C'è molto clamore, ma credo che ci sia molta speranza. Penso che l'impatto maggiore sarà quello di sfruttare questi strumenti AI e ML o combinarli con metodi esistenti, piuttosto che supporre che li sostituiranno completamente.
Confronto di diversi metodi di controllo del processo
PID (Controllo proporzionale-differenziale integrale): il controllo PID funge da regolatore di errore, concentrandosi sulla guida dell'errore a zero. Viene spesso applicato in sistemi con modelli variabili o non lineari, quindi è essenziale selezionare attentamente i parametri di regolazione per prestazioni stabili. PID opera in un singolo input, un singolo output (SISO), ma la combinazione di più controller PID può introdurre complessità allo schema di controllo.
MPC (controllo predittivo del modello): a differenza di PID, MPC utilizza un modello di processo per ottimizzare contemporaneamente più variabili per raggiungere obiettivi predefiniti. Una sfida chiave con MPC è la necessità di un modello di processo noto. A differenza del PID, le variazioni nel modello possono portare a scarse prestazioni e una matrice del modello è spesso necessaria per un controllo efficace in processi complessi.
FLC (controller logico fuzzy): in alternativa, FLC interviene quando si tratta di modelli diversi o sconosciuti simulando un operatore qualificato. Invece di modellare i processi direttamente (come MPC) o concentrarsi sulla riduzione degli errori (come PID), FLC simula il comportamento dell'operatore ideale in diversi scenari.
Controllo AI: utilizzando dati storici e in tempo reale, i controller di intelligenza artificiale si sforzano di raggiungere obiettivi senza una conoscenza preliminare del processo. A differenza di FLC, i sistemi AI operano come una scatola nera, fornendo un adattamento basato sui dati senza una conoscenza esplicita di processi o operazioni.
Ogni metodo di controllo ha le sue caratteristiche: con PID, la messa a punto comporta l'uso della conoscenza del processo per impostare rapidamente i parametri del controller appropriati in base alla relazione desiderata tra questi parametri e la risposta del processo. Ad esempio, un ciclo di flusso richiede in genere un guadagno proporzionale basso (<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.
In definitiva, l'efficace controllo del processo va oltre la complessità del controller stesso. Proprio come nelle corse, i conducenti qualificati (controller) hanno bisogno di veicoli ad alte prestazioni (processi e attrezzature ben progettati) per avere successo, il raggiungimento di prestazioni ottimali richiede un approccio olistico, non solo l'adozione di "controller intelligenti".
Le sfide dell'IA e ML nel dominio del processo
AI, ML o Deep Learning (DL) sono tutti equivalenti a grandi regressioni statistiche. Per ottenere modelli utili da queste applicazioni richiede molti dati "ad alta frequenza", che contiene molti movimenti e molti offset oltre i confini delle prestazioni desiderati. Tutto ciò è richiesto in modo che il modello "conosca" la posizione nominale del "bordo della scogliera". I dati storici molto a lungo termine sono troppo compressi in nome del salvataggio dello spazio del disco. Pertanto, il detto "immondizia, spazzatura" è molto applicabile.
Come con qualsiasi altro modello statistico, ML fa un ottimo lavoro di interpolazione, ma nella migliore delle ipotesi ha il noto effetto di rendere subdolo estrapolazioni. Come è già stato sottolineato, i dati a circuito chiuso spesso distorcono il modello in modi strani. E, come per tutte le applicazioni ML, è ancora necessaria la "competenza del dominio" per garantire che il modello riflettasse nominalmente la realtà.
Un'area che non abbiamo visto in modo efficace per le applicazioni di controllo del processo è comprendere i limiti fisici delle valvole di controllo, gli intervalli di strumenti e così via. Questo è un problema che gli sviluppatori di controllo predittivo del modello precoce (MPC) hanno riconosciuto: le applicazioni sono costruite per riconoscere che non hanno alcun controllo diretto sui processi. Pertanto, la comprensione quando il movimento del controller PID è limitato o limitato in una o entrambe le direzioni è fondamentale. Le applicazioni ML non sembrano cogliere questo concetto al momento.
Infine, "l'apprendimento" con i dati storici dipende dal garantire che i processi sottostanti e le strutture di controllo per i dati di apprendimento e le operazioni attuali siano uguali (ad eccezione dei problemi di compressione sopra menzionati). Pertanto, il cambiamento della capacità della valvola di controllo, degli scambiatori di calore e\/o delle pompe, ecc., Possono distorcere il modello e dare risultati inaffidabili\/imprevedibili.
Progressi della ricerca sull'applicazione dell'IA nel controllo del processo
Negli ultimi anni, numerosi studi recenti di esperti e ricercatori del settore hanno dimostrato che l'aumento dell'uso delle tecnologie di intelligenza artificiale potrebbe portare a guadagni di efficienza per migliorare e supportare il controllo dei processi, nonché quelli che lavorano nel campo dell'automazione dei processi.
L'intelligenza artificiale può essere una minaccia e migliorare il nostro lavoro nella ricerca e nell'intelligenza delle minacce. I nostri colleghi più giovani che attualmente lavorano nel campo in espansione dell'automazione e del controllo dei processi industriali trarranno beneficio dall'acquisizione di conoscenze sull'intelligenza artificiale; Principi di base, teorie, metodi, differenze tra loro e le loro applicazioni.
Come molti nel settore sono d'accordo, i nostri lavori futuri non saranno portati via dall'intelligenza artificiale, ma da altri ingegneri che sanno come usare l'IA e ottengono un vantaggio competitivo sul campo.
L'intelligenza artificiale viene utilizzata per controllare direttamente le fabbriche
Una struttura incustodita (NUF) è una struttura che opera completamente automatizzata o da remoto, di solito senza personale in loco. L'adozione più ampia dell'approccio NUF nel settore deve affrontare diverse sfide (tecniche, logistiche, finanziarie e normative). Esistono numerose iniziative guidate dal settore volte a muoversi in questa direzione, incoraggiando le iniziative di sviluppo tecnologico che consentono questa nuova filosofia operativa e, in definitiva, posizionano il NUF come un approccio sicuro, economico e ampiamente accettato alla progettazione e al funzionamento delle strutture petrolifere e del gas.
L'intelligenza artificiale combinata con il controllo predittivo del modello avanzato e le strategie avanzate di controllo normativo possono aiutare a raggiungere questo obiettivo.
Rispetto alle precedenti operazioni manuali, i sistemi di intelligenza artificiale mostrano una maggiore stabilità ed efficienza, controllando con successo la stabilità anche di fronte all'interferenza esterna mantenendo i valori operativi critici vicini ai valori target. Questo è il primo esempio di apprendimento di rinforzo AI utilizzato formalmente per controllare direttamente una fabbrica.