Der Fortschritt der AI -Technologie im industriellen Bereich
Lineare Dynamik, nichtlineare statische Teile, die unter Verwendung neuronaler Netzwerke modelliert werden. Diese industriellen Anwendungen befassen sich explizit mit Extrapolationsproblemen außerhalb ihrer Schulungsbasis.
Im gleichen Zeitraum verfolgt die meiste weiche Sensorentwicklung einen anderen Modellierungsansatz.
In den neunziger Jahren leisteten Prozesssysteme wichtige akademische Beiträge zu neuronalen Netzwerkanwendungen. Dazu gehören Hybridmodellierung unter Verwendung neuronaler Netzwerke, bei denen unbekannte Beziehungen und\/oder Parameter an das neuronale Netzwerkmodell angepasst werden. Ein weiterer bemerkenswerter Ansatz beinhaltet die Funktionalität vom Typ PLS-Typ in das Netzwerk, ermöglicht jedoch nichtlineare Begriffe und nicht lineare Begriffe wie PLS. Andere Beiträge beinhalten die Verwendung neuronaler Netzwerke in Klassifizierungsmethoden, um abnormale Operationen (die als nichtlineare PCA angesehen werden können) zu erkennen.
Die anschließende Entwicklung von KI und maschinellem Lernen (ML) wird von großen Technologieunternehmen hauptsächlich durchgeführt und wird daher nicht von den Anwendungen oder Bedürfnissen der Prozessbranche angetrieben. Daher kann die Anwendung dieser Methoden in unserem Gebiet nicht 100% angewendet werden. Natürlich ist es großartig, wo sie es tun. Die Bildverarbeitung ist ein Beispiel. Neuere Netzwerke bieten jetzt dynamische Modellierungsfunktionen, die eine Verbesserung gegenüber den in der Vergangenheit verwendeten zyklischen Netzwerken darstellen. Ein Beispiel ist ChatGPT, das für Großsprachmodelle entwickelt wurde, sich jedoch als gleichermaßen erfolgreich bei der Modellierung von Zeitreihendaten erwiesen hat. Wir haben vielversprechende Ergebnisse mit dieser Technologie bei Softsensoren und Hybridmodellierung gesehen, aber bisher haben wir nur wenige echte industrielle Anwendungen gesehen.
Wir befinden uns noch in den frühen Phasen der Reise, um herauszufinden, was neue Entwicklungen in AI und ML für die Prozessbranche bedeuten. Es gibt viel Hype, aber ich glaube, es gibt viel Hoffnung. Ich denke, der größte Einfluss wird es sein, diese KI- und ML -Tools zu nutzen oder sie mit vorhandenen Methoden zu kombinieren, anstatt davon auszugehen, dass sie sie vollständig ersetzen.
Vergleich verschiedener Prozesskontrollmethoden
PID (Proportional-Integral-Differential-Steuerung): PID-Steuerung fungiert als Fehlerregler und konzentriert sich darauf, den Fehler auf Null zu treiben. Es wird häufig in Systemen mit variablen oder nichtlinearen Modellen angewendet. Daher ist es wichtig, die Einstellungsparameter für eine stabile Leistung sorgfältig auszuwählen. PID arbeitet in einer einzelnen Eingangs-, Einzelausgangs -Art (SISO), aber das Kombinieren mehrerer PID -Controller kann Komplexität zum Steuerungsschema einführen.
MPC (Modellvorhersagekontrolle): Im Gegensatz zu PID verwendet MPC ein Prozessmodell, um mehrere Variablen gleichzeitig zu optimieren, um vordefinierte Ziele zu erreichen. Eine wichtige Herausforderung bei MPC ist die Notwendigkeit eines bekannten Prozessmodells. Im Gegensatz zu PID können Variationen des Modells zu einer schlechten Leistung führen, und für eine effektive Kontrolle in komplexen Prozessen ist häufig eine Modellmatrix erforderlich.
FLC (Fuzzy Logic Controller): Alternativ interveniert FLC, wenn es sich um verschiedene oder unbekannte Modelle handelt, indem er einen erfahrenen Bediener simuliert. Anstatt direkt (z. B. MPC) zu modellieren oder sich auf die Reduzierung von Fehlern (z. B. PID) zu konzentrieren, simuliert FLC das ideale Operatorverhalten in verschiedenen Szenarien.
KI-Kontrolle: Die Verwendung historischer und Echtzeitdaten bemüht sich, Ziele ohne Vorkenntnis des Prozesses zu erreichen. Im Gegensatz zu FLC arbeiten AI-Systeme wie eine Black Box und bieten datenbasierte Anpassung ohne explizites Wissen über Prozesse oder Operationen.
Jede Kontrollmethode hat ihre eigenen Eigenschaften: Bei PID wird das Tuning verwendet, um die entsprechenden Controller -Parameter schnell auf der gewünschten Beziehung zwischen diesen Parametern und der Prozessantwort festzulegen. Beispielsweise erfordert eine Durchflussschleife normalerweise eine niedrige proportionale Verstärkung (<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.
Letztendlich geht die effektive Prozesskontrolle über die Komplexität des Controllers selbst hinaus. Genau wie beim Rennen benötigen Fachkräfte (Controller) Hochleistungsfahrzeuge (gut gestaltete Prozesse und Geräte), um erfolgreich zu sein. Die optimale Leistung erfordert einen ganzheitlichen Ansatz, nicht nur die Einführung von "intelligenten Controllern".
Die Herausforderungen von AI und ML im Prozessbereich
AI, ML oder Deep Learning (DL) entsprechen großen statistischen Regressionen. Um nützliche Modelle aus diesen Anwendungen zu erhalten, sind viele "Hochfrequenz" -Daten erforderlich, die viel Bewegung enthalten, und viele Offsets, die über die gewünschten Leistungsgrenzen hinausgehen. All dies ist erforderlich, damit das Modell den nominalen Ort der "Klippenkante" "kennt". Viel langfristige historische Daten sind im Namen des Speicherplattenraums überkomprimiert. Daher ist das Sprichwort "Müll in, Müll aus" sehr anwendbar.
Wie bei jedem anderen statistischen Modell leistet ML eine ziemlich gute Aufgabe, sich zu interpolieren, aber übereinstimmt im besten Fall den bekannten Effekt, Extrapolationen hinterhältig zu machen. Wie bereits erwähnt, resultiert Daten mit geschlossenem Schleifen häufig auf seltsame Weise. Und wie bei allen ML -Anwendungen ist "Domain Expertise" weiterhin erforderlich, um sicherzustellen, dass das Modell die Realität nominell widerspiegelt.
Ein Bereich, den wir nicht für Prozesssteuerungsanwendungen effektiv gesehen haben, ist das Verständnis der physikalischen Einschränkungen von Kontrollventilen, Instrumentenbereichen usw. Dies ist ein Problem, das Entwickler der frühen Modellvorhersage (Predictive Control) (MPC) erkannt haben: Anwendungen werden erstellt, um zu erkennen, dass sie keine direkte Kontrolle über Prozesse haben. Daher ist das Verständnis, wann die Bewegung des PID -Controllers in eine oder beide Richtungen eingeschränkt oder begrenzt ist. ML -Anwendungen scheinen dieses Konzept im Moment nicht zu erfassen.
Schließlich hängt das "Lernen" mit historischen Daten davon ab, dass die zugrunde liegenden Prozesse und Kontrollstrukturen für Lerndaten und aktuelle Vorgänge gleich sind (mit Ausnahme der oben genannten Komprimierungsfragen). Daher kann das Ändern der Kontrollventilkapazität, Wärmetauscher und\/oder Pumpen usw. das Modell verzerrt und unzuverlässige\/unvorhersehbare Ergebnisse liefern.
Forschungsfortschritte bei der Anwendung von KI bei der Prozesskontrolle
In den letzten Jahren haben eine Reihe neuerer Studien von Branchenexperten und Forschern gezeigt, dass die Erhöhung der Verwendung von AI -Technologien Effizienzgewinne zur Verbesserung und Unterstützung der Prozesskontrolle sowie diejenigen, die im Bereich der Prozessautomatisierung arbeiten, zu verbessern und zu unterstützen.
KI kann sowohl eine Bedrohung sein als auch unsere Arbeit in Bedrohungssuche und Intelligenz verbessern. Unsere jüngeren Kollegen, die derzeit im expandierenden Bereich der Industrieprozessautomatisierung und -Kontrolle arbeiten, werden vom KI -Wissen profitieren. Grundprinzipien, Theorien, Methoden, Unterschiede zwischen ihnen und ihren Anwendungen.
Wie viele in der Branche zustimmen, werden unsere zukünftigen Arbeitsplätze nicht von KI weggenommen, sondern von anderen Ingenieuren, die wissen, wie sie KI nutzen und einen Wettbewerbsvorteil auf diesem Gebiet erzielen können.
KI wird verwendet, um die Fabriken direkt zu kontrollieren
Eine unbeaufsichtigte Einrichtung (NUF) ist eine Einrichtung, die vollständig automatisiert oder remote betrieben wird, normalerweise ohne Personal vor Ort. Eine breitere Einführung des NUF -Ansatzes in der Branche steht vor verschiedenen Herausforderungen (technische, logistische, finanzielle und regulatorische). Es gibt eine Reihe von in Branchen geführten Initiativen, die darauf abzielen, in diese Richtung zu gehen, und gleichzeitig Technologieentwicklungsinitiativen zu fördern, die diese neue operative Philosophie ermöglichen und letztendlich NUF als sicheren, kostengünstigen und weit verbreiteten Ansatz für die Gestaltung und den Betrieb von Öl- und Gasanlagen positionieren.
KI in Kombination mit fortschrittlicher Modellvorhersagekontrolle und fortgeschrittenen regulatorischen Kontrollstrategien kann dazu beitragen, dieses Ziel zu erreichen.
Im Vergleich zu früheren manuellen Vorgängen weisen AI -Systeme eine höhere Stabilität und Effizienz auf und kontrollieren die Stabilität auch angesichts externer Interferenzen erfolgreich, indem kritische Betriebswerte nahe an den Zielwerten gehalten werden. Dies ist das erste Beispiel dafür, dass Verstärkungslernen -KI formell verwendet wird, um eine Fabrik direkt zu steuern.