+86-315-6196865

Prospek aplikasi kecerdasan buatan dalam kontrol proses

Mar 17, 2025

Kemajuan teknologi AI di bidang industri

Dinamika linier, bagian statis nonlinier dimodelkan menggunakan jaringan saraf. Aplikasi industri ini secara eksplisit membahas masalah ekstrapolasi di luar basis pelatihan mereka.

Dalam kerangka waktu yang sama, sebagian besar pengembangan sensor lunak mengambil pendekatan pemodelan yang berbeda.

Pada 1990 -an, sistem proses memberikan kontribusi akademik yang penting untuk aplikasi jaringan saraf. Ini termasuk pemodelan hibrida menggunakan jaringan saraf, di mana hubungan dan/atau parameter yang tidak diketahui dipasang pada model jaringan saraf. Pendekatan penting lainnya menggabungkan fungsionalitas tipe PLS ke dalam jaringan, tetapi memungkinkan untuk istilah non-linear daripada istilah linier seperti PLS. Kontribusi lain melibatkan penggunaan jaringan saraf dalam metode klasifikasi untuk mendeteksi operasi abnormal (yang dapat dianggap sebagai PCA nonlinier).

Pengembangan AI dan pembelajaran mesin (ML) selanjutnya sebagian besar dilakukan oleh perusahaan teknologi besar dan karenanya tidak didorong oleh aplikasi atau kebutuhan industri proses. Oleh karena itu, penerapan metode ini tidak dapat diterapkan 100% di bidang kami. Tentu saja, sangat bagus di mana mereka melakukannya. Pemrosesan gambar adalah contoh. Jaringan yang lebih baru sekarang menawarkan kemampuan pemodelan dinamis yang merupakan peningkatan dari jaringan siklik yang digunakan di masa lalu. Salah satu contohnya adalah ChatGPT, yang dikembangkan untuk model bahasa besar tetapi telah terbukti sama -sama berhasil dalam pemodelan data deret waktu. Kami telah melihat hasil yang menjanjikan dengan teknologi ini dalam sensor lunak dan pemodelan hibrida, tetapi sejauh ini kami telah melihat beberapa aplikasi industri nyata.

Kami masih dalam tahap awal perjalanan untuk mencari tahu apa arti perkembangan baru dalam AI dan ML untuk industri proses. Ada banyak hype, tapi saya percaya ada banyak harapan. Saya pikir dampak terbesar adalah dalam memanfaatkan alat AI dan ML ini atau menggabungkannya dengan metode yang ada, daripada mengasumsikan mereka akan menggantikannya sepenuhnya.

 

Perbandingan metode kontrol proses yang berbeda

PID (kontrol proporsional-integral-diferensial): Kontrol PID bertindak sebagai regulator kesalahan, dengan fokus mendorong kesalahan ke nol. Ini sering diterapkan dalam sistem dengan model variabel atau nonlinier, sehingga penting untuk memilih parameter penyesuaian dengan cermat untuk kinerja yang stabil. PID beroperasi dengan cara input tunggal, output tunggal (SISO), tetapi menggabungkan beberapa pengontrol PID dapat memperkenalkan kompleksitas pada skema kontrol.

MPC (Model Predictive Control): Berbeda dengan PID, MPC menggunakan model proses untuk mengoptimalkan beberapa variabel secara bersamaan untuk mencapai tujuan yang telah ditentukan. Tantangan utama dengan MPC adalah kebutuhan akan model proses yang diketahui. Tidak seperti PID, variasi dalam model dapat menyebabkan kinerja yang buruk, dan matriks model sering diperlukan untuk kontrol yang efektif dalam proses yang kompleks.

FLC (Fuzzy Logic Controller): Atau, FLC mengintervensi ketika berhadapan dengan model yang berbeda atau tidak diketahui dengan mensimulasikan operator yang terampil. Alih -alih proses pemodelan secara langsung (seperti MPC) atau berfokus pada pengurangan kesalahan (seperti PID), FLC mensimulasikan perilaku operator yang ideal dalam skenario yang berbeda.

Kontrol AI: Menggunakan data historis dan real-time, pengontrol AI berusaha untuk mencapai tujuan tanpa pengetahuan sebelumnya tentang proses tersebut. Tidak seperti FLC, sistem AI beroperasi seperti kotak hitam, memberikan adaptasi berbasis data tanpa pengetahuan eksplisit tentang proses atau operasi.

Setiap metode kontrol memiliki karakteristiknya sendiri: dengan PID, tuning melibatkan penggunaan pengetahuan proses untuk dengan cepat mengatur parameter pengontrol yang sesuai berdasarkan hubungan yang diinginkan antara parameter ini dan respons proses. Misalnya, loop aliran biasanya membutuhkan gain proporsional yang rendah (<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.

Pada akhirnya, kontrol proses yang efektif melampaui kompleksitas pengontrol itu sendiri. Sama seperti dalam balap, pengemudi yang terampil (pengontrol) membutuhkan kendaraan berkinerja tinggi (proses dan peralatan yang dirancang dengan baik) untuk menjadi sukses, mencapai kinerja yang optimal membutuhkan pendekatan holistik, bukan hanya adopsi "pengontrol pintar."

 

Tantangan AI dan ML dalam domain proses

AI, ML, atau Deep Learning (DL) semuanya setara dengan regresi statistik besar. Untuk mendapatkan model yang berguna dari aplikasi ini membutuhkan banyak data "frekuensi tinggi", yang berisi banyak gerakan, dan banyak offset di luar batas kinerja yang diinginkan. Semua ini diperlukan sehingga model "tahu" lokasi nominal "tepi tebing." Data historis jangka panjang banyak dikompresi berlebihan atas nama menghemat ruang disk. Oleh karena itu, pepatah "sampah masuk, sampah keluar" sangat berlaku.

Seperti halnya model statistik lainnya, ML melakukan pekerjaan yang cukup baik untuk interpolasi, tetapi overfitting paling baik memiliki efek terkenal dalam membuat ekstrapolasi licik. Seperti yang telah ditunjukkan, data loop tertutup sering membuat model menghasilkan hasil yang aneh. Dan, seperti halnya semua aplikasi ML, "keahlian domain" masih diperlukan untuk memastikan bahwa model secara nominal mencerminkan kenyataan.

Salah satu bidang yang belum pernah kita lihat secara efektif ditujukan untuk aplikasi kontrol proses adalah memahami keterbatasan fisik katup kontrol, rentang instrumen, dan sebagainya. Ini adalah masalah yang dikenali pengembang Model Predictive Control (MPC): Aplikasi dibangun untuk mengakui bahwa mereka tidak memiliki kontrol langsung atas proses. Oleh karena itu, pemahaman ketika gerakan pengontrol PID dibatasi atau dibatasi di satu atau kedua arah adalah hal mendasar. Aplikasi ML tampaknya tidak memahami konsep ini saat ini.

Akhirnya, "belajar" dengan data historis tergantung pada memastikan bahwa proses yang mendasari dan struktur kontrol untuk data pembelajaran dan operasi saat ini adalah sama (kecuali untuk masalah kompresi yang disebutkan di atas). Oleh karena itu, mengubah kapasitas katup kontrol, penukar panas, dan/atau pompa, dll., Dapat memiringkan model dan memberikan hasil yang tidak dapat diandalkan/tidak dapat diprediksi.

 

Kemajuan Penelitian pada Penerapan AI dalam Kontrol Proses

Dalam beberapa tahun terakhir, sejumlah penelitian terbaru dari para pakar industri dan peneliti telah menunjukkan bahwa meningkatkan penggunaan teknologi AI dapat membawa keuntungan efisiensi untuk meningkatkan dan mendukung kontrol proses, serta mereka yang bekerja di bidang otomatisasi proses.


AI keduanya dapat menjadi ancaman dan meningkatkan pekerjaan kami dalam pencarian ancaman dan kecerdasan. Rekan -rekan muda kami saat ini bekerja di bidang yang berkembang dari otomatisasi dan kontrol proses industri akan mendapat manfaat dari mendapatkan pengetahuan AI; Prinsip dasar, teori, metode, perbedaan antara mereka dan aplikasinya.

Seperti yang disetujui banyak orang di industri, pekerjaan masa depan kita tidak akan diambil oleh AI, tetapi oleh insinyur lain yang tahu cara menggunakan AI dan mendapatkan keunggulan kompetitif di lapangan.

AI digunakan untuk mengontrol pabrik secara langsung

Fasilitas tanpa pengawasan (NUF) adalah fasilitas yang beroperasi sepenuhnya otomatis atau dari jarak jauh, biasanya tanpa personel di lokasi. Adopsi yang lebih luas dari pendekatan NUF dalam industri menghadapi beberapa tantangan (teknis, logistik, keuangan, dan peraturan). Ada sejumlah inisiatif yang dipimpin industri yang bertujuan untuk bergerak ke arah ini, sambil mendorong inisiatif pengembangan teknologi yang memungkinkan filosofi operasional baru ini dan pada akhirnya memposisikan NUF sebagai pendekatan yang aman, hemat biaya dan diterima secara luas untuk desain dan pengoperasian fasilitas minyak dan gas.

AI dikombinasikan dengan kontrol prediktif model canggih dan strategi kontrol peraturan canggih dapat membantu mencapai tujuan ini.
Dibandingkan dengan operasi manual sebelumnya, sistem AI menunjukkan stabilitas dan efisiensi yang lebih besar, berhasil mengendalikan stabilitas bahkan dalam menghadapi gangguan eksternal dengan menjaga nilai -nilai operasional yang kritis dekat dengan nilai target. Ini adalah contoh pertama dari penguatan pembelajaran AI secara resmi digunakan untuk secara langsung mengendalikan pabrik.

 

Anda Mungkin Juga Menyukai

Kirim permintaan