Endüstriyel alanda AI teknolojisinin ilerlemesi
Doğrusal dinamikler, sinir ağları kullanılarak modellenen doğrusal olmayan statik parçalar. Bu endüstriyel uygulamalar, eğitim tabanlarının dışındaki ekstrapolasyon sorunlarını açıkça ele almaktadır.
Aynı zaman çerçevesinde, çoğu yumuşak sensör geliştirme farklı bir modelleme yaklaşımı benimser.
1990'larda süreç sistemleri sinir ağı uygulamalarına önemli akademik katkılarda bulundu. Bunlar, bilinmeyen ilişkilerin ve\/veya parametrelerin sinir ağı modeline takıldığı sinir ağları kullanan hibrit modellemeyi içerir. Bir başka dikkat çekici yaklaşım, PLS tipi işlevselliği ağa içerir, ancak PLS gibi doğrusal terimlerden ziyade doğrusal olmayan terimlere izin verir. Diğer katkılar, anormal operasyonları tespit etmek için (doğrusal olmayan PCA olarak kabul edilebilir) sınıflandırma yöntemlerinde nöral ağların kullanılmasını içerir.
Daha sonra AI ve Makine Öğrenimi (ML) gelişimi büyük ölçüde büyük teknoloji şirketleri tarafından yapılır ve bu nedenle süreç endüstrisinin uygulamaları veya ihtiyaçları tarafından yönlendirilmez. Bu nedenle, bu yöntemlerin uygulanması alanımızda% 100 uygulanmayabilir. Tabii ki, yaptıkları yer harika. Görüntü işleme bir örnektir. Daha yeni ağlar artık geçmişte kullanılan döngüsel ağlar üzerinde bir gelişme olan dinamik modelleme özellikleri sunuyor. Bir örnek, büyük dil modelleri için geliştirilen ancak zaman serisi verilerinin modellenmesinde eşit derecede başarılı olduğu kanıtlanmış olan ChatGPT'dir. Yumuşak sensörlerde ve hibrit modellemede bu teknoloji ile umut verici sonuçlar gördük, ancak şimdiye kadar birkaç gerçek endüstriyel uygulama gördük.
Yapay zeka ve ML'deki yeni gelişmelerin süreç endüstrisi için ne anlama geldiğini anlamak için yolculuğun ilk aşamalardayız. Çok fazla hype var, ama inanıyorum ki çok fazla umut var. Bence en büyük etkinin bu AI ve ML araçlarından yararlanmak veya bunları tamamen değiştireceklerini varsaymak yerine mevcut yöntemlerle birleştirmek olacağını düşünüyorum.
Farklı süreç kontrol yöntemlerinin karşılaştırılması
PID (orantılı-integral-diferansiyel kontrol): PID kontrolü, hatayı sıfıra sürüklemeye odaklanan bir hata regülatörü görevi görür. Genellikle değişken veya doğrusal olmayan modellere sahip sistemlerde uygulanır, bu nedenle kararlı performans için ayar parametrelerini dikkatlice seçmek önemlidir. PID, tek bir giriş, tek çıkış (SISO) tarzında çalışır, ancak birden fazla PID kontrolörünü birleştirmek, kontrol şemasına karmaşıklığı getirebilir.
MPC (model öngörücü kontrol): PID'nin aksine, MPC önceden tanımlanmış hedeflere ulaşmak için aynı anda birden fazla değişkeni optimize etmek için bir süreç modeli kullanır. MPC ile önemli bir zorluk, bilinen bir süreç modeline ihtiyaçtır. PID'den farklı olarak, modeldeki varyasyonlar düşük performansa yol açabilir ve karmaşık süreçlerde etkili kontrol için genellikle bir model matrisi gereklidir.
FLC (bulanık mantık denetleyicisi): Alternatif olarak, FLC, yetenekli bir operatörü simüle ederek farklı veya bilinmeyen modellerle uğraşırken müdahale eder. Süreçleri doğrudan modelleme (MPC gibi) veya hataları azaltmaya odaklanmak yerine (PID gibi) FLC, farklı senaryolarda ideal operatör davranışını simüle eder.
AI kontrolü: Geçmiş ve gerçek zamanlı verileri kullanarak, AI denetleyicileri süreci önceden bilmeden hedeflere ulaşmaya çalışır. FLC'nin aksine, AI sistemleri, süreçler veya işlemler hakkında açık bir bilgi olmadan veri tabanlı adaptasyon sağlayan bir kara kutu gibi çalışır.
Her kontrol yönteminin kendi özellikleri vardır: PID ile ayarlama, bu parametreler ile işlem yanıtı arasındaki istenen ilişkiye dayanarak uygun kontrolör parametrelerini hızlı bir şekilde ayarlamak için işlem bilgisini kullanmayı içerir. Örneğin, bir akış döngüsü tipik olarak düşük orantılı bir kazanç gerektirir (<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.
Nihayetinde, etkili süreç kontrolü kontrolörün karmaşıklığının ötesine geçer. Tıpkı yarışta olduğu gibi, yetenekli sürücüler (kontrolörler) başarılı olmak için yüksek performanslı araçlara (iyi tasarlanmış süreçler ve ekipman) ihtiyaç duyarlar, optimum performans elde etmek sadece "akıllı kontrolörlerin" benimsenmesi değil bütünsel bir yaklaşım gerektirir.
İşlem alanındaki AI ve ML'nin zorlukları
AI, ML veya Derin Öğrenme (DL) büyük istatistiksel regresyonlara eşdeğerdir. Bu uygulamalardan yararlı modeller almak için çok fazla hareket ve istenen performans sınırlarının ötesinde birçok ofset içeren birçok "yüksek frekanslı" veriye ihtiyaç duyar. Tüm bunlar, modelin "uçurum kenarının" nominal yerini "bilmesi" için gereklidir. Çok uzun vadeli tarihsel veriler, tasarruf disk alanı adına aşırı sıkıştırılmıştır. Bu nedenle, "çöp, çöp dışarı" sözü çok uygulanabilir.
Diğer istatistiksel modellerde olduğu gibi, ML enterpolasyon yapmak için oldukça iyi bir iş çıkarır, ancak en iyi şekilde aşırı uymak, ekstrapolasyonları sinsi hale getirmenin iyi bilinen etkisine sahiptir. Daha önce de belirtildiği gibi, kapalı döngü verileri genellikle model sonuçlarını garip yollarla çarpar. Ve tüm ML uygulamalarında olduğu gibi, modelin nominal olarak gerçeği yansıtmasını sağlamak için "etki alanı uzmanlığı" hala gereklidir.
Proses kontrol uygulamaları için etkili bir şekilde ele alınmadığımız bir alan, kontrol vanalarının, cihaz aralıklarının vb. Fiziksel sınırlamalarını anlamaktır. Bu, erken model öngörücü kontrol (MPC) geliştiricilerinin tanıdığı bir sorundur: uygulamalar, süreçler üzerinde doğrudan kontrolü olmadığını kabul etmek için oluşturulmuştur. Bu nedenle, PID denetleyicisinin hareketinin bir veya her iki yönde ne zaman kısıtlandığını veya sınırlı olduğunu anlamak temeldir. ML uygulamaları şu anda bu kavramı kavramaktadır.
Son olarak, tarihsel verilerle "öğrenme", öğrenme verileri ve mevcut işlemler için temel süreçlerin ve kontrol yapılarının aynı olmasını sağlamaya bağlıdır (yukarıda belirtilen sıkıştırma sorunları hariç). Bu nedenle, kontrol valfi kapasitesi, ısı eşanjörleri ve\/veya pompalar vb. Değiştirilmesi modeli eğik ve güvenilmez\/öngörülemeyen sonuçlar verebilir.
Yapay zekanın süreç kontrolünde uygulanmasına ilişkin araştırma ilerlemesi
Son yıllarda, endüstri uzmanlarından ve araştırmacılardan yapılan son çalışmalar, AI teknolojilerinin kullanımının artırılmasının, süreç kontrolünü geliştirmek ve desteklemek için verimlilik kazanımları getirebileceğini ve süreç otomasyonu alanında çalışanları gösterebileceğini göstermiştir.
AI hem bir tehdit olabilir hem de tehdit arama ve zeka çalışmalarımızı geliştirebilir. Şu anda endüstriyel süreç otomasyonu ve kontrolü alanında çalışan genç meslektaşlarımız AI bilgi edinmekten yararlanacaktır; Temel ilkeler, teoriler, yöntemler, onlar ve uygulamaları arasındaki farklılıklar.
Endüstride birçoğunun aynı fikirde olduğu gibi, gelecekteki işlerimiz AI tarafından değil, AI'yı nasıl kullanacağını ve sahada rekabet avantajı elde edeceğini bilen diğer mühendisler tarafından alınacaktır.
AI, fabrikaları doğrudan kontrol etmek için kullanılıyor
Katılımsız bir tesis (NUF), genellikle sitede personel olmadan tam otomatik veya uzaktan çalışan bir tesistir. NUF yaklaşımının sektördeki daha geniş benimsenmesi çeşitli zorluklarla (teknik, lojistik, finans ve düzenleyici) karşı karşıyadır. Bu yeni operasyonel felsefeyi mümkün kılan ve NUF'u petrol ve gaz tesislerinin tasarımı ve işletmesine güvenli, uygun maliyetli ve yaygın olarak kabul edilen bir yaklaşım olarak konumlandıran teknoloji geliştirme girişimlerini teşvik ederken, bu yönde ilerlemeyi amaçlayan bir dizi endüstri liderliğindeki girişimler vardır.
AI, gelişmiş model öngörücü kontrol ve gelişmiş düzenleyici kontrol stratejileri ile birleştiğinde bu hedefe ulaşmaya yardımcı olabilir.
Önceki manuel operasyonlarla karşılaştırıldığında, AI sistemleri, kritik operasyonel değerleri hedef değerlere yakın tutarak dış parazit karşısında bile istikrarı başarıyla kontrol ederek daha fazla stabilite ve verimlilik sergiler. Bu, bir fabrikayı doğrudan kontrol etmek için resmi olarak kullanılan takviye öğrenme yapısalının ilk örneğidir.