+86-315-6196865

סיכוי ליישום של בינה מלאכותית בבקרת תהליכים

Mar 17, 2025

התקדמות טכנולוגיית AI בתחום התעשייה

דינמיקה לינארית, חלקים סטטיים לא לינאריים שעוצבו באמצעות רשתות עצביות. יישומים תעשייתיים אלה מטפלים במפורש בסוגיות אקסטרפולציה מחוץ לבסיס ההדרכה שלהם.

באותה תקופה, רוב פיתוח החיישנים הרכים נוקט בגישה דוגמנות שונה.

בשנות התשעים, מערכות תהליכים תרמו תרומות אקדמיות חשובות ליישומי רשת עצבית. אלה כוללים דוגמנות היברידית באמצעות רשתות עצביות, בהן קשרים ו\/או פרמטרים לא ידועים מותאמים למודל הרשת העצבי. גישה ראויה לציון אחרת משלבת את הפונקציונליות מסוג PLS ברשת, אך מאפשרת מונחים לא לינאריים ולא מונחים לינאריים כמו PLS. תרומות אחרות כוללות שימוש ברשתות עצביות בשיטות סיווג לגילוי פעולות לא תקינות (שניתן לראות בה PCA לא לינארי).

ההתפתחות לאחר מכן של AI ולמידה מכונה (ML) נעשית ברובה על ידי חברות טק גדולות ולכן אינה מונעת על ידי היישומים או הצרכים של ענף התהליכים. לפיכך, ייתכן כי יישום שיטות אלה אינו מיושם 100% בתחום שלנו. כמובן שזה נהדר איפה שהם עושים את זה. עיבוד תמונה הוא דוגמה. רשתות חדשות יותר מציעות כעת יכולות דוגמנות דינאמיות המהוות שיפור ביחס לרשתות המחזוריות המשמשות בעבר. דוגמא אחת היא ChatGpt, שפותחה עבור דגמי שפה גדולים אך הוכיחה את עצמה לא פחות במודלים של נתוני סדרות זמן. ראינו תוצאות מבטיחות עם טכנולוגיה זו בחיישנים רכים ומודלים היברידיים, אך עד כה ראינו מעט יישומים תעשייתיים אמיתיים.

אנו עדיין בשלבים המוקדמים של המסע כדי להבין מה המשמעות של התפתחויות חדשות ב- AI ו- ML לתעשיית התהליכים. יש הרבה הייפ, אבל אני מאמין שיש הרבה תקווה. אני חושב שההשפעה הגדולה ביותר תהיה במינוף כלי AI ו- ML אלה או שילובם עם שיטות קיימות, במקום להניח שהם יחליפו אותם לחלוטין.

 

השוואה בין שיטות בקרת תהליכים שונות

PID (בקרה פרופורציונאלית-אינטגרלית-דיפרנציאלית): בקרת PID משמשת כווסת שגיאה, ומתמקדת בהנעת השגיאה לאפס. לעתים קרובות הוא מיושם במערכות עם דגמים משתנים או לא לינאריים, ולכן חיוני לבחור בזהירות את פרמטרי ההתאמה לביצועים יציבים. PID פועל באופן קלט יחיד, פלט יחיד (SISO), אך שילוב בקרי PID מרובים יכול להכניס מורכבות לתכנית הבקרה.

MPC (בקרת חיזוי מודל): בניגוד ל- PID, MPC משתמש במודל תהליכים כדי לייעל את מספר המשתנים המרובים בו זמנית כדי להשיג יעדים מוגדרים מראש. אתגר מפתח עם MPC הוא הצורך במודל תהליכים ידוע. בניגוד ל- PID, וריאציות במודל יכולות להוביל לביצועים גרועים, ולעתים קרובות נדרשת מטריצת מודל לבקרה יעילה בתהליכים מורכבים.

FLC (בקר לוגיקה מטושטש): לחילופין, FLC מתערב בעת התמודדות עם דגמים שונים או לא ידועים על ידי הדמיה של מפעיל מיומן. במקום לדגמן תהליכים ישירות (כגון MPC) או התמקדות בהפחתת שגיאות (כגון PID), FLC מדמה התנהגות אידיאלית של מפעיל בתרחישים שונים.

בקרת AI: שימוש בנתונים היסטוריים ובזמן אמת, בקרי AI שואפים להשיג יעדים ללא ידיעה מוקדמת על התהליך. שלא כמו FLC, מערכות AI פועלות כמו קופסה שחורה, ומספקת התאמה מבוססת נתונים ללא ידע מפורש בתהליכים או בפעולות.

לכל שיטת בקרה מאפיינים משלה: עם PID, כוונון כרוך בשימוש בידע בתהליך כדי להגדיר במהירות את פרמטרי הבקר המתאימים על סמך הקשר הרצוי בין פרמטרים אלה לתגובת התהליך. לדוגמה, לולאת זרימה דורשת בדרך כלל רווח פרופורציונלי נמוך (<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.

בסופו של דבר, בקרת תהליכים אפקטיבית חורגת מהמורכבות של הבקר עצמו. בדיוק כמו במירוצים, נהגים מיומנים (בקרים) זקוקים לרכבים בעלי ביצועים גבוהים (תהליכים וציוד מעוצבים היטב) כדי להצליח, השגת ביצועים אופטימליים דורשת גישה הוליסטית, ולא רק אימוץ "בקרים חכמים".

 

האתגרים של AI ו- ML בתחום התהליך

AI, ML או למידה עמוקה (DL) שווים כולם לרגרסיות סטטיסטיות גדולות. כדי לקבל מודלים שימושיים מיישומים אלה דורשים הרבה נתוני "תדירות גבוהה", המכילים תנועה רבה, והרבה קיזוזים מעבר לגבולות הביצועים הרצויים. כל זה נדרש כך שהדגם "יודע" את המיקום הנומינלי של "קצה הצוק". נתונים היסטוריים ארוכי טווח דחוסים יתר על המידה בשם חיסכון במרחב הדיסק. לפיכך, האמרה "זבל פנימה, זבל החוצה" ישימה מאוד.

כמו בכל מודל סטטיסטי אחר, ML עושה עבודה טובה למדי לאינטרפולציה, אך להתאמה יתר על המידה יש ​​את ההשפעה הידועה של הפיכת אקסטרפולציות לערמאות. כפי שכבר צוין, נתוני לולאה סגורה לעיתים קרובות משקיעים דגם תוצאות בדרכים מוזרות. וכמו בכל יישומי ML, "מומחיות תחום" עדיין נדרשת כדי להבטיח שהמודל משקף באופן נומינלי את המציאות.

תחום אחד שלא ראינו ביעילות ליישומי בקרת תהליכים הוא הבנת המגבלות הפיזיות של שסתומי בקרה, טווחי מכשירים וכן הלאה. זוהי בעיה שמפתחי בקרת חיזוי מודלים מוקדמים (MPC) הכירו: יישומים בנויים כדי להכיר בכך שאין להם שליטה ישירה על תהליכים. לפיכך, ההבנה מתי תנועת בקר ה- PID מוגבלת או מוגבלת בכיוונים אחד או בשני היא מהותית. נראה כי יישומי ML לא תופסים את הרעיון הזה כרגע.

לבסוף, "למידה" עם נתונים היסטוריים תלויה בהבטחת שהתהליכים הבסיסיים ומבני הבקרה לנתוני למידה ופעולות עדכניות זהות (למעט בעיות הדחיסה שהוזכרו לעיל). לפיכך, שינוי יכולת שסתום הבקרה, מחליפי חום ו\/או משאבות וכו ', יכול להניף את המודל ולתת תוצאות לא אמינות\/בלתי צפויות.

 

התקדמות מחקרית ביישום AI בבקרת תהליכים

בשנים האחרונות, מספר מחקרים שפורסמו לאחרונה ממומחים וחוקרים בתעשייה הראו כי הגדלת השימוש בטכנולוגיות AI עשויה להביא רווחי יעילות לשיפור ותמיכה בבקרת תהליכים, כמו גם לאלה העובדים בתחום אוטומציה של תהליכים.


AI יכול להיות איום ולשפר את עבודתנו בחיפוש ואינטליגנציה של איומים. הקולגות הצעירים שלנו העובדים כיום בתחום המתרחב של אוטומציה ובקרה של תהליכים תעשייתיים ייהנו מכך שזכו לידע AI; עקרונות בסיסיים, תיאוריות, שיטות, הבדלים בינם לבין היישומים שלהם.

כפי שרבים בענף מסכימים, המשרות העתידיות שלנו לא ייקחו על ידי AI, אלא על ידי מהנדסים אחרים שיודעים להשתמש ב- AI ולקבל יתרון תחרותי בתחום.

AI משמש לשליטה ישירה במפעלים

מתקן ללא השגחה (NUF) הוא מתקן הפועל אוטומטי לחלוטין או מרחוק, בדרך כלל ללא כוח אדם באתר. אימוץ נרחב יותר של גישת NUF בענף עומד בפני מספר אתגרים (טכניים, לוגיסטיים, פיננסיים ורגולטוריים). ישנן מספר יוזמות המובילות בתעשייה שמטרתן לנוע לכיוון זה, תוך עידוד יוזמות לפיתוח טכנולוגיות המאפשרות פילוסופיה תפעולית חדשה זו ובסופו של דבר למקם את NUF כגישה בטוחה, חסכונית ומקובלת לרווחת לתכנון ותפעול של מתקני נפט וגז.

AI בשילוב עם בקרת חיזוי מודל מתקדמת ואסטרטגיות בקרה רגולטוריות מתקדמות עשויות לעזור להשיג מטרה זו.
בהשוואה לפעולות ידניות קודמות, מערכות AI מציגות יציבות ויעילות רבה יותר, תוך שליטה בהצלחה ביציבות גם אל מול הפרעות חיצוניות על ידי שמירה על ערכים תפעוליים קריטיים קרוב לערכי היעד. זוהי הדוגמה הראשונה של למידת חיזוק AI המשמשת רשמית לשליטה ישירה במפעל.

 

אולי גם תרצה

שלח החקירה