پیشرفت فناوری هوش مصنوعی در حوزه صنعتی
پویایی خطی ، قطعات استاتیک غیرخطی با استفاده از شبکه های عصبی مدل شده است. این برنامه های صنعتی صریحاً موضوعات برون یابی را در خارج از پایگاه آموزشی خود می پردازند.
در همان بازه زمانی ، بیشتر توسعه سنسور نرم از یک رویکرد مدل سازی متفاوت استفاده می کند.
در دهه 1990 ، سیستم های فرآیند سهم دانشگاهی مهمی در برنامه های شبکه عصبی داشتند. این موارد شامل مدل سازی ترکیبی با استفاده از شبکه های عصبی ، که در آن روابط ناشناخته و\/یا پارامترها در مدل شبکه عصبی قرار دارد. یکی دیگر از رویکردهای قابل توجه ، عملکردی از نوع PLS را در شبکه قرار می دهد ، اما به جای اصطلاحات خطی مانند PLS ، شرایط غیرخطی را امکان پذیر می کند. سایر مشارکتها شامل استفاده از شبکه های عصبی در روشهای طبقه بندی برای تشخیص عملیات غیر طبیعی (که می تواند به عنوان PCA غیرخطی در نظر گرفته شود) است.
توسعه بعدی هوش مصنوعی و یادگیری ماشین (ML) تا حد زیادی توسط شرکت های بزرگ فناوری انجام می شود و بنابراین توسط برنامه ها یا نیازهای صنعت فرآیند هدایت نمی شود. بنابراین ، استفاده از این روش ها ممکن است 100 ٪ در زمینه ما اعمال نشود. البته ، در جایی که آنها این کار را انجام می دهند عالی است. پردازش تصویر مثالی است. شبکه های جدیدتر اکنون قابلیت های مدل سازی پویا را ارائه می دهند که پیشرفت نسبت به شبکه های چرخه ای مورد استفاده در گذشته است. یک مثال ChatGPT است که برای مدل های بزرگ زبان تهیه شده است اما در مدل سازی داده های سری زمانی به همان اندازه موفق بوده است. ما با این فناوری در سنسورهای نرم و مدل سازی ترکیبی نتایج امیدوار کننده ای مشاهده کرده ایم ، اما تاکنون شاهد کاربردهای صنعتی واقعی هستیم.
ما هنوز در مراحل اولیه سفر هستیم تا بفهمیم تحولات جدید در AI و ML برای صنعت فرآیند چیست. اعتیاد به مواد مخدره زیادی وجود دارد ، اما من معتقدم امید زیادی وجود دارد. من فکر می کنم بیشترین تأثیر در استفاده از این ابزارهای هوش مصنوعی و ML یا ترکیب آنها با روش های موجود خواهد بود ، به جای اینکه فرض کنید آنها را به طور کامل جایگزین کنید.
مقایسه روشهای مختلف کنترل فرآیند
PID (کنترل متناسب-انتفاعی متناسب): کنترل PID به عنوان یک تنظیم کننده خطا عمل می کند ، با تمرکز بر هدایت خطا به صفر. این اغلب در سیستم هایی با مدل های متغیر یا غیرخطی اعمال می شود ، بنابراین انتخاب دقیق پارامترهای تنظیم برای عملکرد پایدار ضروری است. PID به صورت یک ورودی واحد ، تک خروجی (SISO) عمل می کند ، اما ترکیب چندین کنترل کننده PID می تواند پیچیدگی را به طرح کنترل معرفی کند.
MPC (کنترل پیش بینی مدل): بر خلاف PID ، MPC از یک مدل فرآیند برای بهینه سازی متغیرهای متعدد به طور همزمان برای دستیابی به اهداف از پیش تعریف شده استفاده می کند. یک چالش مهم با MPC نیاز به یک مدل فرآیند شناخته شده است. بر خلاف PID ، تغییرات در مدل می تواند منجر به عملکرد ضعیف شود و یک ماتریس مدل اغلب برای کنترل مؤثر در فرآیندهای پیچیده مورد نیاز است.
FLC (کنترل کننده منطق فازی): از طرف دیگر ، FLC هنگام برخورد با مدل های مختلف یا ناشناخته با شبیه سازی یک اپراتور ماهر مداخله می کند. به جای مدل سازی فرآیندهای مستقیم (مانند MPC) یا تمرکز بر کاهش خطاها (مانند PID) ، FLC رفتار اپراتور ایده آل را در سناریوهای مختلف شبیه سازی می کند.
کنترل هوش مصنوعی: با استفاده از داده های تاریخی و در زمان واقعی ، کنترل کننده های هوش مصنوعی سعی در دستیابی به اهداف بدون آگاهی قبلی از فرآیند دارند. بر خلاف FLC ، سیستم های AI مانند یک جعبه سیاه عمل می کنند و سازگاری مبتنی بر داده را بدون دانش صریح از فرآیندها یا عملیات ارائه می دهند.
هر روش کنترل ویژگی های خاص خود را دارد: با PID ، تنظیم شامل استفاده از دانش فرآیند برای تنظیم سریع پارامترهای کنترلر مناسب بر اساس رابطه مورد نظر بین این پارامترها و پاسخ فرآیند است. به عنوان مثال ، یک حلقه جریان به طور معمول به افزایش متناسب کم نیاز دارد (<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.
در نهایت ، کنترل فرایند مؤثر فراتر از پیچیدگی خود کنترل کننده است. درست همانطور که در مسابقه ، رانندگان ماهر (کنترل کننده ها) برای موفقیت به وسایل نقلیه با کارایی بالا (فرآیندها و تجهیزات خوب طراحی شده) نیاز دارند ، دستیابی به عملکرد بهینه نیاز به یک رویکرد جامع دارد ، نه فقط تصویب "کنترل کننده های هوشمند".
چالش های هوش مصنوعی و ML در حوزه فرآیند
AI ، ML یا Deep Learning (DL) همه معادل رگرسیون آماری بزرگ هستند. برای به دست آوردن مدل های مفید از این برنامه ها ، به داده های "فرکانس بالا" زیادی نیاز دارد ، که حاوی حرکت زیادی است و جبران خسارات زیادی فراتر از مرزهای عملکرد مورد نظر است. همه اینها به گونه ای لازم است که مدل "مکان اسمی" لبه صخره "را می شناسد. بسیاری از داده های تاریخی طولانی مدت به نام ذخیره فضای دیسک بیش از حد فشرده می شوند. بنابراین ، گفته "زباله در زباله" بسیار کاربردی است.
مانند هر مدل آماری دیگر ، ML کار نسبتاً خوبی از درون یابی را انجام می دهد ، اما در بهترین حالت بیش از حد تأثیر شناخته شده ای در ساخت برون یابی ها دارد. همانطور که قبلاً اشاره شد ، داده های حلقه بسته اغلب به روش های عجیب و غریب مدل می شود. و ، مانند همه برنامه های ML ، "تخصص دامنه" هنوز لازم است تا اطمینان حاصل شود که این مدل بطور اسمی واقعیت را منعکس می کند.
یکی از زمینه هایی که ما برای برنامه های کنترل فرآیند به طور مؤثر مورد توجه قرار نگرفته ایم ، درک محدودیت های فیزیکی دریچه های کنترل ، دامنه ابزار و غیره است. این مشکلی است که توسعه دهندگان کنترل پیش بینی مدل اولیه (MPC) به رسمیت شناخته شده: برنامه هایی برای تشخیص اینکه کنترل مستقیمی بر فرآیندها ندارند ، ساخته شده اند. بنابراین ، درک هنگامی که حرکت کنترل کننده PID محدود یا محدود در یک یا هر دو جهت است ، اساسی است. به نظر نمی رسد برنامه های ML در حال حاضر این مفهوم را درک کنند.
سرانجام ، "یادگیری" با داده های تاریخی بستگی به این دارد که فرآیندهای اساسی و ساختارهای کنترل برای یادگیری داده ها و عملیات فعلی یکسان باشند (به جز موضوعات فشرده سازی ذکر شده در بالا). بنابراین ، تغییر ظرفیت دریچه کنترل ، مبدل های حرارتی و\/یا پمپ ها و غیره می تواند مدل را از بین ببرد و نتایج غیرقابل اعتماد\/غیرقابل پیش بینی را ارائه دهد.
پیشرفت تحقیق در مورد کاربرد هوش مصنوعی در کنترل فرآیند
در سالهای اخیر ، تعدادی از مطالعات اخیر از کارشناسان و محققان صنعت نشان داده اند که افزایش استفاده از فناوری های هوش مصنوعی می تواند سود کارآیی را برای تقویت و پشتیبانی از کنترل فرآیند و همچنین کسانی که در زمینه اتوماسیون فرآیند کار می کنند ، به ارمغان بیاورد.
هوش مصنوعی هم می تواند یک تهدید باشد و هم کار ما را در جستجوی تهدید و اطلاعات تقویت کند. همکاران جوان ما که هم اکنون در زمینه گسترش اتوماسیون و کنترل فرآیند صنعتی کار می کنند ، از کسب دانش هوش مصنوعی بهره مند می شوند. اصول اساسی ، تئوری ها ، روش ها ، تفاوت بین آنها و کاربردهای آنها.
همانطور که بسیاری از این صنعت موافق هستند ، مشاغل آینده ما توسط هوش مصنوعی از بین نمی رود ، بلکه توسط سایر مهندسان که می دانند چگونه از هوش مصنوعی استفاده کنند و یک مزیت رقابتی در این زمینه کسب کنند.
هوش مصنوعی برای کنترل مستقیم کارخانه ها استفاده می شود
یک مرکز بدون مراقبت (NUF) تسهیلاتی است که معمولاً به طور خودکار یا از راه دور کار می کند ، معمولاً بدون پرسنل در سایت. اتخاذ گسترده تر رویکرد NUF در صنعت با چالش های مختلفی روبرو است (فنی ، لجستیکی ، مالی و نظارتی). تعدادی از ابتکارات تحت هدایت صنعت با هدف حرکت در این راستا وجود دارد ، ضمن تشویق ابتکارات توسعه فناوری که این فلسفه عملیاتی جدید را قادر می سازد و در نهایت NUF را به عنوان یک رویکرد ایمن ، مقرون به صرفه و پذیرفته شده برای طراحی و بهره برداری از تأسیسات نفت و گاز قرار می دهد.
هوش مصنوعی همراه با کنترل پیش بینی مدل پیشرفته و استراتژی های کنترل نظارتی پیشرفته ممکن است به دستیابی به این هدف کمک کند.
در مقایسه با عملیات دستی قبلی ، سیستم های هوش مصنوعی ثبات و کارآیی بیشتری را نشان می دهند ، و با موفقیت در مواجهه با تداخل خارجی با نگه داشتن مقادیر مهم عملیاتی نزدیک به مقادیر هدف ، ثبات را با موفقیت کنترل می کنند. این اولین نمونه از یادگیری آرماتور است که به طور رسمی برای کنترل مستقیم یک کارخانه مورد استفاده قرار می گیرد.