El progrés de la tecnologia d’AI en l’àmbit industrial
Dinàmica lineal, parts estàtiques no lineals modelat amb xarxes neuronals. Aquestes aplicacions industrials aborden explícitament problemes d’extrapolació fora de la seva base de formació.
En el mateix marc de temps, la major part del desenvolupament del sensor té un enfocament de modelatge diferent.
A la dècada de 1990, els sistemes de processos van fer importants contribucions acadèmiques a les aplicacions de xarxa neuronal. Aquests inclouen el modelat híbrid mitjançant xarxes neuronals, on s’ajusten relacions i/o paràmetres desconeguts al model de xarxa neuronal. Un altre enfocament destacable incorpora la funcionalitat de tipus PLS a la xarxa, però permet termes no lineals en lloc de termes lineals com PLS. Altres contribucions consisteixen en l’ús de xarxes neuronals en mètodes de classificació per detectar operacions anormals (que es poden considerar com a PCA no lineals).
El desenvolupament posterior de la IA i l’aprenentatge automàtic (ML) és en gran mesura realitzats per grans empreses de tecnologia i, per tant, no és impulsat per les aplicacions o les necessitats de la indústria del procés. Per tant, és possible que l’aplicació d’aquests mètodes no s’apliqui al 100% al nostre camp. Per descomptat, és fantàstic on ho fan. El processament d’imatges és un exemple. Les xarxes més noves ofereixen ara capacitats de modelatge dinàmiques que són una millora respecte a les xarxes cícliques que s’utilitzen en el passat. Un exemple és Chatgpt, que es va desenvolupar per a models de gran llenguatge, però que ha tingut un èxit igualment en la modelització de dades de sèries horàries. Hem vist resultats prometedors amb aquesta tecnologia en sensors suaus i modelatge híbrid, però fins ara hem vist poques aplicacions industrials reals.
Encara estem en les primeres etapes del viatge per esbrinar què signifiquen els nous desenvolupaments de la IA i la ML per a la indústria de processos. Hi ha molt de bombo, però crec que hi ha molta esperança. Crec que l’impacte més gran serà d’aprofitar aquestes eines d’AI i ML o combinar -les amb mètodes existents, en lloc d’assumir que les substituiran completament.
Comparació de diferents mètodes de control de processos
PID (control proporcional-integral-diferencial): el control PID actua com a regulador d'error, centrat en conduir l'error a zero. Sovint s’aplica en sistemes amb models variables o no lineals, per la qual cosa és fonamental seleccionar acuradament els paràmetres d’ajust per al rendiment estable. El PID funciona de manera única de sortida única (SISO), però combinar diversos controladors PID pot introduir complexitat a l’esquema de control.
MPC (Model Control predictiu): En contrast amb PID, MPC utilitza un model de procés per optimitzar diverses variables simultàniament per assolir objectius predefinits. Un repte clau amb MPC és la necessitat d’un model de procés conegut. A diferència del PID, les variacions del model poden comportar un mal rendiment, i sovint es requereix una matriu de model per a un control efectiu en processos complexos.
FLC (controlador de lògica difusa): Alternativament, FLC intervé quan es tracta de models diferents o desconeguts simulant un operador especialitzat. En lloc de modelar processos directament (com MPC) o centrar -se en la reducció d’errors (com PID), FLC simula el comportament ideal dels operadors en diferents escenaris.
Control de l’IA: Utilitzant dades històriques i en temps real, els controladors d’AI s’esforcen per assolir objectius sense coneixement previ del procés. A diferència de FLC, els sistemes AI funcionen com una caixa negra, proporcionant una adaptació basada en dades sense coneixement explícit de processos o operacions.
Cada mètode de control té les seves pròpies característiques: amb PID, la sintonia implica utilitzar el coneixement del procés per establir ràpidament els paràmetres de controlador adequats en funció de la relació desitjada entre aquests paràmetres i la resposta del procés. Per exemple, un bucle de flux requereix normalment un baix guany proporcional (<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.
En última instància, el control efectiu de processos va més enllà de la complexitat del propi controlador. De la mateixa manera que a les curses, els conductors qualificats (controladors) necessiten vehicles d’alt rendiment (processos i equips ben dissenyats) per tenir èxit, aconseguir un rendiment òptim requereix un enfocament holístic, no només l’adopció de “controladors intel·ligents”.
Els reptes de l’IA i la ML en el domini del procés
Ai, ML o Aprenentatge profund (DL) són tots equivalents a grans regressions estadístiques. Per obtenir models útils d’aquestes aplicacions requereix moltes dades de “alta freqüència”, que conté molt de moviment, i moltes compensacions més enllà dels límits del rendiment desitjats. Tot això és necessari perquè el model "conegui" la ubicació nominal de la "vora del penya -segat". Moltes dades històriques a llarg termini es veuen excessives en nom de l’estalvi de l’espai del disc. Per tant, la dita "escombraries, les escombraries" és molt aplicable.
Com en qualsevol altre model estadístic, ML fa una feina força bona d’interpolar, però el sobrepassat en el millor dels casos té l’efecte conegut de fer que les extrapolacions siguin fastigoses. Com ja s’ha assenyalat, les dades de llaç tancat sovint s’inclinen el model de maneres estranyes. I, com passa amb totes les aplicacions de ML, encara és necessària una "experiència de domini" per assegurar -se que el model reflecteix nominalment la realitat.
Una de les àrees que no hem vist abordar eficaçment per a les aplicacions de control de processos és comprendre les limitacions físiques de les vàlvules de control, els intervals d’instruments, etc. Aquest és un problema que els desenvolupadors de control predictiu del model precoç (MPC) reconeguen: les aplicacions estan creades per reconèixer que no tenen control directe sobre els processos. Per tant, comprendre quan el moviment del controlador PID està restringit o limitat en una o ambdues direccions és fonamental. Les aplicacions de ML no semblen comprendre aquest concepte en aquest moment.
Finalment, "aprendre" amb dades històriques depèn de garantir que els processos subjacents i les estructures de control per a les dades d'aprenentatge i les operacions actuals siguin les mateixes (excepte els problemes de compressió esmentats anteriorment). Per tant, canviar la capacitat de la vàlvula de control, els intercanviadors de calor i/o les bombes, etc., pot disminuir el model i donar resultats poc fiables/imprevisibles.
Prova de la investigació sobre l'aplicació de la IA en el control de processos
En els darrers anys, diversos estudis recents d’experts i investigadors de la indústria han demostrat que l’augment de l’ús de les tecnologies d’AI podria aportar guanys d’eficiència per millorar i donar suport al control de processos, així com els que treballen en el camp de l’automatització de processos.
La IA pot ser una amenaça i millorar el nostre treball en la recerca d’amenaça i la intel·ligència. Els nostres col·legues més joves que actualment treballen en l’àmbit en expansió de l’automatització i el control de processos industrials es beneficiaran d’obtenir coneixement de l’IA; Principis bàsics, teories, mètodes, diferències entre ells i les seves aplicacions.
Com molts de la indústria estan d’acord, els nostres treballs futurs no seran emportats per la IA, sinó per altres enginyers que saben utilitzar l’IA i obtenir un avantatge competitiu en el camp.
L’IA s’utilitza per controlar directament les fàbriques
Una instal·lació sense atenció (NUF) és una instal·lació que opera totalment automatitzada o de forma remota, normalment sense personal al lloc. L’adopció més àmplia de l’enfocament NUF a la indústria s’enfronta a diversos reptes (tècnics, logístics, financers i reguladors). Hi ha diverses iniciatives dirigides per la indústria destinades a traslladar-se en aquesta direcció, alhora que fomenten iniciatives de desenvolupament tecnològic que permeten aquesta nova filosofia operativa i, en definitiva, posicionen NUF com un enfocament segur, rendible i àmpliament acceptat per al disseny i el funcionament de les instal·lacions de petroli i gas.
L’IA combinada amb el control predictiu del model avançat i les estratègies avançades de control regulador pot ajudar a assolir aquest objectiu.
En comparació amb les operacions manuals anteriors, els sistemes d’AI presenten una major estabilitat i eficiència, controlant amb èxit l’estabilitat fins i tot davant la interferència externa mantenint els valors operatius crítics propers als valors objectiu. Aquest és el primer exemple de l’aprenentatge de reforç que s’utilitza formalment per controlar directament una fàbrica.