+86-315-6196865

Umsóknarhorfur um gervigreind í stjórnun ferla

Mar 17, 2025

Framfarir AI tækni á iðnaðarsviðinu

Línuleg gangverki, ólínulegir truflanir sem eru gerðir með taugakerfi. Þessar iðnaðarforrit taka beinlínis til framreikningsmál utan þjálfunargrundvallar þeirra.

Á sama tíma tekur flest mjúk skynjara þróun aðra líkanaðferð.

Á tíunda áratugnum lögðu vinnslukerfi mikilvæg námsframlög til taugakerfisforrita. Má þar nefna blendinga líkan með taugakerfi, þar sem óþekkt sambönd og\/eða breytur eru fest að taugakerfinu. Önnur athyglisverð nálgun felur í sér virkni PLS-gerð inn í netið, en gerir ráð fyrir ólínulegum hugtökum frekar en línuleg hugtök eins og PLS. Önnur framlög fela í sér notkun taugakerfa í flokkunaraðferðum til að greina óeðlilegar aðgerðir (sem hægt er að líta á sem ólínulega PCA).

Síðari þróun AI og vélanáms (ML) er að mestu leyti gerð af stórum tæknifyrirtækjum og er því ekki knúin áfram af forritum eða þörfum vinnsluiðnaðarins. Þess vegna er ekki heimilt að nota notkun þessara aðferða 100% á okkar sviði. Auðvitað er það frábært þar sem þeir gera það. Myndvinnsla er dæmi. Nýrri net býður nú upp á kraftmikla líkanagetu sem eru framför yfir hringlaga netin sem notuð voru í fortíðinni. Eitt dæmi er ChatgPT, sem var þróað fyrir stór tungumálalíkön en hefur reynst jafn vel við líkan tímaröðargagna. Við höfum séð efnilegar niðurstöður með þessari tækni í mjúkum skynjara og blendingum líkanagerð, en hingað til höfum við séð fá raunveruleg iðnaðarforrit.

Við erum enn á fyrstu stigum ferðarinnar til að reikna út hvað ný þróun í AI og ML þýðir fyrir vinnsluiðnaðinn. Það er mikið af efla, en ég tel að það sé mikil von. Ég held að mestu áhrifin verði að nýta þessi AI og ML verkfæri eða sameina þau með núverandi aðferðum, frekar en að gera ráð fyrir að þau muni skipta þeim alveg út.

 

Samanburður á mismunandi aðferðum við stjórnunarferli

PID (hlutfallsleg sameiningarstýring): PID stjórn virkar sem villueftirlit með því að knýja fram villuna í núll. Það er oft beitt í kerfum með breytilegum eða ólínulegum gerðum, svo það er bráðnauðsynlegt að velja vandlega aðlögunarbreyturnar fyrir stöðugan afköst. PID starfar á einn inntak, stakan framleiðsla (SISO) hátt, en með því að sameina marga PID stýringar getur komið flækjum fyrir stjórnkerfið.

MPC (forspárstýring líkans): Öfugt við PID notar MPC ferli líkan til að hámarka margar breytur samtímis til að ná fyrirfram skilgreindum markmiðum. Lykiláskorun með MPC er þörfin fyrir þekkt ferli. Ólíkt PID, geta afbrigði í líkaninu leitt til lélegrar afkösts og oft er líkan fylki krafist fyrir árangursríka stjórnun í flóknum ferlum.

FLC (Fuzzy Logic Controller): Að öðrum kosti grípur FLC inn þegar fjallað er um mismunandi eða óþekktar gerðir með því að líkja eftir hæfum rekstraraðila. Í stað þess að módela ferli beint (svo sem MPC) eða einbeita sér að því að draga úr villum (svo sem PID), hermir FLC til ákjósanlegrar hegðunar rekstraraðila í mismunandi sviðsmyndum.

AI Control: Notkun sögulegra og rauntíma gagna, AI stýringar leitast við að ná markmiðum án fyrri þekkingar á ferlinu. Ólíkt FLC starfa AI-kerfi eins og svartur kassi, sem veitir gagnatengd aðlögun án skýrrar þekkingar á ferlum eða rekstri.

Hver stjórnunaraðferð hefur sín eigin einkenni: Með PID felur stilling í sér að nota ferliþekkingu til að stilla fljótt viðeigandi stýringarstærðir byggðar á tilætluðum tengslum milli þessara breytna og viðbragða ferlisins. Til dæmis þarf rennslislykkja yfirleitt lítinn hlutfallslegan ávinning (<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.

Á endanum fer árangursrík ferlieftirlit yfir flækjustig stjórnandans sjálfs. Rétt eins og í kappakstri þurfa hæfir ökumenn (stýringar) afkastamikil ökutæki (vel hönnuð ferlar og búnaður) til að ná árangri, að ná frammistöðu þarf heildræna nálgun, ekki bara samþykkt „snjallstýringar.“

 

Áskoranir AI og ML á ferlinu

AI, ML eða Deep Learning (DL) eru öll jafngild stórum tölfræðilegum aðhvarfi. Til að fá gagnlegar gerðir úr þessum forritum þarf mikið af „hátíðni“ gögnum, sem innihalda mikla hreyfingu, og mikið af offseti út fyrir viðeigandi árangursmörk. Allt þetta er krafist þannig að líkanið „þekkir“ nafn staðsetningu „Cliff Edge“. Mikið söguleg gögn til langs tíma eru ofþjöppuð í nafni sparnaðar disksrýmis. Þess vegna er orðatiltækið „sorp inn, sorp“ mjög viðeigandi.

Eins og með öll önnur tölfræðilíkan, vinnur ML nokkuð gott starf við að blanda saman, en of mikið hefur of mikið af þeim þekktum áhrifum af því að gera framreikninga laumast. Eins og þegar hefur verið bent á, þá skekkist lokuð lykkja oft áberandi líkan á undarlegar leiðir. Og eins og með öll ML forrit, er enn krafist „sérfræðiþekkingar léns“ til að tryggja að líkanið endurspegli að nafninu til raunveruleikann.

Eitt svæði sem við höfum ekki séð á áhrifaríkan hátt til að stjórna ferli er að skilja líkamlegar takmarkanir stjórnunarloka, tækjasviðs og svo framvegis. Þetta er vandamál sem snemma líkan forspárstýringar (MPC) verktaki viðurkenndir: Forrit eru smíðuð til að viðurkenna að þeir hafa enga beina stjórn á ferlum. Þess vegna er það grundvallaratriði að skilja þegar hreyfing PID stjórnandans er takmörkuð eða takmörkuð í einni eða báðum áttum. ML forrit virðast ekki átta sig á þessu hugtaki eins og er.

Að lokum, „að læra“ með sögulegum gögnum veltur á því að tryggja að undirliggjandi ferli og stjórnskipulag til að læra gögn og núverandi aðgerðir séu þau sömu (nema þjöppunarmálin sem nefnd eru hér að ofan). Þess vegna getur breytt stjórnunargetu, hitaskiptum og\/eða dælum o.s.frv., Getur skekkt líkanið og gefið óáreiðanlegar\/ófyrirsjáanlegar niðurstöður.

 

Rannsóknir framfarir um beitingu AI í ferlieftirliti

Undanfarin ár hafa fjöldi nýlegra rannsókna frá sérfræðingum og vísindamönnum iðnaðarins sýnt að það að auka notkun AI tækni gæti valdið hagkvæmni til að auka og styðja við stjórnun ferla, svo og þá sem starfa á sviði sjálfvirkni ferlisins.


AI getur bæði verið ógn og aukið störf okkar í ógnarleit og upplýsingaöflun. Yngri samstarfsmenn okkar sem starfa nú á stækkandi sviði sjálfvirkni og eftirlit með iðnaðarferli munu njóta góðs af því að öðlast AI þekkingu; Grunnreglur, kenningar, aðferðir, munur á þeim og forritum þeirra.

Eins og margir í greininni eru sammála, verða framtíðarstörf okkar ekki tekin af AI, heldur af öðrum verkfræðingum sem vita hvernig á að nota AI og öðlast samkeppnisforskot á þessu sviði.

AI er notað til að stjórna verksmiðjum beint

Ótengd eftirlitsaðstaða (NUF) er aðstaða sem starfar fullkomlega sjálfvirk eða lítillega, venjulega án starfsfólks á staðnum. Víðtækari upptaka NUF -nálgunarinnar í greininni stendur frammi fyrir nokkrum áskorunum (tæknilegum, skipulagningu, fjárhagslegum og reglugerðum). Það eru fjöldi verkefna undir forystu iðnaðarins sem miðar að því að fara í þessa átt, en hvetja til tækniþróunarátaks sem gera kleift þessa nýju rekstrarheimspeki og að lokum staðsetja NUF sem örugga, hagkvæma og almennt viðurkennda nálgun við hönnun og rekstur olíu- og gasaðstöðu.

AI ásamt háþróaðri forspáreftirliti og háþróaðri reglugerðareftirliti geta hjálpað til við að ná þessu markmiði.
Í samanburði við fyrri handvirkar aðgerðir sýna AI -kerfi meiri stöðugleika og skilvirkni og stjórna stöðugleika, jafnvel í ljósi ytri truflana með því að halda mikilvægum rekstrargildum nálægt markmiðsgildum. Þetta er fyrsta dæmið um að styrkja nám AI sem er formlega notað til að stjórna verksmiðju beint.

 

Þér gæti einnig líkað

Hringdu í okkur