O progresso da tecnologia de IA no campo industrial
Dinâmica linear, peças estáticas não lineares modeladas usando redes neurais. Essas aplicações industriais abordam explicitamente questões de extrapolação fora de sua base de treinamento.
No mesmo período, a maioria do desenvolvimento do sensor suave adota uma abordagem de modelagem diferente.
Nos anos 90, os sistemas de processo fizeram importantes contribuições acadêmicas para as aplicações de rede neural. Isso inclui modelagem híbrida usando redes neurais, onde relacionamentos e\/ou parâmetros desconhecidos são ajustados ao modelo de rede neural. Outra abordagem notável incorpora a funcionalidade do tipo PLS na rede, mas permite termos não lineares, em vez de termos lineares como PLS. Outras contribuições envolvem o uso de redes neurais nos métodos de classificação para detectar operações anormais (que podem ser consideradas PCA não lineares).
O desenvolvimento subsequente de IA e aprendizado de máquina (ML) é amplamente feito por grandes empresas de tecnologia e, portanto, não é impulsionado pelas aplicações ou necessidades do setor de processos. Portanto, a aplicação desses métodos não pode ser aplicada 100% em nosso campo. Claro, é ótimo onde eles fazem isso. Processamento de imagem é um exemplo. As redes mais recentes agora oferecem recursos de modelagem dinâmica que são uma melhoria em relação às redes cíclicas usadas no passado. Um exemplo é o ChatGPT, que foi desenvolvido para grandes modelos de idiomas, mas provou ser igualmente bem -sucedido na modelagem de dados de séries temporais. Vimos resultados promissores com essa tecnologia em sensores suaves e modelagem híbrida, mas até agora vimos poucas aplicações industriais reais.
Ainda estamos nos estágios iniciais da jornada para descobrir o que os novos desenvolvimentos em IA e ML significam para o setor de processos. Há muito hype, mas acredito que há muita esperança. Eu acho que o maior impacto será em alavancar essas ferramentas de IA e ML ou combiná -las com os métodos existentes, em vez de assumir que eles os substituirão completamente.
Comparação de diferentes métodos de controle de processos
PID (controle de diferencial proporcional-integral): O controle do PID atua como um regulador de erro, concentrando-se em levar o erro a zero. É frequentemente aplicado em sistemas com modelos variáveis ou não lineares, por isso é essencial selecionar cuidadosamente os parâmetros de ajuste para o desempenho estável. O PID opera de uma maneira única de entrada, saída única (SISO), mas a combinação de vários controladores PID pode introduzir complexidade no esquema de controle.
MPC (controle preditivo do modelo): em contraste com o PID, o MPC utiliza um modelo de processo para otimizar várias variáveis simultaneamente para atingir objetivos predefinidos. Um desafio importante com o MPC é a necessidade de um modelo de processo conhecido. Ao contrário do PID, as variações no modelo podem levar a um desempenho ruim, e uma matriz modelo é frequentemente necessária para um controle eficaz em processos complexos.
FLC (Controlador Lógico Fuzzy): Alternativamente, a FLC intervém ao lidar com modelos diferentes ou desconhecidos, simulando um operador qualificado. Em vez de modelar processos diretamente (como MPC) ou focar na redução de erros (como PID), a FLC simula o comportamento ideal do operador em diferentes cenários.
Controle da IA: Usando dados históricos e em tempo real, os controladores de IA se esforçam para atingir objetivos sem o conhecimento prévio do processo. Ao contrário da FLC, os sistemas de IA operam como uma caixa preta, fornecendo adaptação baseada em dados sem conhecimento explícito de processos ou operações.
Cada método de controle tem suas próprias características: com PID, o ajuste envolve o uso do conhecimento do processo para definir rapidamente os parâmetros do controlador apropriados com base na relação desejada entre esses parâmetros e a resposta do processo. Por exemplo, um loop de fluxo normalmente requer um ganho proporcional baixo (<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.
Por fim, o controle eficaz do processo vai além da complexidade do próprio controlador. Assim como nas corridas, os motoristas qualificados (controladores) precisam de veículos de alto desempenho (processos e equipamentos bem projetados) para serem bem-sucedidos, alcançar o desempenho ideal requer uma abordagem holística, não apenas a adoção de "controladores inteligentes".
Os desafios da IA e ML no domínio do processo
AI, ML ou aprendizado profundo (DL) são todos equivalentes a grandes regressões estatísticas. Para obter modelos úteis desses aplicativos, requer muitos dados de "alta frequência", que contêm muito movimento e muitos compensações além dos limites de desempenho desejados. Tudo isso é necessário para que o modelo "saiba" a localização nominal da "borda do penhasco". Os dados históricos de longo prazo são super-comprovados em nome de salvar o espaço do disco. Portanto, o ditado "lixo, lixo" é muito aplicável.
Como em qualquer outro modelo estatístico, a ML faz um trabalho bastante bom de interpolar, mas, na melhor das hipóteses, o excesso de ajuste tem o efeito bem conhecido de fazer extrapolações sorrateiras. Como já foi apontado, os dados de circuito fechado geralmente distorcem o modelo resulta de maneiras estranhas. E, como em todos os aplicativos de ML, ainda é necessário "experiência em domínio" para garantir que o modelo reflita nominalmente a realidade.
Uma área que não vimos efetivamente abordada para aplicações de controle de processo é entender as limitações físicas das válvulas de controle, faixas de instrumentos e assim por diante. Esse é um problema que os desenvolvedores de controle preditivo do modelo inicial (MPC) reconheceram: os aplicativos são criados para reconhecer que não têm controle direto sobre os processos. Portanto, entender quando o movimento do controlador PID é restrito ou limitado em uma ou ambas as direções é fundamental. As aplicações de ML não parecem entender esse conceito no momento.
Finalmente, "aprender" com dados históricos depende de garantir que os processos subjacentes e as estruturas de controle para os dados de aprendizagem e as operações atuais sejam iguais (exceto os problemas de compressão mencionados acima). Portanto, a alteração da capacidade da válvula de controle, trocadores de calor e\/ou bombas, etc., pode distorcer o modelo e fornecer resultados não confiáveis\/imprevisíveis.
Progresso da pesquisa sobre a aplicação da IA no controle do processo
Nos últimos anos, vários estudos recentes de especialistas e pesquisadores do setor mostraram que aumentar o uso de tecnologias de IA pode trazer ganhos de eficiência para aprimorar e apoiar o controle de processos, bem como aqueles que trabalham no campo da automação de processos.
A IA pode ser uma ameaça e aprimorar nosso trabalho em busca de ameaças e inteligência. Nossos colegas mais jovens que trabalham atualmente no campo em expansão da automação e controle de processos industriais se beneficiarão da obtenção de conhecimento de IA; Princípios básicos, teorias, métodos, diferenças entre eles e suas aplicações.
Como muitos da indústria concordam, nossos futuros empregos não serão retirados pela IA, mas por outros engenheiros que sabem usar a IA e obter uma vantagem competitiva no campo.
Ai está sendo usada para controlar diretamente as fábricas
Uma instalação não atendida (NUF) é uma instalação que opera totalmente automatizada ou remotamente, geralmente sem pessoal no local. A adoção mais ampla da abordagem NUF na indústria enfrenta vários desafios (técnico, logístico, financeiro e regulatório). Existem várias iniciativas lideradas pela indústria destinadas a se mover nessa direção, enquanto incentivam as iniciativas de desenvolvimento de tecnologia que permitem essa nova filosofia operacional e, finalmente, posicionar a NUF como uma abordagem segura, econômica e amplamente aceita para o design e operação de instalações de petróleo e gás.
A IA combinada com o controle avançado de controle preditivo e estratégias avançadas de controle regulatório pode ajudar a atingir esse objetivo.
Comparados às operações manuais anteriores, os sistemas de IA exibem maior estabilidade e eficiência, controlando com sucesso a estabilidade, mesmo diante da interferência externa, mantendo os valores operacionais críticos próximos aos valores alvo. Este é o primeiro exemplo de aprendizado de reforço IA sendo formalmente usado para controlar diretamente uma fábrica.