تقدم تقنية الذكاء الاصطناعى في المجال الصناعي
الديناميات الخطية ، الأجزاء الثابتة غير الخطية على غرار باستخدام الشبكات العصبية. تتناول هذه التطبيقات الصناعية صراحة قضايا الاستقراء خارج قاعدة التدريب الخاصة بهم.
في نفس الإطار الزمني ، يأخذ معظم تطوير المستشعر الناعم نهج نمذجة مختلفة.
في التسعينيات ، قدمت أنظمة العمليات مساهمات أكاديمية مهمة لتطبيقات الشبكة العصبية. وتشمل هذه النمذجة الهجينة باستخدام الشبكات العصبية ، حيث يتم تركيب علاقات و/أو معلمات غير معروفة لنموذج الشبكة العصبية. يتضمن نهج آخر جدير بالملاحظة وظائف من النوع PLS في الشبكة ، ولكنه يسمح بمصطلحات غير خطية بدلاً من المصطلحات الخطية مثل PLS. تتضمن المساهمات الأخرى استخدام الشبكات العصبية في طرق التصنيف للكشف عن العمليات غير الطبيعية (والتي يمكن اعتبارها PCA غير الخطية).
يتم التطوير اللاحق لعلاق الذكاء الاصطناعى والتعلم الآلي (ML) إلى حد كبير من قبل شركات التكنولوجيا الكبيرة ، وبالتالي لا تحركها التطبيقات أو احتياجات صناعة العمليات. لذلك ، قد لا يتم تطبيق تطبيق هذه الطرق بنسبة 100 ٪ في مجالنا. بالطبع ، إنه لأمر رائع حيث يفعلون ذلك. معالجة الصور مثال. توفر الشبكات الأحدث الآن إمكانات نمذجة ديناميكية تشكل تحسناً على الشبكات الدورية المستخدمة في الماضي. أحد الأمثلة على ذلك هو ChatGPT ، الذي تم تطويره لنماذج اللغة الكبيرة ولكنه أثبت نجاحه بنفس القدر في نمذجة بيانات السلاسل الزمنية. لقد رأينا نتائج واعدة مع هذه التكنولوجيا في أجهزة الاستشعار الناعمة والنمذجة الهجينة ، ولكن حتى الآن رأينا القليل من التطبيقات الصناعية الحقيقية.
ما زلنا في المراحل المبكرة من الرحلة لمعرفة ما تعني التطورات الجديدة في AI و ML لصناعة العمليات. هناك الكثير من الضجيج ، لكنني أعتقد أن هناك الكثير من الأمل. أعتقد أن أكبر تأثير هو الاستفادة من أدوات AI و ML أو الجمع بينها والأساليب الحالية ، بدلاً من افتراض أنها ستحل محلها تمامًا.
مقارنة بين طرق التحكم في العملية المختلفة
PID (عنصر تحكم الاختلاط النسبي المنتظم): يعمل التحكم في PID كمنظم للأخطاء ، مع التركيز على قيادة الخطأ إلى الصفر. غالبًا ما يتم تطبيقه في الأنظمة ذات النماذج المتغيرة أو غير الخطية ، لذلك من الضروري تحديد معلمات التعديل بعناية للأداء المستقر. تعمل PID بطريقة واحدة ، طريقة الإخراج المفرد (SISO) ، ولكن يمكن الجمع بين وحدات تحكم PID المتعددة إدخال التعقيد لمخطط التحكم.
MPC (النموذج التحكم التنبئي): على عكس PID ، تستخدم MPC نموذج العملية لتحسين متغيرات متعددة في وقت واحد لتحقيق أهداف محددة مسبقًا. التحدي الرئيسي مع MPC هو الحاجة إلى نموذج عملية معروف. على عكس PID ، يمكن أن تؤدي الاختلافات في النموذج إلى ضعف الأداء ، وغالبًا ما تكون مصفوفة النموذج مطلوبة للتحكم الفعال في العمليات المعقدة.
FLC (وحدة تحكم المنطق الغامض): بدلاً من ذلك ، تتدخل FLC عند التعامل مع نماذج مختلفة أو غير معروفة عن طريق محاكاة مشغل ماهر. بدلاً من عمليات النمذجة مباشرة (مثل MPC) أو التركيز على تقليل الأخطاء (مثل PID) ، تحاكي FLC سلوك المشغل المثالي في سيناريوهات مختلفة.
التحكم في الذكاء الاصطناعى: باستخدام بيانات تاريخية وفي الوقت الفعلي ، تسعى وحدات التحكم في الذكاء الاصطناعى لتحقيق الأهداف دون معرفة مسبقة بالعملية. على عكس FLC ، تعمل أنظمة الذكاء الاصطناعى مثل المربع الأسود ، مما يوفر التكيف القائم على البيانات دون معرفة صريحة بالعمليات أو العمليات.
كل طريقة تحكم لها خصائصها الخاصة: مع PID ، يتضمن الضبط استخدام المعرفة العملية لتعيين معلمات وحدة التحكم المناسبة بسرعة بناءً على العلاقة المطلوبة بين هذه المعلمات واستجابة العملية. على سبيل المثال ، تتطلب حلقة التدفق عادةً كسبًا نسبيًا منخفضًا (<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.
في النهاية ، تتجاوز التحكم الفعال في العملية تعقيد وحدة التحكم نفسها. كما هو الحال في السباقات ، يحتاج السائقون الماهرون (وحدات التحكم) إلى مركبات عالية الأداء (العمليات والمعدات المصممة جيدًا) لتكون ناجحة ، ويتطلب تحقيق الأداء الأمثل طريقة شاملة ، وليس فقط اعتماد "وحدات التحكم الذكية".
تحديات AI و ML في مجال العملية
AI ، ML ، أو التعلم العميق (DL) كلها مكافئة للتراجعات الإحصائية الكبيرة. للحصول على نماذج مفيدة من هذه التطبيقات ، يتطلب الكثير من بيانات "التردد العالي" ، والتي تحتوي على الكثير من الحركة ، والكثير من التعويضات خارج حدود الأداء المطلوبة. كل هذا مطلوب بحيث يعرف النموذج "الموقع الاسمي" جرف حافة ". يتم الضغط على الكثير من البيانات التاريخية طويلة الأجل باسم حفظ مساحة القرص. لذلك ، فإن قول "القمامة في ، القمامة خارج" قابلة للتطبيق للغاية.
كما هو الحال مع أي نموذج إحصائي آخر ، يقوم ML بعمل جيد إلى حد ما في التداخل ، ولكن يكون في أحسن الأحوال له تأثير معروف لجعل الاستقراء متستر. كما هو موضح بالفعل ، فإن بيانات الحلقة المغلقة غالبًا ما تمنح نموذج النموذج بطرق غريبة. وكما هو الحال مع جميع تطبيقات ML ، لا تزال "خبرة المجال" مطلوبة لضمان أن النموذج يعكس الواقع بشكل اسمي.
أحد المجالات التي لم نرها معالجتها بشكل فعال لتطبيقات التحكم في العملية هو فهم القيود المادية لصمامات التحكم ، ونطاقات الأدوات ، وما إلى ذلك. هذه مشكلة تعترف بها مطورو التحكم التنبؤي في النموذج المبكر (MPC): تم تصميم التطبيقات للاعتراف بأنهم ليس لديهم سيطرة مباشرة على العمليات. لذلك ، فإن فهم حركة تحكم PID مقيد أو محدودة في واحد أو كلا الاتجاه أمر أساسي. لا يبدو أن تطبيقات ML تفهم هذا المفهوم في الوقت الحالي.
أخيرًا ، يعتمد "التعلم" مع البيانات التاريخية على ضمان أن العمليات الأساسية وهياكل التحكم في بيانات التعلم والعمليات الحالية هي نفسها (باستثناء مشكلات الضغط المذكورة أعلاه). لذلك ، يمكن لتغيير سعة صمام التحكم ، والمبادلات الحرارية ، و/أو المضخات ، وما إلى ذلك ، أن يشوه النموذج ويعطي نتائج غير موثوقة/لا يمكن التنبؤ بها.
التقدم البحثي في تطبيق الذكاء الاصطناعى في عملية التحكم في العملية
في السنوات الأخيرة ، أظهر عدد من الدراسات الحديثة من خبراء الصناعة والباحثين أن زيادة استخدام تقنيات الذكاء الاصطناعى يمكن أن تحقق مكاسب الكفاءة لتعزيز ودعم عملية التحكم ، وكذلك أولئك الذين يعملون في مجال أتمتة العملية.
يمكن أن تكون الذكاء الاصطناعي تهديدًا وتعزيز عملنا في البحث عن التهديدات والذكاء. سيستفيد زملائنا الصغار الذين يعملون حاليًا في مجال توسيع نطاق التشغيل الآلي للعمليات الصناعية والتحكم فيه من الحصول على معرفة الذكاء الاصطناعي ؛ المبادئ الأساسية والنظريات والأساليب والاختلافات بينها وبين تطبيقاتها.
كما يتفق الكثيرون في هذه الصناعة ، لن يتم أخذ وظائفنا المستقبلية من قبل الذكاء الاصطناعي ، ولكن من قبل المهندسين الآخرين الذين يعرفون كيفية استخدام الذكاء الاصطناعي واكتساب ميزة تنافسية في هذا المجال.
يتم استخدام الذكاء الاصطناعى للسيطرة مباشرة على المصانع
منشأة غير مراقبة (NUF) هي منشأة تعمل تلقائيًا بالكامل أو عن بُعد ، وعادة ما يكون مع عدم وجود موظفين في الموقع. يواجه التبني الأوسع لنهج NUF في الصناعة العديد من التحديات (التقنية واللوجستية والمالية والتنظيمية). هناك عدد من المبادرات التي تقودها الصناعة التي تهدف إلى الانتقال في هذا الاتجاه ، مع تشجيع مبادرات تطوير التكنولوجيا التي تمكن هذه الفلسفة التشغيلية الجديدة وتضع في نهاية المطاف NUF كنهج آمن وفعال من حيث التكلفة ومقبول على نطاق واسع لتصميم وتشغيل مرافق النفط والغاز.
AI جنبا إلى جنب مع النموذج المتقدم النموذج التحكم التنبؤية واستراتيجيات التحكم التنظيمي المتقدمة قد تساعد في تحقيق هذا الهدف.
بالمقارنة مع العمليات اليدوية السابقة ، تظهر أنظمة الذكاء الاصطناعى استقرارًا وكفاءة أكبر ، وتتحكم بنجاح في الاستقرار حتى في مواجهة التداخل الخارجي عن طريق الحفاظ على قيم التشغيل الحرجة قريبة من القيم المستهدفة. هذا هو المثال الأول لتعزيز التعلم الذي يتم استخدامه رسميًا للتحكم مباشرة في المصنع.