La progression de la technologie de l'IA dans le domaine industriel
Dynamique linéaire, pièces statiques non linéaires modélisées à l'aide de réseaux de neurones. Ces applications industrielles résolvent explicitement les problèmes d'extrapolation en dehors de leur base de formation.
Dans le même laps de temps, la plupart du développement de capteurs souples adopte une approche de modélisation différente.
Dans les années 1990, les systèmes de processus ont apporté des contributions académiques importantes aux applications de réseau neuronal. Il s'agit notamment de la modélisation hybride utilisant des réseaux de neurones, où des relations et \/ ou des paramètres inconnus sont ajustés au modèle de réseau neuronal. Une autre approche notable intègre la fonctionnalité de type PLS dans le réseau, mais permet des termes non linéaires plutôt que des termes linéaires comme PLS. D'autres contributions impliquent l'utilisation de réseaux de neurones dans les méthodes de classification pour détecter les opérations anormales (qui peuvent être considérées comme un PCA non linéaire).
Le développement ultérieur de l'IA et de l'apprentissage automatique (ML) est largement effectué par les grandes entreprises technologiques et n'est donc pas motivé par les applications ou les besoins de l'industrie du processus. Par conséquent, l'application de ces méthodes peut ne pas être appliquée à 100% dans notre domaine. Bien sûr, c'est génial où ils le font. Le traitement d'image en est un exemple. Les réseaux plus récents offrent désormais des capacités de modélisation dynamique qui sont une amélioration par rapport aux réseaux cycliques utilisés dans le passé. Un exemple est Chatgpt, qui a été développé pour des modèles de grands langues mais qui a tout aussi réussi à modéliser les données de séries chronologiques. Nous avons vu des résultats prometteurs avec cette technologie dans les capteurs souples et la modélisation hybride, mais jusqu'à présent, nous avons vu peu d'applications industrielles réelles.
Nous sommes encore aux premiers stades du voyage pour comprendre ce que les nouveaux développements dans l'IA et la ML signifient pour l'industrie des processus. Il y a beaucoup de battage médiatique, mais je crois qu'il y a beaucoup d'espoir. Je pense que le plus grand impact sera de tirer parti de ces outils d'IA et de ML ou de les combiner avec des méthodes existantes, plutôt que de supposer qu'elles les remplaceront complètement.
Comparaison des différentes méthodes de contrôle des processus
PID (Contrôle proportionnel-intégral-différentiel): le contrôle PID agit comme un régulateur d'erreur, en se concentrant sur la conduite de l'erreur à zéro. Il est souvent appliqué dans des systèmes avec des modèles variables ou non linéaires, il est donc essentiel de sélectionner soigneusement les paramètres d'ajustement pour des performances stables. PID fonctionne d'une seule entrée, une seule sortie (SISO), mais la combinaison de plusieurs contrôleurs PID peut introduire une complexité au schéma de contrôle.
MPC (Contrôle prédictif du modèle): Contrairement à PID, MPC utilise un modèle de processus pour optimiser plusieurs variables simultanément pour atteindre des objectifs prédéfinis. Un défi clé avec MPC est la nécessité d'un modèle de processus connu. Contrairement au PID, les variations du modèle peuvent entraîner de mauvaises performances et une matrice du modèle est souvent nécessaire pour un contrôle efficace dans des processus complexes.
FLC (Fuzzy Logic Controller): Alternativement, FLC intervient lorsqu'il s'agit de modèles différents ou inconnus en simulant un opérateur qualifié. Au lieu de modéliser directement les processus (tels que MPC) ou de se concentrer sur la réduction des erreurs (tels que PID), FLC simule le comportement idéal de l'opérateur dans différents scénarios.
Contrôle de l'IA: en utilisant des données historiques et en temps réel, les contrôleurs d'IA s'efforcent d'atteindre des objectifs sans connaissance préalable du processus. Contrairement à FLC, les systèmes d'IA fonctionnent comme une boîte noire, fournissant une adaptation basée sur des données sans connaissance explicite des processus ou des opérations.
Chaque méthode de contrôle a ses propres caractéristiques: avec PID, le réglage implique d'utiliser des connaissances de processus pour définir rapidement les paramètres du contrôleur appropriés en fonction de la relation souhaitée entre ces paramètres et la réponse du processus. Par exemple, une boucle de débit nécessite généralement un faible gain proportionnel (<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 fin de compte, un contrôle efficace des processus va au-delà de la complexité du contrôleur lui-même. Tout comme en course, les conducteurs qualifiés (contrôleurs) ont besoin de véhicules haute performance (processus et équipements bien conçus) pour réussir, une performance optimale nécessite une approche holistique, pas seulement l'adoption de «contrôleurs intelligents».
Les défis de l'IA et de la ML dans le domaine du processus
L'IA, le ML ou l'apprentissage en profondeur (DL) sont tous équivalents à de grandes régressions statistiques. Pour obtenir des modèles utiles de ces applications, il faut beaucoup de données "haute fréquence", qui contient beaucoup de mouvement, et beaucoup de compensations au-delà des limites de performance souhaitées. Tout cela est nécessaire pour que le modèle "connaisse" l'emplacement nominal du "Cliff Edge". Beaucoup de données historiques à long terme sont trop compressées au nom de la sauvegarde de l'espace disque. Par conséquent, le dicton "ordures à l'intérieur, les ordures" est très applicable.
Comme pour tout autre modèle statistique, ML fait un assez bon travail d'interpolation, mais le sur-ajustement a au mieux l'effet bien connu de rendre les extrapolations sournoises. Comme cela a déjà été souligné, les données en boucle fermée sont souvent en train de fausser le modèle de manière étrange. Et, comme pour toutes les applications ML, "l'expertise du domaine" est toujours nécessaire pour s'assurer que le modèle reflète nominalement la réalité.
Un domaine que nous n'avons pas vu efficacement adressé pour les applications de contrôle de processus consiste à comprendre les limites physiques des vannes de contrôle, des gammes d'instruments, etc. C'est un problème que les développeurs de contrôle prédictif des modèles précoces (MPC) ont reconnu: les applications sont conçues pour reconnaître qu'elles n'ont aucun contrôle direct sur les processus. Par conséquent, comprendre le moment où le mouvement du contrôleur PID est restreint ou limité dans une ou deux directions est fondamental. Les applications ML ne semblent pas saisir ce concept pour le moment.
Enfin, «l'apprentissage» avec des données historiques dépend de la garantie que les processus sous-jacents et les structures de contrôle pour l'apprentissage des données et les opérations actuels sont les mêmes (à l'exception des problèmes de compression mentionnés ci-dessus). Par conséquent, la modification de la capacité de la valve de contrôle, des échangeurs de chaleur et \/ ou des pompes, etc., peut fausser le modèle et donner des résultats peu fiables \/ imprévisibles.
Progrès de la recherche sur l'application de l'IA dans le contrôle des processus
Ces dernières années, un certain nombre d'études récentes d'experts et de chercheurs de l'industrie ont montré que l'augmentation de l'utilisation des technologies d'IA pourrait apporter des gains d'efficacité pour améliorer et soutenir le contrôle des processus, ainsi que ceux qui travaillent dans le domaine de l'automatisation des processus.
L'IA peut à la fois être une menace et améliorer notre travail dans la recherche et l'intelligence des menaces. Nos jeunes collègues travaillant actuellement dans le domaine en expansion de l'automatisation et du contrôle des processus industriels bénéficieront de la connaissance de l'IA; Principes de base, théories, méthodes, différences entre eux et leurs applications.
Comme beaucoup dans l'industrie sont d'accord, nos futurs emplois ne seront pas enlevés par l'IA, mais par d'autres ingénieurs qui savent utiliser l'IA et obtenir un avantage concurrentiel sur le terrain.
L'IA est utilisée pour contrôler directement les usines
Une installation sans surveillance (NUF) est une installation qui fonctionne entièrement automatisée ou à distance, généralement sans personnel sur place. L'adoption plus large de l'approche du NUF dans l'industrie est confrontée à plusieurs défis (technique, logistique, financier et réglementaire). Il existe un certain nombre d'initiatives dirigées par l'industrie visant à évoluer dans cette direction, tout en encourageant les initiatives de développement technologique qui permettent cette nouvelle philosophie opérationnelle et, finalement, positionnent NUF comme une approche sûre, rentable et largement acceptée de la conception et du fonctionnement des installations de pétrole et de gaz.
L'IA combinée à un contrôle prédictif de modèle avancé et à des stratégies de contrôle réglementaire avancées peut aider à atteindre cet objectif.
Par rapport aux opérations manuelles précédentes, les systèmes d'IA présentent une plus grande stabilité et efficacité, contrôlant avec succès la stabilité même face à des interférences externes en gardant les valeurs opérationnelles critiques proches des valeurs cibles. Ceci est le premier exemple d'apprentissage par renforcement, l'IA est officiellement utilisé pour contrôler directement une usine.