+86-315-6196865

프로세스 제어에서 인공 지능의 적용 전망

Mar 17, 2025

산업 분야에서 AI 기술의 진행

선형 역학, 신경망을 사용하여 모델링 된 비선형 정적 부품. 이러한 산업 응용 프로그램은 교육 기반 이외의 외삽 문제를 명시 적으로 다룹니다.

같은 시간 내에 대부분의 소프트 센서 개발은 다른 모델링 접근법을 취합니다.

1990 년대에 프로세스 시스템은 신경망 응용 프로그램에 중요한 학업 기여를했습니다. 여기에는 알 수없는 관계 및\/또는 매개 변수가 신경망 모델에 장착되는 신경망을 사용한 하이브리드 모델링이 포함됩니다. 주목할만한 또 다른 접근법은 PLS 형 기능을 네트워크에 통합하지만 PLS와 같은 선형 항보다는 비선형 항을 허용합니다. 다른 기여에는 분류 방법에서 신경망의 사용을 포함하여 비정형 작업 (비선형 PCA로 간주 될 수 있음).

AI 및 기계 학습 (ML)의 후속 개발은 대규모 기술 회사에 의해 주로 수행되므로 프로세스 산업의 응용 프로그램 또는 요구에 의해 주도되지 않습니다. 따라서 이러한 방법의 적용은 우리 분야에서 100% 적용되지 않을 수 있습니다. 물론, 그들이하는 곳은 훌륭합니다. 이미지 처리가 예입니다. 최신 네트워크는 이제 과거에 사용 된 순환 네트워크보다 개선 된 동적 모델링 기능을 제공합니다. 한 가지 예는 큰 언어 모델을 위해 개발되었지만 시계열 데이터를 모델링하는 데 똑같이 성공한 ChatGpt입니다. 우리는 소프트 센서와 하이브리드 모델링 에서이 기술로 유망한 결과를 보았지만 지금까지는 실제 산업 응용 프로그램이 거의 없었습니다.

우리는 여전히 AI와 ML의 새로운 발전이 프로세스 산업에서 어떤 새로운 발전이 의미하는지 알아 내기위한 초기 단계에 있습니다. 과대 광고가 많지만 희망이 많이 있다고 생각합니다. 가장 큰 영향은 이러한 AI 및 ML 도구를 활용하거나 기존 방법과 결합하여 완전히 대체 할 것이라고 가정합니다.

 

다른 프로세스 제어 방법의 비교

PID (비례 integral-differential 컨트롤) : PID 제어는 오류 조절기 역할을하며 오류를 0으로 유도하는 데 중점을 둡니다. 가변 또는 비선형 모델이있는 시스템에 종종 적용되므로 안정적인 성능을 위해 조정 매개 변수를 신중하게 선택해야합니다. PID는 단일 입력, 단일 출력 (SISO) 방식으로 작동하지만 여러 PID 컨트롤러를 결합하면 제어 체계에 복잡성을 도입 할 수 있습니다.

MPC (Model Predictive Control) : PID와 달리 MPC는 프로세스 모델을 사용하여 여러 변수를 동시에 최적화하여 사전 정의 된 목표를 달성합니다. MPC의 주요 과제는 알려진 프로세스 모델이 필요하다는 것입니다. PID와 달리 모델의 변형은 성능 저하로 이어질 수 있으며 복잡한 프로세스에서 효과적인 제어를 위해서는 모델 매트릭스가 종종 필요합니다.

FLC (퍼지 로직 컨트롤러) : 또는 FLC는 숙련 된 연산자를 시뮬레이션하여 다른 또는 알려지지 않은 모델을 처리 할 때 개입합니다. FLC는 프로세스를 직접 모델링하거나 (예 : MPC와 같은) 오류 감소에 중점을 둔 대신 다른 시나리오에서 이상적인 운영자 동작을 시뮬레이션합니다.

AI Control : 과거 및 실시간 데이터를 사용하여 AI 컨트롤러는 프로세스에 대한 사전 지식없이 목표를 달성하기 위해 노력합니다. FLC와 달리 AI 시스템은 블랙 박스처럼 작동하여 프로세스 나 운영에 대한 명시적인 지식없이 데이터 기반 적응을 제공합니다.

각 제어 방법은 고유 한 특성을 갖습니다. PID를 사용하면 튜닝에는 프로세스 지식을 사용하여 이러한 매개 변수와 프로세스 응답 사이의 원하는 관계를 기반으로 적절한 컨트롤러 매개 변수를 신속하게 설정합니다. 예를 들어, 유량 루프는 일반적으로 낮은 비례 이득이 필요합니다 (<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.

궁극적으로 효과적인 프로세스 제어는 컨트롤러 자체의 복잡성을 뛰어 넘습니다. 레이싱에서와 마찬가지로 숙련 된 드라이버 (컨트롤러)는 성공하기 위해 고성능 차량 (잘 설계된 프로세스 및 장비)이 필요하므로 최적의 성능을 달성하려면 "스마트 컨트롤러"의 채택뿐만 아니라 전체적인 접근이 필요합니다.

 

프로세스 도메인에서 AI 및 ML의 문제

AI, ML 또는 딥 러닝 (DL)은 모두 큰 통계적 회귀와 동일합니다. 이러한 애플리케이션에서 유용한 모델을 얻으려면 많은 "고주파"데이터가 필요하며, 여기에는 많은 움직임이 포함되어 있으며 원하는 성능 경계를 넘어서 많은 오프셋이 필요합니다. 이 모든 것이 모델이 "클리프 엣지"의 공칭 위치를 "알고"하려면 필요합니다. 디스크 공간 저장이라는 이름으로 훨씬 장기적인 역사적 데이터가 과도하게 압축됩니다. 따라서 "쓰레기, 쓰레기 아웃"이라는 말은 매우 적용됩니다.

다른 통계 모델과 마찬가지로 ML은 상당히 좋은 보간 작업을 수행하지만 과적으로 과적으로 외삽을 몰래 넣는 데 잘 알려진 효과가 있습니다. 이미 지적한 바와 같이, 폐 루프 데이터는 종종 모델을 기울어지면 이상한 방식으로 기울어집니다. 또한 모든 ML 애플리케이션과 마찬가지로 모델이 명목상 현실을 반영하도록하기 위해 "도메인 전문 지식"이 여전히 필요합니다.

프로세스 제어 응용 분야에서 효과적으로 해결되지 않은 영역 중 하나는 제어 밸브, 기기 범위 등의 물리적 한계를 이해하는 것입니다. 이는 초기 모델 예측 제어 (MPC) 개발자가 인식하는 문제입니다. 응용 프로그램은 프로세스에 대한 직접적인 제어가 없음을 인식하기 위해 구축되었습니다. 따라서 PID 컨트롤러의 움직임이 한 방향 또는 양쪽 방향으로 제한되거나 제한되는 시점을 이해하는 것은 기본입니다. ML 애플리케이션은 현재이 개념을 파악하지 못하는 것 같습니다.

마지막으로, 과거 데이터를 사용한 "학습"은 학습 데이터 및 현재 운영을위한 기본 프로세스 및 제어 구조가 동일하도록하는 데 달려 있습니다 (위에서 언급 한 압축 문제 제외). 따라서 제어 밸브 용량, 열교환 기 및\/또는 펌프 등을 변경하면 모델을 왜곡하고 신뢰할 수없고 예측할 수없는 결과를 줄 수 있습니다.

 

프로세스 제어에서 AI의 적용에 대한 연구 진행 상황

최근 몇 년 동안 업계 전문가와 연구원의 최근 연구에 따르면 AI 기술의 사용을 늘리면 프로세스 자동화 분야에서 일하는 사람들뿐만 아니라 프로세스 제어를 향상시키고 지원하는 데 효율성을 높일 수 있습니다.


AI는 위협이 될 수 있으며 위협 검색 및 인텔리전스 작업을 향상시킬 수 있습니다. 현재 산업 공정 자동화 및 통제의 확장 분야에서 일하고있는 젊은 동료들은 AI 지식을 얻는 데 도움이 될 것입니다. 기본 원칙, 이론, 방법, 그들과 그 응용 분야의 차이점.

업계의 많은 사람들이 동의 한 것처럼, 우리의 미래의 직업은 AI에 의해 미래의 일자리를 빼앗아 갈 것입니다.

AI는 공장을 직접 제어하는 ​​데 사용되고 있습니다

무인 시설 (NUF)은 일반적으로 현장에 인원이없는 완전 자동 또는 원격으로 운영되는 시설입니다. 업계에서 NUF 접근법의 광범위한 채택은 몇 가지 과제 (기술, 물류, 재무 및 규제)에 직면 해 있습니다. 이 방향으로 이동하는 것을 목표로하는 많은 업계 주도 이니셔티브가 있으며,이 새로운 운영 철학을 가능하게하고 궁극적으로 NUF를 석유 및 가스 시설의 설계 및 운영에 대한 안전하고 비용 효율적이며 널리 사용되는 접근 방식으로 자리 매김하는 기술 개발 이니셔티브를 장려합니다.

AI는 고급 모델 예측 제어 및 고급 규제 제어 전략과 결합 하여이 목표를 달성하는 데 도움이 될 수 있습니다.
이전 수동 작업과 비교하여 AI 시스템은 더 큰 안정성과 효율성을 나타내며, 임계 작동 값을 대상 값에 가깝게 유지함으로써 외부 간섭에도 안정성을 성공적으로 제어합니다. 이것은 공식적으로 공장을 직접 제어하는 ​​데 공식적으로 사용되는 강화 학습의 첫 번째 예입니다.

 

당신은 또한 좋아할지도 모릅니다

문의 보내기