【儀表網(wǎng) 行業(yè)科普】鑒于人工智能(AI)技術(shù)對工業(yè)領(lǐng)域的影響日益加深，來自國際自動化學(xué)會(ISA)的專家們分享了對于“AI在過程控制中應(yīng)用”這一趨勢的看法。本文節(jié)選自ISA“咨詢自動化專業(yè)人士”系列問答。
 

　　AI技術(shù)在工業(yè)領(lǐng)域的進展
 

　　自 1990 年代中期以來，神經(jīng)網(wǎng)絡(luò)已經(jīng)成功應(yīng)用于一個特定的行業(yè)——聚合物。需要指出的是，他們使用了基于 Wiener 結(jié)構(gòu)的混合建模方法，即線性動力學(xué)，非線性靜態(tài)部分使用神經(jīng)網(wǎng)絡(luò)建模。這些工業(yè)應(yīng)用程序明確處理了其訓(xùn)練基地之外的外推問題。
 

　　在同一時間框架內(nèi)，神經(jīng)網(wǎng)絡(luò)也成功地應(yīng)用于非線性顯著的軟傳感器開發(fā)。然而，大多數(shù)軟傳感器開發(fā)采用了不同的建模方法，例如 PCA 和 PLS，并且可能基于工程洞察力在模型中包含非線性項。
 

　　在 1990 年代，過程系統(tǒng)在神經(jīng)網(wǎng)絡(luò)應(yīng)用方面做出了重要的學(xué)術(shù)貢獻。其中包括使用神經(jīng)網(wǎng)絡(luò)進行混合建模，其中未知關(guān)系和/或參數(shù)與神經(jīng)網(wǎng)絡(luò)模型擬合。另一種值得注意的方法將 PLS 類型的功能合并到網(wǎng)絡(luò)中，但允許非線性項而不是像 PLS 那樣的線性項。其他貢獻涉及在分類方法中使用神經(jīng)網(wǎng)絡(luò)檢測異常操作(可視為非線性 PCA)。
 

　　AI和 機器學(xué)習(xí)(ML) 的后續(xù)開發(fā)主要由大型科技公司完成，因此并非受流程工業(yè)的應(yīng)用程序或需求的推動。因此，這些方法的應(yīng)用可能不會 100% 地應(yīng)用于我們的領(lǐng)域。當然，他們這樣做的地方很棒。圖像處理就是一個例子?，F(xiàn)在，較新的網(wǎng)絡(luò)提供了動態(tài)建模功能，比過去使用的循環(huán)網(wǎng)絡(luò)有了改進。一個例子是 ChatGPT，它是為大型語言模型開發(fā)的，但已被證明在對時間序列數(shù)據(jù)建模方面同樣成功。我們已經(jīng)看到這項技術(shù)在軟傳感器和混合建模方面取得了可喜的結(jié)果，但到目前為止，我們還沒有看到什么真正的工業(yè)應(yīng)用。
 

　　我們?nèi)蕴幱谂宄?AI 和 ML 的新發(fā)展對流程工業(yè)意味著什么的早期旅程中。有很多炒作，但我相信有很多希望。我認為最大的影響將是利用這些 AI 和 ML 工具或?qū)⑵渑c現(xiàn)有方法相結(jié)合，而不是假設(shè)它們會完全取代。
 

　　不同過程控制方法的比較
 

　　PID （比例-積分-微分控制）：PID 控制充當誤差調(diào)節(jié)器，專注于將誤差驅(qū)動到零。它通常應(yīng)用于具有可變或非線性模型的系統(tǒng)中，因此仔細選擇調(diào)整參數(shù)以獲得穩(wěn)定的性能至關(guān)重要。PID 以單輸入、單輸出 (SISO) 方式運行，但組合多個 PID 控制器可能會給控制方案帶來復(fù)雜性。
 

　　MPC（模型預(yù)測控制）：與 PID 相比，MPC 利用過程模型同時優(yōu)化多個變量，以實現(xiàn)預(yù)定義的目標。MPC 的一個關(guān)鍵挑戰(zhàn)在于需要已知的流程模型。與 PID 不同，模型的變化會導(dǎo)致性能低下，通常需要一個模型矩陣才能在復(fù)雜的過程中進行有效控制。
 

　　FLC（模糊邏輯控制器）：或者，F(xiàn)LC 通過模擬熟練的操作員在處理不同或未知的模型時介入。FLC 不是直接對過程進行建模(如 MPC)或?qū)Ｗ⒂跍p少誤差(如 PID)，而是模擬不同場景中的理想操作員行為。
 

　　AI 控制：利用歷史和實時數(shù)據(jù)，AI 控制器努力實現(xiàn)目標，而無需事先了解流程。與 FLC 不同，AI 系統(tǒng)像黑匣子一樣運行，它提供基于數(shù)據(jù)的適應(yīng)性，而無需明確了解流程或操作。
 

　　每種控制方法都有各自的特點：采用 PID 時，調(diào)整涉及利用過程知識，根據(jù)這些參數(shù)與過程響應(yīng)之間的所需關(guān)系，快速設(shè)置適當?shù)目刂破鲄?shù)。例如，流量回路通常需要低比例增益 (<0.1)，而電平回路需要更高的值，具體取決于應(yīng)用。在 MPC 中，復(fù)雜的建模取代了有根據(jù)的猜測，強調(diào)了定義明確的流程模型的重要性。FLC 依賴于了解運營成功，而不是詳細的流程模型，這使其成為流程沒有明確表征的有價值的選擇。對于 AI 控制，大量數(shù)據(jù)和明確的目標對于指導(dǎo)系統(tǒng)有效實現(xiàn)其目標至關(guān)重要。
 

　　最終，有效的過程控制超越了控制器本身的復(fù)雜性。就像在賽車中，熟練的駕駛員(控制器)需要高性能車輛(精心設(shè)計的流程和設(shè)備)才能成功一樣，實現(xiàn)最佳性能需要一種整體方法，而不僅僅是采用“智能控制器”。
 

　　AI和ML在過程領(lǐng)域的挑戰(zhàn)
 

　　AI、ML或深度學(xué)習(xí)(DL)都相當于大型統(tǒng)計回歸。要從這些應(yīng)用程序中獲得有用的模型，需要大量的 “高頻” 數(shù)據(jù)，其中包含大量的移動，以及超出所需性能邊界的大量偏移。所有這些都是必需的，以便模型“知道”“懸崖邊緣”的標稱位置。許多長期歷史數(shù)據(jù)以節(jié)省磁盤空間的名義被過度壓縮。因此，“垃圾進，垃圾出 ”的說法非常適用。
 

　　與任何其他統(tǒng)計模型一樣，ML在插值方面做得相當好，但過擬合充其量具有使外推變得狡猾的眾所周知的效果。正如已經(jīng)指出的那樣，閉環(huán)數(shù)據(jù)經(jīng)常以奇怪的方式扭曲模型結(jié)果。而且，與所有 ML 應(yīng)用程序一樣，仍然需要 “領(lǐng)域?qū)I(yè)知識” 來確保模型名義上反映現(xiàn)實。
 

　　對于過程控制應(yīng)用，我們尚未看到有效解決的一個領(lǐng)域是了解控制閥、儀表范圍等的物理限制。這是早期模型預(yù)測控制(MPC)開發(fā)人員認識到的一個問題：應(yīng)用程序構(gòu)建是為了識別它們無法直接控制過程。因此，了解 PID 控制器何時在一個或兩個方向上的運動受到限制或限制是基礎(chǔ)。ML應(yīng)用程序目前似乎沒有掌握這個概念。
 

　　最后，使用歷史數(shù)據(jù)進行“學(xué)習(xí)”取決于確保學(xué)習(xí)數(shù)據(jù)和當前操作的底層流程和控制結(jié)構(gòu)相同(除了上面提到的壓縮問題)。因此，更改控制閥容量、熱交換器和/或泵等可能會使模型發(fā)生偏差并給出不可靠/不可預(yù)測的結(jié)果。
 

　　關(guān)于在過程控制中應(yīng)用AI的研究進展
 

　　近年來，一些來自行業(yè)專家和研究人員的最新研究表明，增加AI技術(shù)的應(yīng)用可能對增強和支持過程控制，以及在過程自動化領(lǐng)域工作的人員帶來效率提升。
 

　　在 2023 年 ETFA – IEEE 第 28 屆新興技術(shù)和工廠自動化國際會議上，一篇題為“ChatGPT for PLC/DCS Control Logic Generation”的杰出論文獲得了最佳論文獎。作者創(chuàng)建了一個包含 100 個自然語言提示的精選集合，以使用大型語言模型 (LLM) 在 IEC 61131-3 結(jié)構(gòu)化文本中生成控制邏輯。一些提示的靈感來自真實的工程項目。該系列分為以下類別：標準算法、數(shù)學(xué)函數(shù)、PLC 編程任務(wù)、過程控制、順序控制、聯(lián)鎖、診斷/通信、高級過程控制、各種工程輸入和程序員支持。他們通過使用 GPT-4 LLM 通過 ChatGPT 生成答案來測試提示。在許多情況下，它生成了語法正確的 IEC 61131-3 結(jié)構(gòu)化文本代碼，并展示了可以提高控制工程師工作效率的有用推理技能。
 

　　2024年，第 46 屆 ICSE，IEEE/ACM 軟件工程聯(lián)合國際會議共同主辦了第一屆代碼大型語言模型國際研討會 (LLM4Code 2024)。在一篇題為“LLM-Based and Retrieval-Augmented Control Code Generation”的論文中，作者使用 LLM 和檢索增強生成來創(chuàng)建具有專有功能塊的 IEC 61131-3 結(jié)構(gòu)化文本控制邏輯。通過這種方法，控制工程師可以從 LLM 的代碼生成功能中受益，重用專有且經(jīng)過充分測試的功能塊，并顯著加快典型的編程任務(wù)。ICSE24 論文使用基于 GPT-4、LangChain、OpenPLC 和開源 OSCAT 功能塊庫的原型實現(xiàn)評估了該方法。
 

　　最近，在 Elsevier 的《系統(tǒng)與軟件期刊》上發(fā)表的一篇題為“Fast state transfer for updates and live migration of industrial controller runtimes in container orchestration systems”的論文中，一家大型工業(yè)自動化 OEM 廠商展示了他們在運行時更新循環(huán)控制應(yīng)用程序而不中斷或停止它們方面的成功。除了他們專有的品牌軟件外，他們還使用了 OPC UA 以及 open62541、OpenPLC 和 StarlingX(均為開源)來驗證該方法。
 

　　AI 既可能是一種威脅，也可以加強我們在威脅搜尋和情報方面的工作。我們目前在不斷擴大的工業(yè)過程自動化和控制領(lǐng)域工作的年輕同事將受益于獲得 AI 知識；基本原理、理論、方法、它們之間的差異及其應(yīng)用。
 

　　正如很多業(yè)內(nèi)人士所認同的，我們未來的工作不會被AI奪走，而是被其他知道如何使用 AI 并在該領(lǐng)域獲得競爭優(yōu)勢的工程師奪走。
 

　　AI 正在被用于直接控制工廠
 

　　無人值守設(shè)施(NUF)是指運營完全自動化或遠程操作的設(shè)施，通常沒有人員在現(xiàn)場。NUF 方法在行業(yè)中的更廣泛應(yīng)用面臨多項挑戰(zhàn)(技術(shù)、物流、財務(wù)和監(jiān)管)。有一些行業(yè)主導(dǎo)的倡議旨在朝這個方向發(fā)展，比如國際石油和天然氣生產(chǎn)商協(xié)會的NUF專家組，這是一個行業(yè)合作的努力，解決了代碼、標準和法規(guī)中的阻礙，同時鼓勵了能夠?qū)崿F(xiàn)這種新操作理念的技術(shù)開發(fā)倡議，并最終將NUF定位為一個安全的、 具有成本效益且被廣泛接受的石油和天然氣設(shè)施的設(shè)計和操作方法。
 

　　AI與先進的模型預(yù)測控制和先進的監(jiān)管控制策略相結(jié)合可能有助于實現(xiàn)這一目標。2024年5月，兩家日本石油和化工行業(yè)的領(lǐng)先公司宣布，他們于2024年1月開始連續(xù)自主運行用于加工原油的常壓蒸餾裝置。
 

　　常壓蒸餾裝置目前由位于川崎一家煉油廠的 AI 系統(tǒng)自主運行。常壓蒸餾裝置需要控制 24 個關(guān)鍵操作因素，需要監(jiān)控多達 930 個傳感器，因此特別需要高水平的技能和經(jīng)驗。AI 系統(tǒng)同時調(diào)整 13 個最終控制元件，以穩(wěn)定原油切換和原油吞吐量變化引起的波動。
 

　　與以前的人工操作相比，AI 系統(tǒng)表現(xiàn)出更高的穩(wěn)定性和效率，通過將關(guān)鍵操作值保持在接近目標值，即使在外部干擾下也能成功控制穩(wěn)定性。這是強化學(xué)習(xí) AI 被正式用于直接控制工廠的第一個例子。