鑒于人工智能(AI)技術(shù)對(duì)工業(yè)領(lǐng)域的影響日益加深，來自國際自動(dòng)化學(xué)會(huì)(ISA)的專家們分享了對(duì)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(dòng)化專業(yè)人士”系列問答。

AI技術(shù)在工業(yè)領(lǐng)域的進(jìn)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(gè)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(dòng)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(shí)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(xiàng)。

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(xiàn)。其中包括使用神經(jīng)網(wǎng)絡(luò)進(jìn)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(xiàng)而不是像 PLS 那樣的線性項(xiàng)。其他貢獻(xiàn)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(jī)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(dòng)。因此，這些方法的應(yīng)用可能不會(huì) 100% 地應(yīng)用于我們的領(lǐng)域。當(dāng)然，他們這樣做的地方很棒。圖像處理就是一個(gè)例子?，F(xiàn)在，較新的網(wǎng)絡(luò)提供了動(dòng)態(tài)建模功能，比過去使用的循環(huán)網(wǎng)絡(luò)有了改進(jìn)。一個(gè)例子是 ChatGPT，它是為大型語言模型開發(fā)的，但已被證明在對(duì)時(shí)間序列數(shù)據(jù)建模方面同樣成功。我們已經(jīng)看到這項(xiàng)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(duì)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(rèn)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(huì)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(dāng)誤差調(diào)節(jié)器，專注于將誤差驅(qū)動(dòng)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(xì)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(yùn)行，但組合多個(gè) PID 控制器可能會(huì)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(shí)優(yōu)化多個(gè)變量，以實(shí)現(xiàn)預(yù)定義的目標(biāo)。MPC 的一個(gè)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(huì)導(dǎo)致性能低下，通常需要一個(gè)模型矩陣才能在復(fù)雜的過程中進(jìn)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(shí)介入。FLC 不是直接對(duì)過程進(jìn)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(shí)時(shí)數(shù)據(jù)，AI 控制器努力實(shí)現(xiàn)目標(biāo)，而無需事先了解流程。與 FLC 不同，AI 系統(tǒng)像黑匣子一樣運(yùn)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(diǎn)：采用 PID 時(shí)，調(diào)整涉及利用過程知識(shí)，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(dāng)?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(qiáng)調(diào)了定義明確的流程模型的重要性。FLC 依賴于了解運(yùn)營成功，而不是詳細(xì)的流程模型，這使其成為流程沒有明確表征的有價(jià)值的選擇。對(duì)于 AI 控制，大量數(shù)據(jù)和明確的目標(biāo)對(duì)于指導(dǎo)系統(tǒng)有效實(shí)現(xiàn)其目標(biāo)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(jì)的流程和設(shè)備)才能成功一樣，實(shí)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(dāng)于大型統(tǒng)計(jì)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(dòng)，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(biāo)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(jìn)，垃圾出 ”的說法非常適用。

與任何其他統(tǒng)計(jì)模型一樣，ML在插值方面做得相當(dāng)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(shí)” 來確保模型名義上反映現(xiàn)實(shí)。

對(duì)于過程控制應(yīng)用，我們尚未看到有效解決的一個(gè)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(rèn)識(shí)到的一個(gè)問題：應(yīng)用程序構(gòu)建是為了識(shí)別它們無法直接控制過程。因此，了解 PID 控制器何時(shí)在一個(gè)或兩個(gè)方向上的運(yùn)動(dòng)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(gè)概念。

最后，使用歷史數(shù)據(jù)進(jìn)行“學(xué)習(xí)”取決于確保學(xué)習(xí)數(shù)據(jù)和當(dāng)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(huì)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(jìn)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(duì)增強(qiáng)和支持過程控制，以及在過程自動(dòng)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(dòng)化國際會(huì)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(jiǎng)。作者創(chuàng)建了一個(gè)包含 100 個(gè)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(shí)的工程項(xiàng)目。該系列分為以下類別：標(biāo)準(zhǔn)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(jí)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(huì)議共同主辦了第一屆代碼大型語言模型國際研討會(huì) (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(qiáng)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(shí)現(xiàn)評(píng)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(dòng)化 OEM 廠商展示了他們?cè)谶\(yùn)行時(shí)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(yàn)證該方法。

AI 既可能是一種威脅，也可以加強(qiáng)我們?cè)谕{搜尋和情報(bào)方面的工作。我們目前在不斷擴(kuò)大的工業(yè)過程自動(dòng)化和控制領(lǐng)域工作的年輕同事將受益于獲得 AI 知識(shí);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(rèn)同的，我們未來的工作不會(huì)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(yùn)營完全自動(dòng)化或遠(yuǎn)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(xiàng)挑戰(zhàn)(技術(shù)、物流、財(cái)務(wù)和監(jiān)管)。有一些行業(yè)主導(dǎo)的倡議旨在朝這個(gè)方向發(fā)展，比如國際石油和天然氣生產(chǎn)商協(xié)會(huì)的NUF專家組，這是一個(gè)行業(yè)合作的努力，解決了代碼、標(biāo)準(zhǔn)和法規(guī)中的阻礙，同時(shí)鼓勵(lì)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(gè)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(jì)和操作方法。

AI與先進(jìn)的模型預(yù)測控制和先進(jìn)的監(jiān)管控制策略相結(jié)合可能有助于實(shí)現(xiàn)這一目標(biāo)。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(yùn)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(yùn)行。常壓蒸餾裝置需要控制 24 個(gè)關(guān)鍵操作因素，需要監(jiān)控多達(dá) 930 個(gè)傳感器，因此特別需要高水平的技能和經(jīng)驗(yàn)。AI 系統(tǒng)同時(shí)調(diào)整 13 個(gè)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(dòng)。

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(biāo)值，即使在外部干擾下也能成功控制穩(wěn)定性。這是強(qiáng)化學(xué)習(xí) AI 被正式用于直接控制工廠的第一個(gè)例子。