औद्योगिक क्षेत्र में एआई प्रौद्योगिकी की प्रगति
रैखिक गतिशीलता, nonlinear स्थैतिक भागों ने तंत्रिका नेटवर्क का उपयोग करके मॉडलिंग की। ये औद्योगिक अनुप्रयोग स्पष्ट रूप से अपने प्रशिक्षण आधार के बाहर एक्सट्रपलेशन मुद्दों को संबोधित करते हैं।
एक ही समय सीमा में, अधिकांश नरम सेंसर विकास एक अलग मॉडलिंग दृष्टिकोण लेता है।
1990 के दशक में, प्रक्रिया प्रणालियों ने तंत्रिका नेटवर्क अनुप्रयोगों में महत्वपूर्ण शैक्षणिक योगदान दिया। इनमें तंत्रिका नेटवर्क का उपयोग करके हाइब्रिड मॉडलिंग शामिल है, जहां अज्ञात संबंध और/या मापदंडों को तंत्रिका नेटवर्क मॉडल के लिए फिट किया जाता है। एक और उल्लेखनीय दृष्टिकोण नेटवर्क में पीएलएस-प्रकार की कार्यक्षमता को शामिल करता है, लेकिन पीएलएस जैसे रैखिक शब्दों के बजाय गैर-रैखिक शब्दों के लिए अनुमति देता है। अन्य योगदानों में असामान्य संचालन का पता लगाने के लिए वर्गीकरण के तरीकों में तंत्रिका नेटवर्क का उपयोग शामिल है (जिसे नॉनलाइनर पीसीए माना जा सकता है)।
एआई और मशीन लर्निंग (एमएल) का बाद का विकास काफी हद तक बड़ी तकनीकी कंपनियों द्वारा किया जाता है और इसलिए यह प्रक्रिया उद्योग के अनुप्रयोगों या जरूरतों से संचालित नहीं होता है। इसलिए, इन विधियों के आवेदन को हमारे क्षेत्र में 100% लागू नहीं किया जा सकता है। बेशक, यह बहुत अच्छा है जहां वे ऐसा करते हैं। छवि प्रसंस्करण एक उदाहरण है। नए नेटवर्क अब गतिशील मॉडलिंग क्षमताओं की पेशकश करते हैं जो अतीत में उपयोग किए जाने वाले चक्रीय नेटवर्क पर एक सुधार हैं। एक उदाहरण CHATGPT है, जिसे बड़े भाषा मॉडल के लिए विकसित किया गया था, लेकिन मॉडलिंग समय श्रृंखला डेटा में समान रूप से सफल साबित हुआ है। हमने सॉफ्ट सेंसर और हाइब्रिड मॉडलिंग में इस तकनीक के साथ होनहार परिणाम देखे हैं, लेकिन अभी तक हमने कुछ वास्तविक औद्योगिक अनुप्रयोगों को देखा है।
हम अभी भी यात्रा के शुरुआती चरणों में हैं, यह पता लगाने के लिए कि प्रक्रिया उद्योग के लिए एआई और एमएल में नए विकास का क्या मतलब है। बहुत प्रचार है, लेकिन मेरा मानना है कि बहुत उम्मीद है। मुझे लगता है कि सबसे बड़ा प्रभाव इन एआई और एमएल टूल का लाभ उठाने या मौजूदा तरीकों के साथ संयोजन करने में होगा, बजाय यह मानने के कि वे उन्हें पूरी तरह से बदल देंगे।
विभिन्न प्रक्रिया नियंत्रण विधियों की तुलना
पीआईडी (आनुपातिक-अभिन्न-अंतर नियंत्रण): पीआईडी नियंत्रण एक त्रुटि नियामक के रूप में कार्य करता है, त्रुटि को शून्य पर चलाने पर ध्यान केंद्रित करता है। यह अक्सर चर या nonlinear मॉडल के साथ सिस्टम में लागू किया जाता है, इसलिए स्थिर प्रदर्शन के लिए समायोजन मापदंडों को सावधानीपूर्वक चुनना आवश्यक है। PID एक एकल इनपुट, एकल आउटपुट (SISO) तरीके से संचालित होता है, लेकिन कई PID नियंत्रकों के संयोजन से नियंत्रण योजना में जटिलता का परिचय हो सकता है।
एमपीसी (मॉडल प्रेडिक्टिव कंट्रोल): पीआईडी के विपरीत, एमपीसी पूर्वनिर्धारित लक्ष्यों को प्राप्त करने के लिए एक साथ कई चर को एक साथ अनुकूलित करने के लिए एक प्रक्रिया मॉडल का उपयोग करता है। एमपीसी के साथ एक महत्वपूर्ण चुनौती एक ज्ञात प्रक्रिया मॉडल की आवश्यकता है। पीआईडी के विपरीत, मॉडल में भिन्नता खराब प्रदर्शन को जन्म दे सकती है, और जटिल प्रक्रियाओं में प्रभावी नियंत्रण के लिए एक मॉडल मैट्रिक्स की आवश्यकता होती है।
FLC (फ़ज़ी लॉजिक कंट्रोलर): वैकल्पिक रूप से, FLC एक कुशल ऑपरेटर का अनुकरण करके अलग -अलग या अज्ञात मॉडल के साथ काम करते समय हस्तक्षेप करता है। मॉडलिंग प्रक्रियाओं के बजाय सीधे (जैसे एमपीसी) या त्रुटियों को कम करने पर ध्यान केंद्रित करना (जैसे कि पीआईडी), एफएलसी विभिन्न परिदृश्यों में आदर्श ऑपरेटर व्यवहार का अनुकरण करता है।
एआई नियंत्रण: ऐतिहासिक और वास्तविक समय के डेटा का उपयोग करते हुए, एआई नियंत्रक प्रक्रिया के पूर्व ज्ञान के बिना लक्ष्यों को प्राप्त करने का प्रयास करते हैं। FLC के विपरीत, AI सिस्टम एक ब्लैक बॉक्स की तरह काम करते हैं, प्रक्रियाओं या संचालन के स्पष्ट ज्ञान के बिना डेटा-आधारित अनुकूलन प्रदान करते हैं।
प्रत्येक नियंत्रण विधि की अपनी विशेषताएं हैं: पीआईडी के साथ, ट्यूनिंग में इन मापदंडों और प्रक्रिया प्रतिक्रिया के बीच वांछित संबंध के आधार पर उपयुक्त नियंत्रक मापदंडों को जल्दी से सेट करने के लिए प्रक्रिया ज्ञान का उपयोग करना शामिल है। उदाहरण के लिए, एक प्रवाह लूप में आमतौर पर कम आनुपातिक लाभ की आवश्यकता होती है (<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.
अंततः, प्रभावी प्रक्रिया नियंत्रण नियंत्रक की जटिलता से परे है। जैसा कि रेसिंग में, कुशल ड्राइवरों (नियंत्रकों) को सफल होने के लिए उच्च-प्रदर्शन वाले वाहनों (अच्छी तरह से डिज़ाइन की गई प्रक्रियाओं और उपकरणों) की आवश्यकता होती है, इष्टतम प्रदर्शन को प्राप्त करने के लिए एक समग्र दृष्टिकोण की आवश्यकता होती है, न कि केवल "स्मार्ट कंट्रोलर्स को अपनाने"।
प्रक्रिया डोमेन में एआई और एमएल की चुनौतियां
एआई, एमएल, या डीप लर्निंग (डीएल) सभी बड़े सांख्यिकीय प्रतिगमन के बराबर हैं। इन अनुप्रयोगों से उपयोगी मॉडल प्राप्त करने के लिए बहुत सारे "उच्च आवृत्ति" डेटा की आवश्यकता होती है, जिसमें बहुत सारे आंदोलन होते हैं, और वांछित प्रदर्शन सीमाओं से परे बहुत सारे ऑफसेट होते हैं। यह सब आवश्यक है ताकि मॉडल "क्लिफ एज" का नाममात्र स्थान "जानता हो।" बहुत लंबे समय तक ऐतिहासिक डेटा को डिस्क स्पेस सेव करने के नाम पर संपीड़ित किया जाता है। इसलिए, "कचरा में कचरा, कचरा बाहर" कहावत बहुत लागू है।
किसी भी अन्य सांख्यिकीय मॉडल के साथ, एमएल इंटरपोलिंग का एक अच्छा काम करता है, लेकिन सबसे अच्छा ओवरफिटिंग में एक्सट्रपलेशन को डरपोक बनाने का प्रसिद्ध प्रभाव होता है। जैसा कि पहले ही बताया जा चुका है, बंद-लूप डेटा अक्सर स्केज़ मॉडल को अजीब तरीके से परिणाम देता है। और, सभी एमएल अनुप्रयोगों के साथ, "डोमेन विशेषज्ञता" अभी भी यह सुनिश्चित करने के लिए आवश्यक है कि मॉडल नाममात्र वास्तविकता को दर्शाता है।
एक क्षेत्र जिसे हमने प्रक्रिया नियंत्रण अनुप्रयोगों के लिए प्रभावी ढंग से संबोधित नहीं किया है, वह नियंत्रण वाल्व, उपकरण रेंज, और इसी तरह की भौतिक सीमाओं को समझ रहा है। यह एक ऐसी समस्या है जो प्रारंभिक मॉडल प्रेडिक्टिव कंट्रोल (एमपीसी) डेवलपर्स को मान्यता दी गई है: अनुप्रयोगों को यह पहचानने के लिए बनाया गया है कि प्रक्रियाओं पर उनका कोई प्रत्यक्ष नियंत्रण नहीं है। इसलिए, यह समझना कि जब पीआईडी नियंत्रक की गति एक या दोनों दिशाओं में प्रतिबंधित या सीमित है, तो यह मौलिक है। एमएल एप्लिकेशन फिलहाल इस अवधारणा को समझते नहीं हैं।
अंत में, ऐतिहासिक डेटा के साथ "सीखना" यह सुनिश्चित करने पर निर्भर करता है कि डेटा और वर्तमान संचालन सीखने के लिए अंतर्निहित प्रक्रियाएं और नियंत्रण संरचनाएं समान हैं (ऊपर वर्णित संपीड़न मुद्दों को छोड़कर)। इसलिए, नियंत्रण वाल्व क्षमता, हीट एक्सचेंजर्स, और/या पंप, आदि को बदलना, मॉडल को तिरछा कर सकता है और अविश्वसनीय/अप्रत्याशित परिणाम दे सकता है।
प्रक्रिया नियंत्रण में एआई के आवेदन पर अनुसंधान प्रगति
हाल के वर्षों में, उद्योग के विशेषज्ञों और शोधकर्ताओं के कई हालिया अध्ययनों से पता चला है कि एआई प्रौद्योगिकियों के उपयोग में वृद्धि से प्रक्रिया नियंत्रण को बढ़ाने और समर्थन करने के लिए दक्षता लाभ हो सकता है, साथ ही साथ प्रक्रिया स्वचालन के क्षेत्र में काम करने वाले भी।
एआई दोनों एक खतरा हो सकता है और खतरे की खोज और बुद्धिमत्ता में हमारे काम को बढ़ा सकता है। वर्तमान में औद्योगिक प्रक्रिया स्वचालन और नियंत्रण के विस्तार क्षेत्र में काम कर रहे हमारे छोटे सहयोगी एआई ज्ञान प्राप्त करने से लाभान्वित होंगे; बुनियादी सिद्धांत, सिद्धांत, तरीके, उनके और उनके अनुप्रयोगों के बीच अंतर।
उद्योग में कई लोग सहमत हैं, हमारे भविष्य की नौकरियों को एआई द्वारा नहीं लिया जाएगा, लेकिन अन्य इंजीनियरों द्वारा जो एआई का उपयोग करना जानते हैं और क्षेत्र में प्रतिस्पर्धात्मक लाभ प्राप्त करते हैं।
एआई का उपयोग सीधे कारखानों को नियंत्रित करने के लिए किया जा रहा है
एक अप्राप्य सुविधा (NUF) एक ऐसी सुविधा है जो पूरी तरह से स्वचालित या दूरस्थ रूप से संचालित होती है, आमतौर पर साइट पर कोई कार्मिक नहीं होता है। उद्योग में एनयूएफ दृष्टिकोण को अपनाने से कई चुनौतियों (तकनीकी, तार्किक, वित्तीय और नियामक) का सामना करना पड़ता है। इस दिशा में आगे बढ़ने के उद्देश्य से कई उद्योग-नेतृत्व वाली पहलें हैं, जबकि प्रौद्योगिकी विकास की पहल को प्रोत्साहित करते हैं जो इस नए परिचालन दर्शन को सक्षम करते हैं और अंततः एनयूएफ को एक सुरक्षित, लागत प्रभावी और व्यापक रूप से स्वीकृत दृष्टिकोण के रूप में तेल और गैस सुविधाओं के डिजाइन और संचालन के लिए स्थिति में रखते हैं।
AI उन्नत मॉडल भविष्य कहनेवाला नियंत्रण और उन्नत नियामक नियंत्रण रणनीतियों के साथ संयुक्त इस लक्ष्य को प्राप्त करने में मदद कर सकता है।
पिछले मैनुअल संचालन की तुलना में, एआई सिस्टम अधिक स्थिरता और दक्षता का प्रदर्शन करते हैं, जो कि महत्वपूर्ण परिचालन मूल्यों को लक्ष्य मूल्यों के करीब रखकर बाहरी हस्तक्षेप के सामने भी स्थिरता को नियंत्रित करते हैं। यह सुदृढीकरण सीखने का पहला उदाहरण है एआई को औपचारिक रूप से एक कारखाने को नियंत्रित करने के लिए उपयोग किया जा रहा है।