ARC亞洲工業論壇上對自主控製的人工智能的闡述

通過Sharada Prahladrao

類別:
項目成功故事

在在線年度ARC亞洲產業論壇題為加快工業數字化轉型和可持續發展金博宝app安卓版下载2022年7月12日至14日,橫河作為金牌讚助商參加。本屆論壇有1600多名代表報名參加日語和英語兩種語言課程。在關於人工智能和機器學習的會議上,橫河工程亞洲公司高級副總裁、數字企業解決方案負責人Darius Ngo博士分享了一個人工智能(AI)的實現,基於實際計劃,使用強化學習-因子核動態策略規劃(FKDPP)進行自主控製。FKDPP是一個顛覆性的創新,它允許不同維度的控製。這種人工智能技術可以應用在能源、材料、製藥和許多其他行業。

在本屆會議結束時,Ngo博士與其他發言者一起參加了小組討論。這篇博客記錄了Ngo博士在小組討論中演講的要點和他的觀點。整個過程可以在網上觀看YouTube

過程工業的挑戰

過程工業(煉油廠,石油化工,鋼鐵,水等)需要複雜的控製溫度,壓力和流量由於化學反應和其他因素。Ngo博士通過一個煉油廠從精煉到加工和最終裝配的例子來解釋這個複雜的控製場景。影響質量和生產的4m是:

人工智能

製造商現在轉向探索尖端技術,如人工智能和毫升自動化操作。自從工業4.0發布以來,人工智能的關注領域已經擴大。Ngo博士通過在控製層級上的典型線性應用,在過程控製中給出了AI/ML的圖解表示。在第1級(傳感器級別)本身已經有了嵌入式AI;第2級處理更多的控製層-物聯網網絡,DCS等。在這個階段,人工智能可以嵌入到控製器上的強化學習卡算法(FKDPP)中。第3級及以上利用可視化分析等應用程序——AI嵌入到現場監測設備、機器人等圖像分析中。以上是針對特定解決方案的各種應用程序和服務;這是橫河的AI平台工作室- Xperience和Responsible AI平台,為特定應用創建AI算法。

析因內核動態策略規劃(FKDPP)

FKDPP算法是橫河和奈良科學技術研究所(NAIST)在2018年共同開發的。在IEEE國際自動化科學與工程會議上,它被認為是世界上第一個基於強化學習的人工智能,可以用於工廠管理。FKDPP是在醋酸乙烯酯製造工廠的模擬器上運行的,它操作閥門以最大限度地增加產品的數量,同時確保遵守質量和安全標準。在30次學習試驗中實現了穩定和優化的閥門操作。

FKDPP采用階因策略模型和基於因子的基於內核的平滑策略更新,通過對當前策略和更新後的策略之間的Kullback-Leibler發散進行正則化。與之前不能直接處理大量動作的方法相比,Yokogawa提出的方法利用了相同數量的訓練樣本,實現了對醋酸乙烯單體(VAM)產量、質量和植物穩定性更好的控製策略。

民進黨的顯著特征

  • 能應用於大多數控製嗎
  • 提高生產力
  • 簡單的
  • 可說明的操作
  • 安全級別與傳統係統相同

案例研究

2019年,橫河工程亞洲公司成功地利用控製訓練裝置進行了一項實驗。通過筆記本電腦設置了一個三罐液位控製係統。雖然該係統可以通過傳統的PID技術控製,但FKDPP可以將沉澱時間縮短50- 70%,同時還可以防止超調,保持水箱的水位。一段視頻展示了基於強化學習的AI (FKDPP算法)第1次、第20次、第25次和第30次迭代之間的差異。從FKDPP模型生成到實際控製需要三個基本步驟:目標設定、AI控製模型構建、AI自主控製。

在過去三年中,FKDPP算法的有效性已經得到了測試,ENEOS材料公司和NTT DOCOMO啟動了項目。接下來,Ngo博士談到了民進黨如何平衡質量和節能。媒體評價說,“FKDPP在生產自主化、投資回報率最大化、環境可持續性等方麵做出了巨大的貢獻。”

未來的前景

在此背景下,Ngo博士談到了橫川橫河的工業自動化到工業自主(IA2IA)的願景。一項針對390家製造工廠的534名決策者的調查顯示,42%的人認為,在未來三年內,將AI應用於工廠流程優化將對工業自主產生重大影響。5G、雲和人工智能在工業自主領域的預期應用將實現隨時隨地的最佳控製。

觀點

以下是Ngo博士在小組討論中的回答。

設計是否適合不同的界麵?

目前是通過OPC接口實現;但從長遠來看,該公司將整合完整的可視化。多供應商的數據將從數據湖中提取並放入係統中。

為什麼化工廠的試點項目被限製在35天內?

這家化工廠在第36天要進行例行維護這就是為什麼它在第35天就停止了。在那之後,當工廠重新啟動時,它是由人工智能控製的。

FKDPP在進行自動控製之前學習操作人員的動作需要多長時間?

安全始終是橫川實現的關鍵樞紐。FKDPP從工廠曆史學家那裏學習,包括操作員動作模擬,以確保安全自主控製。學習的持續時間取決於控製的複雜性。在這個特殊的工廠,由於FKDPP實施了適應過程,所花的時間很短。

展望未來,你認為AI會取代傳統的PID嗎?

我們更感興趣的是解決PID和APC不能做的事情,填補這些空白,並在這方麵使用AI即興發揮。然而,這在未來可能會發生。即使是學術界也在努力推動全麵的人工智能的理想,但智能應該基於PID類方法論的基本原理。這是一個過渡時期——即使是學術界也需要時間來適應人工智能作為控製策略而不是基礎工程。

與ARC谘詢小組保持聯係

Baidu
map