産業分野におけるAIテクノロジーの進歩
線形ダイナミクス、ニューラルネットワークを使用してモデル化された非線形静的部分。これらの産業用アプリケーションは、トレーニングベース以外の外挿の問題に明示的に対処しています。
同じ時間枠では、ほとんどのソフトセンサー開発が異なるモデリングアプローチを採用します。
1990年代、プロセスシステムは、ニューラルネットワークアプリケーションに重要な学術的貢献をしました。これらには、ニューラルネットワークやパラメーターがニューラルネットワークモデルに適合しているニューラルネットワークを使用したハイブリッドモデリングが含まれます。別の注目すべきアプローチには、PLSタイプの機能がネットワークに組み込まれていますが、PLSのような線形用語ではなく、非線形用語が可能になります。その他の貢献には、異常な操作を検出するための分類方法でのニューラルネットワークの使用が含まれます（非線形PCAと見なすことができます）。
その後のAIおよび機械学習（ML）の開発は、主に大規模なハイテク企業によって行われているため、プロセス業界のアプリケーションやニーズに基づいていません。したがって、これらの方法の適用は、私たちの分野で100％適用することはできません。もちろん、彼らがそれをするのは素晴らしいことです。画像処理は例です。新しいネットワークは、過去に使用されていた循環ネットワークよりも改善される動的モデリング機能を提供するようになりました。 1つの例は、大規模な言語モデル向けに開発されたが、時系列データのモデリングにも同様に成功していることが証明されているChatGptです。このテクノロジーでソフトセンサーとハイブリッドモデリングで有望な結果を見てきましたが、これまでのところ、実際の産業用途はほとんど見られませんでした。
私たちは、AIとMLの新しい開発がプロセス業界にとって何を意味するかを理解するために、まだ旅の初期段階にいます。誇大広告はたくさんありますが、多くの希望があると思います。最大の影響は、これらのAIおよびMLツールを活用したり、既存の方法を完全に置き換えると仮定したりするのではなく、既存の方法と組み合わせることだと思います。
さまざまなプロセス制御方法の比較
PID（比例統合性微分制御）：PID制御は、エラーレギュレータとして機能し、エラーのゼロの駆動に焦点を当てます。多くの場合、可変モデルまたは非線形モデルを備えたシステムに適用されるため、安定したパフォーマンスの調整パラメーターを慎重に選択することが不可欠です。 PIDは、単一の入力単一出力（SISO）の方法で動作しますが、複数のPIDコントローラーを組み合わせると、制御スキームに複雑さが導入されます。
MPC（モデル予測制御）：PIDとは対照的に、MPCはプロセスモデルを利用して複数の変数を同時に最適化して事前定義された目標を達成します。 MPCの重要な課題は、既知のプロセスモデルの必要性です。 PIDとは異なり、モデルの変動はパフォーマンスの低下につながる可能性があり、複雑なプロセスで効果的な制御にモデルマトリックスが必要になることがよくあります。
FLC（ファジーロジックコントローラー）：あるいは、熟練したオペレーターをシミュレートすることにより、異なるモデルまたは不明なモデルを扱うときにFLCが介入します。プロセスを直接モデリング（MPCなど）またはエラーの削減（PIDなど）に焦点を当てる代わりに、FLCはさまざまなシナリオで理想的な演算子の動作をシミュレートします。
AIコントロール：履歴データとリアルタイムデータを使用して、AIコントローラーはプロセスの事前知識なしに目標を達成するよう努めています。 FLCとは異なり、AIシステムはブラックボックスのように動作し、プロセスや操作に関する明示的な知識なしにデータベースの適応を提供します。
各制御方法には独自の特性があります。PIDを使用すると、チューニングにはプロセス知識を使用して、これらのパラメーターとプロセス応答の間の望ましい関係に基づいて適切なコントローラーパラメーターを迅速に設定することが含まれます。たとえば、フローループには通常、低い比例ゲインが必要です（<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.
最終的に、効果的なプロセス制御は、コントローラー自体の複雑さを超えています。レースと同様に、熟練したドライバー（コントローラー）は、成功するために高性能車両（適切に設計されたプロセスと機器）が必要であるため、最適なパフォーマンスを達成するには、「スマートコントローラー」の採用だけでなく、全体的なアプローチが必要です。
プロセスドメインにおけるAIとMLの課題
AI、ML、またはディープラーニング（DL）はすべて、大規模な統計的回帰に相当します。これらのアプリケーションから有用なモデルを取得するには、多くの「高頻度」データが必要です。これには、多くの動きが含まれ、目的のパフォーマンス境界を超えた多くのオフセットが含まれます。これはすべて、モデルが「クリフエッジ」の名目上の位置を「知っている」ように必要です。多くの長期的な履歴データは、ディスクスペースを保存するという名の下に圧縮されています。したがって、「ゴミ、ゴミ出力」という言葉は非常に適用可能です。
他の統計モデルと同様に、MLは補間するというかなり良い仕事をしますが、せいぜい過剰適合は外挿を卑劣にするというよく知られた効果を持っています。すでに指摘されているように、クローズドループデータは、モデルが奇妙な方法でモデルをゆがめることがよくあります。また、すべてのMLアプリケーションと同様に、モデルが名目上現実を確実に反映するようにするには、「ドメインの専門知識」が依然として必要です。
プロセス制御アプリケーションに効果的に対処されていない領域の1つは、制御バルブ、機器の範囲などの物理的な制限を理解することです。これは、初期モデル予測制御（MPC）開発者が認識した問題です。アプリケーションは、プロセスを直接制御しないことを認識するために構築されています。したがって、PIDコントローラーの動きが片方向または両方の方向に制限または制限されていることを理解することが基本です。 MLアプリケーションは、現時点でこの概念を把握していないようです。
最後に、履歴データを使用した「学習」は、データと現在の操作を学習するための基礎となるプロセスと制御構造が同じであることを確認することに依存します（上記の圧縮の問題を除く）。したがって、制御バルブ容量、熱交換器、ポンプなどの変更により、モデルをゆがめ、信頼できない\/予測不可能な結果をもたらす可能性があります。
プロセス制御におけるAIの適用に関する研究の進捗
近年、業界の専門家や研究者からの最近の多くの研究は、AI技術の使用を増やすことで、プロセス制御を強化およびサポートするために効率の向上をもたらす可能性があることを示しています。
AIは脅威であり、脅威検索とインテリジェンスの作業を強化することもできます。現在、産業プロセスの自動化と制御の拡大分野で働いている若い同僚は、AIの知識を得ることで恩恵を受けるでしょう。基本原則、理論、方法、それらとそのアプリケーションの違い。
業界の多くの人が同意するように、私たちの将来の仕事はAIによって奪われるのではなく、AIの使用方法を知っており、この分野で競争上の優位性を獲得する他のエンジニアによって奪われます。
AIは工場を直接制御するために使用されています
無人施設（NUF）は、通常は人員がいない完全に自動化またはリモートで運営される施設です。業界でのNUFアプローチの幅広い採用は、いくつかの課題に直面しています（技術、物流、財務、規制）。この新しい運用哲学を可能にし、最終的にNUFを石油およびガス施設の設計と運用に対する安全で広く受け入れられているアプローチとしてNUFを可能にするテクノロジー開発イニシアチブを奨励しながら、この方向に移行することを目的とした多くの業界主導のイニシアチブがあります。
AIは、高度なモデル予測制御と高度な規制制御戦略と組み合わされて、この目標を達成するのに役立つ可能性があります。
以前の手動操作と比較して、AIシステムはより大きな安定性と効率性を示し、重要な動作値をターゲット値に近づけることにより、外部干渉に直面しても安定性を正常に制御します。これは、工場を直接制御するために正式に使用される補強学習AIの最初の例です。