人工智能在过程控制中的应用前景

鉴于人工智能(AI)技术对工业领域的影响日益加深，来自国际自动化学会(ISA)的专家们分享了对于“AI在过程控制中应用”这一趋势的看法。本文节选自ISA“咨询自动化专业人士”系列问答。

AI技术在工业领域的进展

自 1990 年代中期以来，神经网络已经成功应用于一个特定的行业——聚合物。需要指出的是，他们使用了基于 Wiener 结构的混合建模方法，即线性动力学，非线性静态部分使用神经网络建模。这些工业应用程序明确处理了其训练基地之外的外推问题。

在同一时间框架内，神经网络也成功地应用于非线性显著的软传感器开发。然而，大多数软传感器开发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线性项。

在 1990 年代，过程系统在神经网络应用方面做出了重要的学术贡献。其中包括使用神经网络进行混合建模，其中未知关系和/或参数与神经网络模型拟合。另一种值得注意的方法将 PLS 类型的功能合并到网络中，但允许非线性项而不是像 PLS 那样的线性项。其他贡献涉及在分类方法中使用神经网络检测异常操作(可视为非线性 PCA)。

AI和 机器学习(ML) 的后续开发主要由大型科技公司完成，因此并非受流程工业的应用程序或需求的推动。因此，这些方法的应用可能不会 100% 地应用于我们的领域。当然，他们这样做的地方很棒。图像处理就是一个例子。现在，较新的网络提供了动态建模功能，比过去使用的循环网络有了改进。一个例子是 ChatGPT，它是为大型语言模型开发的，但已被证明在对时间序列数据建模方面同样成功。我们已经看到这项技术在软传感器和混合建模方面取得了可喜的结果，但到目前为止，我们还没有看到什么真正的工业应用。

我们仍处于弄清楚 AI 和 ML 的新发展对流程工业意味着什么的早期旅程中。有很多炒作，但我相信有很多希望。我认为最大的影响将是利用这些 AI 和 ML 工具或将其与现有方法相结合，而不是假设它们会完全取代。

不同过程控制方法的比较

PID (比例-积分-微分控制)：PID 控制充当误差调节器，专注于将误差驱动到零。它通常应用于具有可变或非线性模型的系统中，因此仔细选择调整参数以获得稳定的性能至关重要。PID 以单输入、单输出 (SISO) 方式运行，但组合多个 PID 控制器可能会给控制方案带来复杂性。

MPC(模型预测控制)：与 PID 相比，MPC 利用过程模型同时优化多个变量，以实现预定义的目标。MPC 的一个关键挑战在于需要已知的流程模型。与 PID 不同，模型的变化会导致性能低下，通常需要一个模型矩阵才能在复杂的过程中进行有效控制。

FLC(模糊逻辑控制器)：或者，FLC 通过模拟熟练的操作员在处理不同或未知的模型时介入。FLC 不是直接对过程进行建模(如 MPC)或专注于减少误差(如 PID)，而是模拟不同场景中的理想操作员行为。

AI 控制：利用历史和实时数据，AI 控制器努力实现目标，而无需事先了解流程。与 FLC 不同，AI 系统像黑匣子一样运行，它提供基于数据的适应性，而无需明确了解流程或操作。

每种控制方法都有各自的特点：采用 PID 时，调整涉及利用过程知识，根据这些参数与过程响应之间的所需关系，快速设置适当的控制器参数。例如，流量回路通常需要低比例增益 (<0.1)，而电平回路需要更高的值，具体取决于应用。在 MPC 中，复杂的建模取代了有根据的猜测，强调了定义明确的流程模型的重要性。FLC 依赖于了解运营成功，而不是详细的流程模型，这使其成为流程没有明确表征的有价值的选择。对于 AI 控制，大量数据和明确的目标对于指导系统有效实现其目标至关重要。

最终，有效的过程控制超越了控制器本身的复杂性。就像在赛车中，熟练的驾驶员(控制器)需要高性能车辆(精心设计的流程和设备)才能成功一样，实现最佳性能需要一种整体方法，而不仅仅是采用“智能控制器”。

AI和ML在过程领域的挑战

AI、ML或深度学习(DL)都相当于大型统计回归。要从这些应用程序中获得有用的模型，需要大量的 “高频” 数据，其中包含大量的移动，以及超出所需性能边界的大量偏移。所有这些都是必需的，以便模型“知道”“悬崖边缘”的标称位置。许多长期历史数据以节省磁盘空间的名义被过度压缩。因此，“垃圾进，垃圾出 ”的说法非常适用。

与任何其他统计模型一样，ML在插值方面做得相当好，但过拟合充其量具有使外推变得狡猾的众所周知的效果。正如已经指出的那样，闭环数据经常以奇怪的方式扭曲模型结果。而且，与所有 ML 应用程序一样，仍然需要 “领域专业知识” 来确保模型名义上反映现实。

对于过程控制应用，我们尚未看到有效解决的一个领域是了解控制阀、仪表范围等的物理限制。这是早期模型预测控制(MPC)开发人员认识到的一个问题：应用程序构建是为了识别它们无法直接控制过程。因此，了解 PID 控制器何时在一个或两个方向上的运动受到限制或限制是基础。ML应用程序目前似乎没有掌握这个概念。

最后，使用历史数据进行“学习”取决于确保学习数据和当前操作的底层流程和控制结构相同(除了上面提到的压缩问题)。因此，更改控制阀容量、热交换器和/或泵等可能会使模型发生偏差并给出不可靠/不可预测的结果。

关于在过程控制中应用AI的研究进展

近年来，一些来自行业专家和研究人员的最新研究表明，增加AI技术的应用可能对增强和支持过程控制，以及在过程自动化领域工作的人员带来效率提升。

在 2023 年 ETFA – IEEE 第 28 届新兴技术和工厂自动化国际会议上，一篇题为“ChatGPT for PLC/DCS Control Logic Generation”的杰出论文获得了最佳论文奖。作者创建了一个包含 100 个自然语言提示的精选集合，以使用大型语言模型 (LLM) 在 IEC 61131-3 结构化文本中生成控制逻辑。一些提示的灵感来自真实的工程项目。该系列分为以下类别：标准算法、数学函数、PLC 编程任务、过程控制、顺序控制、联锁、诊断/通信、高级过程控制、各种工程输入和程序员支持。他们通过使用 GPT-4 LLM 通过 ChatGPT 生成答案来测试提示。在许多情况下，它生成了语法正确的 IEC 61131-3 结构化文本代码，并展示了可以提高控制工程师工作效率的有用推理技能。

2024年，第 46 届 ICSE，IEEE/ACM 软件工程联合国际会议共同主办了第一届代码大型语言模型国际研讨会 (LLM4Code 2024)。在一篇题为“LLM-Based and Retrieval-Augmented Control Code Generation”的论文中，作者使用 LLM 和检索增强生成来创建具有专有功能块的 IEC 61131-3 结构化文本控制逻辑。通过这种方法，控制工程师可以从 LLM 的代码生成功能中受益，重用专有且经过充分测试的功能块，并显著加快典型的编程任务。ICSE24 论文使用基于 GPT-4、LangChain、OpenPLC 和开源 OSCAT 功能块库的原型实现评估了该方法。

最近，在 Elsevier 的《系统与软件期刊》上发表的一篇题为“Fast state transfer for updates and live migration of industrial controller runtimes in container orchestration systems”的论文中，一家大型工业自动化 OEM 厂商展示了他们在运行时更新循环控制应用程序而不中断或停止它们方面的成功。除了他们专有的品牌软件外，他们还使用了 OPC UA 以及 open62541、OpenPLC 和 StarlingX(均为开源)来验证该方法。

AI 既可能是一种威胁，也可以加强我们在威胁搜寻和情报方面的工作。我们目前在不断扩大的工业过程自动化和控制领域工作的年轻同事将受益于获得 AI 知识;基本原理、理论、方法、它们之间的差异及其应用。

正如很多业内人士所认同的，我们未来的工作不会被AI夺走，而是被其他知道如何使用 AI 并在该领域获得竞争优势的工程师夺走。

AI 正在被用于直接控制工厂

无人值守设施(NUF)是指运营完全自动化或远程操作的设施，通常没有人员在现场。NUF 方法在行业中的更广泛应用面临多项挑战(技术、物流、财务和监管)。有一些行业主导的倡议旨在朝这个方向发展，比如国际石油和天然气生产商协会的NUF专家组，这是一个行业合作的努力，解决了代码、标准和法规中的阻碍，同时鼓励了能够实现这种新操作理念的技术开发倡议，并最终将NUF定位为一个安全的、 具有成本效益且被广泛接受的石油和天然气设施的设计和操作方法。

AI与先进的模型预测控制和先进的监管控制策略相结合可能有助于实现这一目标。2024年5月，两家日本石油和化工行业的领先公司宣布，他们于2024年1月开始连续自主运行用于加工原油的常压蒸馏装置。

常压蒸馏装置目前由位于川崎一家炼油厂的 AI 系统自主运行。常压蒸馏装置需要控制 24 个关键操作因素，需要监控多达 930 个传感器，因此特别需要高水平的技能和经验。AI 系统同时调整 13 个最终控制元件，以稳定原油切换和原油吞吐量变化引起的波动。

与以前的人工操作相比，AI 系统表现出更高的稳定性和效率，通过将关键操作值保持在接近目标值，即使在外部干扰下也能成功控制稳定性。这是强化学习 AI 被正式用于直接控制工厂的第一个例子。