传递式
大卫格林菲尔德
欢迎来到自动化世界解答播客 我们与业界专家联通 以获取你需要的 工业自动化技术解答David Greenfield世界自动化总编辑问题解答本集 人工智能预测控制
加入我回答 布鲁斯Slusser,数字变换实践主管 系统集成Avenson感恩今天加入布鲁斯
布鲁斯Sluser
多谢你来接我感激不尽 大卫
大卫格林菲尔德
所以你知道布鲁斯,你知道, 所以我们都同页 与这个潜在复杂主题可先简单概述一下分析模型预测控制 在工业制造方面,当然
布鲁斯Sluser完全正确我也会高兴分析指收集、处理、分析并解释大量数据以获取洞察力并作出知情决策的过程
工业制造分析需要使用各种数据源,如传感器读数、生产数据、质量度量等
基本只是为了提取有意义的模式、趋势与关联性数据,这些洞察力可以帮助制造商识别改进领域,诊断复发问题,并做出数据驱动决策,从而提高操作效率,减少故障时间并提高产品质量,当我们谈论解析和预测控制时,工业制造使用几种不同类型的解析法
通常包括描述解析过程 总结历史数据理解过去
诊断解析更多是要分析数据来确定某些事件或结果为何已经发生,然后我们有预测解析
这正是我们通常使用的东西 当我们谈论模型预测控制 算法联结历史数据预测未来事件或趋势 基于实时数据
指令解析建议基于分析当前和历史数据优化结果
可想而知解析预处理和指令处理后处理模型预测控制实为先进控制策略 工业制造优化流程性能使用数学模型描述制造过程的动态行为
模型预测循环方式 系统当前状态和定点 预测未来行为使用数学模型不同的控制动作计算实现期望结果同时满足运算约束过程持续监控并基于实时数据更新控制计算和模型预测模型预测控制对过程复杂非线性并受各种类型约束的假想特别有用允许制造商实现最优流程性能,同时考虑实时数据并尽量减少偏向期望目标
简言之,分析需要从数据中提取洞察力提高决策效率 工业制造模型打印控制是一种控制策略 使用数学模型实时数据优化流程协同使用时,这些概念共同促进实事求是地提高制造操作效率
大卫格林菲尔德
好哇,我很高兴我们从那开始 因为这里不只有一或二类解析和你说的一样 模型预测控制是一种策略 应用类解析感谢您解释帮助打基础 讨论,确定
从描述你提供的不同解析类型中, 你能多谈解析和模型预测控制带给制造商的具体利益吗?是否有任何现实世界应用 突出你的经验 与制造商使用这些类型解析
布鲁斯Sluser
sure. 当然分析论和模型预测控件都真正为工业制造部门带来重大利益,提高效率和质量并降低成本,我们早些时候谈到这一点,以及工业制造分析论和模型预测控件的一些好处,我们可以从讨论数据开始,数据驱动决策,这还被称为数据故事解析,使制造商能够基于数据洞察力作出知情决策。说真的,这将导致更好的资源分配、流程优化和战略规划,我们也可以谈点进程优化问题
通过分析历史实时数据 制造商可以识别问题 比如瓶颈 低效率 和机会改善过程通过反常资产分析模式、模型预测控件、预测性自身帮助预防不受欢迎的振荡和控制偏差预测未来进程行为并相应行动最后一个好处就是节能并预测控制分析能耗模式这样做时,制造商可以确定减少能源浪费和实施节能实践的方法。分析能耗后 模型预测控制可启动 优化控制输入 最小化能耗 实现节能操作
真实世界中确实有许多不同例子说明模型预测控制可用于离散制造举个例子吧 商业面包厂烧焦需要精确控制温度、湿度和时间以产生一致高质量产品模型可使用预测控制优化面包厂烘培过程最常见的是温度和能量温度和湿度控制 炉温和湿度实现统一烘培获取理想纹理和颜色的方式与外部环境因素非常一致,甚至在制造设施内部也是如此,这些事物往往干扰产品质量。
外部参数改变后 条件会影响这些炉子的效率和操作模型预测控制使用实时测量并使用流程模型调整这些变量以在整个烘培周期保持最优条件,我们将深入了解这与典型PID控制器的偏差
和我们的其他领域,我们可以获取很多增益 和我们刚讨论过这一点, 节能优化控制可优化炉设置以减少耗能并同时保持产品质量常次重复,这和不同的变量和传感器有关 而不是仅仅运行炉子 即最优素能耗仍然知道产品质量不变 并能够预测质量 基于变量它可以判定最优时间关闭加热元素或根据产品特征调整温度
这可能实现不同的视觉系统, 我们所看到的确保右,右棕度面包像 是我们变量之一 和标准热控制器大相径庭
取从上为例 使用模型预测控制程序 比传统PID控制器多有优势两种方法都旨在调节温度和其他过程变量,但方法上确实有差异,最重要的是,可能它们是能力
来谈一下我们如何比较 两种不同方法并发传统PID热控制器使用比例积分和衍生词组合计算控制输出视点与当前进程变量之差发生反射调整PID控制器产生的控制动作,PID控制器需要人工调试三大词中两个词i和d实现稳定响应控制 uh调优耗时不总能实现最优性能调频回路常因设备退化而逐渐失效,因为当添加设备为全新时调时,调频回路会以最优效率从盒子外工作。if you will,并因此知道pID控制器真正设计稳定集点, 但他们可能难以处理复杂非线性或时间不等过程
传统pID控制器通常设计单输入量,即单输入量单输出控件在面包厂例子中,这可能表示使用多点控制器处理温度的不同过程变量时可能有一个控制器湿度可能有控制器不同的度量单位每一个拥有不同控制点并可能导致在协调这些控制动作方面出现一些挑战者它们可能相互独立运作,但当你想把这些变量聚合起来时,它可能极具挑战性。
PID控制器对当前错误响应这是我们偏离定点时不考虑未来进程行为
多控件工程师会知道控制器衍生部分 有点像未来片段,对吗?但它的确是一个固定点 我们试图调和 缺少预测可能导致什么 我们看到超解振荡或慢响应步入模型预测控件,我们可以看到如何克服标准PID控制器挑战,因此模型预测控件真正使用数学模型预测过程和动态预测过程未来如何演进它可以计算控制动作 通过优化成本函数基本考虑未来预测和控制约束
模型预测控制优化未来预测地平面控制动作,如果你愿意的话, 决策最小化成本函数并同时满足它仍在运行的所有约束条件, 并真正使模型预测控制处理复杂非线性过程
处理多进程变量和约束 我们谈论多类型测量 并真正思维 通过约束模型预测控制 真正同时消除所有约束允许它协调对不同类型变量的控制, 这对于我们的烘培示例实为有益, 温度和湿度需要并举来控制, 以获取最优效果, 而不是单机控制池并计算控制动作 并尊重我们如何看到这些变量变化 和那些扰动变化预测能力帮助预防超标或优化流程阶段与对干扰反应之间的过渡实事求是,在我们重构过程控制模型中,预测控制通过计及重构过程的动态性质、协调多变量控制动作和优化基于未来预测的控制动作而带来优势
PID控制器当然有位置并更容易实现,但模型预测控制更适合复杂多变进程,最优性能和适应性将至关重要
大卫格林菲尔德
事实说明这不仅仅是油气化学技术, 而这些技术虽然高度复杂过程当然非常适合, 如你所说,但可用于烘培。节能例子你在那里提供 实为跨行业讲解, 因为这对产业整体来说 是一个巨大的焦点鉴于这些分析和模型预测控制的广泛应用性,工业制造公司应具备哪些关键元素才能真正利用这些技术?
布鲁斯Sluser
是啊,它真的,真的很重要所要做的一切 都取决于精确数据 和强健数据最先和最优先的是 强健数据采集基础这真正需要适当的传感器,数据采集系统 和连通性到位 捕捉相关数据
开始从数据基础设施1开始集中控制, 并以此开始, 我们想投资实现资产连接 通过设计实施实现控制架构整合实时进程数据 连接高速历史存储器或历史学家服务你会想看我们如何执行传感器可以是IoT设备收集相关进程数据相关点指确保数据会非常精确 并与其实时可用性相匹配建立强健数据存储系统,处理大量数据并方便检索和访问信息
实为典型的工业历史学家 通常我们会看到在Prem制造环境 上站起脚步
并思考我们的烤箱例子,我们使用,呃, 我们并不只是想要数据 直接连接资产控件,包括不同的过程阶段和系统 并进制过程综合视图, 因为从传统的PID控制器控制法后退一步, 我们能够带入所有不同的变量, 因此上游或下游机器可以提供有意义的信息不仅从单源获取数据, 并能够从其他资产向模型输入数据 也将有助于模型产生 更精确的未来视图
超出基础设施外,我们可以开始专注于分析元件和模型预测控制元件本身数据流实时流拥有良好的历史数据源, 现在我们想部署适当的分析工具 和软件处理分析 并直视收集的数据
所以让我们看看,你知道,我们将想实施数据处理技术, 这将是要去真正净化,过滤 并转换原始数据 成可用格式供分析最常用称ETL或提取、变换加载,最后我们想开发预测模型,使用机器学习算法预测过程行为略微预测部分AI讨论可深入并检测潜在问题并优化这些结果
当我们谈论模型预测控制时, 有一些不同的场景, 我们可以深入了解你如何想出在制造环境中推广这一点。当今工业厂商拥有PLC控制器,其容量有限,能够用控制器内部实现模型预测控制权点位应用特优,您可能不需要大过程缩放性,而单机解题则会利用Prem上的潜在服务器,在那里您会安装模型预测控制软件、算法和分析工具并单存服务器信息回馈控制器,因此如果您愿意,这确实是路叉子当你努力决定我需要哪种基于可扩缩性的解决办法时
从能力角度讲,它们都离你非常好的模型控制线程程程程程程程程程程程程两年三年, 未来和如何开始利用它或小小应用并大有帮助 当你思考成本和预算时?
大卫格林菲尔德
布鲁斯,既然你是Avenson数字变换实践主管,我必须问: 模型预测控制可整合成数字变换计划, 并推进智能工厂倡议的实施万一它能怎么办
布鲁斯Sluser模型预测控制确实在数字转换行程中发挥着关键作用,并无缝地与智能工厂今天的视觉接轨。将模型预测控制战略整合到数字变换计划 需要利用预测能力 实时优化复杂制造过程想象一下,作为智能工厂主动性的一部分, 你已经收集了大量实时数据 从各种传感器收集全机连通 所有制作线 都把数据输入历史模型
模型预测控件将取用这些数据 并结合动态过程 真正模型从未来过程行为中 准确预测通过这样做,他预测变量变化将如何影响你进程并允许你的人真正更多关注不太多个人效率低下问题,而是退步后视你整个植物为整体生活单元,如果你愿意的话。
模型预测控制并不只是停留预测,它计算最优控制动作以确保流程在期望约束和目标内运行意思是最小化耗能、减少浪费、维护产品质量并真正实现效率最大化,这环绕着数字变换行程中的一些基本元素,我们从中获取大量ROI
大卫格林菲尔德
先前我们可能已经很好地覆盖了这一点, 但我只是想确认一下, 因为我刚刚想了这一点,因为我们在这里讨论, 你知道我们提到你知道模型预测控制 几十年来在工序行业被广泛使用, 特别是油气和化工能否同时应用到那里,如果应用应用到那里,它通常使用什么?更多提高能效,如前所述或有其他应用
布鲁斯Sluser
sure. 当然我的意思是,正如你提到的,它做奇想 我们今天过程行业复杂过程的存在 所以模型预测控制 绝对不仅限于流程产业
实中,当它发源过程时 象你提到的行业 油气 化学物 模型预测控制 遍及各种制造部门离散制造 生产单件或单件如低面包或电子ac汽车在离散制造模型中, 打印控制常用于优化生产过程 复杂排序资源配置和数种不同的调度约束 与离散制造环境合作 并计及不同类型的产品变换 和开发设备变换
常时处理方面有足够偏差 早期引起一些垃圾 机器或机器序列斜坡上升 模型预测控制 能够在从一个制造产品到不同制造产品的不同变量中整体模型,我很抱歉,模型预测控制 离散制造提高生产效率 并真正允许我们降低数级成本
不仅仅是从废品角度讲, 坏产品生成有段时间, 从生产劣质产品开始, 能够缩短时间节能和更持久化领域 离散工业制造可真正利用模型预测控制并让我们更适应制作调度
大卫格林菲尔德
感谢澄清我知道它有点拓展 早期讨论它, 但那种帮助 将其透视这里 所有行业 我们覆盖在这里自动化世界
布鲁斯Sluser
sure. 当然
大卫格林菲尔德
人工智能或至少讨论它或现在任何地方,如果不是实际应用,你能否举个例子说明人工智能可如何结合分析和模型预测控制使用?因为我想这将是 相当成熟使用它
布鲁斯Sluser
完全正确并肯定正在萌芽阶段 制造肯定如此新并知道,有不同方法 如何执行AI举个例子来说明人工智能 如何结合分析 模型预测控制
想象一个智能工厂 生产半导体芯片目标是实战优化制造过程提高效率、收成和质量和我们早先讨论的相同因素, 但是你知道,这里更多的是AI解析 和模型预测控制可一起工作和前几个例子一样,我们仍从数据采集入手总是从那里开始
记住当处理AI时 样本体积越大 模型越精确当我们谈论这个问题时,我们真的在谈论机器学习模型,这些模型应用来预测制造过程的潜在问题或偏差。举例说 AI算法可以预测芯片质量的变化 基于历史数据 和实时测量预测模型可辨别过程变量的微妙变化,这些变化可能导致缺陷或减产
举例说 AI可以帮助识别 气流率的改变 是否会影响芯片质量预测基础实为训练模型和历史数据,而数据配置是为了告诉模型何时产生优或差芯片基于反馈,机器学习模型下次可以更好地预测这些当前参数是否会产生质量差芯片转而允许前端纠正行动 将帮助我们减少产品损失 特别是当它涉及到非常昂贵处理过程
稍早点我们讨论模型预测控制算法时, 数变量从机器学习算法中产生, 我们刚接触过这些变量, AI系统设计自适应并学习当前制造过程, 新的数据继续向模型提供新数据 AI模型更新以计算条件和过程动态变化可调适性真正确保预测洞见随时间推移保持准确性,并仍然相关,即使制造环境和设备随时间推移可能失效。
在这个例子中,我想说的是AI通过持续更新和改进过程模型提高模型预测控制能力,它帮助智能工厂保持高质量生产和高效并适应条件变化,最终提高制造结果并降低运营成本
归根结底,我确实认为它目前处于阶段 一种方法,即我们基本能 增强模型预测控制带入表 通过带入 不同过程变量并允许模型表示发生于这些条件下 并发生 每一次它,它是一个单元输入模型和训练数据越多 模型越长越好
大卫格林菲尔德
自应用这些技术以来 今天知道或多环复杂应用, 即使是相当简单制作过程, 就像你所知道的烤面包并应用到复杂生产过程中 用户应知道什么 投送相关软件 或应用AI技术预测控制应用
布鲁斯Sluser
投资软件应用AI技术预测控制应用可是一项重大事业令你了解知情决策 用户真正应该知道 几大关键因素并真正像任何成功项目, 投资AI软件前, 我们想确认你将 定义清晰目标 应用预测控制理解你想要实现什么,它是否优化过程, 或努力降低成本,提高产品质量或提高安全性, 甚至是其中的任何因素, 我们真想早点整理并确信我们已经非常清晰地了解我们是什么
常时它被误解 讲模型预测控制AI, 线模糊 只你知道,我能解决多少 和它能做什么取取一两个因素并围绕需求构建您的项目 这样你就能评估数据质量 和可用性 系统或资产
高质量数据对项目成功非常重要 相关数据对构建精确预测模型至关重要 保证你访问足够的历史数据 并保持实时数据流考虑模型复杂性交换并知道互操作性当我们谈论像深学习神经网络这样的复杂AI模型时,这些模型可能提供非常高精度,但是它们可能很难解释和解释。
实施成本也可能较高,因为培训这些模型需要更多时间。并真正选择模型 匹配你的具体需求, 和你的回报投资确保软件能与你现有的控制系统相融合
常时数据基础和HMI 当我们开始研究软件解决方案时 你投入了大量钱保证你和系统相匹配 系统能整合你今天拥有的东西 并在未来扩展时仍能满足你的需求兼容性对顺利实现至关紧要, 所以你知道我们看到许多这些产品 利用云资源混合方法建模并预设软件控制片段, 并因此确保你保持 计理所有其他你所知道的考量, 特别是当你谈论数字变换行程时, 拥有工厂和智能制造设施-当你经历升级和老化项目时, 如何为未来工作流提供素材- 并评估运行AI模型需要的计算资源视应用复杂性而定,你可能需要投资高性能计算资源这可能意味着升级服务器和Prem上类似的东西,这也是为什么我们看到许多处理过程通过云解法完成而不是维护现场硬件的另一个原因。
我们还想确保你分配足够的时间和资源 开发模型训练并微调那些模型 我们想做前端训练IAMAI模型并同时设定现实时间框架和目标 并启动所有数字变换计划投向员工队伍开发保证你有必要访问外部专家 和你的伙伴 数据科学家 AI工程师 和控件工程师
最后,我们真想评价 所选软件和AI模型是否可大规模适应, 你知道,正在改变生产量或过程变异, 模型预测控制解决方案可以以两种形式出现,记住可扩缩性与弹性性 对真正进化至关紧要, 你知道,你被接受 并进化需求并应用AI技术暗示AI技术预测控制应用时 就可以做出知情决策系统化方法与周密规划方法肯定会帮助成功实施并驱动操作改进和竞争优势
大卫格林菲尔德
早些时候我们谈到关键元素 制造商需要到位使用解析模型预测控制, 可你所见一些常见挑战呢?
布鲁斯Sluser
常时模型打印控制 并封装成魔杖解决方案开发精确过程模型对模型预测实现是一个基本挑战真实世界过程可能复杂非线性并受各种干扰,因此创建模型以实际准确捕捉这些动态和交互关系至关重要,对模型预测控制构成挑战。
数项不同的挑战可能包括 收集足够数据 构建精确模型数字变换行程中你可能没有点 连通和信号都到位了 基本元素也许我们讨论过缺失选择合适的模型技术 具体过程,我们谈论深学习模型, 可能非常复杂 可能远比你实际需要确定你正在管理期望 并满足模型满足你的需求 而不投入过多时间和金钱保持更新,你知道你,你换设备,你有一个资本项目, 可能你正在做一些资产重编, 确保你回去并保持这些模型更新,
将模型正控件整合到现有控件结构中通信网络硬件复杂 需要专业知识这些挑战可能是巨大的, 但它们绝对不是不可逾越的,对吗?成功模型预测控制实施需要仔细规划、跨功能团队协作、持续监测并愿意从初始实施中适应学习实验模型小范围控制或使用模拟环境后,完全部署能帮助识别并处理进程初期的潜在挑战
大卫格林菲尔德
布鲁斯,我先前知道,你提到, 在应用AI分析的最初几天里, 我们仍然相当多, 但我想请求你,如果你不介意 戴上你的预测帽 在这里短短片片刻
布鲁斯Sluser
完全正确制造环境对AI有广阔的未来并有可能看到更高级AI和机器学习技术 融入日常分析 和模型预测控制系统将真正增强预测能力并启动自适应控制策略,为优化制造操作提供更精确的洞察力
越多使用这些AI模型 越多越多 增强现有运算 我们今天不替换, 你知道我们已经谈了很多AI环绕 各种层次的函数替换问题, 好坏无动于衷包括分析特征报告
并开始收集4.0数据 数字变换创举 智能工厂我们有能力构建交互式仪表板和分析并报告AI将使我们有能力向同类数据结构2模型提供正常条件,让我们可以问一下上周我烤箱6正常通信工作如何良好,像我们可以取回数据那样,我们现在可以少用更好的条件,与资产对话直觉性强,不要求我们自己成为数据科学家未来发展到我们现在能做更多自服务数据的地方 而不是依赖分析师和数据科学家他们可以专注于工作 能够提取和净化 并喂养模型, 而现在我们可以去 并仅仅用简单术语 询问信息
大卫格林菲尔德
好,所以这确实是一个目标性很强的讨论,但范围也很广。同时,我们一直以来, 我们一直捕捉到这里 至今为止的讨论中布鲁斯,你最后想问最后一个问题, 并给出这些技术的广度和可能性, 能否分享一些关键外接器, 供那些特别想使用解析和模型预测控件的听众使用?
布鲁斯Sluser
完全正确算入解析模型预测控制时 有几个关键开销可以引导您的行程记住数据是你最大资产收集、整理和清理数据是有效分析控制策略的基石小实验项目允许你测试水并深入理解这些技术的实际意义理解过程至高无上精确洞见和模型出自强抓取过程、动态变量和约束
协同团队整合技术控制工程、数据分析、流程工程和IT 带入多组实为透视并驱动周全解决方案
最后,接受迭代方法并培养持续学习文化以适应并进化趋势实为取用开始实现早期定义的明确目标
清晰定义目标,无论是优化效率,提高产品质量或降低成本,以便更有效地指导工作启动简单并逐步转向更先进技术数据质量分析模型预测控制重头戏保证数据可靠性完整性以获取精确洞见并控制动作
执行员买入也是另一难点,对,因为这些举措可能需要对技术和员工培训进行投资。准备团队改变 将是至关重要的接受需求调整培训,有时思维方式变换展示解析和模型预测控制的价值 通过实验项目
最后,我们要记住,行程需要时间,耐心和毅力是关键采行解析和模型预测控制绝对是一个变革性转折行程关键在于持续寻找优化流程和提高效率并驱动创新的机会
开始小小学习经验 并收集不同学科后 公司就能释放出这些技术的全部潜力 并实现运营的重大改进记住,虽然挑战可能出现,但可以通过正确方法并全心全意学习和进化来克服挑战。
大卫格林菲尔德
感谢再次加入我这个播客布鲁斯, 并当然感谢所有监听者, 并请求继续观察这个空间 更多分机自动化世界
