other
Berita
Kawalan Autonomi Berasaskan AI Dec 10, 2022
As process control technologies advance, one concept gaining prominence is autonomy. When contrasted with conventional automation, one of the main differentiators of autonomy is applying artificial intelligence (AI) so an automation system can learn about the process and make its own operational improvements. Although many companies find this idea intriguing, there is understandable skepticism. The system’s capability is only as good as its foundational algorithms, and many potential users want to see AI in operation somewhere else before buying into the idea wholeheartedly. Those real-world examples are beginning to emerge.

Yokogawa’s autonomous control systems are built around factorial kernel dynamic policy programming (FKDPP), which is an AI reinforcement learning algorithm first developed as a joint project of Yokogawa and the Nara Institute of Science and Technology (NAIST) in 2018. Reinforcement learning techniques have been used successfully in computer games, but extending this methodology to process control has been challenging. It can take millions, or even billions, of trial-and-error cycles for a software program to fully learn a new task.

Since its introduction, FKDPP has been refined and improved for industrial automation systems, typically by working with plant simulation platforms used for operator training and other purposes. Yokogawa and two other companies created a simulation of a vinyl acetate manufacturing plant. The process called for modulating four valves based on input from nine sensors to maximize the volume of products produced, while conforming to quality and safety standards. FKDPP achieved optimized operation with only about 30 trial-and-error cycles—a significant achievement.

This project was presented at the IEEE International Conference in August 2018. By 2020, this technology was capable of controlling entire process manufacturing facilities, albeit on highly sophisticated simulators. So, the next question became, is FKDPP ready for the real world?



Daripada simulasi kepada realiti

Yokogawa menjawab soalan itu di kilang semikonduktor Komagane di Miyada-mura, Jepun (Rajah 1). Di sini, kebanyakan pengeluaran berlaku dalam persekitaran bilik bersih di bawah keadaan suhu dan kelembapan yang dikawal ketat yang diperlukan untuk menghasilkan produk tanpa kecacatan. Tugas sistem AI adalah untuk mengendalikan sistem pemanasan, pengudaraan dan penyaman udara (HVAC) secara optimum dengan mengekalkan keadaan persekitaran yang diperlukan sambil meminimumkan penggunaan tenaga.

Adalah difahami bahawa aplikasi sebenar yang dipilih untuk jenis eksperimen ini adalah berskala sederhana dengan potensi risiko keselamatan yang minimum. Pendekatan konservatif ini mungkin kurang dramatik daripada satu di kilang minyak, tetapi ini tidak mengurangkan kesahihannya sebagai bukti konsep.


Pada pandangan pertama, mengendalikan sistem HVAC secara autonomi mungkin tidak kelihatan rumit. Tetapi sistem HVAC yang menyokong persekitaran bilik bersih yang dikawal ketat menyumbang 30 peratus daripada jumlah tenaga yang digunakan oleh kemudahan itu, dan seterusnya mewakili kos yang besar. Iklim Jepun berbeza-beza mengikut musim, jadi terdapat pelarasan yang diperlukan pada masa yang berbeza dalam setahun untuk mengimbangi pemanasan dan penyejukan, sambil menyediakan kawalan kelembapan.

Kemudahan itu tinggal di lembah gunung pada ketinggian 646 meter (2,119 kaki). Ia mempunyai iklim yang sederhana dan cenderung agak sejuk, dengan suhu tahunan antara –9° dan 25°C (15.8° dan 77°F). Kilang itu menghasilkan penderia tekanan berasaskan semikonduktor (Rajah 2) yang masuk ke dalam keluarga pemancar tekanan DPharp syarikat, jadi mengekalkan pengeluaran tanpa gangguan adalah penting. Walaupun demonstrasi ini berada di salah satu kilang Yokogawa sendiri, risiko kos dan pengeluaran adalah tidak kurang nyata daripada risiko pelanggan luar.

Lokasi kemudahan adalah di luar sistem pengedaran gas asli tempatan, jadi gas petroleum cecair (LP) mesti dibawa masuk untuk menyediakan wap untuk pemanasan dan pelembapan. Penyejukan udara berjalan pada kuasa elektrik yang dibekalkan grid konvensional. Kedua-dua sistem berfungsi secara bersama seperti yang diperlukan untuk mengekalkan tahap kelembapan kritikal.

Pengagihan tenaga yang kompleks
Pertimbangan mengenai penggunaan tenaga di kilang pembuatan Jepun bermula dengan kos domestik yang tinggi. Tenaga dalam semua bentuk adalah mahal mengikut piawaian global, dan kecekapan adalah yang terpenting. Kemudahan Komagane menggunakan relau elektrik untuk pemprosesan wafer silikon, dan adalah perlu untuk mendapatkan semula haba buangan sebanyak mungkin daripada operasi ini, terutamanya semasa musim sejuk.

Untuk dianggap sebagai kejayaan, sistem kawalan autonomi mesti mengimbangi pelbagai objektif kritikal, beberapa daripadanya adalah saling eksklusif. Objektif ini termasuk:

Piawaian suhu dan kelembapan yang ketat dalam persekitaran bilik bersih mesti dikekalkan demi kualiti produk tetapi dengan penggunaan gas LP dan elektrik yang paling rendah.
Keadaan cuaca boleh berubah dengan ketara dalam jangka masa yang singkat, memerlukan pampasan.
Persekitaran bilik bersih adalah sangat besar, jadi terdapat tahap inersia haba yang tinggi. Akibatnya, ia boleh mengambil masa yang lama untuk menukar suhu. 
Peralatan di dalam bilik bersih juga menyumbang haba, tetapi ini tidak boleh dikawal oleh sistem kawalan automatik.
Haba buangan daripada relau elektrik digunakan sebagai sumber haba dan bukannya gas LP, tetapi jumlah yang tersedia sangat berubah-ubah, didorong oleh bilangan barisan pengeluaran yang digunakan pada bila-bila masa.
Bahan penyejuk dandang yang dipanaskan ialah sumber haba utama untuk udara luar. Jika lebih banyak haba diperlukan daripada yang boleh didapati daripada sumber pulih ini, ia mesti datang daripada gas LP pembakaran dandang.
Udara luar dipanaskan atau disejukkan berdasarkan suhu tempatan, biasanya antara 3° dan 28°C (37.4° dan 82.4°F). Untuk sebahagian besar tahun ini, udara luar memerlukan pemanasan.
Strategi kawalan sedia ada (Rajah 3) adalah lebih kompleks daripada yang pertama kali muncul. Di bawah permukaan, mekanisme yang terlibat saling berkaitan dengan cara yang telah berubah selama bertahun-tahun, kerana jurutera kilang telah berusaha untuk meningkatkan kecekapan.


Terdapat banyak percubaan sebelum ini untuk mengurangkan penggunaan gas LP tanpa membuat pelaburan peralatan modal baru yang besar. Penambahbaikan tambahan ini mencapai had praktikalnya pada tahun 2019, yang mendorong pelaksanaan strategi kawalan berasaskan FKDPP baharu pada awal tahun 2020.

Pasukan pelaksana memilih hari yang perlahan semasa gangguan pengeluaran yang dijadualkan untuk menjalankan sistem kawalan baharu. Pada hari itu, sistem AI dibenarkan melakukan eksperimen sendiri dengan peralatan untuk mempelajari ciri-cirinya. Selepas kira-kira 20 lelaran, sistem AI telah membangunkan model proses yang mampu menjalankan sistem HVAC penuh dengan cukup baik untuk menyokong pengeluaran sebenar. 

Sepanjang minggu dan bulan 2020, sistem AI terus memperhalusi modelnya, membuat pelarasan rutin untuk menampung perubahan volum pengeluaran dan perubahan suhu bermusim. Faedah muktamad sistem berasaskan FKDPP baharu ialah pengurangan penggunaan gas LP sebanyak 3.6 peratus selepas pelaksanaan pada 2020, berdasarkan sepenuhnya pada strategi AI baharu, tanpa memerlukan pelaburan modal besar.

AI berasaskan FKDPP ialah salah satu teknologi utama yang menyokong peralihan autonomi industri Yokogawa kepada autonomi industri (IA2IA), melengkapkan konsep kawalan proses berkadar-integral-derivatif konvensional dan termaju dalam banyak situasi, malah menggantikan operasi manual yang kompleks dalam kes lain. Kawalan masa nyata menggunakan pembelajaran tetulang AI, seperti yang ditunjukkan di sini, ialah teknologi kawalan generasi akan datang, dan ia boleh digunakan dengan hampir mana-mana proses pembuatan untuk mendekatkannya kepada operasi autonomi sepenuhnya.

produk baru
Tinggalkan pesanan
Jika anda berminat dengan produk kami dan ingin mengetahui butiran lanjut, sila tinggalkan mesej di sini, kami akan membalas anda secepat mungkin.
Hantar

Tinggalkan pesanan

Tinggalkan pesanan
Jika anda berminat dengan produk kami dan ingin mengetahui butiran lanjut, sila tinggalkan mesej di sini, kami akan membalas anda secepat mungkin.

Rumah

Produk

kenalan

whatsapp