鑒于人工智能(AI)技術對工業領域的影響日益加深，來自國際自動化學會(ISA)的專家們分享了對于“AI在過程控制中應用”這一趨勢的看法。本文節選自ISA“咨詢自動化專業人士”系列問答。

AI技術在工業領域的進展

自 1990 年代中期以來，神經網絡已經成功應用于一個特定的行業——聚合物。需要指出的是，他們使用了基于 Wiener 結構的混合建模方法，即線性動力學，非線性靜態部分使用神經網絡建模。這些工業應用程序明確處理了其訓練基地之外的外推問題。

在同一時間框架內，神經網絡也成功地應用于非線性顯著的軟傳感器開發。然而，大多數軟傳感器開發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線性項。

在 1990 年代，過程系統在神經網絡應用方面做出了重要的學術貢獻。其中包括使用神經網絡進行混合建模，其中未知關系和/或參數與神經網絡模型擬合。另一種值得注意的方法將 PLS 類型的功能合并到網絡中，但允許非線性項而不是像 PLS 那樣的線性項。其他貢獻涉及在分類方法中使用神經網絡檢測異常操作(可視為非線性 PCA)。

AI和 機器學習(ML) 的后續開發主要由大型科技公司完成，因此并非受流程工業的應用程序或需求的推動。因此，這些方法的應用可能不會 100% 地應用于我們的領域。當然，他們這樣做的地方很棒。圖像處理就是一個例子。現在，較新的網絡提供了動態建模功能，比過去使用的循環網絡有了改進。一個例子是 ChatGPT，它是為大型語言模型開發的，但已被證明在對時間序列數據建模方面同樣成功。我們已經看到這項技術在軟傳感器和混合建模方面取得了可喜的結果，但到目前為止，我們還沒有看到什么真正的工業應用。

我們仍處于弄清楚 AI 和 ML 的新發展對流程工業意味著什么的早期旅程中。有很多炒作，但我相信有很多希望。我認為最大的影響將是利用這些 AI 和 ML 工具或將其與現有方法相結合，而不是假設它們會完全取代。

不同過程控制方法的比較

PID (比例-積分-微分控制)：PID 控制充當誤差調節器，專注于將誤差驅動到零。它通常應用于具有可變或非線性模型的系統中，因此仔細選擇調整參數以獲得穩定的性能至關重要。PID 以單輸入、單輸出 (SISO) 方式運行，但組合多個 PID 控制器可能會給控制方案帶來復雜性。

MPC(模型預測控制)：與 PID 相比，MPC 利用過程模型同時優化多個變量，以實現預定義的目標。MPC 的一個關鍵挑戰在于需要已知的流程模型。與 PID 不同，模型的變化會導致性能低下，通常需要一個模型矩陣才能在復雜的過程中進行有效控制。

FLC(模糊邏輯控制器)：或者，FLC 通過模擬熟練的操作員在處理不同或未知的模型時介入。FLC 不是直接對過程進行建模(如 MPC)或專注于減少誤差(如 PID)，而是模擬不同場景中的理想操作員行為。

AI 控制：利用歷史和實時數據，AI 控制器努力實現目標，而無需事先了解流程。與 FLC 不同，AI 系統像黑匣子一樣運行，它提供基于數據的適應性，而無需明確了解流程或操作。

每種控制方法都有各自的特點：采用 PID 時，調整涉及利用過程知識，根據這些參數與過程響應之間的所需關系，快速設置適當的控制器參數。例如，流量回路通常需要低比例增益 (<0.1)，而電平回路需要更高的值，具體取決于應用。在 MPC 中，復雜的建模取代了有根據的猜測，強調了定義明確的流程模型的重要性。FLC 依賴于了解運營成功，而不是詳細的流程模型，這使其成為流程沒有明確表征的有價值的選擇。對于 AI 控制，大量數據和明確的目標對于指導系統有效實現其目標至關重要。

最終，有效的過程控制超越了控制器本身的復雜性。就像在賽車中，熟練的駕駛員(控制器)需要高性能車輛(精心設計的流程和設備)才能成功一樣，實現最佳性能需要一種整體方法，而不僅僅是采用“智能控制器”。

AI和ML在過程領域的挑戰

AI、ML或深度學習(DL)都相當于大型統計回歸。要從這些應用程序中獲得有用的模型，需要大量的 “高頻” 數據，其中包含大量的移動，以及超出所需性能邊界的大量偏移。所有這些都是必需的，以便模型“知道”“懸崖邊緣”的標稱位置。許多長期歷史數據以節省磁盤空間的名義被過度壓縮。因此，“垃圾進，垃圾出 ”的說法非常適用。

與任何其他統計模型一樣，ML在插值方面做得相當好，但過擬合充其量具有使外推變得狡猾的眾所周知的效果。正如已經指出的那樣，閉環數據經常以奇怪的方式扭曲模型結果。而且，與所有 ML 應用程序一樣，仍然需要 “領域專業知識” 來確保模型名義上反映現實。

對于過程控制應用，我們尚未看到有效解決的一個領域是了解控制閥、儀表范圍等的物理限制。這是早期模型預測控制(MPC)開發人員認識到的一個問題：應用程序構建是為了識別它們無法直接控制過程。因此，了解 PID 控制器何時在一個或兩個方向上的運動受到限制或限制是基礎。ML應用程序目前似乎沒有掌握這個概念。

最后，使用歷史數據進行“學習”取決于確保學習數據和當前操作的底層流程和控制結構相同(除了上面提到的壓縮問題)。因此，更改控制閥容量、熱交換器和/或泵等可能會使模型發生偏差并給出不可靠/不可預測的結果。

關于在過程控制中應用AI的研究進展

近年來，一些來自行業專家和研究人員的最新研究表明，增加AI技術的應用可能對增強和支持過程控制，以及在過程自動化領域工作的人員帶來效率提升。

在 2023 年 ETFA – IEEE 第 28 屆新興技術和工廠自動化國際會議上，一篇題為“ChatGPT for PLC/DCS Control Logic Generation”的杰出論文獲得了最佳論文獎。作者創建了一個包含 100 個自然語言提示的精選集合，以使用大型語言模型 (LLM) 在 IEC 61131-3 結構化文本中生成控制邏輯。一些提示的靈感來自真實的工程項目。該系列分為以下類別：標準算法、數學函數、PLC 編程任務、過程控制、順序控制、聯鎖、診斷/通信、高級過程控制、各種工程輸入和程序員支持。他們通過使用 GPT-4 LLM 通過 ChatGPT 生成答案來測試提示。在許多情況下，它生成了語法正確的 IEC 61131-3 結構化文本代碼，并展示了可以提高控制工程師工作效率的有用推理技能。

2024年，第 46 屆 ICSE，IEEE/ACM 軟件工程聯合國際會議共同主辦了第一屆代碼大型語言模型國際研討會 (LLM4Code 2024)。在一篇題為“LLM-Based and Retrieval-Augmented Control Code Generation”的論文中，作者使用 LLM 和檢索增強生成來創建具有專有功能塊的 IEC 61131-3 結構化文本控制邏輯。通過這種方法，控制工程師可以從 LLM 的代碼生成功能中受益，重用專有且經過充分測試的功能塊，并顯著加快典型的編程任務。ICSE24 論文使用基于 GPT-4、LangChain、OpenPLC 和開源 OSCAT 功能塊庫的原型實現評估了該方法。

最近，在 Elsevier 的《系統與軟件期刊》上發表的一篇題為“Fast state transfer for updates and live migration of industrial controller runtimes in container orchestration systems”的論文中，一家大型工業自動化 OEM 廠商展示了他們在運行時更新循環控制應用程序而不中斷或停止它們方面的成功。除了他們專有的品牌軟件外，他們還使用了 OPC UA 以及 open62541、OpenPLC 和 StarlingX(均為開源)來驗證該方法。

AI 既可能是一種威脅，也可以加強我們在威脅搜尋和情報方面的工作。我們目前在不斷擴大的工業過程自動化和控制領域工作的年輕同事將受益于獲得 AI 知識;基本原理、理論、方法、它們之間的差異及其應用。

正如很多業內人士所認同的，我們未來的工作不會被AI奪走，而是被其他知道如何使用 AI 并在該領域獲得競爭優勢的工程師奪走。

AI 正在被用于直接控制工廠

無人值守設施(NUF)是指運營完全自動化或遠程操作的設施，通常沒有人員在現場。NUF 方法在行業中的更廣泛應用面臨多項挑戰(技術、物流、財務和監管)。有一些行業主導的倡議旨在朝這個方向發展，比如國際石油和天然氣生產商協會的NUF專家組，這是一個行業合作的努力，解決了代碼、標準和法規中的阻礙，同時鼓勵了能夠實現這種新操作理念的技術開發倡議，并最終將NUF定位為一個安全的、 具有成本效益且被廣泛接受的石油和天然氣設施的設計和操作方法。

AI與先進的模型預測控制和先進的監管控制策略相結合可能有助于實現這一目標。2024年5月，兩家日本石油和化工行業的領先公司宣布，他們于2024年1月開始連續自主運行用于加工原油的常壓蒸餾裝置。

常壓蒸餾裝置目前由位于川崎一家煉油廠的 AI 系統自主運行。常壓蒸餾裝置需要控制 24 個關鍵操作因素，需要監控多達 930 個傳感器，因此特別需要高水平的技能和經驗。AI 系統同時調整 13 個最終控制元件，以穩定原油切換和原油吞吐量變化引起的波動。

與以前的人工操作相比，AI 系統表現出更高的穩定性和效率，通過將關鍵操作值保持在接近目標值，即使在外部干擾下也能成功控制穩定性。這是強化學習 AI 被正式用于直接控制工廠的第一個例子。