התפתחות בקרת PID

שליטה ב-Integral-Derivative (PID) הייתה אבן הפינה של אוטומציה תעשייתית במשך כמעט מאה שנים.מטמפרטורה של כורים כימיים לייצוב משטחי טיסה, הפשטות והיעילות שלה הפכו אותה לאלגוריתם בקרת משוב נפוץ ביותר בעולם, על פי הערכות התעשייה, מעל 95% מכל לולאות הבקרה בתעשיות תהליכים מסתמכות על כמה גלקסיות של PID אך ככל שהופך את ה-PID לתהליכי בקרה אינטגרטיביים יותר, כדי לשנות את התהליכים המשתנים באופן קבועים יותר, כדי לפתח מערכות בקרה ומורכבים יותר, כדי לפתח מערכות בינה מלאכותית (D) ולפתח את התהליכים האלה.

יסודות בקרת PID

בקרת PID עובדת על ידי חישוב השגיאה בין משתנה תהליך נמדד (למשל, טמפרטורה, לחץ, זרימה) ונקודת מפנה הרצויה.התפוק הבקר הוא סכום של שלוש תנאים:

  • (P): ⁇ 1,0) ,Proportional (P): ההרחבה של 1FLT:1ua מגיבה לגודל השגיאה הנוכחי.שגיאה גדולה יותר מייצרת פעולה תיקון חזק יותר, אך בקר פרופורציונלי טהור תמיד משאירה תפנית מתמדת של מדינתית.
  • (ב) [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) מאתגר (D): נבא שגיאה עתידית המבוססת על שיעור השינוי שלה.המונח מוסיף לחיבות ומשפר את היציבות, אך רגיש מאוד למדידת רעש.

כוונון נכון של P, I, ו- D רווחים חיוני לשליטה יציבה ותגובה. שיטות מסורתיות כגון Ziegler-Nichols או Cohen-Coon לספק נקודות התחלה, אבל בעולם האמיתי לא לינאריות, עיכובים בזמן, ותנאי תהליך משתנים לעתים קרובות דורשים כוונון ידני. בסביבות מורכבות או דינמיות - כגון כורים עם שיעורי העברת חום שונים או מערכות HVAC כפופים לעומסים ל-PTS - יש צורך לבצע קיבולת חכמה יותר כדי לבצע קיבולת של שיטות בקרה.

שילוב עם האינטרנט של הדברים

העמוד הראשון של שליטה מודרנית PID הוא האינטרנט של דברים.IoT-הנגפיים ופועלים ליצור בד נתונים צפוף, בזמן אמת סביב תהליכים תעשייתיים. במקום להסתמך על חיישן טמפרטורה יחיד ביציאה הכור, מהנדסים יכולים לפרוס עשרות טמפרטורה אלחוטית, לחץ וחיישנים זרימה לאורך המערכת. נתונים גרניט זה נותן PIDs הרבה יותר מידע כדי לבסס את התיקונים שלהם על.

איסוף נתונים בזמן אמת ו ניטור מרחוק

שערי IoT מצטברים קוראי חיישן ולהעביר אותם לענן או לפלטפורמות טרום-פרסום.עבור לולאות PID, זה אומר בקרים יכולים לגשת לזרימי נתונים ברזולוציה גבוהה בשיעורי עדכון שהיו בלתי אפשריים בעבר עם 4-20 מ"א מסורתיים.אופרות יכולות לפקח על ביצועי לולאה מלוח הבקרה, לזהות את הניקוד של התנהגות ההפעלה, ולקבל התראות כאשר הוא oscillating או הפעלה מרחוק מחוץ למומחה לחדר העבודה הצפוי.

תחזוקה מבוססת תנאים

IoT גם מאפשר תחזוקה מבוססת תנאי עבור מערכות מבוקרות PID. Vibration חיישני על משאבה יכול להאכיל לתוך לולאה PID כי שמירה על זרימה מתמדת, ואותו נתונים ניתן להשתמש כדי לחזות ללבוש. כאשר הלולאה מתחיל לדרוש תיקונים אינטגראליים גדולים יותר להחזיק סטנקט, זה עשוי לסמן כישלונות הפעלה מתעתעת.

לדוגמה, ברשת חימום מחוזית, חיישני IoT משובצים על פני קילומטרים של פילינג מאפשרים לכל בקר PID של תת-התאמת להסתגל לזרימה המבוססת על דפוסי הביקוש בזמן אמת, בעוד גם מדליפות או חסמי חשמל.התוצאה היא חיסכון באנרגיה של 15-30% בהשוואה לשליטה קבועה.

שכנוע PID עם אינטליגנציה מלאכותית

בעוד ש-IoT מספק את הנתונים, AI מספק את אלגוריתמי הלמידה של מכונות יכול לנתח נתונים היסטוריים ומציאותיים כדי להתאים את ביצועי בקר PID בדרכים שכוונון אנושי לא יכול להתאים.

כוונון כוונון

אחת האפליקציות החזקות ביותר של AI בשליטה PID היא כוונון הסתגלותי. במקום להסתמך על רווחים קבועים, בקר PID מונע על ידי AI מתאמת ברציפות את P, אני, ו-D פרמטרים המבוססים על תנאי תהליך נוכחיים.לדוגמה, בלולאה טמפרטורה של Catalyticer טמפרטורה שליטה, הדינמיקה התרמית משתנה כמו הגילים של למידת מכונה על נתונים היסטוריים יכולה לחזות את לוח הזמנים האופטימלי ועדכון בזמן אמתי של תהליך זה אפילו קובע את הדינמיקה.

מודל PID

גישה נוספת היא לשלב PID עם בקרת מודל חיזוי (MPC) באמצעות רשתות עצביות.רשת עצבית יכולה ללמוד את מודל התהליך מהנתונים ולהזין תחזיות קדימה לבקר PID. בקר היברידי זה יכול לצפות שינויים נקודתיים או הפרעות, המאפשר PID להגיב לפני השגיאה אכן מתרחשת. in Steel מילימטרי מתגלגל, מערכות כאלה הפחיתו את הווריאציות על ידי יותר מ-40% לעומת עמידה PID.

גילוי ו Fault Tuning

AI גם עוזר בקרים PID להתאושש בחכמה מפגמים.אם חיישן נכשל, אלגוריתם AI יכול לזהות את הקריאה הפגום על ידי cross-correlating עם חיישנים אחרים ולעבור באופן זמני את PID להערכה חיישן וירטואלי עד תחזוקה לשחזר את המכשיר הפיזי.זה חוסן קריטי בתהליכים רצופים כמו שמן refining שבו לולאה יכול לעגל לתוך אירוע צמחי.

דוגמה מעשית היא בפיטורים למחצה של מוליכים למחצה, שבו תאי גרד פלזמה דורשים שליטה בלחץ הדוק מאוד וזרימת גז. AI-enhanced PID משתמשים בנתונים ספקטרוסקופיים אופטיים בזמן אמת כדי לזהות זיהום תאים ולתאים את התגובה PID דינמי, שמירה על אחידות וכו 'בפני אלפי וואט.

צוק איתן נמוך-Latency PID

מחשוב ענן מציג שקיפות שיכולה להיות קטלנית עבור לולאות PID מתקדמות במהירות. Edge מעבד נתונים באופן מקומי במחשב תעשייתי, בקר לוגיקה תוכנה (PLC), או שער קצה ייעודי קרוב לחיישנים ומבצעים ככל האפשר.זה מקטין את זמני הסבב ממאות אלפי שניות למיקרו-שניות, ומאפשר בקרים PID להגיב באופן מיידי להפרעות.

לדחוף את האינטליגנציה לצוק

על ידי הפעלת למידת מכונה בכפוף לקצה, בקרים PID יכולים לבצע אלגוריתמים מתאימים מבלי להסתמך על חיבור ענן.זה חשוב במיוחד בתחומי נפט וגז מרוחקים, פלטפורמות offshore, ופעולות כרייה שבו קישוריות רשת היא לסירוגין או יקר. רשם מבוסס קצה יכול להמשיך לפעול ולהתאים עצמי גם אם הקישור למרכז הנתונים המרכזי יורד.

אדריכלות שליטה מבוזרת

מחשוב צוק תומך גם באדריכלות שליטה מבוזרת.בצמח מסורתי, מאות לולאות PID נשלטים על ידי מערכת בקרה מבוזרת (DCS) עם מחשוב קצה, כל לולאה הופכת לצומת ברשת peer-to-peer. אלה נודים אינטליגנטיים יכולים לנהל משא ומתן על נקודות סטאונדציה ופעולות ללא רכזת מרכזי.

ביטחון ומשטרה

בקרת עיבוד PID בקצה גם משפרת את אבטחת המידע.הבקר אינו צריך לחשוף את אותות החיישן שלה ואת אותות ההפעלה לאינטרנט.המכשיר קצה יכול ליישם הצפנה, אימות ומדיניות חומת אש מקומית, ורק לשלוח נתוני ביצועים מצטברים לענן לניתוח לטווח ארוך. יתר על כן, מערכות הפעלה בזמן אמתיות על גבי קצה להבטיח כי הלולאהות PID מבצעת עדכון עקבי, אשר חיוני עבור יישומים קריטיים כמו רכב אוטונומי.

הסינרגיה של IoT, AI ו- Edge

הכוח האמיתי של שליטה עתידית של PID הוא שילוב של כל שלוש טכנולוגיות.חיישנים של IoT לספק את הנתונים, מודלים AI לספק את האינטליגנציה, ואת קצה מחשוב מחשוב מספק את המהירות.כאן הם פועלים יחד אדריכלות קוהרסטיבית:

  1. (FLT:0) רגיש שכבה: 1FLT חיישנים IoT אוספים נתונים רב-תחומיים גבוהים - זמן, לחץ, רטט, זרימה ועוד.
  2. (FLT:0) ,Edge Layer:FLT:1 An Edge שער קצה פועל מנוע AI קל משקל לפני עיבוד נתונים (מסנן רעש, זיהוי אנומליות) ומזין את אותות הניקוי לאלגוריתם PID.
  3. (FLT:0)Control Layer:FLT:1 The PID בקר באותו קצה המכשיר מבצע את הלולאה שלו במרווחי תת-מילי השניות. - עדכוני מנוע הסתגלות עולים על בסיס שינויים בזמן אמת.
  4. (FLT:0Cloud Layer:BuildFLT:1 , Summarized Performance metrics (מעל פתרון, זמן התיישבות, צריכת אנרגיה) נשלחים לענן עבור אופטימיזציה ארצית צי ושיקום של מודלים AI.

מערכת סגורה זו לומדת ומשתפרת באופן קבוע.לדוגמה, צמח כימי באמצעות אדריכלות זו ראה ירידה של 50% בזמן מחזור אצווה כי לולאת PID התאימה לריאציות תגובה אקסותרמית שהיו בעבר בלתי ניתנות למדידה.

יישומים אמיתיים

ייצור ומעבד תעשיות

בייצור מזון ומשקאות, בקרים המופעלים על ידי IoT מבטיחים טמפרטורות מתקנות עקביות על פני אלפי גלונים לשעה.מודלים של AI לחזות תנודות ביקוש קיטור בהתבסס על שינויים מהירות קו, ומחשוב קצה מבצע שליטה במהירויות של מילימטריות דיוק.התוצאה היא שיפור איכות המוצר ו-20% פחות שימוש באנרגיה.

ניהול אנרגיה

תחנות כוח סולאריות משתמשות ב- PID כדי לעקוב אחר נקודת הכוח המקסימלית של מערך פוטו-וולטאי.חיישנים IoT מודדים את הדיכאון ואת טמפרטורת הפאנל על כל מחרוזת.מודל AI על הקצה מעריך את נקודת ה- PID האופטימלית עבור ממיר DC, למקסם את קציר האנרגיה אפילו תחת גילוח חלקי.

רכב אוטונומי

בקרת PID היא עבודת השליטה של תנועת הרכב - רינג, מתפתל, האצה. כלי רכב אוטונומיים מוסיפים שכבות של ראיית מחשב ותכנון נתיב, אבל הפעולה הסופית עדיין מסתמכת על מחשוב PID. Edge מבטיחה סגרה לכדיה ב -100 הרץ, בעוד AI מפקחת על חלקי גלגל ותנאי כביש כדי להתאים את רווחי PID בזמן אמת.

בניית אוטומציה

מבנים חכמים משתמשים בקרים PID-abled PID לניהול אזורי HVAC. AI לומדת דפוסי דיקור ותחזיות מזג אוויר כדי לבצע עמדות לחות אופטימליות מראש. צוק בקרים להסתגל כל 10 שניות, תוך מתן נוחות תוך צמצום חשבונות האנרגיה עד 30%.

היתרונות של אינטגרציה

  • (FLT:0) שיפור הדיוק: נתונים בזמן אמת מחיישנים של IoT בשילוב עם כוונון אדפטי מונע על ידי AI מעכב תהליכים בדיוק בנקודת המוצא, אפילו בתוך הפרעות.
  • (ב) עיין ב-[[1924]]: [[1924]]]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]]]
  • (FLT:0) תחזוקה מוקדמת: 1FLT מודלים AI על קצה גילוי ההשפלה והחיישן הנסחף לפני שהם גורמים לכישלונות של לולאה שליטה, צמצום זמן השבתה לא מתוכנן.
  • (FLT:0) ,Scalability: 1.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10
  • יעילות:0 (Energyal: 1) הסתגלות PID מפחיתה יותר ויותר סלקציה, חיתוך צריכת אנרגיה במשאבות, אוהדים, חום על ידי 15-30%.
  • (FLT:0)Remote Operability: FLT:1igs יכול לפקח, לכוון ולפתור את לולאות PID מכל מקום עם חיבור אינטרנט מאובטח.

אתגרים ושיקולים

למרות היתרונות המשכנעים, שילוב של IoT, AI, ומחשוב קצה לשליטה ב- PID אינו ללא מכשולים.

סיכוני אבטחת סייבר

קישוריות נוספת פירושה יותר משטחים התקפה. חיישן IoT שנפגע יכול להאכיל נתונים כוזבים לבקר PID, מה שגורם לעיכובים בתהליך מסוכן. Edge מכשירים חייבים להיות מוקשים עם מנעול מאובטח, תקשורת מוצפנת ועדכוני קושחה קבועים.

איכות נתונים ורעש

מודלים של בינה מלאכותית הם רק טובים כמו הנתונים שהם מתאמנים עליהם. Noisyחיישנים, דגימות חסרות, ו-Outliers יכולים לטשטש כוונון הסתגלות. Robust סינון ואימות נתונים בקצה הם קריטיים.מהנדסים חייבים לתכנן בקפידה את הצינור preמעבד כדי להבטיח אותות נקיים להגיע ל- AI inference מנוע.

Algorithm Complexity and Training

פיתוח מודלים AI עבור כוונון PID דורש מומחיות הן תורת הבקרה והן למידת מכונה.המודלים חייבים להיות קלים מספיק כדי לרוץ על חומרה קצה עם משאבים מותאמים מוגבלת.העברת למידה וטכניקות למידה מתמשכת נחקרים כדי להפחית את הצורך עבור נתונים הכשרה גדולה.

התפטרות ואישור ה Hurdles

בתעשיות כגון ייצור תרופות וכוח גרעיני, מערכות בקרה חייבות לציית לתקנות קפדניות (למשל, ה- FDA 21 CFR חלק 11, IEC 61511). אלגוריתמים הסתגלות שמשנים פרמטרים PID באופן אוטונומי לא ניתן לאמת בקלות. הרגולטורים והיצרנים פועלים יחד כדי לקבוע הנחיות עבור AI בלולאות בקרה קריטיות בטיחות.

תחזית עתיד

המסלול של שליטה PID ברור: בקרים סטטיים, מבודדים ייתן דרך מערכות מחוברות, אינטליגנטיות ומופצות.מחקר חוקר כמה כיוונים מרגשים:

  • (FLT:0) למידה משופרת עבור PID:FearLT:1 , אדג' מכשירים להכשיר מודלים בינה מלאכותית מקומיים על נתוני תהליך שלהם, ולאחר מכן לשתף רק עדכוני מודל (לא נתונים גולמיים) עם מודל גלובלי.זה מאפשר למידה ארצית צינית תוך שמירה על פרטיות נתונים.
  • (FLT:0) תאומים לאופטימיזציה של PID: ההרחבה 1 (Aph דיגיטלי של התהליך הפיזי) מפעילה סימולציות לבדיקת פרמטרים חדשים של PID בסליקו לפני הפריסה, צמצום הסיכון לכעס במהלך כוונון חי.
  • (FLT:0) השפעות מחשוב קוונטיות: FLT:1ir בעוד עדיין nascent, אלגוריתמים קוונטיים יכולים לפתור בעיות אופטימיזציה מרובות-סבירות PID כוונון מהיר יותר מאשר שיטות קלאסיות.
  • (FLT:0) שללוות שליטה של שליטה: ⁇ FLT 1 Advanced AI יאפשר לבקרי PID להגדיר את עצמם באופן אוטומטי לאחר כשלי ציוד, הפעלת סמכות שליטה אמיתית בקרב פועלים מקודמים.

כמו טכנולוגיות אלה בוגר, בקרת PID כבר לא יהיה כלי בסיס אבל מרכיב אסטרטגי של חברות חכמות.חברות להשקיע עכשיו בתשתיות IoT, יכולות AI ופלטפורמות מחשוב קצה יהיה הכי טוב להציב כדי לקצור את התגמולים של יעילות משופרת, עלויות מופחתות, גמישות רבה יותר.

מסקנה

שליטה PID הוכיחה את הערך שלה במשך עשרות שנים, אבל הדרישות של אוטומציה מודרנית דורשות יותר מאלגוריתם קבוע של אלגוריתם של אלגוריתם קבוע של IoT, AI, ומחשוב קצה יוצרות מעמד חדש של בקרים PID שהם עצמיים, חיזוי, וחזור מחדש. על ידי אימוץ טכנולוגיות אלה, מהנדסי תהליך יכולים להשיג רמות של דיוק, יעילות, וזמן שהיה פעם בלתי ניתן לדמיין של שליטה על המערכת האקולוגית רק על המערכת האקולוגית כולה.

(ב) לאלו המוכנים לנקוט בצעדים הבאים, משאבים כגון האגודה הבינלאומית של אוטומציה:0) 1 (International Society of Automationigital Society of Automations) מציעים הדרכה על שילוב טכנולוגיות דיגיטליות עם שליטה מסורתית:2Control EngineeringFLT 3) מפרסם באופן קבוע מחקרים על יישום AI-enhanced PID, ואת FLT:4IEEE Xplore DigitalLTFreacio:5 מספק באופן קבוע כדי להתאים את שיטות בקרה חיוניות על כל תהליך זה.