Η Yokogawa Electric Corp. και η JSR Corp. ανακοινώνουν την επιτυχή ολοκλήρωση μιας επιτόπιας δοκιμής στην οποία χρησιμοποιήθηκε η τεχνητή νοημοσύνη για την αυτόνομη λειτουργία ενός χημικού εργοστασίου για 35 ημέρες, μια παγκόσμια πρωτιά. Αυτή η δοκιμή επιβεβαίωσε ότι η ενισχυτική τεχνητή νοημοσύνη μπορεί να εφαρμοστεί με ασφάλεια σε μια πραγματική εγκατάσταση. Η επίδειξη δείχνει ότι αυτή η τεχνολογία μπορεί να ελέγξει λειτουργίες που ξεπερνούσαν τις δυνατότητες των υφιστάμενων μεθόδων ελέγχου και μέχρι τώρα απαιτούσαν..
τη χειροκίνητη λειτουργία των βαλβίδων ελέγχου με βάση τις κρίσεις του προσωπικού της μονάδας. Η πρωτοβουλία που περιγράφεται εδώ επιλέχθηκε για τα Έργα 2020 για την Προώθηση της Προηγμένης Βιομηχανικής Ασφάλειας του προγράμματος επιδότησης του Υπουργείου Οικονομίας, Εμπορίου και Βιομηχανίας της Ιαπωνίας.Ο έλεγχος στις βιομηχανίες επεξεργασίας εκτείνεται σε ένα ευρύ φάσμα τομέων, από τη διύλιση πετρελαίου και τα πετροχημικά έως τα χημικά υψηλής απόδοσης, τις ίνες, τον χάλυβα, τα φαρμακευτικά προϊόντα, τα τρόφιμα και το νερό. Όλα αυτά συνεπάγονται χημικές αντιδράσεις και άλλα στοιχεία που απαιτούν εξαιρετικά υψηλό επίπεδο αξιοπιστίας.
Σε αυτήν την επιτόπια δοκιμή, η λύση τεχνητής νοημοσύνης αντιμετώπισε επιτυχώς τις περίπλοκες συνθήκες που απαιτούνται για τη διασφάλιση της ποιότητας του προϊόντος και τη διατήρηση των υγρών στην αποστακτική στήλη στο κατάλληλο επίπεδο, ενώ αξιοποιεί τη μέγιστη δυνατή θερμότητα ως πηγή θερμότητας. Με αυτόν τον τρόπο σταθεροποίησε την ποιότητα, πέτυχε υψηλή απόδοση και εξοικονόμησε ενέργεια. Ενώ η βροχή, το χιόνι και άλλες καιρικές συνθήκες ήταν σημαντικοί παράγοντες που θα μπορούσαν να διαταράξουν την κατάσταση ελέγχου προκαλώντας ξαφνικές αλλαγές στην ατμοσφαιρική θερμοκρασία, τα προϊόντα που παρήχθησαν πληρούσαν αυστηρά πρότυπα και έκτοτε έχουν αποσταλεί.
Η τεχνητή νοημοσύνη που χρησιμοποιήθηκε σε αυτό το πείραμα ελέγχου, το πρωτόκολλο Factorial Kernel Dynamic Policy Programming (FKDPP), αναπτύχθηκε από κοινού από τη Yokogawa και το Ινστιτούτο Επιστήμης και Τεχνολογίας Nara (NAIST) το 2018 και αναγνωρίστηκε σε διεθνές συνέδριο IEEE για την Επιστήμη και την Αυτοματοποίηση Η μηχανική ως η πρώτη ενισχυτική τεχνητή νοημοσύνη που βασίζεται στη μάθηση στον κόσμο που μπορεί να χρησιμοποιηθεί στη διαχείριση εγκαταστάσεων. Μέσω πρωτοβουλιών, συμπεριλαμβανομένης της επιτυχημένης διεξαγωγής ενός πειράματος συστήματος εκπαίδευσης ελέγχου το 2019 και ενός πειράματος τον Απρίλιο του 2020 που χρησιμοποίησε έναν προσομοιωτή για την αναδημιουργία ενός ολόκληρου φυτού, η Yokogawa επιβεβαίωσε τις δυνατότητες αυτού του αυτόνομου ελέγχου AI.
Δεδομένων των πολυάριθμων πολύπλοκων φυσικών και χημικών φαινομένων που επηρεάζουν τις λειτουργίες σε πραγματικές εγκαταστάσεις, εξακολουθούν να υπάρχουν πολλές καταστάσεις όπου οι βετεράνοι χειριστές πρέπει να παρέμβουν και να ασκήσουν έλεγχο. Ακόμη και όταν οι λειτουργίες αυτοματοποιούνται χρησιμοποιώντας έλεγχο PID και APC, οι έμπειροι χειριστές πρέπει να σταματήσουν τον αυτοματοποιημένο έλεγχο και να αλλάξουν τη διαμόρφωση και τις τιμές εξόδου όταν, για παράδειγμα, συμβεί ξαφνική αλλαγή στην ατμοσφαιρική θερμοκρασία λόγω βροχοπτώσεων ή κάποιου άλλου καιρικού φαινομένου. Αυτό είναι ένα κοινό πρόβλημα σε εργοστάσια πολλών εταιρειών. Τα αποτελέσματα αυτής της δοκιμής υποδηλώνουν ότι αυτή η συνεργασία μεταξύ της Yokogawa και της JSR μπορεί να άνοιξε έναν δρόμο προς τα εμπρός για την επίλυση αυτού του μακροχρόνιου ζητήματος.
Ο Masataka Masutani, γενικός διευθυντής τεχνολογίας παραγωγής στην JSR δήλωσε: «Σε ένα περιβάλλον που αλλάζει λόγω παραγόντων όπως η πλήρης εισαγωγή του 5G και άλλες εξελίξεις προς μια ψηφιακή κοινωνία, καθώς και η γήρανση του ανθρώπινου δυναμικού που διασφαλίζει την ασφάλεια των εγκαταστάσεων και την έλλειψη ανθρώπινου δυναμικού για την αντικατάστασή τους, η πετροχημική βιομηχανία βρίσκεται υπό ισχυρή πίεση να βελτιώσει την ασφάλεια και την αποτελεσματικότητα στις παραγωγικές της δραστηριότητες χρησιμοποιώντας νέες τεχνολογίες όπως το IoT και η τεχνητή νοημοσύνη. Ο προσανατολισμός της JSR είναι να κάνει την παραγωγή έξυπνη μέσω μιας προληπτικής ενσωμάτωσης drones, αισθητήρων IoT, καμερών και άλλων νέων τεχνολογιών και σε αυτό το πείραμα αντιμετωπίσαμε την πρόκληση του αυτοματισμού του ελέγχου διεργασιών στα εργοστάσια χρησιμοποιώντας τεχνολογία ελέγχου AI. Επαληθεύσαμε ότι η τεχνητή νοημοσύνη είναι σε θέση να ελέγχει αυτόνομα τις διεργασίες που εκτελούνταν προηγουμένως με μη αυτόματο τρόπο με βάση την εμπειρία των χειριστών και είμαστε απόλυτα πεπεισμένοι για τη χρησιμότητα και τις μελλοντικές δυνατότητες του ελέγχου τεχνητής νοημοσύνης. Από εκείνους στον τομέα, ακούσαμε σχόλια να λένε ότι όχι μόνο μειώθηκε η επιβάρυνση των χειριστών, αλλά το ίδιο το γεγονός ότι αντιμετωπίσαμε την πρόκληση αυτής της νέας τεχνολογίας και τα καταφέραμε αποτελεί κίνητρο για να προωθήσουμε την DX στο μέλλον. Στο εξής, θα επεκτείνουμε τις λειτουργίες που ελέγχονται με τεχνητή νοημοσύνη και θα εργαστούμε για να ενισχύσουμε την ασφάλεια, τη σταθερότητα και την ανταγωνιστικότητα των χημικών εγκαταστάσεων». Ακούσαμε σχόλια να λένε ότι όχι μόνο μειώθηκε η επιβάρυνση των χειριστών, αλλά το ίδιο το γεγονός ότι αντιμετωπίσαμε την πρόκληση αυτής της νέας τεχνολογίας και τα καταφέραμε αποτελεί κίνητρο για να προωθήσουμε την DX στο μέλλον. Στο εξής, θα επεκτείνουμε τις λειτουργίες που ελέγχονται με τεχνητή νοημοσύνη και θα εργαστούμε για να ενισχύσουμε την ασφάλεια, τη σταθερότητα και την ανταγωνιστικότητα των χημικών εγκαταστάσεων». Ακούσαμε σχόλια να λένε ότι όχι μόνο μειώθηκε η επιβάρυνση των χειριστών, αλλά το ίδιο το γεγονός ότι αντιμετωπίσαμε την πρόκληση αυτής της νέας τεχνολογίας και τα καταφέραμε αποτελεί κίνητρο για να προωθήσουμε την DX στο μέλλον. Στο εξής, θα επεκτείνουμε τις λειτουργίες που ελέγχονται με τεχνητή νοημοσύνη και θα εργαστούμε για να ενισχύσουμε την ασφάλεια, τη σταθερότητα και την ανταγωνιστικότητα των χημικών εγκαταστάσεων».
Ο Takamitsu Matsubara, αναπληρωτής καθηγητής στο NAIST είπε, «Είμαι πολύ χαρούμενος που άκουσα ότι αυτή η δοκιμή πεδίου ήταν επιτυχής. Η ανάλυση δεδομένων και η μηχανική μάθηση εφαρμόζονται τώρα στις λειτουργίες χημικών εγκαταστάσεων, αλλά η τεχνολογία που μπορεί να χρησιμοποιηθεί στον αυτόνομο έλεγχο και τη βελτιστοποίηση των λειτουργιών δεν ήταν πλήρως έτοιμη μέχρι τώρα. Ο αλγόριθμος ενισχυτικής εκμάθησης AI FKDPP αναπτύχθηκε από κοινού από τη Yokogawa και τη NAIST το 2018 για την υλοποίηση αυτόνομου ελέγχου σε χημικά εργοστάσια. Παρά το γεγονός ότι πρέπει να αναφέρεται σε μεγάλο αριθμό αισθητήρων και βαλβίδων ελέγχου, το AI μπορεί να δημιουργήσει μια ισχυρή πολιτική ελέγχου σε περιορισμένο αριθμό δοκιμών εκμάθησης. Αυτά τα χαρακτηριστικά βοήθησαν στη βελτίωση της αποτελεσματικότητας της διαδικασίας ανάπτυξης και οδήγησαν στην επίτευξη αυτόνομου ελέγχου για μεγάλο χρονικό διάστημα 840 ωρών κατά τη διάρκεια της δοκιμής πεδίου. Νομίζω ότι αυτό το πολύ δύσκολο επίτευγμα αυτόνομου ελέγχου σε μια πραγματική στήλη απόσταξης και το γεγονός ότι το επίπεδο πρακτικής εφαρμογής έχει ανυψωθεί σε σημείο όπου ολόκληρη η διαδικασία παραγωγής και η ασφάλεια ενσωματώνονται σε ένα σύστημα έχουν μεγάλη σημασία για ολόκληρη τη βιομηχανία. Ανυπομονώ να δω τι θα συμβεί στη συνέχεια με αυτήν την τεχνολογία.”
Ο αντιπρόεδρος της Yokogawa Electric και επικεφαλής των κεντρικών γραφείων Yokogawa Products, Kenji Hasegawa, δήλωσε: «Η επιτυχία αυτής της δοκιμής πεδίου προήλθε από τη συγκέντρωση της βαθιάς γνώσης της διαδικασίας παραγωγής και των λειτουργικών πτυχών που μόνο ο πελάτης μπορεί να παρέχει, και τη δύναμη της Yokogawa να αξιοποιεί τη μέτρηση. έλεγχο και πληροφορίες για την παραγωγή αξίας. Υποδηλώνει ότι ένας αυτόνομος έλεγχος AI (FKDPP) μπορεί να συμβάλει σημαντικά στην αυτονομία της παραγωγής, στη μεγιστοποίηση της απόδοσης επένδυσης (ROI) και στην περιβαλλοντική βιωσιμότητα σε όλο τον κόσμο. Η Yokogawa ηγήθηκε του κόσμου στην ανάπτυξη κατανεμημένων συστημάτων ελέγχου που ελέγχουν και παρακολουθούν τη λειτουργία των εγκαταστάσεων παραγωγής φυτών και έχει υποστηρίξει την ανάπτυξη μιας σειράς βιομηχανιών. Με το βλέμμα στραμμένο σταθερά σε έναν κόσμο αυτόνομης λειτουργίας που αποτελεί το μοντέλο για το μέλλον των βιομηχανιών, τώρα προωθούμε την έννοια του IA2IA – Βιομηχανικός Αυτοματισμός σε Βιομηχανική Αυτονομία. Για να επιτύχουμε ισχυρή και ευέλικτη παραγωγή που λαμβάνει υπόψη τον αντίκτυπο των διαφορών στους ανθρώπους, τις μηχανές, τα υλικά και τις μεθόδους, τα 4Ms, στον τομέα της ενέργειας, των υλικών, των φαρμακευτικών προϊόντων και πολλών άλλων βιομηχανιών, θα επιταχύνουμε την κοινή ανάπτυξη του αυτόνομου ελέγχου AI με τους πελάτες μας σε όλο τον κόσμο.”
Δεν υπάρχουν σχόλια:
Δημοσίευση σχολίου