使用人工智能技术
人工智能(AI)开始改变控制工程师的传统角色，这正在成为现实。有一些好处，但在工业环境中采用它也有潜在的障碍。
MathWorks高级工程经理Jos Martin表示，未来几年人工智能(AI)对控制工程的最大影响将是工人自己。他说:“随着对数据科学技能需求的增长和技术技能差距的扩大，日常工程师和科学家以及数据科学家将有望填补这一空白，接受如何设计和部署机器学习系统的培训，成为‘公民数据科学家’。”“为了能够在工作中充分利用人工智能，工程专业人员将需要具备处理大型数据集、构建和培训人工智能模型以及了解如何使用新的开发工具和软件等技能。”企业需要支持员工提高技能，并愿意投资于充分的培训，以实现这一目标。”
三菱电机欧洲公司(Mitsubishi Electric Europe)工厂自动化EMEA总裁Hartmut p
他补充说:“在大约10-15年内，过程优化很可能完全由人工智能技术来处理，编程plc的能力将变得不那么重要。即使在今天，我们也看到PLC程序由仿真空间中的高级系统自动生成，然后下载到PLC中。”
提高效率
人工智能算法开始提高整个工厂生产线的效率，减少能源消耗和浪费，使组织能够实现重要的企业社会责任目标，并节省成本。传统上，为了达到良好的人工智能精度水平和简单的模型训练，使用高性能计算系统，如gpu，使用32位浮点数学的集群和数据中心至关重要。然而，软件工具的发展现在意味着使用一系列定点数学的人工智能推理模型可以使工程师能够利用电子控制单元和其他低功耗嵌入式工业应用等设备。
人工智能正在帮助提高预测性维护应用程序的准确性，例如预测工业现场泵的剩余使用寿命。然而，在工业领域采用人工智能的最大障碍之一是是否有足够的高质量数据来正确训练人工智能模型。
Martin说:“为了确保人工智能模型的准确性，需要大量的故障数据，但从真实的物理设备中创建数据既昂贵又低效。”“幸运的是，现在软件的改进使得通过生成代表故障行为的模拟并将其综合到训练模型中，可以更容易地从关键故障条件和异常中重建数据。我们看到人工智能被用于改变从工业工厂到风力涡轮机，从自动驾驶汽车到飞机的各种设计。然而，采用人工智能进行智能设计的另一个障碍是多领域、人工智能驱动系统的复杂性。为了解决这个问题，工程师们正在转向基于模型的设计工具，这些工具提供了端到端工作流来降低复杂性。这些工具可以模拟、集成和持续测试系统，使设计师能够在完整的环境中试验想法，识别数据中的弱点，并在组件设计成为问题之前发现缺陷。”
强化学习(RL)——一种以在国际象棋和围棋中击败人类棋手而闻名的人工智能形式——正被用于改进工程设计。它的工作原理是通过在动态环境中反复的试错交互来学习执行任务。Martin预测，工程师们很快就会将强化学习代理部署到人工智能模型中，以优化性能。
在哪里，怎么做?
当今行业面临的一个重要问题是，在哪里以及如何利用人工智能和驱动它的数据，以获取尽可能多的价值。AVEVA首席技术官、研发执行副总裁Andrew McCloskey认为，这为现代控制工程师提供了一个巨大的机会，因为当正确实施人工智能时，他们将比以往任何时候都更有效，使他们能够为公司节省大量资金。McCloskey表示:“人工智能增强的工业设备预测性维护可以使年度维护成本降低10%，停机时间减少20%，检查成本降低25%。
预测性维护将利用监督学习和无监督学习——这是机器学习的两种主要方法，本质上描述了人工智能算法“变得聪明”所需的“训练”，并提供了这些节省。监督学习能够在很短的时间内实现控制工程师的知识转移，而无监督学习能够自动识别数据中的差异，如果不加以控制，这些差异可能会产生重大后果。总之，这些算法开发的高概率预测通常不直观，也不容易识别。
McCloskey说:“这为控制工程师腾出了更多的时间来应对更大的挑战，并推动持续改进，而不仅仅是单一的改进事件。”“例如，配备了即将发生故障的预测，不再需要根据预先确定的时间表进行检查和维护。相反，我们最大限度地延长设备部件的使用寿命，并在必要时更换它们——在这种情况下，就在即将发生的问题发生之前。由于资金和运营预算紧张，制造商正在寻求对现有资产进行‘汗水’，而这种预测性维护方法可以显著节省检查和维护成本，同时将计划外停机时间降至最低。”
不可否认，人工智能正在控制工程领域掀起波澜，但它不是灵丹妙药。尽管采用这项技术仍然存在障碍，但制造商开始采用这项技术至关重要，因为它的好处太大了，不容忽视。
苏珊娜吉尔编辑器,欧洲控制工程。本文最初发表于欧洲控制工程网站。克里斯·瓦夫拉编辑，制作编辑，控制工程、《媒体,cvavra@cfemedia.com
您是否具有本内容中提到的主题的经验和专业知识?您应该考虑为我们的CFE媒体编辑团队做出贡献，并获得您和您的公司应得的认可。点击在这里开始这个过程。
