控制理论比人工智能更能提高工厂性能吗?
了解人工智能(AI)和机器学习(ML)相对于控制理论的优缺点，特别是用于改进流程和制造应用和操作的模型预测控制(MPC)。
学习目标
- 回顾AI、ML的一些优点和缺点。
- 理解什么时候控制理论，特别是模型预测控制，可以比AI和ML更有效。
- 链接到控制工程和CFE媒体与技术的在线课程，了解更多相关主题。
在过去十年中，人工智能(AI)和机器学习(ML)已成功应用于提高植物性能。即便如此，人工智能技术在改善现有运营设施方面的应用远远落后于预期，许多项目陷入了麦肯锡公司所说的“试点炼狱”。
AI和ML的最大优势(基于海量数据集的无模型学习)在应用于实时变化的系统时可能是一个弱点。事实上，人工智能的“以数据为中心”范式虽然适用于图像分类、异常值检测和消费者行为等任务，但在基于物理资产的操作中，它不如经典的基于模型的控制和系统识别方法。
模型预测控制(MPC)框架在基于资产的设施的控制和适应方面通常优于人工智能和机器学习。在这个框架内，可以选择性地使用特定的AI技术来提高性能。理解可观察性和可控性有助于理解关键的控制函数，以及AI/ML方法在现实应用中表现不佳的地方。一些成功案例被错误地归类为人工智能，其实它们是传统控制技术的应用。
AI、ML、MPC应用得当
这些要点将在10月25日的虚拟培训周课程中涵盖，学习目标如下:
- 了解使用AI和ML进行过程控制和风险管理的优势和局限性
- 回顾模型在有效控制系统的设计、实现、维护和适应中的基本作用，并揭示为什么AI/ML方法本身是不够的
- 确定您组织的AI方法的弱点，以及如何通过使用MPC框架来解决这些弱点。
麻省理工学院斯隆管理学院系统动力学组高级讲师John F. Carrier解释说，控制系统的过程、模型和数据元素之间的相互作用对于创造转型变革至关重要。提供:John F. Carrier，麻省理工学院;控制工程/CFE媒体和技术虚拟培训周2022
安全、可靠的操作控制框架
回顾这些信息很重要，因为人工智能营销已经占据了产业转型的思维空间。AI和ML在应用于真实的、有噪声的、非平稳的过程时存在局限性。MPC为设计、操作和适应真实流程提供了一个优于更有限的AI/ML方法的框架。最后，MPC框架解决复杂问题，为管理人员和控制工程师提供决策指导。
虽然AI和ML方法可以成功地应用于许多工业应用，但AI和ML专注于模型/数据集，而忽略了真实的过程。AI和ML在动态响应建模方面也相对较弱，在噪声和时变系统方面也“脆弱”。
控制框架为设施的安全可靠运行提供了更全面的框架。特别是，MPC提供了一个框架来指导所有的工厂操作，包括操作和维护人员。请记住，简化系统可以使其更容易建模，提高生产力，并降低操作风险。
约翰·f·开利他是麻省理工学院控制系统科学博士(ScD)，也是麻省理工学院的高级讲师麻省理工学院斯隆管理学院系统动力学组．由内容经理马克·霍斯克编辑，控制工程、《媒体，mhoske@cfemedia.com．
关键词:控制理论，人工智能，机器学习
学习目标
考虑一下这个
你在用AI/ML和控制理论的正确应用?
您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。
