¿Qué prometen Ai y Machine Learning para el control industrial Bitcoin Share Price Chart

La fabricación moderna genera una avalancha de datos que mantienen el promesa de mejorar significativamente muchas áreas, desde la administración de la cadena de suministro hasta las lecturas de las variables de proceso del sensor y los diagnósticos internos hasta los datos de calidad en proceso. Pero el problema es que es solo eso: una inundación de datos y solo computadoras pueden seguirle el ritmo. Además, las relaciones internas en los datos y, por lo tanto, la posibilidad de hacer un uso real de los mismos, no siempre son obvias a priori. Aunque ciertos enfoques se pueden configurar de antemano, en realidad, la única forma de utilizar este universo de datos es experimentarlo, que es otra forma de decir que nuestros sistemas de procesamiento de datos deben aprender qué significan los datos y qué hacer con ellos. eso. De ahí la necesidad de aprendizaje automático (ML), que es principalmente un proceso iterativo de optimización.

Tengo un dicho: puedes hacer casi cualquier cosa si agregas suficientes microprocesadores, pero el verdadero ingenio es hacer el mismo trabajo con una roca grande y una roca pequeña. En otras palabras, cuanto más simplemente uno puede hacer algo, mejor será el resultado. En general, también será más robusto y menos costoso. David A. Sanders y Alexander Gegov se hizo eco de este punto de vista en 2015: “Cuando las personas hacen algo mejor que las computadoras en alguna tarea, o las computadoras usan mucha computación para hacerlo tan bien como las personas, esto demuestra que los diseñadores del programa carecen de los mecanismos intelectuales necesarios para realizar la tarea de manera eficiente. O tal vez la tarea se puede hacer mejor de una manera diferente. “

Un ejemplo reciente de lo que parece ser una complejidad excesiva proviene de investigadores del Laboratorio de Ciencias de la Automatización de UC Berkeley que han construido un robot llamado DexNet 2.0. El robot puede recoger objetos de cualquier forma con una tasa de éxito del 99 por ciento; que parece impresionante (los robots tradicionalmente han tenido que ser programados específicamente para recoger objetos específicos). Pero lo hace no como lo haría un ser humano, aplicando algunos principios generales como “qué tan grande es el objeto” y “cómo podría sostener mi mano para captar la forma que veo”, sino que se entrenó con una base de datos en la nube de miles de objetos 3D para recolectar 6.7 millones de puntos de datos. Sin embargo, Graham Templeton sugiere que el robot aprende por experiencia: “Cada vez que analiza con éxito una forma completamente nueva y la recoge, mejora un poco al elegir la siguiente forma, incluso si esa forma es completamente nueva también. “

Del lado de las máquinas, David A. Sanders y Alexander Gegov señalan que los desafíos de control industrial son mucho más simples que aquellos que enfrentan inteligencia artificial general: “Las herramientas y los métodos de ingeniería de control tienden a tener una menor complejidad computacional que otras aplicaciones de IA, y a menudo se pueden implementar con microcontroladores de baja capacidad”. Así que esto resulta ser una buena opción para computadoras.

Hay un trabajo interesante en concurrencia aprendizaje modelo adaptativo de control predictivo para aplicaciones aeronáuticas; la idea es permitir el uso del control adaptativo en situaciones de respuesta rápida donde la estabilidad debe mantenerse a pesar de la incertidumbre del modelo. Pero, ¿qué pasa con el control industrial (es decir, el proceso)? Aprendizaje automático y control industrial adaptativo

Programado control adaptativo ha existido por muchas décadas, y su modificación sobre la marcha de los parámetros del sistema de control en respuesta a las cambiantes condiciones del proceso ciertamente no merece el nombre de aprendizaje automático. Sin embargo, también hay controladores autoadaptativos, que utilizan el rendimiento de un bucle de control como una entrada (por ejemplo, el regulador de autoajuste, el controlador de referencia modelo y el controlador adaptativo de reconocimiento de patrones), pueden considerarse como el comienzo de máquina aprendizaje.

Sin embargo, es útil recordar, como señala Liptak [1], que una persona autoadaptativa sistema de control no puede responder tan rápido a los cambios en su entorno (en contraste con los cambios en la variable de entrada o de proceso) como uno programado, porque debe tener varias muestras de salida para tomar una decisión. Otros tipos de control adaptativo incluyen referencia de modelo y reconocimiento de patrones; se podría decir que este último incorpora una forma de aprendizaje automático.

Peter Cleaveland ha estado en el negocio de la escritura durante casi 30 años, como jefe de departamento de publicaciones, editor de revistas, redactor publicitario y profesional independiente. Después de 13 años, ingeniero en electrónica de defensa en American Electronic Laboratories, productos de consumo en Lutron Electronics e industrial (CNC) control de fabricación en Bridgeport Controls, ocupó un puesto como editor técnico sénior en Instruments & La revista Control Systems, donde permaneció durante 19 años, y ganó un certificado de Jesse H. Neal (segundo lugar en lo que se considera la competencia comercial del premio Pulitzer). Luego trabajó durante dos años como gerente de cuenta para Goldstein Group, una firma de relaciones públicas de alta tecnología, antes de establecerse como profesional independiente, con sede en el Área de la Bahía. Ha sido incluido como West Coast Consulting Editor para Control Engineering, Editor técnico para diseño de productos & Desarrollo y West Coast Editor para Medical Design Technology. Cleaveland también ha publicado un boletín informativo sobre vehículos eléctricos durante los últimos 27 años.

banner