ในโลกที่หนึ่ง โยโกกาวา และ JSR ใช้ AI เพื่อควบคุมโรงงานเคมีอย่างอิสระเป็นเวลา 35 วันติดต่อกัน

โตเกียว ประเทศญี่ปุ่น 22 มีนาคม พ.ศ. 2565

บริษัทโยโกกาวาอิเล็กทริก
บริษัท เจเอสอาร์ คอร์ปอเรชั่น

Yokogawa Electric Corporation (TOKYO: 6841) และ JSR Corporation (JSR, TOKYO: 4185) ประกาศผลการทดสอบภาคสนามที่ประสบความสำเร็จ ซึ่ง AI ถูกใช้ในการบริหารโรงงานเคมีแบบอัตโนมัติเป็นเวลา 35 วัน เป็นครั้งแรกของโลก *1 การทดสอบนี้ยืนยันว่า AI การเรียนรู้เสริมแรงสามารถนำไปใช้อย่างปลอดภัยในโรงงานจริง และแสดงให้เห็นว่าเทคโนโลยีนี้สามารถควบคุมการทำงานที่เกินความสามารถของวิธีการควบคุมที่มีอยู่ (การควบคุม PID *2 /APC *3) และมีความจำเป็นจนถึงตอนนี้ การทำงานด้วยตนเองของวาล์วควบคุมตามดุลยพินิจของบุคลากรในโรงงาน ความคิดริเริ่มที่อธิบายไว้ในที่นี้ได้รับการคัดเลือกสำหรับโครงการสนับสนุนความปลอดภัยขั้นสูงของอุตสาหกรรมปี 2020 ของกระทรวงเศรษฐกิจ การค้า และอุตสาหกรรมของญี่ปุ่น

บริษัท เจเอสอาร์ คอร์ปอเรชั่น
คอลัมน์กลั่นที่โรงงานเคมี JSR

การควบคุมในอุตสาหกรรมกระบวนการผลิตครอบคลุมหลากหลายสาขา ตั้งแต่การกลั่นน้ำมันและปิโตรเคมี ไปจนถึงเคมีภัณฑ์ประสิทธิภาพสูง เส้นใย เหล็ก เภสัชภัณฑ์ อาหาร และน้ำ สิ่งเหล่านี้ก่อให้เกิดปฏิกิริยาเคมีและองค์ประกอบอื่นๆ ที่ต้องการความน่าเชื่อถือในระดับสูงมาก

ในการทดสอบภาคสนามนี้ โซลูชัน AI สามารถจัดการกับสภาวะที่ซับซ้อนซึ่งจำเป็นต่อการรับประกันคุณภาพของผลิตภัณฑ์ได้สำเร็จ และรักษาของเหลวในคอลัมน์การกลั่นให้อยู่ในระดับที่เหมาะสม ในขณะที่ใช้ความร้อนเหลือทิ้งเป็นแหล่งความร้อนให้เกิดประโยชน์สูงสุด การทำเช่นนี้ทำให้คุณภาพมีเสถียรภาพ ได้รับผลตอบแทนสูง*4 และประหยัดพลังงาน แม้ว่าฝน หิมะ และสภาพอากาศอื่นๆ เป็นปัจจัยสำคัญที่อาจขัดขวางสถานะการควบคุมโดยทำให้เกิดการเปลี่ยนแปลงอย่างกะทันหันของอุณหภูมิบรรยากาศ แต่ผลิตภัณฑ์ที่ผลิตได้ผ่านมาตรฐานที่เข้มงวดและได้รับการจัดส่งตั้งแต่นั้นเป็นต้นมา นอกจากนี้ เนื่องจากมีเพียงผลิตภัณฑ์คุณภาพดีเท่านั้นที่ถูกสร้างขึ้น เชื้อเพลิง แรงงาน เวลา และความสูญเสียอื่นๆ ที่เกิดขึ้นเมื่อผลิตผลิตภัณฑ์ที่ไม่เป็นไปตามข้อกำหนดทั้งหมดถูกกำจัดออกไป

พื้นที่ควบคุมและผลลัพธ์
Areas controlled and results
Zoom

การดำเนินงานที่ปลอดภัยได้รับการประกันผ่านกระบวนการต่อไปนี้:

มั่นใจในความปลอดภัยในการดำเนินงานของโรงงาน
Ensuring safety in the plant operations
Zoom

AI ที่ใช้ในการทดลองควบคุมนี้คือโปรโตคอล Factorial Kernel Dynamic Policy Programming (FKDPP) ได้รับการพัฒนาร่วมกันโดย โยโกกาวา และ Nara Institute of Science and Technology (NAIST) ในปี 2018 และได้รับการยอมรับในการประชุม IEEE International Conference on Automation Science และ วิศวกรรมเป็น AI ที่เน้นการเรียนรู้แบบเสริมกำลังรายแรกในโลกที่สามารถนำไปใช้ในการจัดการโรงงาน ได้ *7 ผ่านการริเริ่มต่างๆ รวมถึงการดำเนินการที่ประสบความสำเร็จของระบบการฝึกการควบคุม *8 การทดลองในปี 2019 และการทดลองในเดือนเมษายน 2020 ที่ใช้เครื่องจำลองเพื่อสร้างโรงงานทั้งโรงงาน *9 โยโกกา โยโกกาวา ได้ยืนยันศักยภาพของ AI ควบคุมอัตโนมัตินี้ *10 และขั้นสูง จากทฤษฎีสู่เทคโนโลยีที่เหมาะสมกับการใช้งานจริง สามารถใช้ในพื้นที่ที่ก่อนหน้านี้ระบบอัตโนมัติไม่สามารถทำได้ด้วยวิธีการควบคุมแบบเดิม (การควบคุม PID และ APC) และจุดแข็งของมันรวมถึงการจัดการกับเป้าหมายที่ขัดแย้งกัน เช่น ความต้องการทั้งคุณภาพสูงและการประหยัดพลังงาน

เนื่องจากปรากฏการณ์ทางกายภาพและทางเคมีที่ซับซ้อนจำนวนมากที่ส่งผลกระทบต่อการปฏิบัติงานในโรงงานจริง ยังมีอีกหลายสถานการณ์ที่ผู้ปฏิบัติงานรุ่นเก๋าต้องก้าวเข้ามาและฝึกการควบคุม แม้ว่าการดำเนินการจะเป็นแบบอัตโนมัติโดยใช้การควบคุม PID และ APC ผู้ปฏิบัติงานที่มีประสบการณ์สูงจะต้องหยุดการควบคุมอัตโนมัติและเปลี่ยนการกำหนดค่าและค่าเอาต์พุตเมื่อมีการเปลี่ยนแปลงอย่างกะทันหันในอุณหภูมิบรรยากาศอันเนื่องมาจากฝนตกหรือเหตุการณ์สภาพอากาศอื่น ๆ นี่เป็นปัญหาทั่วไปในโรงงานของบริษัทหลายแห่ง เกี่ยวกับการเปลี่ยนผ่านสู่ความเป็นเอกเทศทางอุตสาหกรรม *11 ความท้าทายที่สำคัญมากคือการจัดตั้งการควบคุมแบบอัตโนมัติในสถานการณ์ที่การแทรกแซงโดยเจ้าหน้าที่ถือเป็นสิ่งสำคัญ และทำอย่างนั้นด้วยความพยายามน้อยที่สุดเท่าที่จะเป็นไปได้ในขณะเดียวกันก็รับประกันความปลอดภัยในระดับสูงด้วย ผลการทดสอบนี้ชี้ให้เห็นว่าการทำงานร่วมกันระหว่าง โยโกกาวา และ JSR ได้เปิดเส้นทางสู่การแก้ไขปัญหาอันยาวนานนี้

โยโกกาวา ยินดีต้อนรับลูกค้าที่สนใจในโครงการเหล่านี้ทั่วโลก บริษัทตั้งเป้าที่จะจัดหาผลิตภัณฑ์และโซลูชั่นอย่างรวดเร็วซึ่งนำไปสู่การบรรลุความเป็นอิสระทางอุตสาหกรรม

JSR เชื่อว่าการสาธิตนี้แสดงให้เห็นถึงศักยภาพของ AI ในการจัดการกับความท้าทายที่ก่อนหน้านี้ไม่สามารถแก้ไขได้ในโรงงานเคมี และจะตรวจสอบการใช้งานกับกระบวนการและโรงงานอื่นๆ โดยมีเป้าหมายเพื่อบรรลุการปรับปรุงประสิทธิภาพต่อไป

ในอนาคต ทั้งสองบริษัทจะทำงานร่วมกันและตรวจสอบวิธีการใช้ AI ในโรงงานต่อไป

Masataka Masutani ผู้จัดการทั่วไปด้านเทคโนโลยีการผลิตของ JSR ให้ความเห็นว่า "ในสภาพแวดล้อมที่เปลี่ยนแปลงไปเนื่องจากปัจจัยต่างๆ เช่น การแนะนำ 5G อย่างเต็มรูปแบบและการพัฒนาอื่นๆ สู่สังคมดิจิทัล ตลอดจนความชราของทรัพยากรบุคคลที่ รับรองความปลอดภัยของโรงงานและการขาดทรัพยากรมนุษย์เพื่อทดแทน อุตสาหกรรมปิโตรเคมีอยู่ภายใต้แรงกดดันอย่างแรงกล้าในการปรับปรุงความปลอดภัยและประสิทธิภาพในกิจกรรมการผลิตโดยใช้เทคโนโลยีใหม่ ๆ เช่น IoT และ AI การวางแนวของ JSR คือการทำให้การผลิตเป็นไปอย่างชาญฉลาดผ่านการรวมตัวกันเชิงรุกของโดรน เซ็นเซอร์ IoT กล้อง และเทคโนโลยีใหม่อื่นๆ และในการทดลองนี้ เราเผชิญกับความท้าทายของระบบอัตโนมัติของการควบคุมกระบวนการในโรงงานโดยใช้เทคโนโลยีการควบคุม AI เราตรวจสอบแล้วว่า AI สามารถควบคุมกระบวนการต่างๆ ที่เคยดำเนินการด้วยตนเองโดยอิงจากประสบการณ์ของผู้ปฏิบัติงานได้โดยอัตโนมัติ และเราเชื่อมั่นในประโยชน์และศักยภาพของการควบคุม AI ในอนาคต จากผู้ที่อยู่ในภาคสนาม เราได้ยินความคิดเห็นที่กล่าวว่าไม่เพียงแต่ลดภาระของผู้ปฏิบัติงานเท่านั้น แต่ความจริงที่ว่าเราได้รับมือกับความท้าทายของเทคโนโลยีใหม่นี้และประสบความสำเร็จนั้นเป็นแรงจูงใจในการนำ DX ไปข้างหน้าในอนาคต ต่อจากนี้ไป เราจะขยายการดำเนินงานที่ควบคุมด้วย AI และทำงานเพื่อเพิ่มความปลอดภัย เสถียรภาพ และความสามารถในการแข่งขันของโรงงานเคมี”

Takamitsu Matsubara รองศาสตราจารย์ของ NAIST กล่าวว่า "ฉันดีใจมากที่ได้ยินว่าการทดสอบภาคสนามนี้ประสบความสำเร็จ การวิเคราะห์ข้อมูลและการเรียนรู้ของเครื่องกำลังถูกนำไปใช้กับการดำเนินงานของโรงงานเคมี แต่เทคโนโลยีที่สามารถใช้ในการควบคุมอัตโนมัติและการปรับให้เหมาะสมของการดำเนินงานยังไม่พร้อมอย่างเต็มที่จนถึงขณะนี้ อัลกอริทึมการเรียนรู้การเสริมแรง AI FKDPP ได้รับการพัฒนาร่วมกันโดย โยโกกาวา และ NAIST ในปี 2018 เพื่อให้เกิดการควบคุมอัตโนมัติในโรงงานเคมี แม้ว่าจะต้องอ้างอิงถึงเซ็นเซอร์และวาล์วควบคุมจำนวนมาก แต่ AI ก็สามารถสร้างนโยบายการควบคุมที่แข็งแกร่งได้ในการทดลองเรียนรู้จำนวนจำกัด คุณลักษณะเหล่านี้ช่วยปรับปรุงประสิทธิภาพของกระบวนการพัฒนา และนำไปสู่ความสำเร็จของการควบคุมอัตโนมัติเป็นเวลานาน 840 ชั่วโมงในระหว่างการทดสอบภาคสนาม ฉันคิดว่าความสำเร็จที่ยากมากของการควบคุมอัตโนมัติในคอลัมน์กลั่นจริง และความจริงที่ว่าระดับของการใช้งานจริงได้รับการยกระดับจนถึงจุดที่ กระบวนการการผลิต ทั้งหมดและความปลอดภัยถูกรวมเข้าไว้ในระบบเดียวมีความสำคัญอย่างมากต่ออุตสาหกรรมทั้งหมด ฉันหวังว่าจะได้เห็นสิ่งที่เกิดขึ้นต่อไปด้วยเทคโนโลยีนี้”

Kenji Hasegawa รองประธานและหัวหน้าแผนก โยโกกาวา Products ของ โยโกกาวา Electric กล่าวเสริมว่า “ความสำเร็จของการทดสอบภาคสนามนี้มาจากการรวบรวมความรู้เชิงลึกเกี่ยวกับ กระบวนการการผลิต และลักษณะการปฏิบัติงานที่มีเพียงลูกค้าเท่านั้นที่สามารถให้ได้ และความแข็งแกร่งของ โยโกกาวา ใช้ประโยชน์จากการวัด การควบคุม และข้อมูลเพื่อสร้างมูลค่า โดยแนะนำว่า AI ควบคุมอัตโนมัติ (FKDPP) สามารถมีส่วนอย่างมากต่อการผลิตแบบอัตโนมัติ การเพิ่ม ROI สูงสุด และความยั่งยืนของสิ่งแวดล้อมทั่วโลก โยโกกาวา เป็นผู้นำโลกในการพัฒนาระบบควบคุมแบบกระจายที่ควบคุมและตรวจสอบการทำงานของโรงงานผลิตพืช และสนับสนุนการเติบโตของอุตสาหกรรมต่างๆ ด้วยการจ้องมองของเราอย่างแน่วแน่ในโลกของการดำเนินการอิสระที่สร้างแบบจำลองสำหรับอนาคตของอุตสาหกรรม เรากำลังส่งเสริมแนวคิดของ IA2IA – ระบบอัตโนมัติทางอุตสาหกรรมสู่ความเป็นอิสระทางอุตสาหกรรม เพื่อให้ได้การผลิตที่แข็งแกร่งและยืดหยุ่นโดยคำนึงถึงผลกระทบของความแตกต่างในมนุษย์ เครื่องจักร วัสดุ และวิธีการ 4Ms ในด้านพลังงาน วัสดุ เภสัชกรรม และอุตสาหกรรมอื่นๆ อีกมากมาย เราจะเร่งพัฒนาร่วมกันของ AI ควบคุมอัตโนมัติ กับลูกค้าของเราทั่วโลก”

*1 Based on Yokogawa Electric survey conducted in February 2022 regarding AI that directly changes the manipulative variable in the chemical plant.
*2 Proportional-Integral-Derivative control. First proposed by Nicolas Minorsky in 1922, this is an infrastructure control technology for processing industries that is used to control items such as quantity, temperature, level, pressure, and ingredients. It implements control toward a target value while using the results of each of the P, I, and D calculations according to the deviation between the current value and the set value. There are issues with this mode of control such as an inability to deal with multiple external disturbances (weather, climate, material composition changes) and frequent changes to target values, thereby necessitating manual control.
*3 Advanced Process Control. This uses a mathematical model that can predict process responses and gives set values to the PID control loop in real time in order to improve productivity, quality, and controllability. It is also easily applied to control for the purpose of increasing production, reducing labor time, and saving energy. Incorporating APC results in smaller deviations in data, making it possible to get closer to the limits of operating performance (i.e., the state in which the optimum performance can be obtained). However, it is limited by the fact that it is not adept at responding to the rapid vaporization of fluids and other such chemical reactions, major changes in material composition, and changes in machinery.
*4 The volume of the target substance that is actually obtained from raw materials through the refinement process
*5 The CENTUM VP integrated control system allows the entire production process to proceed while monitoring and controlling pressures, flow rates, temperatures, and other such factors, as well as integrating various interlocking functions for safe and stable operation and accident prevention. To prevent plant accidents, it is possible to operate in cooperation with safety instrumented systems (SIS), emergency shutoff devices (ESD), fire protection systems (F&G), etc.
*6 A mechanism that prevents startup unless certain conditions are fulfilled prior to operation. It increases safety by preventing incorrect operations, procedural mistakes, and the like.
*7 Factorial Kernel Dynamic Policy Programming for Vinyl Acetate Monomer Plant Model Control, August 2018. https://ieeexplore.ieee.org/document/8560593/. The IEEE (Institute of Electrical and Electronics Engineers) is a US-based academic research and technical standardization organization that focuses on the fields of electrical and information engineering. It has more than 400,000 members in 160 countries around the world.
*8 A three tank level control system that is used to perform training and experiments involving the regulation of the flow of water from one level to the next, with the overall aim of controlling the water level at the lowest stage. It also includes devices to artificially create disturbances that randomly change the flow of water. Given the nature of fluids, the control of their flow rates is a difficult challenge in the processing industries. Being able to adequately perform this control leads to increased productivity at manufacturing sites.
*9 Scalable Reinforcement Learning for Plant-wide Control of Vinyl Acetate Monomer Process, Control Engineering Practice, Volume 97, April 2020 https://www.sciencedirect.com/science/article/pii/S0967066120300186
*10 Yokogawa defines autonomous control AI as AI that deduces the optimum method for control independently and has a high level of robustness enabling it to autonomously handle, to a certain extent, situations that it has not previously encountered.
*11 Industrial autonomy is defined by Yokogawa as follows: “Plant assets and operations have learning and adaptive capabilities that allow responses with minimal human interaction, empowering operators to perform higher-level optimization tasks.” In the responses to the Global End-User Survey on the Implementation of Industrial Autonomy carried out by Yokogawa in 2021 covering 534 decision makers at 390 manufacturing companies, 42% said that the application of AI to plant process optimization will have a significant impact on industrial autonomy in the next three years.
(Reference: https://web-material3.yokogawa.com/1/30261/tabs/The_Acceleration_of_Industrial_Autonomy_English.pdf)

ติดต่อ

 

เกี่ยวกับบริษัทโยโกกาวา

Yokogawa provides advanced solutions in the areas of measurement, control, and information to customers across a broad range of industries, including energy, chemicals, materials, pharmaceuticals, and food. Yokogawa addresses customer issues regarding the optimization of production, assets, and the supply chain with the effective application of digital technologies, enabling the transition to autonomous operations.
Founded in Tokyo in 1915, Yokogawa continues to work toward a sustainable society through its 17,500 employees in a global network of 119 companies spanning 61 countries.
For more information, visit www.yokogawa.com

เกี่ยวกับ เจเอสอาร์ คอร์ปอเรชั่น

JSR Corporation is a multinational company employing more than 9,000 people worldwide and a leading materials supplier in a variety of technology driven markets, driving materials innovation and creating value through materials to enrich society, people and the environment. JSR's global network is headquartered in Tokyo (Japan) and has factories and offices in Europe, USA, China, Taiwan, Korea, and Thailand. JSR is a research-oriented organization that pursues close collaborations with leading innovators in a number of industries that are a key to the present and future welfare of human society: life-sciences, electronic materials, display, plastics and synthetic rubbers.
For more information about JSR Corporation, please visit https://www.jsr.co.jp/jsr_e/

ชื่อบริษัท องค์กร ผลิตภัณฑ์ บริการ และโลโก้ในที่นี้เป็นเครื่องหมายการค้าจดทะเบียนหรือเครื่องหมายการค้าของ บริษัทโยโกกาวาอิเล็กทริก, JSR Corporation หรือผู้ถือตามลำดับ


ภาพรวม ของการทดสอบภาคสนาม

1. วัตถุประสงค์ของการทดสอบภาคสนาม

  1. เพื่อแสดงให้เห็นว่าการเรียนรู้เสริมแรง AI (FKDPP: Factorial Kernel Dynamic Policy Programming Algorithm) สามารถนำมาใช้ได้อย่างปลอดภัยในโรงงานที่ความปลอดภัยเป็นสิ่งจำเป็นอย่างยิ่ง
  2. เพื่อแสดงให้เห็นว่า AI การเรียนรู้การเสริมแรงสามารถใช้เพื่อควบคุมพื้นที่ที่วิธีการควบคุมที่มีอยู่ (การควบคุม PID/APC) ไม่สามารถทำให้เป็นอัตโนมัติได้

2. รายละเอียด

ที่ตั้ง
  • โรงงานเคมี JSR ในญี่ปุ่น
พื้นที่ควบคุม
  • คอลัมน์กลั่น
  • พื้นที่ที่ไม่สามารถใช้วิธีควบคุมที่มีอยู่ (การควบคุม PID/APC) และการควบคุมสามารถทำได้ด้วยตนเองเท่านั้น (ซึ่งผู้ปฏิบัติงานพิจารณาระดับการทำงานของวาล์วและป้อนข้อมูลด้วยตนเอง)
  • พื้นที่ที่ฝน หิมะ และสภาพอากาศอื่น ๆ เป็นปัจจัยสำคัญที่อาจขัดขวางสถานะการควบคุมโดยทำให้เกิดการเปลี่ยนแปลงอย่างกะทันหันของอุณหภูมิบรรยากาศ
  • เมื่อสาร A และ B ซึ่งมีจุดเดือดคล้ายคลึงกัน ได้รับความร้อนและแยกออกจากกัน ได้ดำเนินการควบคุมที่เหมาะสมที่สุดเพื่อรักษาของเหลวในคอลัมน์กลั่นในระดับที่เหมาะสมเพื่อให้ผลิตภัณฑ์ทั้งหมดเป็นไปตามมาตรฐาน ขณะที่วาล์วทำงานเพื่อประหยัดพลังงาน เพื่อเพิ่มการใช้ความร้อนเหลือทิ้งเป็นแหล่งความร้อนสำหรับคอลัมน์กลั่นและสกัดสารที่ต้องการ A ในสภาวะที่เหมาะสมที่สุด
ควบคุม AI
  • การเรียนรู้การเสริมแรง AI (FKDPP: Factorial Kernel Dynamic Policy Programming Algorithm)
ผลิตภัณฑ์และเทคโนโลยีที่ใช้ Yokogawa:
  • เครื่องจำลองพืช OmegaLand (จัดทำโดย บริษัท ย่อยของ บริษัทโยโกกาวาอิเล็กทริก Omega Simulation Co. , Ltd. )
  • CENTUM VP ระบบควบคุมการผลิตแบบบูรณาการ
  • แพ็คเกจอินเทอร์เฟซ Exaopc OPC (ซอฟต์แวร์ที่ช่วยให้สามารถจัดการฐานข้อมูลที่หลากหลายที่ใช้ในอุตสาหกรรมการประมวลผล ใช้อินเทอร์เฟซที่สอดคล้องกับมาตรฐานอินเทอร์เฟซ OPC ที่กำหนดโดยพื้นฐาน OPC ฟังก์ชันของมันรวมถึงการบันทึก ข้อมูลด้านเทคนิคของกระบวนการ โดยอัตโนมัติ )
  • ซอฟต์แวร์บันทึกข้อมูล GA10 (สำหรับหน้าจอการทำงานและอุปกรณ์อินพุต (HMI) และการบันทึกข้อมูล)
ฯลฯ
การปฏิบัติการ
  • บริหารจัดการโดย CENTUM VP ระบบควบคุมการผลิตแบบบูรณาการ
ช่วยให้ กระบวนการการผลิต ทั้งหมดดำเนินไปพร้อมกับการเฝ้าติดตามและควบคุมแรงดัน อัตราการไหล อุณหภูมิ และปัจจัยอื่นๆ ดังกล่าว รวมถึงการผสานรวมฟังก์ชันการประสานต่างๆ เพื่อการทำงานที่ปลอดภัยและมั่นคงและการป้องกันอุบัติเหตุ เพื่อป้องกันอุบัติเหตุในโรงงาน โดยทำงานร่วมกับอุปกรณ์ปิดฉุกเฉิน (ESD) ระบบป้องกันอัคคีภัย (F&G) เป็นต้น
ขั้นตอนการนำ AI มาใช้งาน
  • สร้างแบบจำลองการควบคุม AI ด้วยเครื่องจำลองโรงงาน
    • โมเดลโรงงานที่สร้างขึ้นจากข้อมูลการออกแบบสำหรับโรงงานที่เกี่ยวข้อง
    • AI ที่เน้นการเรียนรู้การเสริมแรง (อัลกอริทึม FKDPP) ได้เรียนรู้และสร้างแบบจำลองการควบคุม
  • ประเมินความถูกต้องและความน่าเชื่อถือของแบบจำลองการควบคุม AI อย่างครอบคลุม
    • ตรวจสอบกับข้อมูลการดำเนินงานที่ผ่านมา
      - มันเสถียรไหม?
      - การควบคุมแบบใดที่เกิดขึ้นเมื่อเกิดปัญหา?
    • ตรวจสอบด้วยข้อมูลเรียลไทม์
      - มันเสถียรไหม?
      - คุณภาพของสินค้าอยู่ในสเป็คหรือไม่?
      - ผู้ปฏิบัติงานรุ่นเก๋าพอใจกับคำแนะนำการควบคุม FKDPP หรือไม่
  • มั่นใจในความปลอดภัย แล้วควบคุมโรงงานจริง
    • มั่นใจในความปลอดภัยด้วยอินเตอร์ล็อคที่มีอยู่และฟังก์ชั่นความปลอดภัยอื่นๆ
    • บูรณาการกับระบบควบคุมการผลิตแบบบูรณาการของ CENTUM VP และรวมเข้ากับการดำเนินงานของโรงงาน
    • มั่นใจในความปลอดภัยในการทำงาน (การตอบสนองตามแผนและกำหนดระบบสำหรับจัดการกับระบบ AI ทำงานผิดพลาด)
ระยะเวลาโครงการ
  • สิงหาคม 2563 - กุมภาพันธ์ 2565 (1 ปี 6 เดือน)
ระยะเวลาดำเนินการต่อเนื่อง
  • 35 วัน ตั้งแต่วันที่ 17 มกราคม ถึง 21 กุมภาพันธ์ 2565 (840 ชั่วโมง)

3. บทบาท บริษัท

JSR
  • จัดเตรียมสถานที่ทดลอง ข้อมูลโรงงานโดยละเอียด สถานะการดำเนินงาน
  • การกำหนดความท้าทายสำหรับระบบควบคุม AI เพื่อแก้ไข
  • วิศวกรรม (การเชื่อมต่อกับระบบควบคุมการผลิตแบบบูรณาการ CENTUM VP ที่มีอยู่)
  • การประเมินความปลอดภัยและความถูกต้องจากมุมมองของระบบควบคุม AI
  • การพิจารณาระบบความปลอดภัยสำหรับการแนะนำระบบควบคุม AI ในโรงงานจริง
โยโกกาวา
  • การวางแผนข้อเสนอ (ข้อกำหนดระบบ AI กำหนดการ ฯลฯ)
  • การสร้างระบบ AI
  • วิศวกรรม (การปรับการเชื่อมต่อกับระบบควบคุมการผลิตแบบบูรณาการ CENTUM VP ที่มีอยู่ ฯลฯ )
  • ซ่อมบำรุง

4. ผลลัพธ์และเปรียบเทียบกับกลุ่มควบคุมทั่วไป

สรุป
  • การรวมองค์ความรู้ของทั้งสองบริษัทและการมุ่งเน้นไปที่พื้นที่เหล่านั้นในโรงงานจริงซึ่งไม่สามารถดำเนินการอัตโนมัติด้วยวิธีการควบคุมที่มีอยู่ได้ จึงเป็นไปได้ที่จะพบวิธีการสำหรับการประยุกต์ใช้ AI การเรียนรู้เสริมแรงอย่างปลอดภัยในระบบและการปฏิบัติงาน
  • การควบคุมอย่างต่อเนื่องเป็นระยะเวลา 35 วันทำได้โดยใช้ระบบควบคุมการผลิตแบบบูรณาการ และสามารถผลิตผลิตภัณฑ์ที่เหมาะสมสำหรับการจัดส่งได้สำเร็จ
  • สิ่งนี้ชี้ให้เห็นว่าในฐานะเทคโนโลยีการควบคุมแห่งอนาคต การเรียนรู้เสริม AI (FKDPP) สามารถมีส่วนอย่างมากในการทำให้เป็นอัตโนมัติ การเพิ่ม ROI สูงสุด และความยั่งยืนของสิ่งแวดล้อมในโรงงานทั่วโลก
การแทรกแซงของมนุษย์
  • การควบคุมอัตโนมัติของ AI ที่ผสานรวมกับระบบควบคุมการผลิตแบบบูรณาการ CENTUM VP
  • จำเป็นต้องมีการตรวจสอบเท่านั้น โดยพื้นฐานแล้วไม่จำเป็นต้องมีการแทรกแซงของมนุษย์
คุณภาพ
  • การผลิตที่มั่นคงของสินค้าคุณภาพดีที่ได้มาตรฐานที่เข้มงวดและสามารถจัดส่งได้
ผลผลิต
  • วัตถุดิบสามารถเปลี่ยนเป็นผลิตภัณฑ์ได้อย่างมีประสิทธิภาพ
การประหยัดพลังงาน
  • การประหยัดพลังงานทำได้โดยการใช้ความร้อนเหลือทิ้งเป็นแหล่งความร้อนให้เกิดประโยชน์สูงสุด ซึ่งช่วยลดการปล่อย CO2
ค่าใช้จ่าย
  • มีการผลิตเฉพาะผลิตภัณฑ์ที่มีคุณภาพดีเท่านั้น ดังนั้น ค่าเชื้อเพลิงและค่าแรงที่เกิดขึ้นจากการผลิตผลิตภัณฑ์ที่ไม่ตรงตามข้อกำหนดจึงถูกขจัดออกไป
เวลา
  • มีการผลิตเฉพาะผลิตภัณฑ์ที่มีคุณภาพดีเท่านั้น ดังนั้นการสูญเสียเวลาที่เกิดขึ้นเนื่องจากการผลิตผลิตภัณฑ์ที่ไม่เป็นไปตามข้อกำหนดจึงถูกขจัดออกไป
ความปลอดภัย
  • ไม่จำเป็นต้องมีผู้ปฏิบัติงานที่มีประสบการณ์สูงในการควบคุมด้วยตนเองตลอด 24 ชั่วโมง 365 วันต่อปี ซึ่งหมายความว่าภาระของมนุษย์จะลดลงและป้องกันข้อผิดพลาดได้ นำไปสู่ระดับความปลอดภัยที่สูงขึ้น

5. [อ้างอิง] ลักษณะสำคัญของ AI ที่ใช้ในการควบคุมพืช

ประเภท คุณสมบัติ สิทธิประโยชน์
การควบคุมอัตโนมัติ สำหรับพื้นที่ที่ไม่สามารถดำเนินการโดยอัตโนมัติด้วยวิธีการควบคุมที่มีอยู่ (การควบคุม PID/APC) AI จะอนุมานวิธีการที่เหมาะสมที่สุดสำหรับการควบคุมด้วยตัวเองและมีความแข็งแกร่งในการควบคุมสถานการณ์ที่ยังไม่เคยพบด้วยตนเองในระดับหนึ่ง โดยอิงจากแบบจำลองการควบคุมที่เรียนรู้และอนุมานได้ว่า AI จะป้อนระดับการควบคุม (ตัวแปรควบคุม) ที่จำเป็นสำหรับแต่ละสถานการณ์ ประโยชน์ของ FKDPP มีดังนี้:
  1. สามารถใช้ในสถานการณ์ที่การควบคุมไม่สามารถอัตโนมัติด้วยเทคนิคการควบคุมที่มีอยู่ (การควบคุม PID และ APC) และสามารถจัดการกับเป้าหมายที่ขัดแย้งกันได้ เช่น บรรลุทั้งคุณภาพสูงและประหยัดพลังงาน
  2. เพิ่มผลผลิต (คุณภาพ ประหยัดพลังงาน ผลผลิต เวลาตกตะกอนสั้นลง)
  3. ง่าย (การทดลองเรียนจำนวนน้อย ไม่จำเป็นต้องนำเข้าข้อมูลที่มีป้ายกำกับ)
  4. การดำเนินการที่อธิบายได้
  5. ความปลอดภัยเช่นเดียวกับระบบทั่วไป (มีความทนทานสูง สามารถเชื่อมโยงโดยตรงกับระบบควบคุมการผลิตที่มีอยู่เดิมได้)
รองรับพื้นที่ที่มีระบบอัตโนมัติในตัว AI สามารถเข้าควบคุมงานที่ดำเนินการโดยผู้ปฏิบัติงานในปัจจุบัน ในการป้อนค่าเป้าหมาย (ค่าที่ตั้งไว้) สำหรับพื้นที่ที่มีการนำระบบอัตโนมัติไปใช้โดยใช้วิธีการควบคุมที่มีอยู่ (การควบคุม PID/APC) AI ใช้ข้อมูลการควบคุมที่ผ่านมาในการคำนวณ และป้อนค่าเป้าหมาย (ค่าที่ตั้งไว้)
  • ระบบอัตโนมัติของงานที่ทำด้วยตนเองและความสำเร็จของการดำเนินงานที่มั่นคงเป็นไปได้
การสนับสนุนการปฏิบัติงานสำหรับประชาชน AI เสนอค่าเป้าหมาย (ตั้งค่า) ที่ตัวดำเนินการจะอ้างถึงเมื่อดำเนินการ AI ใช้ข้อมูลการควบคุมที่ผ่านมาเพื่อแนะนำค่าเป้าหมาย (ตั้งค่า) ให้กับมนุษย์
  • ความแตกต่างเนื่องจากระดับความชำนาญของผู้ปฏิบัติงานจะหายไป

ผลิตภัณฑ์และโซลูชั่นที่เกี่ยวข้อง

  • โซลูชันผลิตภัณฑ์ AI

    เราแก้ไขปัญหาของลูกค้าในหลายอุตสาหกรรมโดยใช้ AI ของเรา ด้วยประสบการณ์การวิเคราะห์และเทคโนโลยีองค์ประกอบของเราเราสามารถนำเสนอผลิตภัณฑ์ AI ที่ใช้งานง่าย สามารถใช้ฟังก์ชัน AI เช่นการตรวจจับการคาดเดาและการทำนายอนาคตได้อย่างง่ายดายและปรับปรุงประสิทธิภาพการทำงาน


ด้านบน