Chytřejší a rychlejší měření energií pomocí AI

Chytré měřiče se používají k měření spotřeby energie a často pracují s velmi složitými fyzikálními jevy, jako je dynamika tekutin a plynů, které vyžadují rozsáhlé simulace a fyzikální testy, aby jim bylo možné porozumět.

Po úspěšných aplikacích umělé inteligence (AI) ve výrobním nebo procesním průmyslu se technici snažili dosáhnout podobných výhod i při vývoji produktů. Vývojové týmy chtěly zjistit, zda lze metody strojového učení (ML) využít v konstrukčních pracovních postupech k rychlejšímu pochopení a předvídání složitého chování produktů v extrémních provozních podmínkách.

Použití prostředí typu „no-code“ (bez programovacího jazyka) na testovacích datech také pomohlo rozpoznat, které problémy jsou vhodné k řešení pomocí samoučicích modelů. Konkrétně ty, jež se vyznačují vysoce nelineárním chováním, které je obtížné popsat pomocí fyzikálních rovnic, ale které lze přesně testovat.

Například většinu problémů dynamiky tekutin – jako u směsi zemního plynu proudící přes domovní plynoměr – je velmi obtížné řešit numericky. Vyladění simulace výpočetní dynamiky tekutin (Computational Fluid Dynamics – CFD), dokud není dostatečně přesná pro rozhodování, může trvat měsíce a podstatně déle než testování konstrukčního návrhu na zkušební stanici v závodě. Přestože tedy trend směřuje k častějšímu používání CFD, je testování na samém počátku procesu vývoje produktu velmi důležité. Umělou inteligenci lze aplikovat na tato data z počátečních testů, aby bylo možné rychleji pochopit, co ovlivňuje výsledky, a model umělé inteligence lze použít k předvídání výsledků dosud neprovedených testů, a dokonce i k rychlejší kalibraci měřiče na vysokou míru přesnosti.

Stručně řečeno, díky použití umělé inteligence při navrhování produktů mohou technici rychleji pochopit chování složitých systémů a pohotověji přijímat rozhodnutí o konstrukčním řešení. Ačkoli se tento pracovní postup testování a následné identifikace systému s využitím strojového učení (ML) může zdát neortodoxní, u problémů vhodných pro AI, včetně plynoměrů pro domácnosti a komerční sféru a nástrojů pro monitorování emisí metanu, vede k přesnějším výsledkům mnohem dříve v procesu vývoje produktu.

OBRÁZEK 2: Nahoře: Zjednodušený pracovní tok u dobře známého (lineárního) problému, kde se minimalizuje doba uvedení na trh a testování řešením známých rovnic na bázi fyzikálních modelů. Dole: Zjednodušený pracovní tok u obtížně řešitelného (nelineárního) fyzikálního problému, který nelze snadno vyřešit pomocí fyzikálního modelování, ale který lze testovat, a tedy modelovat a kalibrovat pomocí samoučicích modelů Monolith

Využití umělé inteligence k urychlení vývoje produktů

Podle společnosti Markets-And-Markets se očekává, že celosvětový trh s chytrými měřiči vzroste z odhadovaných 19,6 miliardy dolarů v roce 2021 na 30,2 miliardy dolarů v roce 2026. Přesné měření spotřeby plynu má široké výhody, například uživatelé mohou sledovat a předvídat své vlastní výdaje. Také dodavatelé mohou lépe porozumět svým klientům a poskytovat spolehlivější služby na míru.

Přidání snímačů tlaku a teploty k průtokoměrům plynu pro domácnosti má další výhodu v tom, že jsou schopny autonomního vypnutí v případě detekce přetlaku v plynové síti, což zvyšuje bezpečnost uživatelů.

S přechodem na novou energetiku budou do plynárenské sítě vstupovat směsi zemního plynu a vodíku a přesné měření těchto směsí je výzvou, zejména pro ultrazvukové plynoměry. To představuje náročný úkol pro týmy vývoje produktů, které provádějí nezbytné testy k nalezení nejlepších technologických řešení.

Než se začaly zkoumat možnosti umělé inteligence, využíval se tradiční a známý vývojový proces, kdy se fyzicky a virtuálně testovalo mnoho různých proměnných produktu, aby se dospělo k návrhu produktu vhodného pro výrobu. Tento proces často trval až 18 měsíců, než se zajistilo, aby chyba kalibrace byla nižší než zákonem požadované 1 %. S umělou inteligencí se tato doba zkracuje o 25 %.

OBRÁZEK 3: Na začátku každého kalibračního procesu bývá přesnost plynoměrů mimo zákonné požadavky (horní obrázek). Technici musejí měřiče kalibrovat tak, aby spadaly do červených mezí (obrázek níže). Pomocí samoučicích modelů nejen splnili požadavky, ale také dosáhli výsledků mnohem rychleji ve srovnání s časově náročnými, zdlouhavými a opakovanými testovacími běhy

Chytrá technologie AI pro chytré měřiče

Chytré měřiče poskytují technikům více informací o produktech. Nejen během procesu vývoje produktu, ale také během kontroly kvality a v provozu s cílem optimalizovat chytrou síť. Díky tomu je nyní k dispozici obrovské množství dat, která mohou a měli by vývojoví technici zohlednit při vývoji nových produktů. To vyžaduje zcela nové dovednosti, od analytiky velkých dat až po vytváření pokročilých modelů pro složité dynamické systémy.

Automatizované řešení monitorování fugitivních emisí je dalším příkladem složitého problému, kde jde o hodně. Snaha zjistit místo úniku fugitivního plynu nebo procesního výduchu a kvantifikovat ho je velmi komplikovaný problém kvůli stochastické povaze směru a rychlosti větru.

Snaha o pochopení fyzikálního chování tak složitého systému, jako je tento, nemůže být rychle nebo dokonce plně reprezentována simulací CFD, a proto vyžaduje rozsáhlé fyzikální testy pro kalibraci. V tomto případě začali technici budovat prototypy, aby se poučili z dat z provozu, již na počátku procesu vývoje produktu a nyní mají pokročilá řešení za méně než rok. Schopnost vytvořit pokročilé komplexní průmyslové řešení dříve než za rok je v oboru procesních řešení převratná. Řešení na bázi ML se na rozdíl od heuristického modelu po nasazení dále učí a zlepšuje.

OBRÁZEK 4: Posláním společnosti Honeywell je přinášet pozitivní změny ve všech svých oblastech působení. Společnost je známá svou širokou škálou produktů, které poskytují bezpečnost a pohodlí lidem na celém světě

Zvýšení rychlosti rozhodování a tato schopnost neustálého učení pomáhá ukázat, jak se samoučicí technické modely mohou stát standardním nástrojem pro techniky v odvětví chytré energetiky a v dalších oblastech s velmi složitými technickými výzvami.

Dr. Bas Kastelein je vedoucí ředitel pro inovace produktů ve společnosti Honeywell Process Solutions. Dr. Richard Ahlfeld je generální ředitel a zakladatel společnosti Monolith. Upravil Chris Vavra, ředitel pro webový obsah časopisu Control Engineering, CFE Media and Technology, Tato e-mailová adresa je chráněna před spamboty. Pro její zobrazení musíte mít povolen Javascript..