Промышленная автоматизация - это направление, которое играет важную роль в развитии страны и уровне ее благосостояния. Ведь чем выше степень автоматизации производств, тем выше их экономические показатели и тем больше товарно-материальных ценностей будет произведено для внутреннего потребления и экспорта.

Поэтому, даже не смотря на консервативность сферы в целом, технологии в этом направлении все же не стоят на месте. Современные решения отличаются от тех, что применялись 50 или даже 20 лет назад. Сейчас в автоматизации широко используются ПЛК и ПР (программируемые логические контроллеры и программируемые реле). Однако их вычислительные мощности, как мы знаем, ограничены.

В то же время, нейронные сети стремительно набирают популярность. По данным Американского Института Искусственного Интеллекта Аллена, вычислительная мощность, затрачиваемая на работу нужд искусственного интеллекта удваивается каждые 3 месяца с 2019 года и до сих пор.

Нейронные сети

Несмотря на то, что это словосочетание сейчас на слуху, не все представляют себе, что это такое.

Основной принцип работы нейронных сетей построен на особенностях функционирования нервных систем живых организмов - людей, животных, в том числе насекомых.

В основе нейронных сетей лежат нейроны. Нейрон - это отдельный программный компонент, которые выполняет вычисление по, так называемой, «функции активации». Эта функция принимает некоторое множество входных данных и распределяет их значения по заданным связям в зависимости от их значимости. К одному нейрону подключается некоторое количество связей от других таких же нейронов.

Значимость связей в виде коэффициентов настраивается при обучении нейронной сети и называется «весом» связи. Вес связи - это некоторое число, на которое умножается передаваемое по связи значение. Таким образом, это значение может как увеличиться, так и уменьшиться в зависимости от веса.

Затем все эти входные данные суммируются, и если они больше некоторого порогового значения — нейрон выдаёт «1», в противном случае — «0». У нейрона только один выход, но он может быть подключен к большому количеству других нейронов, у каждого из которых для рассматриваемого значения будет свой вес связи.

Таким образом, нейронная сеть — это большой набор данных, состоящий из самих связей и их весов. Обработка нейронной сети заключается в вычислении сигналов, передающихся по каждой связи и вычисление активационных функций для каждого нейрона. Количество связей в сети также называют количеством параметров сети. Например, в популярной языковой модели GPT-4 содержится 100 000 000 000 000 (сто триллионов) связей.

Нюансы применения нейронных сетей в промышленной автоматизации

Современные нейронки насчитывают триллионы связей. И самая основная трудность заключается в том, что коэффициенты по каждой из них должны быть доступны у компьютера для использования постоянно – то есть, они должны храниться в оперативной памяти. Таким образом, для нормального функционирования сколько-нибудь работоспособной нейронки требуется значительное количество ресурса ОЗУ.

В настоящее время ни один современный ПЛК не обладает вычислительной мощностью, способной поддерживать нейронную сеть на борту.

Помимо этого, не все задачи можно передать искусственному интеллекту.

Так, гипотетически, можно обучить нейронную сеть управлять котельной. Но есть один нюанс. Следует учитывать специфику объектов и особенности самих нейронок. Если на объекте при срабатывании сигнализатора загазованности должен отключаться газовый клапан, то это должно происходить в 100% случаев. Если мы поставим на эту задачу нейронную сеть, то она будет выключать газовый клапан при срабатывании сигнализации загазованности в 99.9% случаев. Что неплохо, для искусственного интеллекта. Но является недопустимым для газоиспользующих объектов. Потому что если вдруг при аварии клапан не закроется – это приведёт к большим проблемам.

При автоматизации некоторых процессов мы долгое время уходили от «человеческого фактора» - присутствия оператора на объекте. Всё ради того, чтобы повысить точность регулирования, надёжность управления, быстродействие, количество одновременно контролируемых параметров. А нейронка, как раз, вновь вносит этот «человеческий фактор».

Из всего этого следует, что ПЛК еще не скоро заменят на принципиально другие системы. Контроллеры МЭКовского стандарта никуда не денутся. Но они будут расширять свой функционал, чтобы иметь возможность подключать функционал искусственного интеллекта.

Так, благодаря нейронным сетям, мы можем автоматизировать процессы, которые раньше мог делать только человек: управление автомобилем, контроль качества, отбраковка и интеллектуальная диагностика систем.

На некоторых объектах уже сейчас функционал нейронных сетей встречается на компьютере диспетчера. На него может поступать информация с видеокамеры объективного контроля, а специальный алгоритм машинного зрения и машинного обучения может производить автоматическую визуальную диагностику деталей на конвейере, отдавая команды в систему управления на соответствующие манипуляции.

Например, на производстве Segnetics используется автоматический контроль целостности пикселей экрана. Для этого на конвейере собран специальный узел: экран помещается в условную коробку, где полная темнота, там находится фотокамера высокого разрешения. Экран включается различными цветами, а алгоритм машинного зрения определяет, все ли его пиксели включаются в соответствии с программой. Обнаружение битых пикселей отбраковывает экран.

Другой пример. На самых продвинутых тепличных хозяйствах постоянно происходит измерение и визуальный контроль растений. Эти данные собираются в нейронную сеть, а она дозирует удобрения, микро- и макроэлементы, даёт сигналы на изменение уставок регулирования температуры, влажности, длительности светового дня, интенсивности полива и других параметров. Это позволяет увеличивать урожайность хозяйства.

Куда всё идёт?

В самом ближайшем будущем мы должны готовиться к внедрению систем с ИИ в автоматизацию и мониторинг. Прежде всего, это будет развитие программных комплексов, которые работают на компьютерах или серверах. Можно ожидать, что в ближайшие 5-10 лет в scada-системах появится функционал по анализу, машинному зрению, классификации и т.д.

Также напрашивается скорое внедрение нейрочипа (микросхема, вроде центрального процессора, только спроектированная специально для обработки нейронных сетей) в ПЛК. Это может позволить решить некоторые сложные задачи и расширить применимость контроллеров. С помощью такого устройства можно будет создавать сложные системы диагностики, работающие с большим количеством параметров.

Например, если контроллер управляет вентиляцией, то он может контролировать несколько десятков величин. По особенностям показаний каждого датчика и положению каждого исполнительного механизма, чаще всего, можно понять, когда с системой что-то не так, когда какие-то агрегаты перестали работать на полную мощность или в запроектированных допусках. Обычно это заметно, только тому, кто очень долго управлял такой установкой в ручном режиме. И как раз наличие нейронной сети в контроллере может решить эту задачу. Искусственный интеллект может круглосуточно следить за всеми показаниями объекта и предупреждать о нештатных ситуациях, рассчитывать приблизительную дату технического обслуживания, составлять рекомендации по сервису узлов, исходя из их фактической нагрузки, а не теоретических регламентов.

При этом уже существуют встраиваемые решения, оснащённые нейронными сетями. Изначально они появились в смарфонах, но уже сегодня можно купить видеокамеры со встроенными нейрочипами, которые могут читать государственные регистрационные знаки на автомобилях, определять их марку и цвет. Все эти данные можно получить в текстовом виде в любую верхнюю систему автоматизации.

Поэтому, внедрить нейрочип в ПЛК аппаратно можно хоть сейчас. Проблема заключается в разработке единой стандартизированной методики конфигурирования этого модуля. И в этом плане, пока что, значительного прогресса нет, потому что никто из производителей ПЛК всерьёз не занялся этой задачей.

По сути, нужно предусмотреть такой уровень конфигурируемости нейросети, чтобы это одновременно было гибко, и при этом с ней могли работать не профессионалы по машинному обучению, а обычные инженеры, которые программируют контроллеры.

Ну и намного раньше стоит ожидать появления специализированных нейронных сетей, управляющих программами-кодогенераторами. Например, уже совсем скоро могут появиться контроллеры, которые программируются МЭКовским языком, но при этом сам код программы создаёт нейронка. А для создания программы ей требуется указать, например, количество датчиков, описать подключенные устройства в формате «стальной водогрейный жаротрубный двухходовой котёл с двухступенчатой газовой горелкой» или вроде того.

Что с этим делать?

Да, рынок автоматизации консервативен и не поменяется радикально за год или два. В ближайший десяток лет люди по-прежнему будут программировать контроллеры. Но этого будет всё меньше, так как объём готовых решений уже значительно увеличился. Автоматическая котельная, работающая без оператора – это давно не новость. Писать под каждый такой объект программу уже не обязательно, а с течением времени всё более сложные автоматические конфигураторы избавят нас от этой необходимости вовсе.

Прямо сейчас уже можно использовать нейронные сети (языковые модели gpt-типа) для программирования контроллеров, например, на языке ST. Они способны генерировать код различных алгоритмов управления и регулирования. При этом остаётся важным самому уметь программировать. Ведь нейросеть лишь немного ускоряет процесс, взяв на себя рутину - написание реализации функций.

Этот пример показывает, что программирование контроллеров на МЭКовских языках так, как мы это делаем сегодня, не будет вечной потребностью. Чтобы оставаться на плаву и продолжать заниматься нашей любимой автоматизацией – необходимо развивать свои навыки, изучать новые подходы и внедрять новые технологии.

Поэтому мы рекомендуем не только изучать языки программирования контроллеров, но и присматриваться к языку С++. Этот язык универсален, он позволяет двигаться в любом направлении в своём дальнейшем профессиональном развитии. Со знаниями С++ вы можете приступать к изучению принципов машинного обучения и созданию нейронных сетей или, например, изучить библиотеки машинного зрения.

Эти знания дадут вам возможность выделиться среди других специалистов схожего профиля и претендовать на более высокий гонорар. Ведь внедрение таких систем набирает обороты, а настоящих специалистов пока очень мало.

Сейчас ещё есть время, чтобы подтянуть недостающие компетенции. Изучайте новое, переосмысливайте старое, и когда процесс всеобщего перевооружения пойдет лавинообразно, вы окажетесь на гребне волны автоматизации эпохи искусственного интеллекта!Уже пользовались какими-то нейронными сетями? Для развлечения или для работы? Делитесь опытом в комментариях!