ما الذي يفعله التحكم بالعمليات بالذكاء الاصطناعي فعليًا في محطة معالجة مياه الصرف
يستخدم التحكم بالعمليات بالذكاء الاصطناعي لمحطة معالجة مياه الصرف الصناعية في عام 2026 ثلاث طبقات متميزة: مستشعرًا افتراضيًا من نوع ANN يتنبأ بقيمة COD في المياه المعالجة الخارجة بمعامل R² يتجاوز 0.90، وتحكمًا تنبؤيًا بالنموذج (MPC) يحافظ على الأكسجين المذاب والركيزة ضمن ±5% من نقطة الضبط، وحلقات PID ذاتية الضبط موصولة بنظام SCADA الحالي عبر OPC-UA. وتتراوح فترة استرداد الاستثمار المعلنة في المشاريع التجريبية للتحديث بين 14 و28 شهرًا للمحطات التي تتجاوز طاقتها 1,000 m³/day.
الطبقة الأولى هي المستشعر الافتراضي ANN، وهو نظام تغذية أمامية مع انتشار عكسي يستنتج أحد معايير المياه المعالجة الخارجة، وعادةً COD أو BOD أو السمية، كل 1–5 دقائق من المستشعرات الموجودة أصلًا في المحطة. وهو لا يستبدل المختبر، بل يستبدل فترة التأخير البالغة 6–24 ساعة بين أخذ العينة وظهور النتيجة. استخدمت دراسة محطة معالجة مياه الصرف الصناعية في أكساراي (Çimen Mesutoğlu، Scientific Reports، 2024) مجموعة بيانات يومية لمدة 9 أشهر مع مدخلات مخفضة باستخدام PCA لتدريب FFBP-ANN، وأبلغت عن R² >0.90 بين قيمة COD المتوقعة والمقاسة عبر هياكل متعددة — وهو المعيار المرجعي الأساسي للاستشعار الافتراضي لـ COD الصناعي.
الطبقة الثانية هي التحكم التنبؤي بالنموذج، وهو مُحسِّن متعدد المتغيرات يحل مشكلة أفق متحرك، عادةً من 5–30 دقيقة، مقابل نموذج للعملية، ويكتب نقاط الضبط إلى حلقات PID الأساسية. قارنت Springer (2023) بين PI اللامركزي وPID التقليدي وMPC في MATLAB Simulink باستخدام معيار للأكسجين المذاب والركيزة، وأفادت بأن MPC حقق أفضل تتبع للمتغيرين في الوقت نفسه. أما الطبقة الثالثة فهي PID ذاتي الضبط — حلقة تقليدية تُحدَّث قيم Kp وKi وKd فيها عبر مقدِّر تكراري أثناء التشغيل، وتفيد في الحالات التي يكون فيها MPC مبالغًا فيه.
تبدأ معظم عمليات النشر الصناعية في عام 2026 في الوضع الاستشاري: يحسب الذكاء الاصطناعي نقاط الضبط الموصى بها ويعرضها على واجهة HMI، لكن المشغّل البشري هو من يضغط الزر. ويخضع وضع الحلقة المغلقة — حيث يكتب الذكاء الاصطناعي مباشرةً إلى PLC — لفترة قبول مدتها 30 يومًا. وبالنسبة إلى مديري المحطات الذين يقرأون هذا الدليل ولديهم حزمة SCADA قائمة، فإن دليل بنية SCADA هو نقطة البداية المناسبة، لأن أي طبقة ذكاء اصطناعي لا تعمل من دون المؤرشف وقائمة الوسوم والبنية الأساسية لـ OPC-UA التي تفترضها.
بنية التحكم: من المستشعر إلى المشغّل
تُحدَّد مدة التأخير من المستشعر إلى المشغّل في التحكم بالذكاء الاصطناعي بأبطأ وصلة في الحزمة، وفي معظم المشاريع التجريبية الفاشلة تكون هذه الوصلة هي المؤرشف، لا النموذج. تتكون البنية الدنيا القابلة للتطبيق من حزمة من خمس طبقات: مستشعرات ميدانية → PLC/RTU مع استدلال ذكاء اصطناعي طرفي → بوابة OPC-UA → مؤرشف → SCADA/HMI، مع خوادم سحابية أو محلية لإعادة التدريب فقط. وأي مدة تقل عن 12 شهرًا من بيانات المؤرشف كاملة الدقة تستبعد المحطة من أساليب التعلم الخاضع للإشراف، لأن التحقق من النموذج يحتاج إلى دورة موسمية كاملة واحدة على الأقل.
تتبع كثافة المستشعرات قاعدة 1:1 لكل حلقة يتحكم فيها الذكاء الاصطناعي: قياس أساسي واحد، وقياس احتياطي واحد، ومرجع مختبري مستقل واحد. وبالنسبة إلى التحكم في التهوية، يعني ذلك مستشعرين للأكسجين المذاب لكل حوض، ومقاييس تدفق هواء احتياطية على مجمع منفاخ الهواء، وفحوص BOD/COD مخبرية أسبوعية لتوفير الحقيقة المرجعية. وتغطي مجموعة المستشعرات الميدانية في التحديث النموذجي DO وpH وORP وNH₃-N وTSS والتدفق والموصلية؛ وينبغي تحديد كل مسبار بخرج 4–20 mA أو IO-Link وانحراف مُعلن من الشركة المصنعة لمدة 6 أشهر يقل عن <2% من المدى الكامل.
يعتمد معدل أخذ العينات على الحلقة. وتحتاج الحلقات الميكانيكية السريعة، مثل DO وتدفق الهواء وشوط جرعة المواد الكيميائية، إلى دقة من 1–60 ثانية؛ بينما تتحمل حلقات المغذيات، مثل NH₃-N وNO₃-N، مدة 5–15 دقيقة. ويجب أن يحتفظ المؤرشف ببيانات كاملة الدقة لمدة ≥12 شهرًا قبل تدريب النموذج الأول، ولمدة ≥36 شهرًا لتحقيق التعميم الموسمي. ويتيح الاستدلال الطرفي — أي تشغيل ANN أو محلل MPC على PLC أو حاسوب صناعي داخل الخلية — أزمنة حلقات تقل عن 100 ms؛ أما الاستدلال السحابي فغير مقبول لأي تطبيق تهوية أو جرعات ذي حلقة مغلقة، لأن زمن الرحلة ذهابًا وإيابًا يتجاوز عادةً 800 ms.
الأمن السيبراني غير قابل للتفاوض. فأي وحدة تحكم بالذكاء الاصطناعي تكتب نقاط ضبط المشغلات تُعد أصلًا مجاورًا لنظام السلامة الآلي، ويجب أن تكون خلف منطقة عازلة DMZ بمستوى IEC 62443 SL-2 — دون استثناءات. ولا يزال عزل شبكة التدريب عن شبكة OT شائعًا في مصانع الأدوية والأغذية، وهو مقبول ما دام تكرار إعادة التدريب أسبوعيًا أو أبطأ. وتنشأ إشارات التغذية الأمامية التي تقود معظم مشاريع الذكاء الاصطناعي في الجانب السابق للعملية — عند وحدة المعالجة الأولية DAF، حيث يُحدث التدفق وTSS وكيمياء السطح الاضطراب الذي يحاول المتحكم رفضه. ويغطي دليل الحوسبة الطرفية لمعالجة المياه قرار أجهزة PLC/الحافة بالتفصيل.
| الطبقة | الوظيفة | الأجهزة النموذجية | المواصفات / معدل التدفق |
|---|---|---|---|
| المستشعرات الميدانية | القياس الأساسي | DO وpH وORP وNH₃-N وTSS والتدفق والموصلية | 4–20 mA أو IO-Link؛ حلقة من 1–60 s حسب التطبيق |
| PLC / RTU مع ذكاء اصطناعي طرفي | تنفيذ الحلقة، استدلال أقل من 100 ms | Siemens ET 200SP، Allen-Bradley CompactLogix + IPC | زمن حلقة <100 ms لـ MPC |
| بوابة OPC-UA | إتاحة الوسوم للمؤرشف / SCADA | Kepware وIgnition Edge وSiemens IOT2050 | حد أدنى للاستقصاء 1 Hz |
| المؤرشف | تخزين السلاسل الزمنية، والاحتفاظ لمدة ≥12 شهرًا | OSIsoft PI وInfluxDB وIgnition Tag Historian | الاحتفاظ بالدقة الكاملة ≥12 شهرًا |
| تدريب الذكاء الاصطناعي (سحابي أو محلي) | إعادة تدريب نموذج ANN / MPC أسبوعيًا | Python + TensorFlow / PyTorch، وصندوق أدوات MATLAB MPC | تكرار إعادة التدريب ≥شهري |
PID ذاتي الضبط مقابل التحكم التنبؤي بالنموذج مقابل المستشعر الافتراضي ANN
تجيب عائلات الذكاء الاصطناعي الثلاث عن أسئلة مختلفة، ويُعد الإنفاق الزائد على MPC عندما يكون PID ذاتي الضبط بقيمة $5,000 كافيًا، الخطأ الأكثر شيوعًا في ميزانية مشاريع التحديث لعام 2026. فـ PID ذاتي الضبط هو متحكم لحلقة واحدة يتكيف مع Kp/Ki/Kd أثناء التشغيل — ويجيب عن سؤال: «ما مقدار الدفع المطلوب لهذا المشغّل الواحد الآن؟» أما MPC فهو مُحسِّن متعدد المتغيرات — ويجيب عن سؤال: «مع مراعاة القيود على كل مشغّل وكل متغير مقاس، ما نقاط الضبط التي تقلل التكلفة خلال الدقائق 5–30 التالية؟» بينما المستشعر الافتراضي ANN ليس متحكمًا على الإطلاق؛ بل يجيب عن سؤال: «ما قيمة المعلمة التي لا أستطيع قياسها أثناء التشغيل، بحيث يحصل المتحكم اللاحق على مدخل سريع بما يكفي؟»
يناسب PID ذاتي الضبط الأنظمة الميكانيكية ذات الحلقة الواحدة، مثل شوط مضخة جرعات المواد الكيميائية، ومعدل إعادة تدوير الحمأة، وتغذية البوليمر إلى جهاز الطرد المركزي لنزع الماء. ويستغرق التشغيل الأولي أسابيع، ومتطلبات البيانات منخفضة، إذ تكفي بضع مئات من الساعات من سجل التشغيل، كما أن مهارة المشغّل المطلوبة تتمثل في فني أجهزة مدرَّب واحد. أما MPC فيناسب الحلقات متعددة المتغيرات والمتداخلة، حيث ينتشر تأثير أحد المشغلات عبر العملية مع تأخير قابل للقياس، مثل DO-تدفق الهواء-إرجاع النترات في حوض هوائي، أو التسخين-إعادة تدوير CH₄ في الهضم اللاهوائي. وأكدت Springer (2023) أن MPC حقق تتبعًا أفضل لـ DO والركيزة مقارنةً بـ PI اللامركزي وPID التقليدي في معيار المحاكاة، لكن الدراسة نفسها أشارت إلى أن MPC يحتاج إلى نموذج عملية موثّق، ويتطلب عادةً 3–9 أشهر من بيانات اختبار الخطوة في المحطة العاملة. ويناسب المستشعر الافتراضي ANN المعايير التي لا يمكن قياسها آنيًا أثناء التشغيل، مثل COD وBOD في المياه المعالجة الخارجة، والنيتروجين الكلي، أو مؤشرات السمية. واستخدمت دراسة أكساراي سجلات يومية لمدة 9 أشهر مع مدخلات مخفضة باستخدام PCA، وأبلغت عن R² >0.90 — والحد العملي الأدنى لمستشعر افتراضي مفيد هو R² >0.85، بينما يُعد R² >0.92 مستوى مناسبًا للإنتاج.
تنشر معظم المحطات في عام 2026 والتي تتجاوز طاقتها 1,000 m³/day الأنظمة الثلاثة بالتوازي: مستشعر افتراضي ANN يولد تنبؤات سريعة لجودة المياه المعالجة الخارجة، وMPC يدير حوض التهوية، وPID ذاتي الضبط على وحدات جرعات المواد الكيميائية. وتُعد حلقة جرعات المواد الكيميائية المكان الطبيعي لـ PID ذاتي الضبط لأنها مشكلة ذات مدخل واحد ومخرج واحد، واستجابة بطيئة ومستقرة — إذ تدمج وحدة جرعات المواد الكيميائية التي يتحكم فيها PLC نظام الضبط الذاتي على مستوى المتحكم. وبالنسبة إلى ضبط جرعات البوليمر والمخثر تحديدًا، يقدم مرجع الجرعات الدقيق المركب على وحدة انزلاقية معلمات ضبط الحلقة بمصطلحات خاصة بالمورّد.
| السمة | PID ذاتي الضبط | التحكم التنبؤي بالنموذج | المستشعر الافتراضي ANN |
|---|---|---|---|
| حالة الاستخدام | أنظمة ميكانيكية ذات حلقة واحدة (الجرعات، إرجاع الحمأة) | حلقات متداخلة متعددة المتغيرات (DO-تدفق الهواء-NO₃، حرارة الهاضم-CH₄) | معايير لا يمكن قياسها أثناء التشغيل (COD وBOD في المياه المعالجة الخارجة والسمية) |
| متطلبات البيانات | منخفضة — بضع مئات من الساعات | مرتفعة — 3–9 أشهر من بيانات اختبار الخطوة | مرتفعة — 9–12 شهرًا من بيانات المستشعر/المختبر المزدوجة |
| فئة CAPEX (لكل حلقة) | $5K–$25K | $80K–$250K | $40K–$120K (استشاري فقط) |
| تحمل زمن تأخير الحلقة | 1–10 s | <100 ms طرفيًا؛ أفق 5–30 min | تحديث كل 1–5 min |
| مهارة المشغّل المطلوبة | فني أجهزة | مهندس تحكم بالعمليات | مهندس بيانات (0.25 FTE) |
| مدة التشغيل الأولي | 2–6 أسابيع | 3–9 أشهر | 2–4 أشهر (استشاري) |
أرقام CAPEX وOPEX وفترة الاسترداد الواقعية لعام 2026
يتناسب CAPEX للتحكم بالعمليات بالذكاء الاصطناعي في عام 2026 مع تدفق المحطة وعدد الحلقات المغلقة، وليس مع عدد المستشعرات. وتبرر المحطات التي تقل طاقتها عن 500 m³/day عادةً استخدام ANN استشاري فقط بتكلفة تركيب تتراوح بين $60K و$150K. أما الفئة من 500–2,000 m³/day، التي تغطي معظم مصانع الأغذية والمنسوجات والأدوية، فتتطلب $180K–$420K لمستشعر افتراضي ANN مع MPC على حوض التهوية، وهي الفئة ذات أوضح فترة استرداد تتراوح بين 14 و24 شهرًا. وتقع المحطات التي تتجاوز طاقتها 2,000 m³/day، مع MPC كامل متعدد الحلقات وإعادة تدريب سحابية، ضمن نطاق $450K–$1.2M، وتهيمن على حسابات الاسترداد فيها استعادة طاقة التهوية، التي قد تبلغ 0.4–0.8 kWh لكل m³ معالج على نطاق كامل.
يتراوح OPEX بين 8 و15% من CAPEX سنويًا، ويغطي إعادة معايرة المستشعرات، وزيادة تخزين المؤرشف، وقدرة الحوسبة اللازمة لإعادة تدريب النموذج، ومهندس بيانات واحد بنسبة 0.25 FTE. وتتمثل آليات الاسترداد في أرقام ملموسة وقابلة للقياس: خفض طاقة التهوية بنسبة 6–14% نتيجة تحسين التحكم في DO، وخفض جرعات المواد الكيميائية بنسبة 10–25% نتيجة ضبط نقاط الضبط بواسطة المستشعر الافتراضي، وخفض أحداث تجاوز جودة المياه المعالجة الخارجة التي تؤدي إلى غرامات تنظيمية بنسبة 40–70%. وبالنسبة إلى مصنع منسوجات بطاقة 2,000 m³/day في منطقة تصريف خاضعة للتنظيم، يمكن لبند الغرامات التي تم تجنبها وحده أن يغطي 30–45% من OPEX.
تتراوح فترة الاسترداد الواقعية بين 14 و28 شهرًا للمحطات التي تتجاوز طاقتها 1,000 m³/day ولديها SCADA قائم، وبين 30 و48 شهرًا للمشاريع الجديدة التي تكون فيها SCADA والمؤرشف والأجهزة جزءًا من المشروع الرأسمالي نفسه. وهناك ثلاث تكاليف خفية تعرقل معظم التقديرات الأولية: استبدال المستشعرات كل 18–24 شهرًا في البيئات الكيميائية أو المنسوجات القاسية، وترخيص بوابة OPC-UA الذي يُغفل غالبًا في جانب OT، ومرحلة تهيئة البيانات التي تستغرق 3–6 أشهر قبل بدء تدريب النموذج. وبالنسبة إلى المحطات التي تهيمن فيها المفاعلات الحيوية الغشائية على خط أساس OPEX، فإن نظام MBR المتكامل مع دورات غسل عكسي يتحكم فيها الذكاء الاصطناعي يمثل أعلى أهداف التحكم عائدًا؛ ويوفر تفصيل تكاليف التشغيل في مرجع OPEX لحوض الأكسدة خط أساس للطاقة تُقاس مقابله وفورات الذكاء الاصطناعي عادةً.
| حجم المحطة (m³/day) | النطاق | فئة CAPEX (2026) | فترة الاسترداد |
|---|---|---|---|
| <500 | ANN استشاري فقط | $60K–$150K | 24–36 شهرًا |
| 500–2,000 | ANN + MPC على التهوية | $180K–$420K | 14–24 شهرًا |
| >2,000 | MPC كامل متعدد الحلقات + إعادة تدريب سحابية | $450K–$1.2M | 14–28 شهرًا (تحديث)؛ 30–48 شهرًا (مشروع جديد) |
خارطة تنفيذ: من مشروع تجريبي لمدة 90 يومًا إلى تعميمه على المحطة
يُعد المشروع التجريبي لمدة 90 يومًا أصغر التزام ينتج قرارًا موثوقًا بالمضي أو عدمه للجنة CAPEX. والتسلسل أدناه هو نفسه الذي استقرت عليه معظم مشاريع التحديث في عام 2025 بعد المشاريع التجريبية الفاشلة في 2022–2023.
- الأيام 1–30 — تدقيق البيانات. أكدوا فترة الاحتفاظ بالمؤرشف (≥12 شهرًا)، وقارنوا قائمة الوسوم بقائمة الحلقات، وراجعوا سجلات معايرة المستشعرات، واتصال OPC-UA من PLC إلى المؤرشف. إذا كان أي من ذلك مفقودًا، فأوقفوا المشروع التجريبي وأصلحوه أولًا؛ فلا ينجح أي مشروع ذكاء اصطناعي مع أساس بيانات معطّل.
- الأيام 31–60 — النشر في الوضع الاستشاري. شغّلوا المستشعر الافتراضي ANN بالتوازي مع COD المختبري اليومي. لا تُجروا أي تغييرات على المشغلات. ويُعرض ناتج النموذج على HMI باعتباره اتجاه «COD المتوقع في المياه المعالجة الخارجة» إلى جانب القيمة المختبرية. وقبول المشغّلين هو المخرج المطلوب، وليس دقة النموذج.
- الأيام 61–90 — تفعيل الحلقة المغلقة لحلقة واحدة. حوّلوا حلقة واحدة — عادةً DO في حوض التهوية — من الوضع الاستشاري إلى الحلقة المغلقة، مع تجاوز يدوي وحدود إنذار محافظة. وشغّلوا حلقة PID موازية باعتبارها طبقة أمان احتياطية.
- معايير البوابة قبل التوسّع. 30 يومًا متتاليًا بانحراف <5% بين جودة المياه المعالجة الخارجة المتوقعة بالذكاء الاصطناعي والمقاسة مختبريًا، وصفر عمليات كتابة غير مخطط لها على المشغلات خارج النطاق المعتمد من المشغّلين، ومعدل تجاوز المشغّلين <20%.
وبالنسبة إلى مديري المحطات، فإن قائمة المتطلبات الأساسية هي دليل بنية SCADA؛ أما في المحطات التي تعتمد بكثافة على نزع الماء، مثل مكبس الحمأة وجهاز الطرد المركزي، فعادةً ما تستقر حلقة الذكاء الاصطناعي على جرعة البوليمر، ويغطي دليل المراقبة عن بُعد لنزع ماء الحمأة المتطلبات الأساسية للمؤرشف والمستشعرات الخاصة بهذه الوحدة.
أوضاع الفشل والحدود الواقعية للذكاء الاصطناعي في معالجة مياه الصرف
يفشل التحكم بالعمليات بالذكاء الاصطناعي بطرق يمكن التنبؤ بها، والمهندس الذي يسميها في خطة المشروع هو المهندس الذي ينجو مشروعه من مراجعة الميزانية. ويُعد انحراف المستشعر السبب الرئيسي لتدهور النموذج في معالجة مياه الصرف الصناعية: إذ تسجل معظم المحطات انحرافًا في مستشعرات DO وpH بنسبة 8–15% خلال 6 أشهر إذا لم يكن روتين المعايرة التلقائية قيد التشغيل، كما أن النموذج المدرب على بيانات نظيفة والمغذى بمدخلات منحرفة سيفوّت هدفه بصمت. وتُعد إجراءات المعايرة التلقائية — وعادةً فحصًا يوميًا للنطاق المتوسط مقابل عينة مختبرية فورية — أرخص وسيلة تأمين للمشروع.
تُبطل تحولات تركيبة التدفق الداخل صلاحية شبكات ANN المدربة أسرع من أي وضع فشل آخر. فقد يدفع مصنع أغذية يضيف منتجًا جديدًا، أو مصنع منسوجات يغيّر كيمياء الصباغة، النموذج المدرب خارج نطاق تشغيله خلال أسابيع. ويتمثل التخفيف في تحديد وتيرة ثابتة لإعادة التدريب — مرة واحدة شهريًا كحد أدنى، وأسبوعيًا للتدفقات عالية التباين — إلى جانب كاشف للخروج عن التوزيع يطلق تنبيهًا عندما لا تعود المدخلات الحالية مماثلة لمجموعة التدريب.
يُعد تكرار تجاوز المشغّلين المؤشر المبكر الرئيسي لقبول النموذج. فإذا تجاوز المشغّلون حلقة الذكاء الاصطناعي أكثر من 20% من الوقت، فهذا يعني أنهم لا يثقون بالنموذج، وسينتهي المشروع خلال دورتين من دورات الميزانية. ونادرًا ما يكون الحل تقنيًا — بل يكون في الغالب إعادة تصميم HMI لعرض منطق الذكاء الاصطناعي، وليس ناتجه فقط. وأخيرًا، من ناحية الأمن السيبراني: أي متحكم بالذكاء الاصطناعي يكتب نقاط ضبط المشغلات يُعد الآن أصلًا مجاورًا لنظام السلامة الآلي ويجب أن يفي بالحد الأدنى IEC 62443 SL-2. وينبغي اعتبار عروض المورّدين التي تتجاوز هذه المحادثة علامة تحذير، لا ميزة.
الأسئلة الشائعة
ما الحد الأدنى لحجم المحطة لتحقيق عائد على الاستثمار من التحكم بالذكاء الاصطناعي؟ حوالي 500 m³/day، وفقط مع وجود SCADA قائم وبيانات مؤرشف لمدة ≥12 شهرًا. وتتمدد فترة الاسترداد إلى أكثر من 28 شهرًا في المحطات التي تقل طاقتها عن 1,000 m³/day، ما لم تكن الغرامات المتجنبة على جودة المياه المعالجة الخارجة كبيرة. (بيانات Zhongsheng الميدانية، 2026)
كم يستغرق تدريب المستشعر الافتراضي ANN؟ من 2 إلى 4 أشهر بدءًا من تهيئة البيانات وحتى الإنتاج، بافتراض توفر بيانات مزدوجة للمستشعر والمختبر لمدة 9–12 شهرًا، وعتبة قبول R² >0.85. واستخدمت دراسة أكساراي لعام 2024 مجموعة بيانات يومية لمدة 9 أشهر.
هل يمكن أن يعمل التحكم بالذكاء الاصطناعي من دون استبدال SCADA الحالي؟ نعم. ففي 90% من مشاريع التحديث في عام 2026، توضع طبقة الذكاء الاصطناعي فوق SCADA الحالي عبر OPC-UA. ولا يُبرر الاستبدال إلا إذا كانت منصة SCADA في نهاية عمرها أو تفتقر إلى التكامل مع مؤرشف الوسوم.
أي حلقة تحكم تحقق أسرع فترة استرداد؟ التحكم في DO للتهوية في محطة الحمأة المنشطة، وعادةً خلال 14–18 شهرًا. وتتراوح وفورات الطاقة بين 6 و14% من kWh التهوية الأساسي، كما أن جميع فنيي الأجهزة في المحطة يفهمون هذه الحلقة جيدًا.
ما الفرق بين التحكم بالذكاء الاصطناعي والتحكم المتقدم بالعمليات (APC)؟ يُعد APC مصطلحًا شاملًا لأي تحكم يتجاوز PID التقليدي، بما في ذلك MPC الذي يُستخدم منذ ثمانينيات القرن العشرين. ويشير التحكم بالذكاء الاصطناعي تحديدًا إلى الجزء الذي يستخدم نماذج التعلم الآلي، مثل ANN والتعلم المعزز، للاستشعار الافتراضي أو تكييف نقاط الضبط.
