人工智能用于控制工艺制造操作

在日本ENEOS材料公司的化工厂，人工智能(AI)用于自主控制精馏塔阀门35天的现场测试成功结束后，控制工程欧洲我们采访了横河产品总部负责人工智能开发的总经理Hiroaki Kanokogi博士。

他解释说，工业流程工厂的人工智能控制还不像预测性维护所需的人工智能技术那么先进。在许多工艺中，外部大气温度的变化会对工艺产生很大的影响，控制工艺以考虑到这些意外的中断，需要对温度、压力和流量进行复杂的控制，因为可能会导致潜在的不必要的化学或物理反应。

在过程世界中，采用基于比例积分导数(PID)控制数学的过程控制算法。然而，它不能充分处理不断变化的天气模式所引起的意外干扰，这意味着在由于大气温度变化而发生的短期变化可能对过程产生不利影响的情况下，仍然经常需要人为干预。在这次现场测试中，AI能够自主控制这种以前需要人工操作的复杂过程。

虽然精馏塔的控制已经很完善，但对许多工艺部门来说，真正稳定和高效生产的最佳控制仍然是一个挑战。传统上，知识是由工程师传给工程师的，但是，由于工程技能的日益短缺，更多的工厂运营商现在正在寻求在他们的工厂内自动化这些具有挑战性的操作领域。

关键资产

由于精馏塔是许多过程工业的关键资产，这是横河/ENEOS Materials AI控制项目的重点。ENEOS材料化工厂精馏塔上的一些阀门是人工控制的，以确保产品质量和节能始终处于优化状态。

“ENEOS材料公司希望利用蒸馏塔内的废热，使工厂更加环保，并从节约能源中受益。然而，废热不是一种稳定的商品，也会受到大气温度变化的影响，”Kanokogi说。由于产品质量不是一个可以接受的交易来获得节能，该公司之前已经寻找了一个合适的控制解决方案。PID控制不能充分控制系统，高级过程控制(APC)解决方案也不能，因此组织仍然必须依靠操作员手动控制精馏塔阀门。”

这就是为什么该公司热衷于与横河合作，寻找自动控制解决方案。

ENEOS材料公司的现场试验证实，强化学习AI可以安全地应用于现实生活中的工厂，并证明该技术可以控制超出现有过程控制方法能力的操作。

在现场测试中，AI解决方案成功地处理了确保产品质量一致所需的复杂条件，并将精馏塔中的液体保持在适当的水平，同时最大限度地利用废热作为热源。这样做能够稳定质量，实现高产量，也增加了节能。

虽然雨、雪和其他天气条件是可能导致大气温度突然变化而破坏控制状态的重要因素，但在整个试验期间，最终产品符合质量标准，并已交付使用。

为期35天的现场试验证明，使用基于FKDPP强化学习的人工智能协议的下一代控制技术，可以极大地促进生产自治、投资回报率最大化和环境可持续性。Kanokogi说:“试验结果发现，生产出了一致的高质量产品，并且消除了因生产不合格产品而造成的燃料、劳动力成本和时间等方面的任何损失。”

安全第一

在试验中，安全性显然是优先考虑的。“为了确保试验期间的安全运行，我们最初在工厂模拟器上使用FKDPP协议来创建控制模型。然后我们评估了人工智能的行为——将人工智能数据与精馏塔过去的操作数据进行对比，以确保它是稳定的，产品保持在规范范围内，并且经验丰富的操作员对人工智能控制指令感到满意，”Kanokogi说。

在检查完所有数据后，FKDPP AI协议最终与工厂连接。“为了确保试验期间的安全性，我们将FKDPP算法集成到现有的CENTUM VP生产控制解决方案中，以便操作人员始终能够在CENTUM HMI显示器上看到AI状态。由于我们将人工智能协议集成到CENTUM控制系统中，工程师们将能够在试验期间的任何时候，在工厂周围部署任何安全联锁或其他安全功能。”Kanokogi说。

在进行常规维护操作后，ENEOS材料公司表示，它打算继续使用人工智能来控制操作。该公司认为，试验的持续时间足以证实强化学习AI可以安全地应用于该工厂。ENEOS材料公司认为，这次演示展示了人工智能在解决以前化工厂无法解决的控制挑战方面的潜力，并将研究其在其他工艺和工厂中的更广泛应用，以进一步提高生产率。

展望未来，两家公司还将继续合作，研究在工厂中使用人工智能的其他方式。

ENEOS Materials生产技术部门主管Masataka Masutani在评论该项目时表示:“石化行业面临着强大的压力，需要利用物联网和人工智能等新技术来提高生产活动的安全性和效率。在这个实验中，我们接受了使用AI控制技术实现工厂过程控制自动化的挑战。我们验证了人工智能能够根据操作员的经验自主控制以前手动执行的过程，我们坚信人工智能控制的有用性和未来潜力。业内人士纷纷表示，这不仅减轻了运营商的负担，而且我们接受了这项新技术的挑战并取得了成功，这本身就是推动数字化转型的动力。今后，我们将扩大人工智能控制的运营，努力提高化工厂的安全性、稳定性和竞争力。”

联合开发FKDPP方案的NAIST副教授Takamitsu Matsubara说:“我很高兴听到这次实地测试成功了。数据分析和机器学习现在正被应用到化工厂的运营中，但可用于自主控制和操作优化的技术到目前为止还没有完全准备就绪。强化学习AI FKDPP算法由横河和NAIST于2018年联合开发，用于实现化工厂的自主控制。

尽管必须参考大量的传感器和控制阀，但人工智能可以在有限的学习试验中生成强大的控制策略。这些特点有助于提高开发过程的效率，并在现场测试中实现了长达840小时的自主控制。我认为，在实际的精馏塔中实现这一非常困难的自主控制，并将实际应用水平提高到整个生产过程和安全集成到一个系统中的程度，对整个行业具有重大意义。我期待着这项技术接下来会发生什么。”

下一步

接着，Kanokagi讨论了横河人工智能之旅的下一步，他解释说，该公司对自主控制的愿景——IA2IA(工业自动化到工业自主)——是帮助处理器实现其智能制造目标。“我们认为ENEOS材料项目的成功是迈向IA2IA的切实一步，工厂将开始自己思考如何提高产品质量或kpi。”

2021年，横河对390家制造商的534名决策者进行了调查，42%的人认为，在未来三年内，人工智能在工厂流程优化中的应用将对工业自主产生重大影响。

流程部门的人工智能难题的最后一块将是改进点发现人工智能算法的开发，该算法旨在发现多个流程中的潜在改进点，并通过查看大数据来自动识别问题，从而定义问题。

当将其添加到问题分析AI(基于传感器数据分析问题并定义因素或创建新的改进kpi)和自主控制AI(如FKDPP算法，不断搜索流程中的最佳控制模型)中时，将有可能创建一个自主的计划-执行-检查-行为(PDCA)循环，以进行持续的流程优化。

“创建发现AI技术的工作版本的时间表有望比FKDPP算法更快，我们认为FKDPP算法是最困难的。这个循环可以在几年内完成，”Kanokogi说。“如果采用人工方式，改善业务以实现关键绩效指标的过程可能需要6个月到一年的时间。有了人工智能，一年365天，每天24小时，都可以自主地进行操作改进。到目前为止，还不可能完全自动化一些加工厂。下一代控制技术采用基于强化学习的人工智能，将实现现有控制方法无法自动化的领域的自动化，同时确保安全性并提高生产率。”

-这最初出现在欧洲控制工程网站．由网页内容经理克里斯·瓦夫拉编辑，控制工程， CFE媒体与技术，cvavra@cfemedia.com．

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。