人工智能识别流程异常原因

炼油厂和石化厂的目的是连续运行，通常一次运行数年，以维持关键的生产义务并实现财务目标。因此，足以中断生产或损害产品质量的破坏性问题是严重的，必须避免。中断可能与设备故障有关，例如电机烧坏，或者源于操作人员无法纠正的工艺问题。

工厂管理人员在问题升级为计划外停机之前，寻找确定问题何时出现的方法。对于设备，可以通过基本的诊断传感器发现问题，例如轴承噪声监测器，当关键参数发生变化时，它可以向维护部门发出警告。

流程问题通常更微妙，但也同样具有破坏性，正如我们将在本文后面的两个示例中讨论的那样。在这些情况下，一些过程变量开始进入危险区域，自动化系统无法检测到，操作员需要确定纠正措施。

问题来了，事故发生前的生产数据中是否有任何迹象表明这种情况正在发展?操作人员和工艺工程师可能会花几个小时仔细研究数据，寻找线索，结果却束手无策。这一挑战促使人们寻求新技术来提供解决方案。

人工智能的帮助

人工智能(AI)是最近许多讨论的话题，关于它将如何改善未来的制造业，人们提出了许多建议。一个更实际的方法是探索人工智能现在正在做什么来解决问题，如下所述。

人工操作员依靠自动化系统向他们展示整个过程的状态。这应该有助于他们确定何时有异常发展的迹象和原因。在现实中，自动化系统向操作员展示了一系列变量，让他们做出最好的解释。如果出现问题，操作人员必须快速、正确地做出反应，以防止事故发生。但他们真正想要的是一个能够指示过程状态的系统，并在发生错误时识别出应该关注哪个传感器。

人工智能可以识别导致异常情况的主要因素，并指出指示原因的特定传感器。这使得操作人员可以专注于少数可管理的元件来解决问题，而不是试图处理大量的传感器，其中大多数与当前问题无关。

这一过程从作业者确定一个特定的问题开始。数据科学家与领域专家(流程工程师)合作，构建一个包含学习模型的系统(图1)。人工智能和人类智能(AI+HI)的结合与观察-导向-决定-行动(OODA)循环一起工作，作为一个有效的决策过程:

1. 观察-智能传感
2. 东方-高级分析
3. 决策——实时而精明的决策
4. 为价值创造采取敏捷行动。

观察包括识别问题和设定目标，定义为解决问题的过程状态。这需要缩小分析所需的过程数据和维护信息的范围，然后将问题转化为特定的任务来设置问题。

东方确定分析的方向以解决定义的任务。它结合了人工智能技术、领域知识和数据科学家的专业知识来挖掘数据进行分析。

决定检查分析结果所建议的操作。如果方向似乎偏离了正题，工厂人员就会回到第一步，看看问题是否被正确地定义了。参与者必须就是否执行给定的计划达成一致。

行为将共识计划付诸实施。这可能涉及添加边缘计算机、云计算和数据存储等功能。如果证明有必要重新定义任务，工厂人员必须回到第一步，重新考虑总体方法。

应用人工智能

一家乙烯生产商联系了横河电机，请求帮助解决一系列反复出现的工艺相关问题。与公司内部解决问题的团队合作，所有参与者都参加了一个研讨会，以熟悉方法并了解项目将如何进行。

该团队一起从数百个传感器参数中找出了每个问题的可能原因。这些参数用于监控设备的运行状态，并创建AI模型来检测设备中的异常并了解工厂状态。这种方法已应用于八个项目，我们将研究两个。

案例1:苯生产反应器

乙烯工厂生产裂解汽油，在有催化剂的反应器中加入氢，将裂解汽油转化为苯。这也能去除杂质。为了保持稳定的反应，需要调节氢气流量和反应温度以匹配原料。

催化剂逐渐变质，导致催化性能下降。然而，由于没有量化活性的方法，催化剂是根据运行时间或日历定期激活或更换的。这意味着一些催化剂即使仍然可以使用，也会被更换，从而产生额外的维护。

相反，在更换时间之前，催化剂的意外快速劣化会导致杂质水平的增加，从而导致有缺陷和无法销售的产品。这就产生了几个主要问题:

• 生产减少，未完成目标
• 原材料损失
• 处置成本增加
• 停机进行紧急维护。

观察阶段得出的结论是，作业者需要催化剂活性的kpi，因为没有它，他们无法在成本高昂的生产问题出现之前判断何时需要更换催化剂。这些知识将优化维护，避免产品损失。

东方阶段检查了前两年的生产数据，在此期间有三次催化剂更换:两次按照正常计划进行，一次由于生产问题紧急更换。

稳定运行和应急维护前的过程数据成为训练数据，通过AI分析生成训练模型，然后将训练模型应用到数据中。这就产生了催化剂健康指数，该指数是由人工智能分析确定的多个测量过程变量的综合形成的，这成为了作业者需要的关键绩效指标。

当使用该指数检查两年的数据时(图2)，很明显可以确定催化剂的健康状况，并且可以在产品降解之前决定何时需要更换催化剂。

决定和行动阶段变得清晰起来。操作人员现在可以实时跟踪催化剂健康指数，并根据情况安排催化剂的变化。这导致最大的催化剂寿命，同时避免产品退化和紧急停机。

案例2:裂解炉冷却塔

在乙烯厂，乙烷、石脑油和其他原料在裂解炉中加热。为了防止过度开裂，热气体被转移到冷却塔，在那里，冷水被喷洒到流中，将温度降低到<35°C。加热后的水被送到工厂内的各种热交换器，最终再循环。

在夏季，冷却塔似乎失去了能力，使操作员难以控制过程。裂化反应继续进行，阻碍了所需组分的分离，导致产品质量和收率下降。几年来，这种情况作为一种不可避免的季节性影响被勉强容忍，至少在2019年夏天这个问题意外消失之前是这样。没有明显的气候原因，所以工程团队想找出是什么发生了变化，以及如何防止问题再次发生。

观察阶段设定了两部分目标:从工厂数据中，建立导致冷却效果损失的操作条件指标，并确定与此温升密切相关的参数。通过改变参数，操作人员可以提高操作效率。

东方阶段检查了前两年(2018年和2019年)的数据(图3a)，当时温度分别上升和持平。不管2019年发生了什么，问题都解决了，但没有人能确定具体的变化。

用于构建训练模型的人工智能分析提出了几个候选参数，包括冷却塔温度和冷却水流量。分析发现，这些参数影响冷却塔附近换热器的温度和流量，两者都与冷却塔内温度密切相关。

该训练模型创建了一个能够预测冷却塔效能的指标。这是一个过程变量的综合，包括冷却塔本身的上游和下游。该指数越高，越不可能出现导致冷却能力丧失和产品问题的情况。2019年夏天体验到的温度控制改善的惊喜可以随意重现。

理解人工智能是什么以及它能做什么是很困难的，因为它有很多形式。在过程制造中，它可以帮助解决许多类型的问题，因为它既是一种技术，也是一种方法。正如这些例子所示，这需要AI和AI之间的接触。一旦人类领域的专家确定了要解决的根本问题，人工智能就会成为扩展人机交互能力的工具。

人工智能的未来

今天，人工智能在过程制造中仅限于分析，而不是实时过程控制的主要方法。然而，这种情况正在改变。横河和其他公司已经参与了一项实验，用一个能够学习如何优化单个过程单元或整个炼油厂控制的综合人工智能系统取代传统的基于pid回路的控制策略。毕竟，如果人工智能技术可以控制自动驾驶汽车，为什么不能控制乙烯工厂呢?

答案是，它可以而且将会。横河电机将机器学习作为工艺制造的实用技术，并利用其成果，在实验室环境和实际设施中积累应用案例。这需要开发技术来确保安全性和多功能性，关键能力包括:

• 安全的学习方法
• 强大的处理干扰的能力
• 对设定值变化的快速响应
• 持续在线学习
• 模型在多个设施中的适用性和可移植性。

目标是一个基于人工智能的控制系统，能够快速有效地应对挑战，以改善工艺性能和工厂运营。

原创内容可在石油与天然气工程．

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