有效地使用过程分析

如何将处理数据作为有用信息快速访问，从而以经济实惠的方式提高性能?预测流程事件需要流程历史记录或时间序列搜索工具，以及将意义应用到流程数据中识别的模式的能力。历史学家是许多系统的过程数据存储库，也是高级分析的数据源。但是，过程历史记录工具对于自动化数据分析或搜索查询并不理想。它们是“写”优化，而不是“读/分析”优化。查找相关的历史事件和构建流程上下文通常是一项费力的任务。

虽然有许多过程分析解决方案可用，但这些基于历史的软件工具通常需要大量的解释和操作。它们不是自动化的。他们挖掘过去的趋势或将原始数据导出到微软Excel。可视化和解释流程数据的工具通常是趋势应用程序、报告和仪表板。也许有帮助，但在预测结果方面并不特别好。

预测分析是分析工具的一个相对较新的维度，它基于结构化和非结构化的历史数据，提供关于未来表现的见解。许多预测分析工具开始于企业方法，需要更复杂的分布式计算平台，如Hadoop或SAP Hana。

虽然功能强大，但这是一种管理工厂和企业数据的更复杂的方法。使用企业数据管理方法的公司通常必须雇用专业的数据科学家来帮助组织和清理数据。此外，数据科学家可能不熟悉生成数据的过程，这限制了他们获得最佳结果的能力。

此外，从图1中可以看出，数据建模软件被视为工程密集型的“黑盒”，其中用户只知道输入和预期结果，而不知道结果是如何确定的。可以理解的是，对于许多运营和资产相关的问题，这种方法过于昂贵和耗时，并且如前所述，可能需要高度熟练的数据科学家。这就解释了为什么许多供应商只瞄准1.0%的关键资产，而忽略了其他机会。然而，有一种方法可以在没有数据科学家的帮助下管理这些问题。

免费数据科学家

了解操作情报和过程数据是提高工厂性能和整体效率所必需的。工艺工程师和其他人员必须能够在特定的时间范围内搜索时间序列数据，并可视化相关的工厂事件。时间序列数据由过程控制和自动化系统、测试实验室和其他工厂系统生成，还包括操作员和工程师的注释和观察。

因此，今天的工业过程数据分析解决方案采用了不同的方法，利用多维搜索功能，结合可视化过程历史时间序列数据，叠加相似的、匹配的历史模式，并将工程师和操作员捕获的数据置于背景中。理想的模式识别解决方案可快速轻松地与工厂历史数据库档案集成，并与可扩展的体系结构集成，该体系结构可与可用的企业分布式计算平台通信。

该解决方案使用适合普通用户的“基于模式的发现和预测过程分析”。它易于部署并提供即时价值，不需要数据建模解决方案或数据科学家。能力是有针对性的，可能不需要需要深入教育和培训的大型系统的所有附加功能。将结构化时间序列过程数据的搜索功能与操作员和其他主题专家捕获的数据相结合，用户可以更准确地预测在连续和批量工业过程中正在发生什么或可能发生什么。

这种“自助服务分析”软件将权力交给流程专家、工程师和操作员，他们可以最好地识别和注释需要改进的领域。

用ARC咨询集团高级顾问Peter Reynolds的话说，“新平台的目的是让操作员在历史数据和工艺信息的背景下可以搜索到换班日志。由于工人退休，流程工业可能面临高达30%的熟练劳动力下降，知识获取对许多工业组织来说是一个关键的当务之急。”

一系列的能力

实验室分析在产品发布给内部客户之前量化质量，但代表了额外的成本和延迟。另一方面，使用预测分析软件，工艺专家可以为杂质浓度创建和部署预测器。传感器给出了早期的指示。因此，卡车装载可以更早开始，交货时间更短，并且由于不符合规格条件而被拒绝的概率显著降低。支持从实时检测早期指标点过程的变化，早期。

与传统的历史记录桌面工具不同，模式识别和机器学习允许用户搜索事件的流程趋势或检测流程异常。就像音乐应用Shazam一样，自助分析可以识别数据中的重要模式，或“高能量含量”，将其与数据库中的类似模式进行匹配，而不是试图匹配一首歌的每个音符。

这些技术是新系统技术栈的基础，该技术栈利用现有的历史数据库并创建一个执行列存储以索引时间序列数据的数据层。这些系统与OSIsoft、AspenTech和Yokogawa等领先的过程历史学家合作得很好。它们很容易通过虚拟机安装和部署，而不会影响现有的历史基础设施。然而，这个工具的好坏取决于它从历史学家那里得到的数据。

案例分析

一家聚合物工厂四年前推出了一种新的产品等级。从一开始，该公司90%的作业都遇到了问题。在稀释阶段，一个未知因素导致输送系统出现瓶颈，最终导致不可接受的压力上升。

产品质量测试表明两次运行之间没有显著差异。所有可能的物理因素都被检查了，直到拆除输送机。由于找不到原因，工程师们“解决”了这个问题，方法是把每一批有问题等级的产品与另一批不同等级的产品交替使用。

对数据的分析揭示了一种重复的行为模式，从而对所确定的时间段内的标签数据进行了比较。工程师们发现，在输送系统压力上升之前，上游的一个反应器出现了短暂的压力下降。

通过更好地监测和控制反应堆中的压力，该工厂现在可以在没有变通办法的情况下运行几批相同级别的反应堆。尽管等级相似，但避免了将确定的等级安排在一起的开销，以及更改所涉及的时间和劳动力，包括更改添加剂，提高了生产率。

通过消除输送系统下游瓶颈，该等级的生产效率提高了16%。估计每年总收益为10万美元。

为什么需要工具?

公司需要分析工具来发现提高效率的领域。

Reynolds表示:“我们迫切需要搜索时间序列数据，并结合工程师和运营商所做的注释对数据进行分析，以便能够更快、更高质量地做出工艺决策。”“如果用户想要预测工艺退化或资产或设备故障，他们需要超越时间序列和历史数据工具，能够通过实验搜索、学习，并在工厂中已经存在的大量数据池中检测模式。”

幸运的是，通过低成本的投资，这个新的过程分析模型可以支持传统过程历史记录可视化工具的必要重组。

早发现就有时间采取行动

由于热交换器污垢，制造商的批处理时间比正常的12小时到13小时长。在过去，几天后及时切换到备用热交换器。这也可能造成犯规，造成解决犯规问题需要大约两周的时间，有时甚至更长。通过预测分析，监控警报会提前两到三周发出，并得到运营商的确认。换热器污垢导致较长的冷却时间。监视上下文化的冷却时间模式，以便在需要计划维护时生成警报。早期检测为先发制人的行动留出了时间，避免了每两到三个月10小时的生产损失，以及相关的大量周转时间。

搜索显示流量峰值继续温度峰值

某化工厂因产品不洁而偶尔出现质量问题。预测分析搜索显示，在温度峰值之前有一个流量峰值。这些温度峰值导致热交换器密封应力。如果密封破裂，灭菌产品和未灭菌产品之间就会有泄漏，导致质量问题。通过相似搜索，确定了流速与温度之间的因果关系。此外，还配置了一个监视模式，以便在出现类似模式时向团队发出警报。工作人员被指示重新调整工艺，以减少密封退化。分析允许过程专家假设一个因果关系，解释质量问题如何导致热交换器密封泄漏。配置警报以检测过多的密封应力。

伯特Baeck的首席执行官TrendMiner．

本文发表于工程师的工业物联网补充的控制工程而且设备工程．

参见下面补充的其他文章。

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。