NO.1應用背景

　　說到大數(shù)據(jù)分析、人工智能、機器學習這些名詞，大家應該都不陌生，日常生活中，每天都可能接觸到這些技術，比如實名認證用的人臉識別，手機APP的定制內(nèi)容推送等等。這些應用都是通過大量收集數(shù)據(jù)，利用機器學習來訓練算法、尋找規(guī)律，為決策提供支持。

　　大數(shù)據(jù)分析已經(jīng)在改善人們的日常生活，它在工業(yè)界也逐漸成為熱門話題，業(yè)界都很關注大數(shù)據(jù)分析在工業(yè)領域的應用場景。工業(yè)大數(shù)據(jù)和通用的大數(shù)據(jù)分析并不完全相同，它的特點是實時性高、數(shù)據(jù)量大、數(shù)據(jù)異構(gòu)性強，工業(yè)大數(shù)據(jù)要求分析模型的精度高、可靠性高、因果關系強，這樣才能滿足工業(yè)場景的需要。純數(shù)據(jù)挖掘的建模方式無法滿足工業(yè)領域的需求，因此，工業(yè)大數(shù)據(jù)分析的特征是強調(diào)專業(yè)領域工藝知識和數(shù)據(jù)挖掘的深度融合。

　　一方面，運行中的流程工廠每天會生成海量的數(shù)據(jù)，數(shù)據(jù)的來源包括DCS、PLC、實驗室管理系統(tǒng)、設備管理系統(tǒng)、能源管理系統(tǒng)等。但是據(jù)統(tǒng)計，流程工廠中八成的數(shù)據(jù)都沒得到利用，這就造成了對數(shù)據(jù)資源的浪費。

　　另一方面，工廠的運營管理人員也面臨著很多挑戰(zhàn)，如何得到最佳的設備效率、異常現(xiàn)象的根本原因分析、如何減少故障、縮短維修時間、如何提前識別出運營的隱患，如何根據(jù)不同的工況設定KPI的動態(tài)目標。這些問題很難從純機理角度去分析，因此我們可以以“數(shù)據(jù)驅(qū)動+機理驅(qū)動”的雙驅(qū)動模式來進行工業(yè)大數(shù)據(jù)的分析，從而建立高精度、高可靠性的模型，來真正解決實際的工業(yè)問題。

　　工業(yè)大數(shù)據(jù)分析作為數(shù)字化轉(zhuǎn)型不可或缺的組成部分，未來的發(fā)展前景廣闊。而利用大數(shù)據(jù)分析的軟件，發(fā)掘客戶現(xiàn)場數(shù)據(jù)的價值，提升運營表現(xiàn)，是艾默生一直以來致力于發(fā)展的方向。

　　NO.2平臺功能特點

　　2019年，艾默生收購工業(yè)數(shù)據(jù)分析軟件KNet，以此軟件為基礎并結(jié)合艾默生在工業(yè)領域知識和經(jīng)驗進行功能上的整合擴充而推出了艾默生工業(yè)大數(shù)據(jù)解決方案，其可對運營和生產(chǎn)數(shù)據(jù)進行提取、清理、轉(zhuǎn)換和分析，它使用先進的統(tǒng)計和機器學習算法庫，將工業(yè)大數(shù)據(jù)轉(zhuǎn)化為實用知識，推動實時決策，從而優(yōu)化過程和資產(chǎn)性能，后續(xù)進一步整合到艾默生的Plantweb數(shù)字生態(tài)系統(tǒng)中，成為工業(yè)大數(shù)據(jù)應用的重要一環(huán)。2021年，艾默生工業(yè)大數(shù)據(jù)解決方案榮獲了物聯(lián)網(wǎng)突破獎之年度分析平臺獎。

圖1 艾默生榮獲年度分析平臺獎

　　艾默生工業(yè)大數(shù)據(jù)解決方案分為兩個部分：離線數(shù)據(jù)挖掘軟件和在線專家系統(tǒng)軟件。離線數(shù)據(jù)挖掘的作用是分析歷史數(shù)據(jù)，尋找規(guī)律，建立預測性模型；而在線專家系統(tǒng)的作用是，部署預測性模型，用前面發(fā)掘出的規(guī)律，來輔助決策。整體的工作原理如下所示：

圖2 艾默生工業(yè)大數(shù)據(jù)解決方案的工作原理

　　■離線數(shù)據(jù)挖掘模塊

　　離線數(shù)據(jù)挖掘模塊用來分析原始數(shù)據(jù)，發(fā)現(xiàn)隱藏的規(guī)律，并將其轉(zhuǎn)化為預測模型。它具有數(shù)據(jù)分析、優(yōu)化、機器學習、統(tǒng)計過程控制、報警分析等功能。本質(zhì)上，它是一個可以獨立運行的數(shù)據(jù)挖掘軟件。

　　它有以下特點：

• 圖形化環(huán)境，提供高度直觀和用戶友好的使用環(huán)境，具有Microsoft軟件的外觀和體驗，具有下拉菜單、拖放圖形圖標的功能，無需編寫腳本或編程。
• 工作流Workflow，允許您構(gòu)建和自動執(zhí)行由數(shù)據(jù)分析、學習、聚類和建模組成的順序流程。構(gòu)建工作流后，它們會被自動存儲，以后可以部署應用于多個數(shù)據(jù)集，無需人工干預。
• 數(shù)據(jù)可視化，內(nèi)嵌了各種工具，可提供有效的數(shù)據(jù)可視化，例如散點圖、折線圖、餅圖、面積圖、箱形圖、雷達圖和極坐標圖。
• 支持第三方腳本語言，如Matlab，Python和R。

　　離線數(shù)據(jù)挖掘模塊中有龐大的算法庫，所有這些算法都是內(nèi)置的，只需點擊、拖拽等操作，就可以應用到您的數(shù)據(jù)分析中。艾默生一直在不斷地加強算法庫，以確保我們的客戶不用花精力在編寫算法上，把時間留給解決最棘手的 OT業(yè)務問題。

圖片 3機器學習算法庫

　　■在線專家系統(tǒng)

　　進入到在線專家系統(tǒng)，它有三個主要功能模塊：規(guī)則及復雜事件模塊、根本原因分析模塊（Root Cause Analysis，簡稱RCA）和工作流模塊（Workflow）。

　　規(guī)則及復雜事件模塊使用圖形語言，可以輕松構(gòu)建用于不同事物的規(guī)則，例如檢測復雜事件、能夠檢測操作模式和生成性能報告。該模塊提供了廣泛的功能塊，包括算術、統(tǒng)計過程控制、信號發(fā)生器、數(shù)據(jù)篩選器、邏輯門、時態(tài)數(shù)據(jù)功能塊等，還可以使用C#.NET語言添加自定義塊。

　　它無須編寫腳本或代碼，通過拖放不同的功能塊，從輸入或數(shù)據(jù)，到計算和邏輯，再到輸出，組成一個計算的規(guī)則或者復雜事件，如業(yè)務規(guī)則，計算KPI的性能管理應用程序，在不同系統(tǒng)之間執(zhí)行數(shù)據(jù)傳輸?shù)膽贸绦?，預測性維護應用程序，原型、建模和仿真應用程序。

圖4 規(guī)則及復雜事件模塊范例

　　用戶可利用根本原因分析模塊（RCA）實現(xiàn)決策支持系統(tǒng)、圖形診斷應用程序和異常情況管理系統(tǒng)。使用故障傳播模型，RCA可實時診斷故障，找出根本原因，建議響應計劃，并執(zhí)行糾正程序。以圖形方式構(gòu)建的故障樹，應用了因果關系專業(yè)知識。測試和糾正措施可以是簡單的消息、復雜的規(guī)則或整個工作流程。

　　可以檢測到的故障可能包含與效率、設備故障、環(huán)境法規(guī)、不安全條件以及關鍵績效指標偏差相關的問題。這種異常情況可能會產(chǎn)生許多嚴重后果，包括：意外停機、計劃中斷、安全隱患、質(zhì)量不佳、運行效率低等。任何檢測到的故障都會觸發(fā)自動的根本原因分析（RCA），RCA模塊運行檢測以確定根本原因，并通知操作員是否必須采取任何糾正措施和/或啟動工作流程以執(zhí)行解決程序。

圖5 自動根因分析模塊范例

　　工作流（Workflow）模塊是一款靈活的工作流程管理解決方案，可幫助各種用戶輕松進行處置，并與工作流程及后續(xù)操作進行交互。

　　典型的工作流可助您實現(xiàn)和執(zhí)行：

• 糾正措施
• 啟動和關閉程序
• 解決重復出現(xiàn)的問題
• 恢復程序
• 升級事故響應

圖6 工作流模塊范例

　　NO.3艾默生工業(yè)大數(shù)據(jù)解決方案的典型應用案例

　　■幫助全球最大海上鉆井公司

　　提升鉆井設備的可靠性

　　A客戶經(jīng)營著世界上最大的海上石油鉆井船隊，在2018年的時候，該公司擁有35臺自升式鉆機，12臺半潛式潛水器和另外12臺高科技鉆探船。2011年，A客戶的鉆井船隊經(jīng)歷了8%的計劃外停機時間，由于計劃外停機往往會需要暫停作業(yè)，并將船開回港口進行維修，會造成很大損失。該公司計劃通過數(shù)據(jù)驅(qū)動的預測性維護實踐，將計劃外停機時間減少至4%。

　　首先，A客戶在其總部休斯頓建立預測智能中心（Predictive Intelligence Center），它的職能包含：

1. 實時監(jiān)控鉆井船隊的資產(chǎn)；
2. 提供資產(chǎn)性能退化的預警；
3. 確定資產(chǎn)的剩余使用壽命；
4. 通過優(yōu)化資產(chǎn)選擇和維護活動來降低成本；
5. 通過提高可靠性和正常運行時間，來提升為客戶提供的海上鉆井服務。

　　然后，客戶確定了其鉆井船上最重要的五個關鍵設備——頂部驅(qū)動器、絞車、防噴器、管道處理和推進器，并將重點放在提高這些關鍵設備的可靠性上。

　　第三，客戶從鉆井船的控制系統(tǒng)收集數(shù)據(jù)，通過衛(wèi)星通信發(fā)送到岸上，位于休斯頓的預測智能中心開始用艾默生工業(yè)大數(shù)據(jù)解決方案對數(shù)據(jù)進行分析。通過計算實時數(shù)據(jù)，并和數(shù)學建模得到的預測性模型進行比較，確定資產(chǎn)的運行狀況，然后計算剩余的使用壽命。如有偏差或者故障的早期癥狀，系統(tǒng)會發(fā)送警報和電子郵件，并將其反饋給鉆井船上的維護人員。

　　在艾默生的幫助下，這家海上鉆井能源公司已經(jīng)將計劃外停機時間減少到不到1%，這意味著每年數(shù)以百萬美元計的利潤。

　　■沙特阿美Abqaiq原油處理廠

　　改善能源管理

　　沙特阿美公司的Abqaiq工廠是其最大的石油加工設施，日處理能力超過700萬桶，每天的能源消耗是一個巨大的數(shù)字。Abqaiq工廠擁有一個標準的KPI管理系統(tǒng)來監(jiān)控能耗，并為能耗設定了固定的目標值，當發(fā)現(xiàn)偏差時，需要操作人員去分析根本原因，需要大量專家和多部門之間的冗長會議來診斷問題。

　　Abqaiq 工廠面臨以下挑戰(zhàn)：

1. 需要提高準確性和性能洞察力，以做出明智的決策；
2. 由于使用固定目標，而不是動態(tài)目標，當運行模式切換后，很容易收到能量消耗過多的錯誤警告；
3. 能耗和目標的差距持續(xù)存在時，需要很長時間去確定真正的根本原因；
4. 由于某些儀器故障，KPI計算不準確。

　　為了克服這些挑戰(zhàn)，需要利用先進的技術，因為即使是非常短的操作停機時間，也可能會導致數(shù)百萬美元的損失。為了克服這些挑戰(zhàn)并消除能耗方面的性能差距，沙特阿美的Abqaiq工廠選擇了艾默生工業(yè)大數(shù)據(jù)解決方案，包括：

1. 監(jiān)控整個工廠的能耗，并可細化至設備級別；
2. 自動監(jiān)測工廠狀態(tài)和運行模式，并相應地實時調(diào)整能耗目標；
3. 盡早發(fā)現(xiàn)能源績效差距；
4. 使用自動根本原因（RCA）分析和識別，來找出差距背后的根本原因；
5. 在執(zhí)行最佳實踐的同時，采取糾正措施。

　　在艾默生的平臺上，可以計算和監(jiān)視24個生產(chǎn)單元、57個非生產(chǎn)單元和237臺關鍵設備的能耗，這些設備代表了該工廠主要的耗能設備。

　　該系統(tǒng)從歷史數(shù)據(jù)庫收集工廠數(shù)據(jù)，然后使用計算、規(guī)則、故障傳播和Workflow引擎來分析數(shù)據(jù)，以找出造成性能差異的原因，同時為最終用戶提供建議的糾正措施。系統(tǒng)將所有計算的KPI、根本原因識別和建議的糾正措施的歷史記錄保存在數(shù)據(jù)庫中。然后將結(jié)果通過網(wǎng)頁發(fā)布在數(shù)據(jù)儀表板中，以供工廠不同角色的用戶訪問。

　　基于艾默生工業(yè)大數(shù)據(jù)解決方案的Abqaiq智能能源KPIs系統(tǒng)已大大降低了能耗，節(jié)能帶來的效益估計為每年數(shù)千萬美元，除此之外，其他可量化的好處還包括：

• 無論是操作員、工程師，還是管理人員都發(fā)現(xiàn)，通過更好地管理關鍵資產(chǎn)及其KPI影響，可以輕松使用基于Web的界面來提高工廠績效。
• 顯著減少了檢測和診斷能源消耗性能差距的周期時間和精力。
• 更好地保留并在線部署了運營知識。

　　■Celanese（美國）尋找故障根本原因?qū)崿F(xiàn)設備預測性維護

　　在預測性維護用例中，艾默生工業(yè)大數(shù)據(jù)解決方案的分析見解為Celanese帶來了回報。當Celanese在兩周、兩個月的時間范圍內(nèi)檢查一臺設備時，溫度水平幾乎沒有變化，變化幅度遠低于警報水平。但是，當系統(tǒng)檢查和分析了兩年的歷史數(shù)據(jù)后，就提示“正常”溫度水平明顯高于以前的水平。

　　通過分析歷史數(shù)據(jù)，建立故障樹模型，Celanese的維護人員利用根本原因分析模塊發(fā)現(xiàn)：溫度緩慢升高的原因是潤滑油加熱器上的閥門卡住了。Celanese的工作人員說，“當查看每日或每周的數(shù)據(jù)時，溫度的升高并不明顯。但這種溫度升高持續(xù)不被注意可能會導致軸承或軸的長期損壞，甚至導致設備停機。”

　　圖7 這張圖展示了設備溫度在很短的時間范圍內(nèi)變化很少（見藍色框內(nèi)右側(cè)的曲線），但是在兩年的時間段內(nèi)，很明顯可以看出最近的溫度顯著地高于之前的溫度水平。

　　■幫助某日化產(chǎn)品工廠實現(xiàn)批量在線分析

　　客戶位于美國，是一個日化品牌的混合單元(mixer skid unit)，這是一個典型的批量過程，并且批量生產(chǎn)時間相對較長?？蛻粝Ｍダ斫忾L批量周期中，哪些因素對最終質(zhì)量產(chǎn)生影響，同時要對設備故障和過程問題有提前預測，以便他們及時干預，實現(xiàn)質(zhì)量的管理。

　　艾默生對歷史數(shù)據(jù)進行分析，幫助客戶定義黃金批次的特征，然后建立不同運行模式下的質(zhì)量預測模型。驗證了預測模型后，我們將它部署到在線的狀態(tài)，并且?guī)椭蛻艚⒐收蠘洹?/p>

　　有了這樣的模型，客戶就可以檢查現(xiàn)有的批次，并且基于數(shù)據(jù)挖掘階段確定的質(zhì)量預測模型，預測該批次的最終質(zhì)量。如果發(fā)生了質(zhì)量下降的趨勢，系統(tǒng)會根據(jù)故障樹，反饋給操作員導致質(zhì)量下降的原因，以及如何去操作的建議。

　　從這個案例來看，艾默生工業(yè)大數(shù)據(jù)解決方案可以在這以下方面提升批量生產(chǎn)的性能：

　　預測異常情況，由于結(jié)合了對歷史數(shù)據(jù)的分析，系統(tǒng)可以早期識別出設備和過程的異常狀況，這樣就可以預防不符合要求的批次，減少廢料，提升了設備可靠性。

　　解決客戶最關心的質(zhì)量預測功能，因為之前對質(zhì)量的管理都是事后的，有了在線質(zhì)量預測模型，客戶就可以預判該批次的最終質(zhì)量，在需要的時候提前介入，改變質(zhì)量劣化的趨勢。

　　NO.4總結(jié)

　　艾默生工業(yè)大數(shù)據(jù)解決方案是一種非常靈活、開放的工業(yè)大數(shù)據(jù)分析平臺，為客戶提供了一種可以完全定制的解決方案，它結(jié)合了機器學習的能力，以及艾默生在對流程和設備可靠性的專業(yè)知識，可以幫助客戶利用數(shù)據(jù)資源，提升工廠性能。