#工業(yè)前“言”# 讓工業(yè)減碳用上“機器學(xué)習”

加強排放監測，及時(shí)獲取識別、處理和減少排放所需的必要數據，對減輕危害影響，并最終創(chuàng )造更清潔、更安全的環(huán)境至關(guān)重要。然而，通過(guò)傳統的監測方法，無(wú)法獲取深入的數據洞察，以進(jìn)行主動(dòng)環(huán)境改善。

值得欣喜的是，借助最新技術(shù)，我們能夠幫助運營(yíng)人員優(yōu)化流程并最大限度地減少碳排放。在近期的某項應用案例中，施耐德電氣便為監控某真空蒸餾裝置的六個(gè)碳排放源，部署了定制化的、近乎實(shí)時(shí)的機器學(xué)習模型，實(shí)現了減少碳排放的目標。

真空蒸餾裝置廣泛應用于化學(xué)和藥物生產(chǎn)、原油精煉、精油和香料制造、食品加工、超純水或脫鹽水所需的熱基水生產(chǎn)等不同行業(yè)。施耐德電氣建立的機器學(xué)習模型利用AVEVA PI連接器實(shí)現每5分鐘分析一次數據流，從而對二氧化碳排放潛在偏差的產(chǎn)生及時(shí)反饋。這使操作人員能夠迅速做出反應，調查根本原因，并進(jìn)行有針對性的調整，以?xún)?yōu)化流程并最大程度減少二氧化碳排放。

上述模型不僅適用于真空蒸餾裝置，還可以遷移到不同工業(yè)流程，從而減輕對環(huán)境的影響，同時(shí)提高運營(yíng)效率，助力工業(yè)邁向更加可持續的未來(lái)。

利用機器學(xué)習預測碳排放

要實(shí)現近乎實(shí)時(shí)的二氧化碳跟蹤，基本步驟包括：驗證運行數據、確定排放基準、利用機器學(xué)習（ML）算法來(lái)預測排放、標記不同運行狀態(tài)下的事件、進(jìn)行根本原因分析。在項目執行階段，項目組專(zhuān)家將協(xié)助處理運行數據的驗證和糾正，同時(shí)提供過(guò)程解讀。隨后，數據科學(xué)家專(zhuān)注于特征工程（Feature Engineering）、選擇機器學(xué)習算法，并確定度量方法。

最終，機器學(xué)習算法可以根據具體的工廠(chǎng)運行條件來(lái)預測關(guān)鍵運行參數。

圖1：基于真空進(jìn)料和燃燒器內燃氣的異常值進(jìn)行在線(xiàn)檢測

在圖1（上圖）中，初步識別了基于真空進(jìn)料和燃燒器內燃氣的異常值。異常值指與數據集中其他值存在異常距離的觀(guān)測值，顯示為紫色線(xiàn)，數值為1。正常值指數據集中的典型觀(guān)測值，用數值0來(lái)表示。

然后，在剔除歷史數據中的異常值后，基于清理后的數據訓練ML模型，并通過(guò)ML模型每五分鐘預測一次關(guān)鍵操作參數。在圖2（下圖）中，一些預測的KPI關(guān)鍵績(jì)效指標與測量結果密切吻合，表明運行正常，而另一些指標則顯示出明顯偏差。這些操作有助于我們預見(jiàn)潛在問(wèn)題。

圖2中還監測了數據漂移，反映出統計屬性隨著(zhù)時(shí)間的變化，并使用曲線(xiàn)下面積（AUC）指標進(jìn)行評估。其中，AUC接近0.5表明漂移最小，接近1則表示漂移更顯著(zhù)，而JS散度（Jensen Shannon Divergence）用于衡量漂移對模型性能的影響。這些評估有助于確保模型在運行條件隨時(shí)間變化時(shí)，保持準確可靠。

圖2：關(guān)鍵運行參數的一日預測

使用機器學(xué)習查找偏差

在圖3中，ML模型確定了影響目標結果的關(guān)鍵因素，以便對偏差進(jìn)行根本原因分析。通過(guò)不斷實(shí)時(shí)更新和排序重要特征，為排放的控制決策提供洞察。該數值表示某個(gè)特征的重要性，值越大，影響越大。

圖中還展示了特征重要性隨時(shí)間變化的平均值、最小值、最大值以及趨勢。有了這些數據，我們就能及時(shí)干預，并抓住改善過(guò)程控制、性能和減排的機會(huì )。

圖3：關(guān)鍵運行參數的預測模型與實(shí)測結果之間的偏差分析

將先進(jìn)的機器學(xué)習模型與AVEVA PI System運營(yíng)大數據管理平臺相集成，可使企業(yè)最大限度地發(fā)揮運營(yíng)數據的潛力。如圖4所示，該集成提供了可操作的洞察，以?xún)?yōu)化裝置性能，并實(shí)現數據驅動(dòng)的決策。通過(guò)使用歷史數據分析后的模型，企業(yè)可以進(jìn)行實(shí)時(shí)預測，檢測偏差和潛在的根本原因，從而提高性能，降低成本并獲得競爭優(yōu)勢。

集成過(guò)程簡(jiǎn)便、易操作，僅需以下幾步即可完成：

 1. 設置虛擬機或云端環(huán)境；

 2. 配置PI系統，以實(shí)現實(shí)時(shí)的數據存儲和通知管理；

 3. 配置Python環(huán)境，并創(chuàng )建必要的文件；

 4. 設置通用文件和流加載器的PI連接器，以便將外部源數據直接導入AVEVA PI System運營(yíng)大數據管理平臺。

所有這一切都確保了無(wú)縫、高效的集成。

圖4：AVEVA PI System運營(yíng)大數據管理平臺

優(yōu)化排放監測

本用例展示了一種創(chuàng )新的ML方法，可降低能源和化學(xué)工業(yè)對環(huán)境的影響。通過(guò)將復雜模型與AVEVA PI System運營(yíng)大數據管理平臺集成，該項目能夠：

 •  開(kāi)發(fā)強大的ML預測模型，準確預測排放量，從而及時(shí)做出決策，避免溫室氣體排放超標。

 •  為不同化學(xué)工藝裝置生成與工藝相關(guān)的預測指標，全面了解特定工藝裝置的性能，以便做出及時(shí)調整。

 •  該解決方案與AVEVA PI Vision無(wú)縫集成，提高了關(guān)鍵數據的可視性和可訪(fǎng)問(wèn)性。PI Vision上的報告還有助于制定維護計劃等事項，并使管理層能夠輕松了解溫室氣體排放問(wèn)題。

排放監測工具與AVEVA PI System運營(yíng)大數據管理平臺的集成，彰顯了先進(jìn)技術(shù)在應對復雜挑戰和推動(dòng)持續改善方面的巨大潛力，同時(shí)標志著(zhù)我們向數據驅動(dòng)型運營(yíng)邁出堅實(shí)一步。

在6月6日即將舉辦的施耐德電氣2024年創(chuàng )新峰會(huì )上，施耐德電氣將以“雙擎并進(jìn)，數智新生”為主題，展示面向工業(yè)和能源領(lǐng)域的更多的創(chuàng )新技術(shù)與成功實(shí)踐，助力工業(yè)加速邁向高效與可持續的未來(lái)！敬請期待。