能耗优化大师——工业大脑

数据智能就是企业生产力

作者:曾震宇 文章来源:PROCESS《流程工业》 发布时间:2019-11-13
短短几年间,阿里巴巴作为一家高科技和人工智能的企业在工业制造方面大展拳脚。对于强生产的产业而言,需要的是新设备、新工艺以及更好的控制水平,那么数据智能又能做什么呢?

目前,流程工业面临以下几点发展困境:第一是投入大、利润率低,每进行一项技改,企业都要投入大量的资金;第二是价格周期性波动,大多数企业经常在盈亏平衡线上挣扎;第三是产品同质化,企业之间竞争非常激烈,控制成本是致胜法宝。同时,企业做一次上料装置的改造可能要花上亿元,而每年出现意外停工检修的损失就有几千万元。而等一次重大的工艺进步需要几十年,以炼钢为例,我国从1952年才出现转炉炼钢,1970年才开始底吹,之后的几十年工艺基本框架没有变过。此外,依赖技术工人的经验和判断集合成的专家系统,并不一定能够发挥出应有效果...而阿里云作为高科技企业进入工业制造领域,瞄准的就是这些痛点。

工业大脑的优化思路

如今,阿里云试图在不进行大规模硬件和工艺改造的前提下,凭空提升1%的利润。他们以数据预测技术的发展,给出了快速的、清晰的、短周期的优化可能。

阿里巴巴

一方面,传统上的生产工艺和控制由于生产各个要素的波动,在工艺参数的控制上需要预留空间,让生产的水平高于波动上限;另一方面,依靠管理使工人们控制波动幅度最小化,比如买更稳定的煤、绩效考核或规定防止跑冒滴漏...而工业大脑则走了另一条路,如果预测技术成熟,那么就可以跟着曲线的波动进行控制,争取这部分的利润空间。所以阿里云不做工艺原理的改造和装置的更新迭代,而是利用几个月的时间把现有的装置效能发挥到极致,这是一件短周期、快速见效、低投入的但高技术的事。

工业大脑就是在现有的工业化和信息化基础之上,以“数据”为核心,把工业产品的全生命周期( 研发、物资供应、生产、装配、包装、存储/物流和使用)的数据,传感器、机器、设备、设施和工厂等物理实体的数据,工业信息化应用的数据以及人和流程的数据等等,进行融合加工处理,打通各个环节,形成工业的数字孪生,将人工智能和优化等算法相结合,提升工业能力,创造增量价值。

所谓核心的数据可以是以下这些数据:

1.生产类数据:包括MES中的工艺、计划、调度、库存和质量等生产过程中使用、产生的各类数据,也包括与ERP、PLM等上游信息化系统经过集成而来的数据,这是车间生产的主线。

2.设备类数据:各类数字化设备的状态信息及制造参数等,通过设备物联网或SCADA等系统采集而来,这类数据具有密度大、实时性强等特征,是保证设备正常生产与产品质量的基础。

3.外围数据:包括能耗数据、废水废气排放数据等,对这些数据进行深入挖掘,也会对降本提质增效有很大的促进作用。

工业大脑为工业企业融合了各个环节的各类数据,在实体层面把数据打通,建立工业数据模型,形成工业的数据资源平台。然后在工业数据模型之上,提供控制优化、排程排产、预测性维护、工业视觉、供应链以及工业知识图谱等在内的各种AI能力。其次,工业大脑提供强大的计算能力,能够处理海量实时的工业时序数据。工业大脑优化工业制造流程,为企业实现降本、增效、提质等目标。

为企业带来价值

传统的APC仅实现了自动化控制,而工业大脑则在此基础上通过数据智能实现提升、优化,强调增量的价值。通过4个行业案例举例说明工业大脑在控制优化中为企业带来的价值。

案例一:助力水泥行业实现回转窑能耗优化

阿里巴巴
工业大脑助力水泥行业实现回转窑能耗优化

在原有回转窑控制中会有DCS系统,先进的产线会上APC系统。APC系统能实现分解炉温度、篦冷机等的精确跟踪控制。但是最优的分解炉温度设定和窑头喂煤量,传统的APC系统无法解答。

而工业大脑可以与APC系统实现协同。通过实时采集回转窑的生产过程数据,并基于阿里云的海量数据与计算能力,通过预先建立的模型实现对质量与能耗的实时预测,并且识别全流程的各种复杂工况,然后再利用阿里云的大规模优化求解能力,计算出在满足当前质量要求前提下的最优分解炉温度和最优窑头喂煤量,最终实现回转窑的能耗降低。

案例二:在钢铁行业中优化加热炉

阿里巴巴
工业大脑在钢铁行业中优化加热炉

热轧加热炉是每个钢铁厂热轧过程的能耗大户,每一根钢坯均需要加热到一定温度后,才能进行后续的轧制操作。加热炉自动化控制程度较高,对应的IT环境建设完备度好,有数据异常值较少,噪声也较低的特点。而数据的温度时序变化也较为平滑,经过差分操作可以转化成平稳的时间序列,满足数据建模的需求。

热轧加热炉一般分预热段、加热段和均热段3段进行加热,每段均会有空气流量、煤气流量的调节阀,并且每段均会测量炉膛内的温室与烟气残氧量。因此首先工业大脑从加热炉的海量测点数据中,找出了影响加热炉单位能耗的关键因素。找出关键因素后,工业大脑利用机器学习方法,建立了每段空气流量、煤气流量、残氧量与最终单位能耗的预测模型,然后采用优化求解方法,以能耗最低为目标,出钢温度作为约束,求得对每段的空气流量、煤气流量进行实时优化的推荐数值,最终实现在保证温度达到工艺要求的前提下,煤气的最低消耗。

依托阿里云工业大脑,基于离线历史数据进行分析,对算法模型训练,在训练基础上推荐关键参数值。参数值推荐以平板或者屏幕展现的方式给到操作人员,经操作人员核实研判后,人工手动进行参数值更新。

案例三:为垃圾焚烧大幅提升效率

阿里巴巴
工业大脑为垃圾焚烧大幅提升效率

目前城市有许多的生活垃圾需要处理,这些垃圾大部分会送到垃圾焚烧发电厂进行焚烧发电。生活垃圾的成分相当复杂,目前现场主要是依赖人工经验调整,蒸汽的波动非常大,对设备也造成一定影响,并且垃圾发电厂的焚烧处理能力也忽上忽下,极不稳定。

人工操作时会根据当前的垃圾和送风的情况,判断推料保证蒸汽量稳定的时间,但人的操作有很大的随意性。而工业大脑通过数据分析,发现垃圾焚烧炉的燃烧过程具有很大的滞后性,推垃圾进去燃烧后,需要几十秒后蒸汽量才会有变化。因此首先需要用数据分析的方法,找到每个垃圾焚烧炉的滞后时间,然后基于滞后时间k,构建当前t时刻的垃圾推料、送风量等相关操作变量与t+k时刻蒸汽量的预测模型,然后基于这个模型,实时预测未来蒸汽量的变化趋势,然后计算出当前理想的推料时间,从而实现蒸汽量的稳定。

案例四:化工行业循环流化床的能耗优化

阿里巴巴
化工行业循环流化床的能耗优化

循环流化床锅炉,是一种常见的能源动力装置,广泛应用于电力、化工等行业。它的工作原理是不断燃烧煤进而产生蒸汽,从而为整个生产线提供能源。通过对锅炉的工艺流程进行抽象模拟,工业大脑可以模拟完整的锅炉燃烧过程,整个锅炉的运作包括烟气流、水流和蒸汽流。其中锅炉燃烧最核心的部分是炉膛中的燃烧化学反应。而这种燃烧的化学反应从内部透视的角度来看,是一个实时的燃烧温度场,在这个温度场中,基于测量的数据,能够清晰地分析出当前燃烧的温度分布是否均匀,燃烧是否充分,燃料量与风量的配比是否合理,从而指导最终的锅炉燃烧控制。基于对锅炉燃烧过程的理解,以及对于海量数据的挖掘分析,某石化公司利用工业大脑建立了一整套锅炉燃烧优化应用系统,实现了多炉弹性调度与单炉实时的优化,最终使锅炉每吨蒸汽煤耗降低了2.6%,对于石化企业来说每年可节省千万元的燃煤成本。

工业大脑的智能优化之路

工业大脑融合企业的数据之后,可以从单点智能到局部智能、再提升至全局智能,做到跨流程、跨部门、跨链路的智能化。

阿里巴巴

一般在石化企业中,会有提供能源动力的锅炉、精馏塔以及公用的冷却塔。最开始,工业大脑针对每个锅炉、塔以及循环水泵都进行了智能优化,去降低每个单点设备的能耗。后来发现在一个厂中的单点组合在一起形成了局部的过程子系统,比如几台锅炉共同供应全厂所需的蒸汽,多个精馏塔上下流进行串接形成一个工艺子过程。这些局部的子过程,存在最优负荷分配优化和前后工序的协调优化,因此工业大脑继续针对这些子系统进行智能优化,形成局部智能。对于整个工厂来说,其包含了供应链管理、生产管理、资产管理、物流管理和销售管理,对应的就是整个生产决策的闭环,而工业大脑最终就是要将这些全局的决策环节串接起来,形成真正的全局智能,从而使企业真正实现全局的效益最优。

0
-1
收藏