数据智能就是生产力!“工业大脑”四大经典案例,带你摸清工业智能化升级

作者:曾震宇(舟牧) 文章来源:流程工业 发布时间:2019-09-06
短短几年前,阿里巴巴作为一家高科技和人工智能企业参与工业制造,这还是不敢想象的,对强生产的产业而言,需要新设备、新工艺、更好的控制水平;但所谓数据智能,又能做什么呢?

阿里巴巴集团副总裁、阿里云数据智能产品事业部总裁曾震宇先生出席2019流程工业智能制造高峰论坛.mp4

现在大家都知道,这已经不是问题了,经过这几年的努力,大量的企业和企业家都认识到数据智能就是生产力,就是企业的效益!

流程工业的发展困境,当下流程制造业的几个痛苦:

1)第一是投入大、利润率低,每进行一项技改都要投入大笔资金;

2)第二是价格周期性波动,总有那么几年在盈亏平衡线上挣扎;

3)第三是产品同质化,竞争非常激烈,谁成本控制得好谁活得下来;

做一次上料装置的改造可能要花上亿,每年出现意外停工检修的损失有几千万,这代价是大的;

等一次重大的工艺进步需要几十年,以炼钢为例我们从1952年才出现转炉炼钢,1970年才开始底吹,之后几十年工艺基本框架没有变过,这周期是长的;

依赖技术工人的经验和判断,好不容易搞了个专家系统,发现效果差大家用不起来,这中间是不透明的; 

而阿里云作为高技术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:

我们在想,有没有一个方法,能让我们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?如果有,那这些利润从何而来?

答案是:以数据预测技术的发展,给了我们快速的、清晰的、短周期的优化可能;

传统上大家理解生产工艺和控制是这个逻辑:因为生产各个要素存在波动,所以我要一方面在工艺参数的控制上留出空间,让生产的水平高于波动上限;另一方面,拼命管理,让工人们自己想办法把波动幅度压下去;比如买更稳定的煤,比如绩效考核,比如下规定防止跑冒滴漏……

 工业大脑走了另一条路:

如果我们的预测技术成熟,那么就可以跟着曲线的波动进行控制,也就可以把这部分利润挤出来;所以,我们做不了工艺原理的改造(这往往要几十年),做不了装置的更新迭代(这基本要几年时间),但是我们可以用几个月的时间,把你现有的装置效能发挥到顶;这是个短周期、快速见效、低投入——但是高技术的事儿;做不了20%,30%,做个1%到5%,还是可以的。

工业制造

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、使用)的数据,传感器、机器、设备、设施、工厂等物理实体的数据,工业信息化应用的数据,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:

▶ 生产类数据:包括MES中的工艺、计划、调度、库存、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。

▶ 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。

▶ 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,也将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、工业知识图谱等各种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。

如何帮助企业带来价值

传统的APC仅实现了自动化控制,在此基础上通过数据智能实现提升、优化,强调增量的价值。通过四个行业案例进行说明工业大脑在控制优化中为企业带来的价值:

案例一:工业大脑助力水泥行业实现回转窑能耗优化

工业制造

在原有回转窑控制中,会有DCS,先进的产线会上APC。APC能实现分解炉温度、篦冷机等的精确跟踪控制。但是究竟最优的分解炉温度设定是多少,最优的窑头喂煤量是多少,传统的APC系统解决不了这个问题。

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、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,最优的分解炉温度是多少,最优窑头喂煤量是多少,最终实现回转窑的能耗降低。

案例二:工业大脑在钢铁行业中优化加热炉

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,数据异常值较少,噪声也较低;数据的温度时序变化较为平滑,经过差分操作可以转化成平稳时间序列,满足数据建模需求。

热轧加热炉一般分预热段、加热段、均热段三段进行加热,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。因此首先我们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,我们利用机器学习方法,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推荐,实现最终在保证温度达到工艺要求的前提下,实现煤气消耗降低。

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:工业大脑为垃圾焚烧大幅提升效率

垃圾焚烧

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,会根据当前的垃圾情况、送风情况,判断什么时候推料能保证蒸汽量的稳定,但人的操作有很大的随意性。我们通过数据分析,发现垃圾焚烧炉的燃烧过程具有非常大的滞后性,推垃圾进去燃烧后,需要几十秒后蒸汽量才会变化。因此首先我们用数据分析的方法,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能耗优化

化工行业

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。它的主要原理,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,我们抽象出中锅炉的整个燃烧过程,整个锅炉的运作包括烟气流、水流、蒸汽流。其中锅炉燃烧最核心的部分,在于炉膛中的燃烧化学反应。而这种燃烧的化学反应,从内部透视来看,就是一个实时燃烧温度场,在这个温度场中,基于测量的数据,就能清晰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,我们在某石化公司,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优化,最终实现了锅炉吨蒸汽煤耗降低2.6%,每年节省千万燃煤成本。

工业大脑的智能能力 

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,再提升到全局智能,做到跨流程、跨部门、跨链路的智能化。以恒逸石化为例。

恒逸石化

一般在石化企业,会有提供能源动力的锅炉,也会有精馏塔,以及公用的冷却塔。最开始,我们针对每台锅炉、每个塔、每个循环水泵进行智能优化,去降低每个单点设备的能耗。后来我们发现,在一个厂中,这里单点组合在一起,形成了一些局部的过程子系统,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,存在前后工序的协调优化,因此我们继续针对这些子系统进行智能优化,形局部智能。

再来看整个工厂,会包括供应链管理、生产管理、资产管理、物流管理、销售管理,对应的就是整个生产决策的闭环,而我们最终做的就是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
/
正在提交,请稍候…