工業大數據挖掘分析的好幫手---艾默生工業大數據解決方案
http://www.debgrams.com 2022-08-09 10:37 來源：艾默生
NO.1應用背景
說到大數據分析、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的定制內容推送等等。這些應用都是通過大量收集數據，利用機器學習來訓練算法、尋找規律，為決策提供支持。
大數據分析已經在改善人們的日常生活，它在工業界也逐漸成為熱門話題，業界都很關注大數據分析在工業領域的應用場景。工業大數據和通用的大數據分析并不完全相同，它的特點是實時性高、數據量大、數據異構性強，工業大數據要求分析模型的精度高、可靠性高、因果關系強，這樣才能滿足工業場景的需要。純數據挖掘的建模方式無法滿足工業領域的需求，因此，工業大數據分析的特征是強調專業領域工藝知識和數據挖掘的深度融合。
一方面，運行中的流程工廠每天會生成海量的數據，數據的來源包括DCS、PLC、實驗室管理系統、設備管理系統、能源管理系統等。但是據統計，流程工廠中八成的數據都沒得到利用，這就造成了對數據資源的浪費。
另一方面，工廠的運營管理人員也面臨著很多挑戰，如何得到最佳的設備效率、異常現象的根本原因分析、如何減少故障、縮短維修時間、如何提前識別出運營的隱患，如何根據不同的工況設定KPI的動態目標。這些問題很難從純機理角度去分析，因此我們可以以“數據驅動+機理驅動”的雙驅動模式來進行工業大數據的分析，從而建立高精度、高可靠性的模型，來真正解決實際的工業問題。
工業大數據分析作為數字化轉型不可或缺的組成部分，未來的發展前景廣闊。而利用大數據分析的軟件，發掘客戶現場數據的價值，提升運營表現，是艾默生一直以來致力于發展的方向。
NO.2平臺功能特點
2019年，艾默生收購工業數據分析軟件KNet，以此軟件為基礎并結合艾默生在工業領域知識和經驗進行功能上的整合擴充而推出了艾默生工業大數據解決方案，其可對運營和生產數據進行提取、清理、轉換和分析，它使用先進的統計和機器學習算法庫，將工業大數據轉化為實用知識，推動實時決策，從而優化過程和資產性能，后續進一步整合到艾默生的Plantweb數字生態系統中，成為工業大數據應用的重要一環。2021年，艾默生工業大數據解決方案榮獲了物聯網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
艾默生工業大數據解決方案分為兩個部分：離線數據挖掘軟件和在線專家系統軟件。離線數據挖掘的作用是分析歷史數據，尋找規律，建立預測性模型；而在線專家系統的作用是，部署預測性模型，用前面發掘出的規律，來輔助決策。整體的工作原理如下所示：
圖2 艾默生工業大數據解決方案的工作原理
■離線數據挖掘模塊
離線數據挖掘模塊用來分析原始數據，發現隱藏的規律，并將其轉化為預測模型。它具有數據分析、優化、機器學習、統計過程控制、報警分析等功能。本質上，它是一個可以獨立運行的數據挖掘軟件。
它有以下特點：
- 圖形化環境，提供高度直觀和用戶友好的使用環境，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，允許您構建和自動執行由數據分析、學習、聚類和建模組成的順序流程。構建工作流后，它們會被自動存儲，以后可以部署應用于多個數據集，無需人工干預。
- 數據可視化，內嵌了各種工具，可提供有效的數據可視化，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。
離線數據挖掘模塊中有龐大的算法庫，所有這些算法都是內置的，只需點擊、拖拽等操作，就可以應用到您的數據分析中。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業務問題。
圖片 3機器學習算法庫
■在線專家系統
進入到在線專家系統，它有三個主要功能模塊：規則及復雜事件模塊、根本原因分析模塊（Root Cause Analysis，簡稱RCA）和工作流模塊（Workflow）。
規則及復雜事件模塊使用圖形語言，可以輕松構建用于不同事物的規則，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、統計過程控制、信號發生器、數據篩選器、邏輯門、時態數據功能塊等，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，從輸入或數據，到計算和邏輯，再到輸出，組成一個計算的規則或者復雜事件，如業務規則，計算KPI的性能管理應用程序，在不同系統之間執行數據傳輸的應用程序，預測性維護應用程序，原型、建模和仿真應用程序。
圖4 規則及復雜事件模塊范例
用戶可利用根本原因分析模塊（RCA）實現決策支持系統、圖形診斷應用程序和異常情況管理系統。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，并執行糾正程序。以圖形方式構建的故障樹，應用了因果關系專業知識。測試和糾正措施可以是簡單的消息、復雜的規則或整個工作流程。
可以檢測到的故障可能包含與效率、設備故障、環境法規、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生許多嚴重后果，包括：意外停機、計劃中斷、安全隱患、質量不佳、運行效率低等。任何檢測到的故障都會觸發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操作進行交互。
典型的工作流可助您實現和執行：
- 糾正措施
- 啟動和關閉程序
- 解決重復出現的問題
- 恢復程序
- 升級事故響應
圖6 工作流模塊范例
NO.3艾默生工業大數據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，并將船開回港口進行維修，會造成很大損失。該公司計劃通過數據驅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：
- 實時監控鉆井船隊的資產；
- 提供資產性能退化的預警；
- 確定資產的剩余使用壽命；
- 通過優化資產選擇和維護活動來降低成本；
- 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收集數據，通過衛星通信發送到岸上，位于休斯頓的預測智能中心開始用艾默生工業大數據解決方案對數據進行分析。通過計算實時數據，并和數學建模得到的預測性模型進行比較，確定資產的運行狀況，然后計算剩余的使用壽命。如有偏差或者故障的早期癥狀，系統會發送警報和電子郵件，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將計劃外停機時間減少到不到1%，這意味著每年數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字。Abqaiq工廠擁有一個標準的KPI管理系統來監控能耗，并為能耗設定了固定的目標值，當發現偏差時，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：
- 需要提高準確性和性能洞察力，以做出明智的決策；
- 由于使用固定目標，而不是動態目標，當運行模式切換后，很容易收到能量消耗過多的錯誤警告；
- 能耗和目標的差距持續存在時，需要很長時間去確定真正的根本原因；
- 由于某些儀器故障，KPI計算不準確。
為了克服這些挑戰，需要利用先進的技術，因為即使是非常短的操作停機時間，也可能會導致數百萬美元的損失。為了克服這些挑戰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大數據解決方案，包括：
- 監控整個工廠的能耗，并可細化至設備級別；
- 自動監測工廠狀態和運行模式，并相應地實時調整能耗目標；
- 盡早發現能源績效差距；
- 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；
- 在執行最佳實踐的同時，采取糾正措施。
在艾默生的平臺上，可以計算和監視24個生產單元、57個非生產單元和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。
該系統從歷史數據庫收集工廠數據，然后使用計算、規則、故障傳播和Workflow引擎來分析數據，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據庫中。然后將結果通過網頁發布在數據儀表板中，以供工廠不同角色的用戶訪問。
基于艾默生工業大數據解決方案的Abqaiq智能能源KPIs系統已大大降低了能耗，節能帶來的效益估計為每年數千萬美元，除此之外，其他可量化的好處還包括：
- 無論是操作員、工程師，還是管理人員都發現，通過更好地管理關鍵資產及其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）尋找故障根本原因實現設備預測性維護
在預測性維護用例中，艾默生工業大數據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，當系統檢查和分析了兩年的歷史數據后，就提示“正常”溫度水平明顯高于以前的水平。
通過分析歷史數據，建立故障樹模型，Celanese的維護人員利用根本原因分析模塊發現：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據時，溫度的升高并不明顯。但這種溫度升高持續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變化很少（見藍色框內右側的曲線），但是在兩年的時間段內，很明顯可以看出最近的溫度顯著地高于之前的溫度水平。
■幫助某日化產品工廠實現批量在線分析
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，并且批量生產時間相對較長。客戶希望去理解長批量周期中，哪些因素對最終質量產生影響，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，實現質量的管理。
艾默生對歷史數據進行分析，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，并且幫助客戶建立故障樹。
有了這樣的模型，客戶就可以檢查現有的批次，并且基于數據挖掘階段確定的質量預測模型，預測該批次的最終質量。如果發生了質量下降的趨勢，系統會根據故障樹，反饋給操作員導致質量下降的原因，以及如何去操作的建議。
從這個案例來看，艾默生工業大數據解決方案可以在這以下方面提升批量生產的性能：
預測異常情況，由于結合了對歷史數據的分析，系統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量預測功能，因為之前對質量的管理都是事后的，有了在線質量預測模型，客戶就可以預判該批次的最終質量，在需要的時候提前介入，改變質量劣化的趨勢。
NO.4總結
艾默生工業大數據解決方案是一種非常靈活、開放的工業大數據分析平臺，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知識，可以幫助客戶利用數據資源，提升工廠性能。
編輯精選
