隨著全球范圍內國家層面陸續推出工業4.0相關政策,人工智能已逐漸成為了工業4.0實施推廣過程中必不可缺的一部分。而人工智能、工業4.0與化工行業所產生的交集,讓傳統行業看到了其給企業運營模式、生產方式可能帶來的影響。日前業內相關咨詢機構進行的不完全統計顯示,全球500強化工行業企業已有多家開始以工業4.0政策為指導,以人工智能技術為核心方向,制訂其自身相關產品與解決方案的落地實施試點工程項目。AI正在成為化工行業轉型升級的催化劑。
多項技術服務化工
目前,化工行業常用人工智能技術領域主要包括機器學習、大數據技術、深度學習、機器人、計算機視覺、云計算等。
機器學習指利用算法來解析數據,事件做出決策和預測。在化工行業,機器學習的應用主要集中在對于化工生產流程與維護方式的優化。
大數據技術可用以完成標識歸納相關數據,其在化工行業的應用主要集中在有無機物歸類、石油石化數據查詢、化纖數據清洗等領域。深度學習系統具有強大的特征提取能力,并通過領域神經網絡等前沿技術可以處理復雜、高維、非線性的問題,目前在化工行業的應用主要集中于分子性能預測與藥物分子篩選等方向。
機器人在化工領域應用已久,但最新的機器人技術可以通過圖像識別,傳感器以及不同算法的結合,使機器人自主學習各工位工作完成無人化生產作用。目前,機器人技術在化工行業應用集中在材料高尖端生產領域。
計算機視覺主要是指用攝影機和電腦代替人眼對目標進行識別,使其成為更適合人眼觀察或傳送給儀器檢測的圖像。計算機視覺在化工行業可以應用在新材料研發的信息描繪上。
云計算屬于重要的AI基礎設施之一,通常涉及通過互聯網來提供動態易擴展且經常是虛擬化的資源。在化工行業,云計算可以用于新產品研發過程中,新材料預測模型的構建。
智能應用初展頭角
據了解,化工企業在人工智能技術應用領域,已有不少落地案例。為了更科學高效地預測有機物合成反應,IBM發布了一款人工智能工具IBM RXN for Chemistry。基于深度學習、機器學習、大數據的IBM RXN for Chemistry,起到預測有機化學物合成反應的作用。通過簡化模型和深化注意力機制,該模型已達到89%預測精確度,成為有機化學合成工作的有力助手。
SABIC與西門子、Airbone和庫卡機器人合作,使用人工智能、大數據、傳感器、機器人等前沿技術重新構建全自動數字化復合材料生產線。經過機器學習與機器人等尖端數字化技術加持的生產線,不僅可實現大規模復合材料定制化生產,而且使生產成本與周期也大幅度降低。
為了優化運維策略和提高資產可靠性,淡水河谷化肥公司采用了GE的Predix資產績效管理方案(APM),該解決方案包括生產分析、厚度監測和根本原因分析(RCA)功能。Predix APM是一套軟件和服務解決方案,運用大數據等人工智能技術整合不同的數據源,并使用高級分析算法使數據更具可操作性,促進跨組織的協作和知識管理。
三井化學與NTT合作開發了一款基于深度學習算法的模型,用來快速準確地在生產過程中預測油氣產品的質量。它可通過實時處理數據,例如溫度、壓力和流量等,并結合深度學習算法,自動分析數據間的關系,以模擬和預測結果。該預測模型在生產環境中的預測數值的誤差精確度可保持在為3%左右的范圍內。
巴斯夫與IBM Watson團隊合作,利用IBM Cloud和IBM Watson AI服務快速構建了補給管理助手,以集成平臺的形態幫助專家用戶連接來自不同系統中結構化和非結構化數據,以提供供應鏈運營的統一概述,實現了庫存波動與補給需求的預測工作,成功減少供應鏈中斷的風險幾率。
發展可期局限仍存
未來,人工智能技術在能源和化工行業的熱點方向可能包括安全管理強化、技能培訓簡化和運營管理優化。
在安全管理領域,鑒于化工產品的敏感性,人工智能配合物聯網、預測性分析等技術能夠通過實時監控設備運行狀態、預測及診斷故障,加強事故應急處置能力等方式提高生產過程的安全等級。
在技能培訓方面,化學品的生產往往牽扯到高風險與危險環境,而虛擬增強現實與計算機視覺的出現,讓高危化工產品生產在安全環境下培訓成為可能,從而大大降低培訓所需人工,時間以及運營成本。
在運營管理方面,在機器能夠取代大部分體力勞動的現代工業環境下,企業在管理、調度和運營方面的能力將愈發重要。人工智能對數據強大的利用效率能夠幫助企業從網絡抓取并分析市場動態,結合對生產車間、物流及庫存等信息的是實時監控,優化供應鏈管理。
需要引起重視的是,人工智能技術在能源和化工行業的應用暫時還存在一定的局限性。
一是數據資源受限制。化工行業的生產數據雖然量大,但分布較窄,類型單調。因此算法無法從這種信息量少的大數據中發掘新的規律或知識,限制了模型的魯棒性,導致模型的功能相對雞肋,并不足以完全取代傳統的數據分析方法。
二是容錯率過低。由于化工生產過程往往涉及對大量有毒、易燃易爆的危險化學品直接或間接的使用。因此,行業對設備與系統的安全性與可靠性要求極其嚴格,導致極低的容錯率。
三是資本投資回報率不高。化工行業的技術開發時間相對較長,難以快速落地。這使人工智能應用不能在短期內產生明顯效益,導致了對化工行業的資本投入相對匱乏。
|
