工业 AI 和数字化转型指南

     如今，炼油厂、石油化工联合企业和其他工厂的自动化范围已远不止核心过程控制领域，除了生产之外，工厂的自动化还包括提高安全性、可持续性和可靠性，因为工厂必须在不增加劳动力成本的情况下实现卓越运营。工业自动化和控制系统（IACS）的范围包括分布式控制系统（DCS）、安全仪表系统（SIS）、机械保护系统（MPS）、制造执行系统（MES）和能源管理信息系统（EMIS）等。而工业人工智能（AI）在以上自动化和控制系统中也发挥着重要作用：不仅能够为生产和维护提供支持，同时也为系统本身的部署提供支持。

工业 AI 工具

     这些工业 AI 工具使用的技术分为四大类：因果 AI、机器学习、深度学习和生成式 AI。

     值得注意的是，在这些技术中，没有一种技术是在所有任务上都优于其他技术的，就像锤子并不是在所有工作中都比扳手好用。每种 AI 技术都有其特定的优势和适合的应用：

      因果AI 已将物理和化学机理模型嵌入到展示过程和设备如何工作的模型中，并将约定俗成的因果关系嵌入到agent函数中, 对故障进行描述。这些模型和agent内置于现成的应用程序中，可以量化效率并预测潜在问题。

     机器学习在训练阶段会从众多统计算法中择一使用，并将其应用于工厂的历史数据，例如过程历史、维护记录和实验室结果，以查找正常运行与异常情况（如故障、过程异常和质量问题）的相关性。在“推理”阶段，这些相关性会被应用于agent函数以预测异常情况。还有深度学习，这是基于神经网络的机器学习的一个子集。

     生成式 AI 使用大型语言模型（LLM）式人工神经网络（ANN），例如生成式预训练转换器（GPT），它们均为统计算法。这些系统在现有软件代码上进行了预训练，以便根据提示生成新代码。

提高产量和质量

     工业 AI 可用于支持生产运营。例如，通过“聊天”，先进过程控制（APC）软件的操作人员可以询问“copilot AI 助手”能设置哪些控制器设定点来满足特定目标（如给料速度），“copilot AI 助手”将做出响应并提供建议选项。用户界面将不再只是设置界面——使用传统仿真工具在将设置应用于 APC 之前先尝试不同的设置操作，而是一个具有自然语言输入和响应的对话助手。它可以实现与“copilot AI 助手”的“交谈“，而不仅限于设置操作。

     或者，计划人员可以要求规划和调度软件中的“copilot AI助手”解释软件模型给出的边际值和限制条件的基本原理。第三个例子是通过将机器学习与因果 AI（包括机理模型）相结合，在多个过程装置上部署动态优化。

     以上仅为展示当今工业 AI 解决方案能力的几个例子。工业 AI 基于数据运行，因此工厂需要新的自动化模型来应用它。这包括更好地整合 DCS、SIS、MPS、MES 和 EMIS，以及工业物联网络基础设施，以自动收集手动数据，例如振动、超声波厚度、温度、压力、液位和噪音。

简化维护，提升可靠性

     设备维护是工业 AI 帮助企业实现降本增效的另一领域，其中包括预测设备维护需求以避免故障，例如提示设备结垢和性能下降。它还可用于优化清洁和更换计划、精确定位和控制排放以及量化腐蚀速率，从而更好地管理缓蚀剂注入和管段更换。再次申明，对因果 AI 专业知识进行编码对于工业 AI 在支持工厂设备维护方面至关重要。

     AI 不仅运行在本地服务器和云端，还嵌入在智能现场仪表中。例如，智能阀门定位器使用嵌入式因果 AI 来预测阀门组件的故障，并使用机理模型+AI 来量化影响控制回路性能的摩擦和死区等阀门问题。

     设备资产监测是嵌入智能现场仪表的因果 AI 帮助提高维护运行效率的另一种方式。因果 AI 可用于预测风扇、电机、齿轮箱、泵和其他旋转机械设备中的问题，以便在其导致故障和计划外停机之前采取纠正措施。

DCS 组态和工业 AI 工具箱

     工业 AI 还可用于支持 DCS 的组态。例如，在进行传统 DCS 和 PLC 系统升级改造时，项目中经常会使用 AI 来帮助说明原有系统的组态数据库，并为新的DCS 生成等效数据库。因果 AI、机器学习和生成式 AI 可在多个传统 DCS 和 PLC 系统上接受训练以用于实现高达 70% 的 DCS 组态的自动转换。

    “工欲善其事，必先利其器”，工业 AI 也不例外，工厂一般需要配备多种 AI 工具，因为目前没有一个 AI 工具可以做到适配每一项工作。因果 AI、机器学习和生成式 AI 都有各自的应用优势。仅提供一种工业 AI 工具的供应商会倾向于将该工具强行安装到所有应用程序中，就像“锤子找钉子”一样，因此我们建议选择与支持多种 AI 工具的供应商合作，这样可以帮助企业避免单一工具造成的偏差。