• <tbody id="swsam"></tbody>
  • <optgroup id="swsam"><nav id="swsam"></nav></optgroup>
    <optgroup id="swsam"><td id="swsam"></td></optgroup>
  • 中國自動化學會專家咨詢工作委員會指定宣傳媒體
    新聞詳情
    isee-

    #工業前“言”# 讓工業減碳用上“機器學習”

    http://www.consult-gem.com 2024-05-23 11:32 來源:施耐德電氣(中國)有限公司

    多年來,節能減碳一直是煉油廠和石化廠的重要任務目標。數據顯示,2021年化工生產和煉油約占能源相關二氧化碳(CO2)排放量的11%,約占所有工業能源相關二氧化碳排放總量的38%,這些碳排放可能會帶來重大的健康和環境風險。

    加強排放監測,及時獲取識別、處理和減少排放所需的必要數據,對減輕危害影響,并最終創造更清潔、更安全的環境至關重要。然而,通過傳統的監測方法,無法獲取深入的數據洞察,以進行主動環境改善。

    值得欣喜的是,借助最新技術,我們能夠幫助運營人員優化流程并最大限度地減少碳排放。在近期的某項應用案例中,施耐德電氣便為監控某真空蒸餾裝置的六個碳排放源,部署了定制化的、近乎實時的機器學習模型,實現了減少碳排放的目標。

    真空蒸餾裝置廣泛應用于化學和藥物生產、原油精煉、精油和香料制造、食品加工、超純水或脫鹽水所需的熱基水生產等不同行業。施耐德電氣建立的機器學習模型利用AVEVA PI連接器實現每5分鐘分析一次數據流,從而對二氧化碳排放潛在偏差的產生及時反饋。這使操作人員能夠迅速做出反應,調查根本原因,并進行有針對性的調整,以優化流程并最大程度減少二氧化碳排放。

    上述模型不僅適用于真空蒸餾裝置,還可以遷移到不同工業流程,從而減輕對環境的影響,同時提高運營效率,助力工業邁向更加可持續的未來。

    利用機器學習預測碳排放

    要實現近乎實時的二氧化碳跟蹤,基本步驟包括:驗證運行數據、確定排放基準、利用機器學習(ML)算法來預測排放、標記不同運行狀態下的事件、進行根本原因分析。在項目執行階段,項目組專家將協助處理運行數據的驗證和糾正,同時提供過程解讀。隨后,數據科學家專注于特征工程(Feature Engineering)、選擇機器學習算法,并確定度量方法。

    最終,機器學習算法可以根據具體的工廠運行條件來預測關鍵運行參數。

    圖1:基于真空進料和燃燒器內燃氣的異常值進行在線檢測

    在圖1(上圖)中,初步識別了基于真空進料和燃燒器內燃氣的異常值。異常值指與數據集中其他值存在異常距離的觀測值,顯示為紫色線,數值為1。正常值指數據集中的典型觀測值,用數值0來表示。

    然后,在剔除歷史數據中的異常值后,基于清理后的數據訓練ML模型,并通過ML模型每五分鐘預測一次關鍵操作參數。在圖2(下圖)中,一些預測的KPI關鍵績效指標與測量結果密切吻合,表明運行正常,而另一些指標則顯示出明顯偏差。這些操作有助于我們預見潛在問題。

    圖2中還監測了數據漂移,反映出統計屬性隨著時間的變化,并使用曲線下面積(AUC)指標進行評估。其中,AUC接近0.5表明漂移最小,接近1則表示漂移更顯著,而JS散度(Jensen Shannon Divergence)用于衡量漂移對模型性能的影響。這些評估有助于確保模型在運行條件隨時間變化時,保持準確可靠。

    圖2:關鍵運行參數的一日預測

    使用機器學習查找偏差

    在圖3中,ML模型確定了影響目標結果的關鍵因素,以便對偏差進行根本原因分析。通過不斷實時更新和排序重要特征,為排放的控制決策提供洞察。該數值表示某個特征的重要性,值越大,影響越大。

    圖中還展示了特征重要性隨時間變化的平均值、最小值、最大值以及趨勢。有了這些數據,我們就能及時干預,并抓住改善過程控制、性能和減排的機會。

    圖3:關鍵運行參數的預測模型與實測結果之間的偏差分析

    將先進的機器學習模型與AVEVA PI System運營大數據管理平臺相集成,可使企業最大限度地發揮運營數據的潛力。如圖4所示,該集成提供了可操作的洞察,以優化裝置性能,并實現數據驅動的決策。通過使用歷史數據分析后的模型,企業可以進行實時預測,檢測偏差和潛在的根本原因,從而提高性能,降低成本并獲得競爭優勢。

    集成過程簡便、易操作,僅需以下幾步即可完成:

    1.    設置虛擬機或云端環境;

    2.    配置PI系統,以實現實時的數據存儲和通知管理;

    3.    配置Python環境,并創建必要的文件;

    4.    設置通用文件和流加載器的PI連接器,以便將外部源數據直接導入AVEVA PI System運營大數據管理平臺。

    所有這一切都確保了無縫、高效的集成。

    圖4:AVEVA PI System運營大數據管理平臺

    優化排放監測

    本用例展示了一種創新的ML方法,可降低能源和化學工業對環境的影響。通過將復雜模型與AVEVA PI System運營大數據管理平臺集成,該項目能夠:

    •    開發強大的ML預測模型,準確預測排放量,從而及時做出決策,避免溫室氣體排放超標。

    •    為不同化學工藝裝置生成與工藝相關的預測指標,全面了解特定工藝裝置的性能,以便做出及時調整。

    •    該解決方案與AVEVA PI Vision無縫集成,提高了關鍵數據的可視性和可訪問性。PI Vision上的報告還有助于制定維護計劃等事項,并使管理層能夠輕松了解溫室氣體排放問題。

    排放監測工具與AVEVA PI System運營大數據管理平臺的集成,彰顯了先進技術在應對復雜挑戰和推動持續改善方面的巨大潛力,同時標志著我們向數據驅動型運營邁出堅實一步。

    在6月6日即將舉辦的施耐德電氣2024年創新峰會上,施耐德電氣將以“雙擎并進,數智新生”為主題,展示面向工業和能源領域的更多的創新技術與成功實踐,助力工業加速邁向高效與可持續的未來!敬請期待。

    版權所有 中華工控網 Copyright?2024 Gkong.com, All Rights Reserved
    久久九九八八色偷偷_国产成人凹凸视频在线观看_国内久久这里只有精品66_无码专区一va亚洲v天堂
  • <tbody id="swsam"></tbody>
  • <optgroup id="swsam"><nav id="swsam"></nav></optgroup>
    <optgroup id="swsam"><td id="swsam"></td></optgroup>