成飆：為人賦能，讓資源價值暢流無阻
與成博士聊天有相見恨晚之感，並且從他那兒感受到一種對事物熱切純粹的專註的美好。我們都致力於流程性工業的過程優化多年，說起如何入手挖掘出潛在的價值，工藝與設備在其中的重要性，三大平衡對潛力挖掘的啟示，以及跟理論極限對標的設計理念，彼此都覺得找到了知音。
有趣的是成博士在一個老牌的德國化工企業工作多年。說起老東家對工業4.0的反應，他搖搖頭說，在中國，德國工業4.0概念如火如荼地炒作，在德國和德企里，系統的升級非常按部就班，甚至是十分保守。這樣的印證倒使我平添信心，因為在工業上的一切都不會太快，「智能製造」這個題目要做好跑馬拉松的準備，各種虛火旺盛都很快會熄滅，最後只有老老實實一板一眼去做，並且能在某個行業清晰聚焦，與運營深度耦合，才能聚沙成塔，積水成湖。
工業互聯的好處是能夠使信息協同。優也的重要技術路線就是在大型連續流生產中，通過新的技術手段，達到運營的極致穩定與協同。生產製造追求的目標不變，只是手段升級了。
——優也聯合創始人、CEO： 傅源
筆者曾作為工藝技術專家在某跨國化工企業工作10 年，所經歷的生產裝置均為連續化生產過程。物料從原料儲罐出發，連續穩定地流過各種化學反應、分離和換熱等工藝步驟和生產設備，最終轉化成合格產品進入產品儲罐，全程採用DCS自動控制各種工藝參數，例如流量、溫度、壓力等。除物流車間外，主要生產車間現場幾乎無人，操作人員在中控室監視各個生產步驟，偶爾予以遠程操作或派人現場處理。這種生產過程完全實現了自動化和現場無人化，毫無疑問地符合工業3.0標準。這家企業的所有工廠的數字儀錶數據都實時上傳並存儲在實時資料庫PI中，多年生產積累了海量生產數據，是名副其實的工業大數據。遇到生產異常或者設備故障時，工程師或管理人員拉出歷史數據曲線查看過去某段時間內到底哪些生產參數出現了異常，分析各個異常出現的時間順序，從而根據這些信息做故障診斷。
圖片來源：dreamstime
其實，這種場景在並非只在歐美跨國化工企業存在，在我國大型石油化工企業中早已非常普遍。 當筆者加入優也公司後，有機會看到更多的流程行業，例如鋼鐵、玻璃、氧化鋁等，這些生產基礎原材料的流程工業，自動化水平相對離散加工業普遍較高。
當工業4.0、智能製造、工業大數據等各種新概念提出後，筆者常常思考，像這種早已實現工業3.0的流程工業行業，到底如何利用工業大數據助力智能製造，做到快速應對外界環境和市場變化，做到及時解決生產異常以及持續過程優化？
流程工業將原料按照固定的工藝流程，連續不斷地通過一系列操作單元和設備被加工處理成為產品，使材料增值，加工步驟包含混合、傳輸、化學反應、分離、換熱、成型等。流程工業包括化工、煉油、鋼鐵、冶金、建材、造紙等行業，為其他工業生產提供基礎原材料和能源。本文主要針對大規模連續化生產的基礎流程工業，它具有產量大（年產百萬噸級），產品穩定（產品品種差異小，很少有定製化需求），投資巨大（十億到千億人民幣）。
圖片來源：smartdraw
企業在投入巨資後，必要對生產效率有著嚴苛的要求，例如設備、原料、能源等資源的利用率。如果設備故障導致停產，每小時的停工損失可能達十萬元；原料和能源利用率每提高一個百分點，一年有可能增加數億元的利潤。為實現高效生產，首先在裝置設計之時就充分考慮各類技術條件和要求，在資金許可的條件下，儘可能使用先進工藝流程和設備，優化各個操作參數；其次在操作上盡量採用先進自動化控制手段確保工藝參數穩定，讓生產裝置按照設計條件運行。
從上世紀80年代先進工業化國家的流程工業開始廣泛使用計算機集散控制系統（DCS)，現場安裝大量溫度、壓力、流量和液位等感測器和控制閥等執行器。總體來說，基礎流程工業的數據基礎非常好, 數據存儲量和增速高於離散製造業。 但這些大數據基本還是服務於過程自動化控制，能否讓工業大數據的價值超越常規自動化控制，讓生產更加智能呢？
《三體智能革命》一書用20字箴言來表達智能的定義，「狀態感知、實時分析、自主決策、精準執行、學習提升。」其中，「狀態感知、自主決策、精準執行」構成自動化控制的三個要素，但是過程式控制制的「自主決策」採用的規則比較簡單，例如PID反饋控制。筆者認為現階段流程工業的工業智能應加強「實時分析」和「自主決策」兩個方面。流程工業大數據的應用發展可以分成兩大類，分別作用於機器設備和人。
圖片來源：丹麥技術大學
為機器賦能：讓機器和控制系統具有實時分析和複雜決策功能，當環境和外界條件發生變化時，控制系統自動調整各個控制變數的設定值，從而讓生產裝置和系統超越設計條件，實現實時優化，達到資源效率最高。這就是自適應控制技術和實時優化計算。實時優化的基礎是CPS（Cyber-Physical System)，Cyber對應過程和物理裝置（Physical）的數學模型，用現場實時數據回歸出數學模型中的未知參數，再優化更新了參數的數學模型，將優化結果反饋給控制系統來調整裝置運行狀態。當然，上層優化系統的結果也可以不直接傳遞給底層控制器，而經操作員確認後再傳遞。舉個例子，有些企業有自備熱電廠為全廠提供動力電和蒸汽，同時也可以從電網購買電力，主工藝也副產蒸汽，全廠不同壓力等級蒸汽的生產、變換和使用構成複雜的網路，優化系統可以實時檢測生產電力和蒸汽的實際凈需求，固定周期優化調整鍋爐、蒸汽透平、減溫減壓操作，甚至調整燃料（煤、渣油等）配比，以實現能源成本最小。
為人賦能：大數據為工程師和管理者做生產管理分析和決策提供事實和數據依據，甚至自動分析的初始結論，減少人憑經驗或直覺決策的不確定性。工業大數據可以幫助人突破信息在時間和空間上的限制，讓人可以追溯歷史信息，讓人看到更廣泛空間（例如工廠內不同工序間，公司內不同工廠間）；幫助人突破大腦在容量和計算速度上限制，讓人可以算得更快更准。所以大數據技術帶給工程師和管理者的核心作用就是「共享、協同、重用」，「協同」針對空間，「重用」針對時間，「共享」針對使用者。舉幾個例子來說明大數據如何為人賦能：
圖片來源：Bearing Consulting Blog
隱形問題顯性化：李傑教授在《工業大數據：工業4.0時代的工業轉型和價值創造》一書中提出工業生產中的可見世界和不可見世界的概念，管理不可見世界的目的也是對管理者自身「焦慮」的管理，方法就是通過可測量的感測器數據和已知的模型知識讓不可見世界變得可見。例如，產品的粘度可以用實時測量的壓降、溫度、流量等信息計算出來；設備的能源效率可以將實時測量出的能耗與模型計算出的能耗進行比較，而不是與不考慮任何因素（例如生產負荷、原料組成、環境溫度等）的一個常數比較。大數據可以綜合不同的生產數據信息，利用統計和模型實時計算各種管理指標KPI，例如能耗、物耗、設備利用率等，讓隱藏的「跑冒滴漏」（甚至是故意隱藏起來的）及時顯示出來，讓管理者「看得見、抓得住、管得著」。
圖片來源：聚圖網
大規模跨工序協同：工廠調度員需要綜合不同工序和不同工廠的生產信息，從而協調生產節拍和產量，並決定要提供的資源，例如蒸汽、電、物料的供應。協調不好，供應不足則造成產能損失，供應過多便造成浪費，例如動力部發電過多，由於無法存儲只能白白浪費掉。大數據可以及時綜合來自全廠範圍內不同位置、不同工段的相關信息，快速計算形成調度的決策信息。優也公司開發的「煤氣智能調度系統」綜合了各個產氣源、各個用戶的實時生產信息，預測未來的產氣和用氣變化，及時識別出生產異常事件，並立即自動通知調度員，自動生成調節方案。這就是大數據在大規模協同的一個成功應用。
實際上，依靠數據和數學模型來做實時分析、優化和輔助決策的想法和技術框架在流程工業已經存在很多年，但由於過去的測量感測、數據通訊和計算速度等技術不夠成熟以及實施成本高，所以沒有太多應用。今天隨著這些支撐技術的迅速發展和成熟，工業大數據和CPS技術也走嚮應用階段，讓流程工業生產更加高效。
完
作者簡介
成飆：優也智能優化產品研發總監，浙江大學工學博士
TAG:優也 |