关于我们 | English | 网站地图

AI,化工行业转型催化剂

2019-10-22 16:51:18 中国化工报

随着全球范围内国家层面陆续推出工业4.0相关政策,人工智能已逐渐成为了工业4.0实施推广过程中必不可缺的一部分。而人工智能、工业4.0与化工行业所产生的交集,让传统行业看到了其给企业运营模式、生产方式可能带来的影响。日前业内相关咨询机构进行的不完全统计显示,全球500强化工行业企业已有多家开始以工业4.0政策为指导,以人工智能技术为核心方向,制订其自身相关产品与解决方案的落地实施试点工程项目。AI正在成为化工行业转型升级的催化剂。

多项技术服务化工

目前,化工行业常用人工智能技术领域主要包括机器学习、大数据技术、深度学习、机器人、计算机视觉、云计算等。

机器学习指利用算法来解析数据,事件做出决策和预测。在化工行业,机器学习的应用主要集中在对于化工生产流程与维护方式的优化。

大数据技术可用以完成标识归纳相关数据,其在化工行业的应用主要集中在有无机物归类、石油石化数据查询、化纤数据清洗等领域。深度学习系统具有强大的特征提取能力,并通过领域神经网络等前沿技术可以处理复杂、高维、非线性的问题,目前在化工行业的应用主要集中于分子性能预测与药物分子筛选等方向。

机器人在化工领域应用已久,但最新的机器人技术可以通过图像识别,传感器以及不同算法的结合,使机器人自主学习各工位工作完成无人化生产作用。目前,机器人技术在化工行业应用集中在材料高尖端生产领域。

计算机视觉主要是指用摄影机和电脑代替人眼对目标进行识别,使其成为更适合人眼观察或传送给仪器检测的图像。计算机视觉在化工行业可以应用在新材料研发的信息描绘上。

云计算属于重要的AI基础设施之一,通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。在化工行业,云计算可以用于新产品研发过程中,新材料预测模型的构建。

智能应用初展头角

据了解,化工企业在人工智能技术应用领域,已有不少落地案例。为了更科学高效地预测有机物合成反应,IBM发布了一款人工智能工具IBM RXN for Chemistry。基于深度学习、机器学习、大数据的IBM RXN for Chemistry,起到预测有机化学物合成反应的作用。通过简化模型和深化注意力机制,该模型已达到89%预测精确度,成为有机化学合成工作的有力助手。

SABIC与西门子、Airbone和库卡机器人合作,使用人工智能、大数据、传感器、机器人等前沿技术重新构建全自动数字化复合材料生产线。经过机器学习与机器人等尖端数字化技术加持的生产线,不仅可实现大规模复合材料定制化生产,而且使生产成本与周期也大幅度降低。

为了优化运维策略和提高资产可靠性,淡水河谷化肥公司采用了GE的Predix资产绩效管理方案(APM),该解决方案包括生产分析、厚度监测和根本原因分析(RCA)功能。Predix APM是一套软件和服务解决方案,运用大数据等人工智能技术整合不同的数据源,并使用高级分析算法使数据更具可操作性,促进跨组织的协作和知识管理。

三井化学与NTT合作开发了一款基于深度学习算法的模型,用来快速准确地在生产过程中预测油气产品的质量。它可通过实时处理数据,例如温度、压力和流量等,并结合深度学习算法,自动分析数据间的关系,以模拟和预测结果。该预测模型在生产环境中的预测数值的误差精确度可保持在为3%左右的范围内。

巴斯夫与IBM Watson团队合作,利用IBM Cloud和IBM Watson AI服务快速构建了补给管理助手,以集成平台的形态帮助专家用户连接来自不同系统中结构化和非结构化数据,以提供供应链运营的统一概述,实现了库存波动与补给需求的预测工作,成功减少供应链中断的风险几率。

发展可期局限仍存

未来,人工智能技术在能源和化工行业的热点方向可能包括安全管理强化、技能培训简化和运营管理优化。

在安全管理领域,鉴于化工产品的敏感性,人工智能配合物联网、预测性分析等技术能够通过实时监控设备运行状态、预测及诊断故障,加强事故应急处置能力等方式提高生产过程的安全等级。

在技能培训方面,化学品的生产往往牵扯到高风险与危险环境,而虚拟增强现实与计算机视觉的出现,让高危化工产品生产在安全环境下培训成为可能,从而大大降低培训所需人工,时间以及运营成本。

在运营管理方面,在机器能够取代大部分体力劳动的现代工业环境下,企业在管理、调度和运营方面的能力将愈发重要。人工智能对数据强大的利用效率能够帮助企业从网络抓取并分析市场动态,结合对生产车间、物流及库存等信息的是实时监控,优化供应链管理。

需要引起重视的是,人工智能技术在能源和化工行业的应用暂时还存在一定的局限性。

一是数据资源受限制。化工行业的生产数据虽然量大,但分布较窄,类型单调。因此算法无法从这种信息量少的大数据中发掘新的规律或知识,限制了模型的鲁棒性,导致模型的功能相对鸡肋,并不足以完全取代传统的数据分析方法。

二是容错率过低。由于化工生产过程往往涉及对大量有毒、易燃易爆的危险化学品直接或间接的使用。因此,行业对设备与系统的安全性与可靠性要求极其严格,导致极低的容错率。

三是资本投资回报率不高。化工行业的技术开发时间相对较长,难以快速落地。这使人工智能应用不能在短期内产生明显效益,导致了对化工行业的资本投入相对匮乏。




责任编辑: 中国能源网

标签: 石油石化 ,AI ,化工行业