在化學制造業中，我們必須從細節和整體兩個方面來看待這一流程，以便找出效率低下的地方。通過使用基于流程的機器學習來分析生產干擾，我們有機會達到新的化學流程控制水平。

在化學制造業中，我們必須從細節和整體兩個方面來看待這一流程，以便找出效率低下的地方。通過使用基于流程的機器學習來分析生產干擾，我們有機會達到新的化學流程控制水平。

什么是“生產干擾”？

“生產干擾”一詞的意義各不相同，因為每個制造工廠都有獨特的運營結構、原材料供應、機器配置和生產環境。

就本討論而言，生產干擾是指在化學生產流程中導致效率低下、計劃外停工、返工或報廢的任何意外事件，例如：

▲閥門泄漏

▲泵頭壓力下降

▲潤滑劑問題，例如起泡

▲軸承溫度不一致

減少生產干擾——預防性維護的悖論

多年來，資產維護中最受推崇的最佳實踐之一是預防性維護。預防性維護是通過定期進行資產維護來預防和避免故障或生產干擾。

此后，人們發現預防性維護在許多方面效率低下，導致：

▲冗余的計劃停機時間（高達40%的預防性維護成本花費在故障影響可忽略不計的資產上。）

▲設備的二次損壞——由侵入性檢查造成

▲過早/不合時宜的設備更換

▲材料浪費——潤滑劑、油、冷卻劑等

▲備件庫存過高

這些成本因素是促使制造商走向工業4.0的部分原因，更具體地說，是從預防性維護到預測性維護。

預測性維護是答案嗎？

預測性維護無疑會改變游戲規則。與以前的維護策略相比，這是一個非常受歡迎的改進，并且正在迅速獲得認可，成為主導維護操作的最佳實踐。

預測性維護的重點是防止特定資產的機械故障。然而，生產干擾不一定是資產故障。

事實上，干擾通常是流程故障的結果，例如，水箱中的不規則冷卻（干擾因素）會在泵中產生高壓（干擾）。

這就要求對化學生產流程及其生產參數進行廣泛的檢查。對單個資產行為的狹隘關注會使生產流程的上下文背景偏離平衡。

預測性維護不是萬能的解決方案，不考慮流程的上下文背景將導致太多的誤報和大量警報，這些警報不能提供洞察力，并損害系統的可信度。

那么整體設備效率（OEE）呢？

另一個眾所周知的生產優化方法是密切監控整體設備效率（OEE）。

整體設備效率（OEE）的計算公式如下：

可用性X性能X質量= 整體設備效率

該方法是由Seiichi Nakajima（中島清一）在20世紀60年代開發的，作為最大限度提高可用性、性能和質量的一種手段，同時也最大限度地減少了生產干擾。

OEE是一種自下而上的方法，讓操作員和技術人員“擁有”其分配的流程，目標是最大限度地減少六大損失：

1、設備故障損失

設備故障損失是指計劃生產時間內設備損壞，停產維修造成的時間和產能損失。

2、輕度停產和閑暇損失

輕度停產和閑暇損失是指在生產操作中發生的意外狀況，例如有障礙物，輕微中斷等情況。

3、生產速度損失

由于設備運行周期慢導致設備運行速度降低，這意味著該設備無法實現最高產出量。

4、安裝和調試損失

安裝和調試損失往往是運行條件變化導致的，例如產品生產運行的初期設置，班次的變化，產品的變更，機器的移動，制造過程的調整等。

5、啟動/產量的損失

產量減少損失是由于從設備初期啟動時到穩定生產這階段所產生的缺陷產品。

6、次品和返工損失

次品和返工損失是指生產不符合要求或產品存在缺陷導致產品需要重新加工或完善的行為。

解決方案：預測和預防流程干擾

專注于部署預測性維護或提高整體設備效率百分比可以導致次優化。需要深入評估各個子流程對整個系統性能的影響。

這就引出了“化學流程控制”背后的核心概念：

使用自動化的根本原因分析、預測分析和假設模擬來預測和防止影響生產吞吐量的流程干擾。

將焦點轉移到流程上

雖然單個泵、電機或過濾器可能出現故障，但化學生產流程中的不穩定性（流程干擾）往往導致故障。換言之，流程干擾是資產失效的根本原因。

為了解決這一復雜問題，我們需要考慮生產流程各個階段生產參數之間的關系。

使用基于流程的機器學習，我們可以發現過去無法檢測到的關系：

1、生產工廠被精確建模，以包括所有生產線、實物資產、制造階段和產品流程。

2、生產環境是通過特征工程添加的，這對于縮小現實制造環境和數據表示之間的差距至關重要。一旦數據被上下文化，機器學習算法就可以用來形成預測。在整個制造流程中，數據已由機器學習算法進行分析，這將導致對質量水平、維護和供應鏈的準確預測。

3、人員和管理層及時獲得可操作的預測，以提高生產流程的績效。

化學流程控制——通過人工智能優化

通過使用考慮流程的機器學習算法，我們可以獲得上下文信息的環境預測警報。這對于化學流程優化來說是一個巨大的機會，因為數據已經在這一領域得到了較好的收集和存儲。

利用這些數據和基于流程的人工智能意味著能夠以極高的精度查明流程干擾的根本原因，并在故障影響生產之前對其進行預測。