NO.1应用背景

　　说到大数据分析、人工智能、机器学习这些名词，大家应该都不陌生，日常生活中，每天都可能接触到这些技术，比如实名认证用的人脸识别，手机APP的定制内容推送等等。这些应用都是通过大量收集数据，利用机器学习来训练算法、寻找规律，为决策提供支持。

　　大数据分析已经在改善人们的日常生活，它在工业界也逐渐成为热门话题，业界都很关注大数据分析在工业领域的应用场景。工业大数据和通用的大数据分析并不完全相同，它的特点是实时性高、数据量大、数据异构性强，工业大数据要求分析模型的精度高、可靠性高、因果关系强，这样才能满足工业场景的需要。纯数据挖掘的建模方式无法满足工业领域的需求，因此，工业大数据分析的特征是强调专业领域工艺知识和数据挖掘的深度融合。

　　一方面，运行中的流程工厂每天会生成海量的数据，数据的来源包括DCS、PLC、实验室管理系统、设备管理系统、能源管理系统等。但是据统计，流程工厂中八成的数据都没得到利用，这就造成了对数据资源的浪费。

　　另一方面，工厂的运营管理人员也面临着很多挑战，如何得到最佳的设备效率、异常现象的根本原因分析、如何减少故障、缩短维修时间、如何提前识别出运营的隐患，如何根据不同的工况设定KPI的动态目标。这些问题很难从纯机理角度去分析，因此我们可以以“数据驱动+机理驱动”的双驱动模式来进行工业大数据的分析，从而建立高精度、高可靠性的模型，来真正解决实际的工业问题。

　　工业大数据分析作为数字化转型不可或缺的组成部分，未来的发展前景广阔。而利用大数据分析的软件，发掘客户现场数据的价值，提升运营表现，是艾默生一直以来致力于发展的方向。

　　NO.2平台功能特点

　　2019年，艾默生收购工业数据分析软件KNet，以此软件为基础并结合艾默生在工业领域知识和经验进行功能上的整合扩充而推出了艾默生工业大数据解决方案，其可对运营和生产数据进行提取、清理、转换和分析，它使用先进的统计和机器学习算法库，将工业大数据转化为实用知识，推动实时决策，从而优化过程和资产性能，后续进一步整合到艾默生的Plantweb数字生态系统中，成为工业大数据应用的重要一环。2021年，艾默生工业大数据解决方案荣获了物联网突破奖之年度分析平台奖。

图1 艾默生荣获年度分析平台奖

　　艾默生工业大数据解决方案分为两个部分：离线数据挖掘软件和在线专家系统软件。离线数据挖掘的作用是分析历史数据，寻找规律，建立预测性模型；而在线专家系统的作用是，部署预测性模型，用前面发掘出的规律，来辅助决策。整体的工作原理如下所示：

图2 艾默生工业大数据解决方案的工作原理

　　■离线数据挖掘模块

　　离线数据挖掘模块用来分析原始数据，发现隐藏的规律，并将其转化为预测模型。它具有数据分析、优化、机器学习、统计过程控制、报警分析等功能。本质上，它是一个可以独立运行的数据挖掘软件。

　　它有以下特点：

• 图形化环境，提供高度直观和用户友好的使用环境，具有Microsoft软件的外观和体验，具有下拉菜单、拖放图形图标的功能，无需编写脚本或编程。
• 工作流Workflow，允许您构建和自动执行由数据分析、学习、聚类和建模组成的顺序流程。构建工作流后，它们会被自动存储，以后可以部署应用于多个数据集，无需人工干预。
• 数据可视化，内嵌了各种工具，可提供有效的数据可视化，例如散点图、折线图、饼图、面积图、箱形图、雷达图和极坐标图。
• 支持第三方脚本语言，如Matlab，Python和R。

　　离线数据挖掘模块中有庞大的算法库，所有这些算法都是内置的，只需点击、拖拽等操作，就可以应用到您的数据分析中。艾默生一直在不断地加强算法库，以确保我们的客户不用花精力在编写算法上，把时间留给解决最棘手的 OT业务问题。

图片 3机器学习算法库

　　■在线专家系统

　　进入到在线专家系统，它有三个主要功能模块：规则及复杂事件模块、根本原因分析模块（Root Cause Analysis，简称RCA）和工作流模块（Workflow）。

　　规则及复杂事件模块使用图形语言，可以轻松构建用于不同事物的规则，例如检测复杂事件、能够检测操作模式和生成性能报告。该模块提供了广泛的功能块，包括算术、统计过程控制、信号发生器、数据筛选器、逻辑门、时态数据功能块等，还可以使用C#.NET语言添加自定义块。

　　它无须编写脚本或代码，通过拖放不同的功能块，从输入或数据，到计算和逻辑，再到输出，组成一个计算的规则或者复杂事件，如业务规则，计算KPI的性能管理应用程序，在不同系统之间执行数据传输的应用程序，预测性维护应用程序，原型、建模和仿真应用程序。

图4 规则及复杂事件模块范例

　　用户可利用根本原因分析模块（RCA）实现决策支持系统、图形诊断应用程序和异常情况管理系统。使用故障传播模型，RCA可实时诊断故障，找出根本原因，建议响应计划，并执行纠正程序。以图形方式构建的故障树，应用了因果关系专业知识。测试和纠正措施可以是简单的消息、复杂的规则或整个工作流程。

　　可以检测到的故障可能包含与效率、设备故障、环境法规、不安全条件以及关键绩效指标偏差相关的问题。这种异常情况可能会产生许多严重后果，包括：意外停机、计划中断、安全隐患、质量不佳、运行效率低等。任何检测到的故障都会触发自动的根本原因分析（RCA），RCA模块运行检测以确定根本原因，并通知操作员是否必须采取任何纠正措施和/或启动工作流程以执行解决程序。

图5 自动根因分析模块范例

　　工作流（Workflow）模块是一款灵活的工作流程管理解决方案，可帮助各种用户轻松进行处置，并与工作流程及后续操作进行交互。

　　典型的工作流可助您实现和执行：

• 纠正措施
• 启动和关闭程序
• 解决重复出现的问题
• 恢复程序
• 升级事故响应

图6 工作流模块范例

　　NO.3艾默生工业大数据解决方案的典型应用案例

　　■帮助全球最大海上钻井公司

　　提升钻井设备的可靠性

　　A客户经营着世界上最大的海上石油钻井船队，在2018年的时候，该公司拥有35台自升式钻机，12台半潜式潜水器和另外12台高科技钻探船。2011年，A客户的钻井船队经历了8%的计划外停机时间，由于计划外停机往往会需要暂停作业，并将船开回港口进行维修，会造成很大损失。该公司计划通过数据驱动的预测性维护实践，将计划外停机时间减少至4%。

　　首先，A客户在其总部休斯顿建立预测智能中心（Predictive Intelligence Center），它的职能包含：

1. 实时监控钻井船队的资产；
2. 提供资产性能退化的预警；
3. 确定资产的剩余使用寿命；
4. 通过优化资产选择和维护活动来降低成本；
5. 通过提高可靠性和正常运行时间，来提升为客户提供的海上钻井服务。

　　然后，客户确定了其钻井船上最重要的五个关键设备——顶部驱动器、绞车、防喷器、管道处理和推进器，并将重点放在提高这些关键设备的可靠性上。

　　第三，客户从钻井船的控制系统收集数据，通过卫星通信发送到岸上，位于休斯顿的预测智能中心开始用艾默生工业大数据解决方案对数据进行分析。通过计算实时数据，并和数学建模得到的预测性模型进行比较，确定资产的运行状况，然后计算剩余的使用寿命。如有偏差或者故障的早期症状，系统会发送警报和电子邮件，并将其反馈给钻井船上的维护人员。

　　在艾默生的帮助下，这家海上钻井能源公司已经将计划外停机时间减少到不到1%，这意味着每年数以百万美元计的利润。

　　■沙特阿美Abqaiq原油处理厂

　　改善能源管理

　　沙特阿美公司的Abqaiq工厂是其最大的石油加工设施，日处理能力超过700万桶，每天的能源消耗是一个巨大的数字。Abqaiq工厂拥有一个标准的KPI管理系统来监控能耗，并为能耗设定了固定的目标值，当发现偏差时，需要操作人员去分析根本原因，需要大量专家和多部门之间的冗长会议来诊断问题。

　　Abqaiq 工厂面临以下挑战：

1. 需要提高准确性和性能洞察力，以做出明智的决策；
2. 由于使用固定目标，而不是动态目标，当运行模式切换后，很容易收到能量消耗过多的错误警告；
3. 能耗和目标的差距持续存在时，需要很长时间去确定真正的根本原因；
4. 由于某些仪器故障，KPI计算不准确。

　　为了克服这些挑战，需要利用先进的技术，因为即使是非常短的操作停机时间，也可能会导致数百万美元的损失。为了克服这些挑战并消除能耗方面的性能差距，沙特阿美的Abqaiq工厂选择了艾默生工业大数据解决方案，包括：

1. 监控整个工厂的能耗，并可细化至设备级别；
2. 自动监测工厂状态和运行模式，并相应地实时调整能耗目标；
3. 尽早发现能源绩效差距；
4. 使用自动根本原因（RCA）分析和识别，来找出差距背后的根本原因；
5. 在执行最佳实践的同时，采取纠正措施。

　　在艾默生的平台上，可以计算和监视24个生产单元、57个非生产单元和237台关键设备的能耗，这些设备代表了该工厂主要的耗能设备。

　　该系统从历史数据库收集工厂数据，然后使用计算、规则、故障传播和Workflow引擎来分析数据，以找出造成性能差异的原因，同时为最终用户提供建议的纠正措施。系统将所有计算的KPI、根本原因识别和建议的纠正措施的历史记录保存在数据库中。然后将结果通过网页发布在数据仪表板中，以供工厂不同角色的用户访问。

　　基于艾默生工业大数据解决方案的Abqaiq智能能源KPIs系统已大大降低了能耗，节能带来的效益估计为每年数千万美元，除此之外，其他可量化的好处还包括：

• 无论是操作员、工程师，还是管理人员都发现，通过更好地管理关键资产及其KPI影响，可以轻松使用基于Web的界面来提高工厂绩效。
• 显著减少了检测和诊断能源消耗性能差距的周期时间和精力。
• 更好地保留并在线部署了运营知识。

　　■Celanese（美国）寻找故障根本原因实现设备预测性维护

　　在预测性维护用例中，艾默生工业大数据解决方案的分析见解为Celanese带来了回报。当Celanese在两周、两个月的时间范围内检查一台设备时，温度水平几乎没有变化，变化幅度远低于警报水平。但是，当系统检查和分析了两年的历史数据后，就提示“正常”温度水平明显高于以前的水平。

　　通过分析历史数据，建立故障树模型，Celanese的维护人员利用根本原因分析模块发现：温度缓慢升高的原因是润滑油加热器上的阀门卡住了。Celanese的工作人员说，“当查看每日或每周的数据时，温度的升高并不明显。但这种温度升高持续不被注意可能会导致轴承或轴的长期损坏，甚至导致设备停机。”

　　图7 这张图展示了设备温度在很短的时间范围内变化很少（见蓝色框内右侧的曲线），但是在两年的时间段内，很明显可以看出最近的温度显著地高于之前的温度水平。

　　■帮助某日化产品工厂实现批量在线分析

　　客户位于美国，是一个日化品牌的混合单元(mixer skid unit)，这是一个典型的批量过程，并且批量生产时间相对较长。客户希望去理解长批量周期中，哪些因素对最终质量产生影响，同时要对设备故障和过程问题有提前预测，以便他们及时干预，实现质量的管理。

　　艾默生对历史数据进行分析，帮助客户定义黄金批次的特征，然后建立不同运行模式下的质量预测模型。验证了预测模型后，我们将它部署到在线的状态，并且帮助客户建立故障树。

　　有了这样的模型，客户就可以检查现有的批次，并且基于数据挖掘阶段确定的质量预测模型，预测该批次的最终质量。如果发生了质量下降的趋势，系统会根据故障树，反馈给操作员导致质量下降的原因，以及如何去操作的建议。

　　从这个案例来看，艾默生工业大数据解决方案可以在这以下方面提升批量生产的性能：

　　预测异常情况，由于结合了对历史数据的分析，系统可以早期识别出设备和过程的异常状况，这样就可以预防不符合要求的批次，减少废料，提升了设备可靠性。

　　解决客户最关心的质量预测功能，因为之前对质量的管理都是事后的，有了在线质量预测模型，客户就可以预判该批次的最终质量，在需要的时候提前介入，改变质量劣化的趋势。

　　NO.4总结

　　艾默生工业大数据解决方案是一种非常灵活、开放的工业大数据分析平台，为客户提供了一种可以完全定制的解决方案，它结合了机器学习的能力，以及艾默生在对流程和设备可靠性的专业知识，可以帮助客户利用数据资源，提升工厂性能。