多年來课娃，節(jié)能減碳一直是煉油廠和石化廠的重要任務(wù)目標(biāo)。數(shù)據(jù)顯示，2021年化工生產(chǎn)和煉油約占能源相關(guān)二氧化碳（CO2）排放量的11%察署，約占所有工業(yè)能源相關(guān)二氧化碳排放總量的38%，這些碳排放可能會(huì)帶來重大的健康和環(huán)境風(fēng)險(xiǎn)鞋倔。
加強(qiáng)排放監(jiān)測(cè)翩赐，及時(shí)獲取識(shí)別、處理和減少排放所需的必要數(shù)據(jù)嗓奢，對(duì)減輕危害影響讼撒，并最終創(chuàng)造更清潔、更安全的環(huán)境至關(guān)重要股耽。然而根盒，通過傳統(tǒng)的監(jiān)測(cè)方法，無法獲取深入的數(shù)據(jù)洞察物蝙，以進(jìn)行主動(dòng)環(huán)境改善炎滞。
值得欣喜的是，借助最新技術(shù)茬末，我們能夠幫助運(yùn)營人員優(yōu)化流程并最大限度地減少碳排放厂榛。在近期的某項(xiàng)應(yīng)用案例中，施耐德電氣便為監(jiān)控某真空蒸餾裝置的六個(gè)碳排放源丽惭，部署了定制化的击奶、近乎實(shí)時(shí)的機(jī)器學(xué)習(xí)模型，實(shí)現(xiàn)了減少碳排放的目標(biāo)。
真空蒸餾裝置廣泛應(yīng)用于化學(xué)和藥物生產(chǎn)柜砾、原油精煉湃望、精油和香料制造、食品加工芬莫、超純水或脫鹽水所需的熱基水生產(chǎn)等不同行業(yè)笼万。施耐德電氣建立的機(jī)器學(xué)習(xí)模型利用AVEVA PI連接器實(shí)現(xiàn)每5分鐘分析一次數(shù)據(jù)流，從而對(duì)二氧化碳排放潛在偏差的產(chǎn)生及時(shí)反饋众被。這使操作人員能夠迅速做出反應(yīng)简些，調(diào)查根本原因，并進(jìn)行有針對(duì)性的調(diào)整唤抚，以優(yōu)化流程并最大程度減少二氧化碳排放篱撩。
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(yè)流程说庶，從而減輕對(duì)環(huán)境的影響缓鞠，同時(shí)提高運(yùn)營效率，助力工業(yè)邁向更加可持續(xù)的未來秆牍。
利用機(jī)器學(xué)習(xí)預(yù)測(cè)碳排放
要實(shí)現(xiàn)近乎實(shí)時(shí)的二氧化碳跟蹤业抵，基本步驟包括：驗(yàn)證運(yùn)行數(shù)據(jù)、確定排放基準(zhǔn)支读、利用機(jī)器學(xué)習(xí)（ML）算法來預(yù)測(cè)排放厦碎、標(biāo)記不同運(yùn)行狀態(tài)下的事件、進(jìn)行根本原因分析解滓。在項(xiàng)目執(zhí)行階段赃磨，項(xiàng)目組專家將協(xié)助處理運(yùn)行數(shù)據(jù)的驗(yàn)證和糾正，同時(shí)提供過程解讀洼裤。隨后邻辉，數(shù)據(jù)科學(xué)家專注于特征工程（Feature Engineering）、選擇機(jī)器學(xué)習(xí)算法腮鞍，并確定度量方法值骇。
最終，機(jī)器學(xué)習(xí)算法可以根據(jù)具體的工廠運(yùn)行條件來預(yù)測(cè)關(guān)鍵運(yùn)行參數(shù)移国。
圖1：基于真空進(jìn)料和燃燒器內(nèi)燃?xì)獾漠惓Ｖ颠M(jìn)行在線檢測(cè)
在圖1（上圖）中吱瘩，初步識(shí)別了基于真空進(jìn)料和燃燒器內(nèi)燃?xì)獾漠惓Ｖ怠．惓Ｖ抵概c數(shù)據(jù)集中其他值存在異常距離的觀測(cè)值迹缀，顯示為紫色線使碾，數(shù)值為1。正常值指數(shù)據(jù)集中的典型觀測(cè)值祝懂，用數(shù)值0來表示票摇。
然后拘鞋，在剔除歷史數(shù)據(jù)中的異常值后，基于清理后的數(shù)據(jù)訓(xùn)練ML模型共悼，并通過ML模型每五分鐘預(yù)測(cè)一次關(guān)鍵操作參數(shù)驶闰。在圖2（下圖）中，一些預(yù)測(cè)的KPI關(guān)鍵績效指標(biāo)與測(cè)量結(jié)果密切吻合钙瘫，表明運(yùn)行正常阔垢，而另一些指標(biāo)則顯示出明顯偏差。這些操作有助于我們預(yù)見潛在問題侯砸。
圖2中還監(jiān)測(cè)了數(shù)據(jù)漂移挨奶，反映出統(tǒng)計(jì)屬性隨著時(shí)間的變化，并使用曲線下面積（AUC）指標(biāo)進(jìn)行評(píng)估雹了。其中朴树，AUC接近0.5表明漂移最小宏查，接近1則表示漂移更顯著索驰，而JS散度（Jensen Shannon Divergence）用于衡量漂移對(duì)模型性能的影響。這些評(píng)估有助于確保模型在運(yùn)行條件隨時(shí)間變化時(shí)骡拐，保持準(zhǔn)確可靠妓浮。
圖2：關(guān)鍵運(yùn)行參數(shù)的一日預(yù)測(cè)
使用機(jī)器學(xué)習(xí)查找偏差
在圖3中，ML模型確定了影響目標(biāo)結(jié)果的關(guān)鍵因素蓉冈，以便對(duì)偏差進(jìn)行根本原因分析城舞。通過不斷實(shí)時(shí)更新和排序重要特征，為排放的控制決策提供洞察寞酿。該數(shù)值表示某個(gè)特征的重要性家夺，值越大，影響越大伐弹。
圖中還展示了特征重要性隨時(shí)間變化的平均值拉馋、最小值、最大值以及趨勢(shì)惨好。有了這些數(shù)據(jù)煌茴，我們就能及時(shí)干預(yù)，并抓住改善過程控制日川、性能和減排的機(jī)會(huì)蔓腐。
圖3：關(guān)鍵運(yùn)行參數(shù)的預(yù)測(cè)模型與實(shí)測(cè)結(jié)果之間的偏差分析
將先進(jìn)的機(jī)器學(xué)習(xí)模型與AVEVA PI System運(yùn)營大數(shù)據(jù)管理平臺(tái)相集成，可使企業(yè)最大限度地發(fā)揮運(yùn)營數(shù)據(jù)的潛力龄句。如圖4所示回论，該集成提供了可操作的洞察，以優(yōu)化裝置性能畦洞，并實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的決策晴消。通過使用歷史數(shù)據(jù)分析后的模型正庙，企業(yè)可以進(jìn)行實(shí)時(shí)預(yù)測(cè)，檢測(cè)偏差和潛在的根本原因坯肿，從而提高性能蓄扳，降低成本并獲得競(jìng)爭(zhēng)優(yōu)勢(shì)。
集成過程簡便蔗承、易操作拢给，僅需以下幾步即可完成：
- 設(shè)置虛擬機(jī)或云端環(huán)境；
- 配置PI系統(tǒng)主瘸，以實(shí)現(xiàn)實(shí)時(shí)的數(shù)據(jù)存儲(chǔ)和通知管理褥疆；
- 配置Python環(huán)境，并創(chuàng)建必要的文件糊怖；
- 設(shè)置通用文件和流加載器的PI連接器永铛，以便將外部源數(shù)據(jù)直接導(dǎo)入AVEVA PI System運(yùn)營大數(shù)據(jù)管理平臺(tái)。
所有這一切都確保了無縫捻艳、高效的集成驾窟。
圖4：AVEVA PI System運(yùn)營大數(shù)據(jù)管理平臺(tái)
優(yōu)化排放監(jiān)測(cè)
本用例展示了一種創(chuàng)新的ML方法，可降低能源和化學(xué)工業(yè)對(duì)環(huán)境的影響认轨。通過將復(fù)雜模型與AVEVA PI System運(yùn)營大數(shù)據(jù)管理平臺(tái)集成绅络，該項(xiàng)目能夠：
- 開發(fā)強(qiáng)大的ML預(yù)測(cè)模型，準(zhǔn)確預(yù)測(cè)排放量，從而及時(shí)做出決策，避免溫室氣體排放超標(biāo)棕诵。
- 為不同化學(xué)工藝裝置生成與工藝相關(guān)的預(yù)測(cè)指標(biāo)，全面了解特定工藝裝置的性能衷恭，以便做出及時(shí)調(diào)整。
- 該解決方案與AVEVA PI Vision無縫集成纯续，提高了關(guān)鍵數(shù)據(jù)的可視性和可訪問性随珠。PI Vision上的報(bào)告還有助于制定維護(hù)計(jì)劃等事項(xiàng)，并使管理層能夠輕松了解溫室氣體排放問題杆烁。
排放監(jiān)測(cè)工具與AVEVA PI System運(yùn)營大數(shù)據(jù)管理平臺(tái)的集成牙丽，彰顯了先進(jìn)技術(shù)在應(yīng)對(duì)復(fù)雜挑戰(zhàn)和推動(dòng)持續(xù)改善方面的巨大潛力，同時(shí)標(biāo)志著我們向數(shù)據(jù)驅(qū)動(dòng)型運(yùn)營邁出堅(jiān)實(shí)一步兔魂。
在6月6日即將舉辦的施耐德電氣2024年創(chuàng)新峰會(huì)上郑舷，施耐德電氣將以“雙擎并進(jìn)，數(shù)智新生”為主題锌拱，展示面向工業(yè)和能源領(lǐng)域的更多的創(chuàng)新技術(shù)與成功實(shí)踐肘鹅，助力工業(yè)加速邁向高效與可持續(xù)的未來！敬請(qǐng)期待姿抒。
