總結
對於工藝製造商來說，解決優化挑戰和提高利潤率是至關重要的。在下遊能源行業，基於模型的解決方案已經大量湧現。然而，它們的使用和價值受到手工過程的阻礙，以及調度人員、過程工程師和操作員之間低效和不及時的協調。通過編纂專家知識，並通過人工智能將其更廣泛的應用自動化，存在著彌補煉油廠計劃與實際之間優化差距的重大機會。
基於模型的技術有很長的曆史，並且持續成功地解決了過程的可變性、約束和針對特定目標函數的優化。人工智能在工業製造領域的出現，已經成為AI範圍內各種方法和途徑的“包羅萬象”，比如機器學習，這讓資產所有者在如何應用正確的AI方法來改進眾所周知的流程方麵感到困惑。
Beyond Limits LLC最近向ARC谘詢集團介紹了他們的LUMINAI煉油廠顧問應用。該應用程序使用認知混合智能構建，通過關注調度程序、流程工程師和操作員之間需要解釋和複雜推理的問題，幫助解決優化差距。簡報會的主要結果包括:
- 過程中斷、延遲啟動、過程變化或其他意想不到的問題，通常會造成計劃和實際之間的差距。
- 認知混合智能結合了數字AI和符號AI，通過類似人類的推理來解決一般問題，產生可操作的智能。
- Beyond Limits LLC Refinery Advisor基於知識和專業知識，通過迭代方法提供實時指導，以縮小計劃與實際之間的差距。
傳統煉油廠優化實踐
如今，在利用實時控製和自動化進行優化與手動收集和與運營商溝通信息之間存在巨大的分歧。雖然高級過程控製(APC)和動態優化是實時控製的“表杆”，但許多煉油廠計劃人員、調度人員和優化工程師仍然使用不同的數據模型獨立工作，很少有數據集成。即使是這些孤立的做法，它們也相當成功地幫助作業者保持作業目標。然而，提高利潤率的機會是巨大的。規劃人員通常會運行離線線性規劃(LP)優化模型來開發一個
整個計劃期間(即未來數周或數月)的平均運營計劃。調度員將當前計劃期間分解為一係列預定步驟，並與工藝工程師合作，以確保庫存管理的可行性。
這種方法留給操作人員一個基於平均流程行為的計劃，但它不是最優的。每天的時間表是可行的，但不一定要每天都優化。過程工程師、調度人員和操作員之間的手動信息交換為錯誤留下了餘地。在許多情況下，由於工藝變化、機械問題或計劃外的資產故障或煉油廠的某些部分受到限製，計劃無法實現。通常，可用的糾正措施可能並不總是明顯的或在操作員的舒適區內。
在考慮了流程中斷、延遲啟動、流程變化、非最佳條件操作或運營商研究或向優化工程師谘詢建議的時間延遲後，計劃與實際之間總是存在差距，通常會留下提高盈利能力的重大機會。這種差距主要是由於計劃/調度和控製模型的建模不準確，以及計劃、調度和控製約束與目標以及在計劃外狀態下運行的時間不匹配。人工智能的應用已被證明成功地提高了APC和優化模型的精度，以解決實時控製和優化問題。然而，另一種人工智能方法——認知混合智能——也有助於解決優化差距，它專注於調度人員、過程工程師和操作員之間需要解釋和更複雜推理的問題。
進入認知混合智能
許多形式的人工智能都適用於工業製造。在AI的範圍內，數值AI是一類統計類型的AI
方法，使用樣本數據進行訓練，以標記特定的對象和條件集，並對結果進行解釋以產生可操作的結果，通常用於資產的故障預測。認知人工智能是一種在計算機和機器中複製人類思維過程的分析方法。認知混合智能將數字AI與基於知識的係統結合起來，通過類人推理來解決一般問題，從而產生可操作的智能。這增加了理解和操作標簽的問題解決能力，使用“書本般的”或隱性知識來回答問題，用算法、規則、策略和工作流程教育係統。
認知係統需要像人類一樣理解複雜領域，能夠適應知識和數據中的不確定性，用人類可以理解的審核試驗來支持他們的答案。認知係統需要整合不同的學習和適應技術，克服單個技術的局限性，通過知識技術和數字技術的雜交或融合，實現協同效應。當結果必須是可解釋的，而數據是有限的、不可靠的或具有誤導性時，單靠機器學習往往是不夠的。同樣，當數據集很大時，僅靠基於知識的推理是不夠的，需要進行數據縮減以使其可解。
認知係統代表了各種形式的知識和智慧，這些知識和智慧來自於領域知識和經驗。它可以通過一般的問題類別進行推理(不限於特定的用例)，並將描述情況的純數字模型轉換為智能代理，這些智能代理可以調整和動態推薦可審計的行動，這些行動與如何達到結果的來源有關。與數值AI不同，認知混合方法需要更少的數據，可能需要更短的實現時間，而數值AI需要大量的數據來構建合理的模型。
認知智能在煉油廠作業中的應用
工業和企業級AI技術公司Beyond Limits LLC最近向ARC谘詢集團簡要介紹了他們的LUMINAI煉油廠顧問解決方案．據該公司介紹，Refinery Advisor是一款無代碼SaaS、基於雲計算、人工智能驅動的決策支持係統，可維護活動和煉油廠計劃的符號表示。該解決方案捕獲了高技能工藝工程師和操作人員的專業知識，並及時、透明地提出建議，使操作人員能夠縮小計劃與實際的差距，最大化運營效率和煉油廠利潤。
LUMINAI Refinery Advisor以工程師想要交流的語言(通常是一個站點或公司所特有的語言)為操作人員提供正確的信息和指示。該活動通常包括工藝工程師親自與董事會操作員會麵，了解工藝資產(蒸餾塔或反應堆)正在發生的情況，並闡明糾正任何計劃外工藝條件的必要步驟。隱性過程知識被嵌入到Refinery Advisor應用程序及其曆史中，因為它現在是機器可讀的。
advisor應用程序利用這些已確定的最佳實踐、策略和操作來指導計劃外識別，並使用符號AI(問題、邏輯和搜索的高級符號表示)進行解決。它可以識別出與計劃的偏差，並實時向運營商提供最佳的建議。該推理引擎可以將傳感器數據表示為符號狀態(例如，超過極限、不穩定或達到目標)，並使用符號計劃表示對過程工程師的知識進行編碼。流程工程師使用具有本地配置的模塊化代理可以使用流程曆史記錄或時間序列數據中的數值數據來解析各種條件的執行並確定優先級，並將這些表示為符號狀態。然後，Advisor引擎可以使用“編碼知識”每15分鍾監視流程狀態，以識別計劃外性能、確定優先級、評估並像流程工程師一樣通過要解決的狀態進行推理。
此外，Advisor可以提供迭代反饋，告訴操作人員什麼時候可以根據係統的建議優化流程，什麼時候因為現有的限製而不能。這種活動後的回溯分析為過程工程師提供了返回並改進過程的能力，並在必要時證明資本改進的合理性，而不需要從多個來源收集數據。
該公司表示，使用嚴格數值AI方法的一個問題是，算法往往對訓練數據和不斷變化的過程條件非常敏感。Refinery Advisor認知係統消除了這一問題，因為它采用了各種形式的知識和智慧，能夠通過各種一般類型的問題進行推理。Beyond Limits並沒有完全去掉ML方法，而是將ML組件放在後台。ML本質上是將原始數據描述為一組特征，這時符號組件可以對該數據進行操作，而不是將其作為主要決策方法。這就是認知混合智能的方法。
結論
對於能源和化工公司來說，Beyond Limits Refinery Advisor解決方案可能是一個有價值的工具，可以縮小計劃與實際之間的差距，並補充現有的基於模型的自動化解決方案。認知係統是為表述不精確的問題設計的，這些問題包含缺失或誤導性的數據，以及在答案不明顯時需要類似人類的洞察力的情況。機器學習已經成為人工智能的代名詞，但與其他傳統的數字人工智能技術一樣，機器學習表現出剛性、脆弱性，不能解決某些問題，而且可能缺乏可解釋性。機器學習在未經訓練的情況下很難建立聯係，因為它沒有推理能力。
因此，實時基於模型的解決方案，如高級過程控製(APC)和動態優化實時控製和自動化，仍然是優化工具包中有價值的工具。其他人嚐試使用規則和基本引擎創建操作員顧問解決方案;然而，這些都很容易出錯，維護起來也很困難或昂貴。
認知係統處理動態環境(如連續過程環境)中需要解釋的問題，從對該問題做出正確解釋的最佳工程師或操作員那裏獲得專業知識，因此將知識推廣到可以更有效地執行的地方和人員。
盡管Refinery Advisor應用程序是專門為優化Refinery計劃而構建的，但ARC相信Beyond Limits認知混合智能技術將非常適合各種業務流程和行業。
ARC谘詢集團客戶可在以下網站查看完整報告ARC客戶端門戶
如果您想購買這份報告或獲取如何成為客戶的信息，請聯係我們
關鍵詞:認知分析，超越極限，人工智能(AI)，高級分析，計劃與實際，煉油廠利潤提升，ARC谘詢集團