http://m.casecurityhq.com 2024-05-23 11:32 來源:施耐德電氣(中國)有限公司
多年來,節(jié)能減碳一直是煉油廠和石化廠的重要任務目標。數(shù)據(jù)顯示,2021年化工生產(chǎn)和煉油約占能源相關二氧化碳(CO2)排放量的11%,約占所有工業(yè)能源相關二氧化碳排放總量的38%,這些碳排放可能會帶來重大的健康和環(huán)境風險。
加強排放監(jiān)測,及時獲取識別、處理和減少排放所需的必要數(shù)據(jù),對減輕危害影響,并最終創(chuàng)造更清潔、更安全的環(huán)境至關重要。然而,通過傳統(tǒng)的監(jiān)測方法,無法獲取深入的數(shù)據(jù)洞察,以進行主動環(huán)境改善。
值得欣喜的是,借助最新技術,我們能夠幫助運營人員優(yōu)化流程并最大限度地減少碳排放。在近期的某項應用案例中,施耐德電氣便為監(jiān)控某真空蒸餾裝置的六個碳排放源,部署了定制化的、近乎實時的機器學習模型,實現(xiàn)了減少碳排放的目標。
真空蒸餾裝置廣泛應用于化學和藥物生產(chǎn)、原油精煉、精油和香料制造、食品加工、超純水或脫鹽水所需的熱基水生產(chǎn)等不同行業(yè)。施耐德電氣建立的機器學習模型利用AVEVA PI連接器實現(xiàn)每5分鐘分析一次數(shù)據(jù)流,從而對二氧化碳排放潛在偏差的產(chǎn)生及時反饋。這使操作人員能夠迅速做出反應,調(diào)查根本原因,并進行有針對性的調(diào)整,以優(yōu)化流程并最大程度減少二氧化碳排放。
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,從而減輕對環(huán)境的影響,同時提高運營效率,助力工業(yè)邁向更加可持續(xù)的未來。
利用機器學習預測碳排放
要實現(xiàn)近乎實時的二氧化碳跟蹤,基本步驟包括:驗證運行數(shù)據(jù)、確定排放基準、利用機器學習(ML)算法來預測排放、標記不同運行狀態(tài)下的事件、進行根本原因分析。在項目執(zhí)行階段,項目組專家將協(xié)助處理運行數(shù)據(jù)的驗證和糾正,同時提供過程解讀。隨后,數(shù)據(jù)科學家專注于特征工程(Feature Engineering)、選擇機器學習算法,并確定度量方法。
最終,機器學習算法可以根據(jù)具體的工廠運行條件來預測關鍵運行參數(shù)。
圖1:基于真空進料和燃燒器內(nèi)燃氣的異常值進行在線檢測
在圖1(上圖)中,初步識別了基于真空進料和燃燒器內(nèi)燃氣的異常值。異常值指與數(shù)據(jù)集中其他值存在異常距離的觀測值,顯示為紫色線,數(shù)值為1。正常值指數(shù)據(jù)集中的典型觀測值,用數(shù)值0來表示。
然后,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)訓練ML模型,并通過ML模型每五分鐘預測一次關鍵操作參數(shù)。在圖2(下圖)中,一些預測的KPI關鍵績效指標與測量結果密切吻合,表明運行正常,而另一些指標則顯示出明顯偏差。這些操作有助于我們預見潛在問題。
圖2中還監(jiān)測了數(shù)據(jù)漂移,反映出統(tǒng)計屬性隨著時間的變化,并使用曲線下面積(AUC)指標進行評估。其中,AUC接近0.5表明漂移最小,接近1則表示漂移更顯著,而JS散度(Jensen Shannon Divergence)用于衡量漂移對模型性能的影響。這些評估有助于確保模型在運行條件隨時間變化時,保持準確可靠。
圖2:關鍵運行參數(shù)的一日預測
使用機器學習查找偏差
在圖3中,ML模型確定了影響目標結果的關鍵因素,以便對偏差進行根本原因分析。通過不斷實時更新和排序重要特征,為排放的控制決策提供洞察。該數(shù)值表示某個特征的重要性,值越大,影響越大。
圖中還展示了特征重要性隨時間變化的平均值、最小值、最大值以及趨勢。有了這些數(shù)據(jù),我們就能及時干預,并抓住改善過程控制、性能和減排的機會。
圖3:關鍵運行參數(shù)的預測模型與實測結果之間的偏差分析
將先進的機器學習模型與AVEVA PI System運營大數(shù)據(jù)管理平臺相集成,可使企業(yè)最大限度地發(fā)揮運營數(shù)據(jù)的潛力。如圖4所示,該集成提供了可操作的洞察,以優(yōu)化裝置性能,并實現(xiàn)數(shù)據(jù)驅動的決策。通過使用歷史數(shù)據(jù)分析后的模型,企業(yè)可以進行實時預測,檢測偏差和潛在的根本原因,從而提高性能,降低成本并獲得競爭優(yōu)勢。
集成過程簡便、易操作,僅需以下幾步即可完成:
1. 設置虛擬機或云端環(huán)境;
2. 配置PI系統(tǒng),以實現(xiàn)實時的數(shù)據(jù)存儲和通知管理;
3. 配置Python環(huán)境,并創(chuàng)建必要的文件;
4. 設置通用文件和流加載器的PI連接器,以便將外部源數(shù)據(jù)直接導入AVEVA PI System運營大數(shù)據(jù)管理平臺。
所有這一切都確保了無縫、高效的集成。
圖4:AVEVA PI System運營大數(shù)據(jù)管理平臺
優(yōu)化排放監(jiān)測
本用例展示了一種創(chuàng)新的ML方法,可降低能源和化學工業(yè)對環(huán)境的影響。通過將復雜模型與AVEVA PI System運營大數(shù)據(jù)管理平臺集成,該項目能夠:
• 開發(fā)強大的ML預測模型,準確預測排放量,從而及時做出決策,避免溫室氣體排放超標。
• 為不同化學工藝裝置生成與工藝相關的預測指標,全面了解特定工藝裝置的性能,以便做出及時調(diào)整。
• 該解決方案與AVEVA PI Vision無縫集成,提高了關鍵數(shù)據(jù)的可視性和可訪問性。PI Vision上的報告還有助于制定維護計劃等事項,并使管理層能夠輕松了解溫室氣體排放問題。
排放監(jiān)測工具與AVEVA PI System運營大數(shù)據(jù)管理平臺的集成,彰顯了先進技術在應對復雜挑戰(zhàn)和推動持續(xù)改善方面的巨大潛力,同時標志著我們向數(shù)據(jù)驅動型運營邁出堅實一步。
在6月6日即將舉辦的施耐德電氣2024年創(chuàng)新峰會上,施耐德電氣將以“雙擎并進,數(shù)智新生”為主題,展示面向工業(yè)和能源領域的更多的創(chuàng)新技術與成功實踐,助力工業(yè)加速邁向高效與可持續(xù)的未來!敬請期待。