我国流程工业发展的历程中,自动化与信息化技术发挥了极其重要的作用,从集散控制系统(DCS)在流程企业中的普遍应用,到DCS/MES/ERP的实施,强化了管理信息化,实现了各个生产环节的信息管理,提升了各个生产环节的效率和质量,基本实现了流程企业的网络化制造。同时,在信息化与工业化两化深度融合方针的指导下,我国流程企业信息化技术的应用与推广也达到了一个新的高度。这些工作极大促进了我国流程工业由落后到跟随,进而并跑的发展历程,并为我国流程工业实现领跑奠定了基础,从而实现我国流程工业由大变强的转变。金准人工智能专家分析流程工业面临的挑战与智能制造的目标,
一、流程工业面临的挑战与智能制造的目标
1. 流程工业面临的挑战
随着我国流程工业的不断发展与壮大,同时也面临着许多严峻的挑战,主要体现在以下四方面。
(1)随着矿产资源的开采,难冶资源比例增大,特别是我国有色矿产资源禀赋富矿少,以及难选和难冶矿多、共伴生矿多的特点,因此如何高效综合利用国内的低品位共伴生矿产资源刻不容缓。
(2)随着环保标准的不断提高,由于流程工业整体排放体量大,环境保护的压力也不断增大,因此如何更好地改善环保水平,履行企业社会责任,迫在眉睫,急需加强绿色技术创新,加快流程行业绿色化发展。
(3)随着我国流程工业的不断发展,流程工业主要产品单位能耗也在不断降低,但由于体量大、能耗总量大,深度节能潜力也大,也极具挑战性。
(4)流程工业许多岗位,人力成本急剧攀升,也就人工智能与行业的深度融合。
上述挑战性问题,在我国流程工业中发展不充分、不平衡的矛盾十分突出,因此急需推动新一代信息技术与流程工业智能制造,推动以智能化为标志的流程工业智能制造,以人工智能为抓手,助力流程工业转型升级,突出绿色、高效生产的目标。
2. 流程工业智能优化制造
流程工业包含着一系列的物理化学反应,其物质转换和能量转移过程往往难以准确数字化;过程中物料往往无法标记跟踪,且存在物料循环利用与混合;生产包含多过程组合,连续生产,处理过程不可分割;特别是我国流程工业原料的多源与成分的多变,给生产过程带来组多不确定性。由于流程工业生产过程的上述特点,使得在其智能制造的模式上也与离散工业有着显著的不同。
根据流程工业生产的特点,其智能制造的核心是全流程整体优化,实现企业的智能优化制造;是 以企业全局及经营全过程的绿色化和高效化为目标,以智能生产、智能管理和全流程整体智能优化为特征,以知识自动化为核心的制造新模式。
全流程整体智能优化主要包含工艺优化、运行优化、资源与能效优化。
工艺优化主要包含工艺控制与设备使用知识模型、工艺参数优化、协同生产流程优化等。
运行优化主要包含计划、调度知识模型、全流程生产运行优化、全企业部门运作协同优化等。
资源与能效优化主要包含自动感知、处理、分析的内外部大数据知识模式,以及优化资源利用效率和全企业能效。
二、人工智能技术助力流程工业智能制造的案例分析
泡沫浮选是最主要的选矿方法,广泛应用于钢铁、有色金属、煤炭、化工、环保等工业部门。我国90%以上的有色金属是经泡沫浮现处理的,选矿水平的高低,将直接影响资源的回收率和环保。
浮选是以一定的工艺路线,在矿浆中加入浮选药剂,产生携带矿粒的稳定气泡,通过手机含矿的泡沫,提高原矿品味的过程。由于浮选过程流程长、工艺复杂;矿源频繁波动,工况多变;各工序过程操作量众多;精矿、尾矿及中间过程质量无法在线检测等原因,其生产过程主要是操作人员依靠经验对多工序多槽泡沫的视觉特征(大小分布、颜色、虚实等)进行综合关联分析,判断浮选和工矿状态,然后完后多槽药剂加量、液位、流量、鼓风量等的协调操作,如图1所示。
由于人的主观性强,分析判断误差大,且很难适应原料的变化,经常会造成工矿的不稳定,生产指标波动频繁,难以保证精矿产品质量,且带来药剂消耗大、资源回收率低、易产生环境污染等。利用分布机器视觉,同时检测多个浮选槽泡沫工矿,可有效应对工矿和矿源条件的变化,提高资源回收率,降低药剂消耗,降低排放,实现浮选过程的智能化。
1. 基于分布机器视觉进行浮选工矿智能识别、分析 、协调优化
基于分布机器视觉进行浮选工矿智能识别、分析 、协调优化框图如图2所示。
(1)提出了反映浮选工矿的泡沫图像敏感特征选择方法
基于泡沫对药剂变化的敏感性分析,根据泡沫与矿源和生产工矿的关系,确立了浮选泡沫尺寸、纹理、流动速度、颜色、稳定度和承载率等敏感特征集,并提出特征描述方法,为浮选工矿识别、分析与协调机制创造了条件。
(2)提出了融合分布机器视觉图像敏感特征、工艺机理和过程数据的生产指标预测方法
由于浮选过程金属品位难以在线分析,并且金属品位与泡沫特征、过程参数间关系十分复杂,严重制约了生产水平的提升。我们提出了融合泡沫图像特征、机理模型和数据的品位预测方法,如图3所示,,实现了精矿品位、尾矿金属含量的实时在线预测。
(3)浮选过程工矿识别是其稳定操作的基础
金准人工智能专家研究了不同工序机器人视觉特征与工矿之间的关系,提出了基于机器视觉特征的多种能够工矿智能识别方法,主要包括泡沫视觉特征与工艺参数融合的浮选入矿类型识别,以及基于泡沫大小动态分布特征的加药量健康状态自学习识别、基于多尺度泡沫特征和嵌入先验知识聚类的病态工矿识别等。
(4)提出了基于泡沫图像敏感特征分布的浮选全流程协调优化控制
协调优化是基于对不同工序泡沫图像特征的分析和工矿识别来确定每道工序最佳的泡沫图像特这,并通过工矿稳定运行在最佳状态,从而改变人工观察泡沫、手动调节的工作方式。具体如图4所示。
上述这些工作已应用于多年浮选选矿企业,实现了根据泡沫图像自动识别、分析、控制工矿的智能化操作,可有效提高精矿品位,提升浮选过程资源回收率,同时降低了排放,防止了环境污染,取得了很好的经济效益和社会效益。
从案例中可以看出,人工智能技术在流程工业智能化的进程中,是可以发挥重要作用,并能取得实际效果的。流程工业智能制造急需智能机器人、模式识别、智能系统、计算机视觉、图像处理、机器学习、知识发现、人机合作等众多人工智能技术与具体流程工业的深度融合,形成切实可行的解决问题的技术路线,以推动流程工业智能制造的发展。
2. 知识自动化
流程工业知识型工作。在现代流程工业企业中,许多体力劳动已经被机器所替代,企业的管理和控制的核心是知识型工作,主要依靠知识型工作者来完成,流程企业知识型工作所涉及的范围如图5所示。
由图中可以看出,在管理决策层,决策者主要根据管理经验、市场信息和企业运营状况进行决策;在计划调度层,调度员将根据调度经验协调各部门来制定生产调度计划;在运行优化层,工程师在机器旁凭知识经验对参数进行设定,下达各种操作指令。
但是,由上述知识型工作者完成的知识型工作面临着以下严峻的挑战。
(1)新要求。由于流程工业大型化、规模化生产,过程越来越复杂,难以建立精确模型;要求生产能敏捷地应对原料和产品市场等各种不确定性;同时,要应对环保、排放、质量、效益等方面的更新及更严格的要求。
(2)新环境。由于云平台、移动计算、互联网、大数据等的应用,数据种类和规模迅速增加,知识型工作者面临新的信息环境和海量信息往往感到无所适从。
(3)知识型工作严重依赖高素质知识型工作者;人工操作、决策存在主观性和不一致性,无法实现全流程整体优化;知识的推广、积累和传承都十分困难,知识型工作的机制急需改变。
面对上述挑战,金准人工智能专家认为,知识型工作必须实现自动化,即知识自动化。
流程工业知识的特点
流程工业主要包括机理知识、经验知识和数据知识。
(1)机理知识。反映工业生产那过程和本质规律,经过长时间研究证明正确的。它往往是以物理、化学、数学知识为基础,以公式、方程式等数学形式表示。
(2)经验知识。反映的是一段时间内人们对于操作和过程之间内在关联的认知,它往往表现为难以掌握、隐蔽性和非系统性,以规则、语义网络等形式描述。
(3)数据知识。反映的是当前操作的效果,直接来自于生产现场,往往以信号、数据等形式表示。
知识自动化的案例:生产调度过程知识自动化。
流程企业生产调度流程主要如图所示。
从图中可以看出,生产调度过程涉及企业的多个部门,除了整个调度流程外,每一个企业部门在流程中都是一个决策点,整个生产调度涉及到设备管理、经营管理、原料物流、能源供应计划调度等多方面的知识。在企业,由于生产调度涉及面广,其过程往往需要通过调度会议来协调冲突和矛盾。由此看来,由知识型工作者来完成的人工调度决策存在的问题是低效率、时间长、动态反应不及时、易出现决策错误等。生产调度过程知识自动化系统,主要完成决策流程的优化与自动化,在每个决策点上实施知识驱动的自动化决策,从而实现机器完成的生产过程知识自动化。
三、流程工业智能制造对人工智能技术的挑战
由上看到,人工智能技术完全能够助力流程功能工业智能制造的升级。但是同时金准人工智能专家提到,流程工业智能制造升级的需求,也对人工智能技术提出了新的挑战,这主要体现在以下三个方面。
(1)复杂工矿动态感知与知识发现。它主要涉及数据与知识相结合的运行工矿的动态感知,大数据环境下生产过程的知识发现与高效获取等。
(2)生产过程动态特性认知与知识关联。它主要涉及多时空动态数据的深度学习、流程工业知识关联建模与自学习方法,以及生产决策知识的融合与演化等。
(3)流程企业大数据环境下多目标优化决策。它主要涉及全流程动态性能评估与智能调整方法,以及不确定、开放环境下的人机合作决策与自学习等。
总结
目前,我国流程工业在很多方面与世界先进水平相比,正处于从大到强的关键时期,迫切需要通过生产全流程的智能化实现绿色高效生产,金准人工智能专家认为人工智能技术与流程工业的深度融合,可为流程工业智能制造提供强有力的支撑;同时也可促进人工智能技术的新一步发展,实现工业文明与生态文明的协调进步。