#工业前“言”# 让工业减碳用上“机器学习”

2024年05月23日

多年来，节能减碳一直是炼油厂和石化厂的重要任务目标。数据显示，2021年化工生产和炼油约占能源相关二氧化碳(CO2)排放量的11%，约占所有工业能源相关二氧化碳排放总量的38%，这些碳排放可能会带来重大的健康和环境风险。

加强排放监测，及时获取识别、处理和减少排放所需的必要数据，对减轻危害影响，并最终创造更清洁、更安全的环境至关重要。然而，通过传统的监测方法，无法获取深入的数据洞察，以进行主动环境改善。

值得欣喜的是，借助最新技术，我们能够帮助运营人员优化流程并最大限度地减少碳排放。在近期的某项应用案例中，施耐德电气便为监控某真空蒸馏装置的六个碳排放源，部署了定制化的、近乎实时的机器学习模型，实现了减少碳排放的目标。

真空蒸馏装置广泛应用于化学和药物生产、原油精炼、精油和香料制造、食品加工、超纯水或脱盐水所需的热基水生产等不同行业。施耐德电气建立的机器学习模型利用AVEVA PI连接器实现每5分钟分析一次数据流，从而对二氧化碳排放潜在偏差的产生及时反馈。这使操作人员能够迅速做出反应，调查根本原因，并进行有针对性的调整，以优化流程并最大程度减少二氧化碳排放。

上述模型不仅适用于真空蒸馏装置，还可以迁移到不同工业流程，从而减轻对环境的影响，同时提高运营效率，助力工业迈向更加可持续的未来。

利用机器学习预测碳排放

要实现近乎实时的二氧化碳跟踪，基本步骤包括：验证运行数据、确定排放基准、利用机器学习(ML)算法来预测排放、标记不同运行状态下的事件、进行根本原因分析。在项目执行阶段，项目组专家将协助处理运行数据的验证和纠正，同时提供过程解读。随后，数据科学家专注于特征工程(Feature Engineering)、选择机器学习算法，并确定度量方法。

最终，机器学习算法可以根据具体的工厂运行条件来预测关键运行参数。

图1：基于真空进料和燃烧器内燃气的异常值进行在线检测

在图1(上图)中，初步识别了基于真空进料和燃烧器内燃气的异常值。异常值指与数据集中其他值存在异常距离的观测值，显示为紫色线，数值为1。正常值指数据集中的典型观测值，用数值0来表示。

然后，在剔除历史数据中的异常值后，基于清理后的数据训练ML模型，并通过ML模型每五分钟预测一次关键操作参数。在图2(下图)中，一些预测的KPI关键绩效指标与测量结果密切吻合，表明运行正常，而另一些指标则显示出明显偏差。这些操作有助于我们预见潜在问题。

图2中还监测了数据漂移，反映出统计属性随着时间的变化，并使用曲线下面积(AUC)指标进行评估。其中，AUC接近0.5表明漂移最小，接近1则表示漂移更显著，而JS散度(Jensen Shannon Divergence)用于衡量漂移对模型性能的影响。这些评估有助于确保模型在运行条件随时间变化时，保持准确可靠。

图2：关键运行参数的一日预测

使用机器学习查找偏差

在图3中，ML模型确定了影响目标结果的关键因素，以便对偏差进行根本原因分析。通过不断实时更新和排序重要特征，为排放的控制决策提供洞察。该数值表示某个特征的重要性，值越大，影响越大。

图中还展示了特征重要性随时间变化的平均值、最小值、最大值以及趋势。有了这些数据，我们就能及时干预，并抓住改善过程控制、性能和减排的机会。

图3：关键运行参数的预测模型与实测结果之间的偏差分析

将先进的机器学习模型与AVEVA PI System运营大数据管理平台相集成，可使企业最大限度地发挥运营数据的潜力。如图4所示，该集成提供了可操作的洞察，以优化装置性能，并实现数据驱动的决策。通过使用历史数据分析后的模型，企业可以进行实时预测，检测偏差和潜在的根本原因，从而提高性能，降低成本并获得竞争优势。

集成过程简便、易操作，仅需以下几步即可完成：

1. 设置虚拟机或云端环境;

2. 配置PI系统，以实现实时的数据存储和通知管理;

3. 配置Python环境，并创建必要的文件;

4. 设置通用文件和流加载器的PI连接器，以便将外部源数据直接导入AVEVA PI System运营大数据管理平台。

所有这一切都确保了无缝、高效的集成。