在化學制造業(yè)中，我們必須從細節(jié)和整體兩個方面來看待這一流程，以便找出效率低下的地方。通過使用基于流程的機器學習來分析生產(chǎn)干擾，我們有機會達到新的化學流程控制水平。

在化學制造業(yè)中，我們必須從細節(jié)和整體兩個方面來看待這一流程，以便找出效率低下的地方。通過使用基于流程的機器學習來分析生產(chǎn)干擾，我們有機會達到新的化學流程控制水平。

“生產(chǎn)干擾”一詞的意義各不相同，因為每個制造工廠都有獨特的運營結(jié)構(gòu)、原材料供應、機器配置和生產(chǎn)環(huán)境。

就本討論而言，生產(chǎn)干擾是指在化學生產(chǎn)流程中導致效率低下、計劃外停工、返工或報廢的任何意外事件，例如：

▲閥門泄漏

▲泵頭壓力下降

▲潤滑劑問題，例如起泡

▲軸承溫度不一致

減少生產(chǎn)干擾——預防性維護的悖論

多年來，資產(chǎn)維護中最受推崇的最佳實踐之一是預防性維護。預防性維護是通過定期進行資產(chǎn)維護來預防和避免故障或生產(chǎn)干擾。

此后，人們發(fā)現(xiàn)預防性維護在許多方面效率低下，導致：

▲冗余的計劃停機時間（高達40%的預防性維護成本花費在故障影響可忽略不計的資產(chǎn)上。）

▲設備的二次損壞——由侵入性檢查造成

▲過早/不合時宜的設備更換

▲材料浪費——潤滑劑、油、冷卻劑等

▲備件庫存過高

這些成本因素是促使制造商走向工業(yè)4.0的部分原因，更具體地說，是從預防性維護到預測性維護。

預測性維護無疑會改變游戲規(guī)則。與以前的維護策略相比，這是一個非常受歡迎的改進，并且正在迅速獲得認可，成為主導維護操作的最佳實踐。

預測性維護的重點是防止特定資產(chǎn)的機械故障。然而，生產(chǎn)干擾不一定是資產(chǎn)故障。

事實上，干擾通常是流程故障的結(jié)果，例如，水箱中的不規(guī)則冷卻（干擾因素）會在泵中產(chǎn)生高壓（干擾）。

這就要求對化學生產(chǎn)流程及其生產(chǎn)參數(shù)進行廣泛的檢查。對單個資產(chǎn)行為的狹隘關注會使生產(chǎn)流程的上下文背景偏離平衡。

預測性維護不是萬能的解決方案，不考慮流程的上下文背景將導致太多的誤報和大量警報，這些警報不能提供洞察力，并損害系統(tǒng)的可信度。

那么整體設備效率（OEE）呢？

另一個眾所周知的生產(chǎn)優(yōu)化方法是密切監(jiān)控整體設備效率（OEE）。

整體設備效率（OEE）的計算公式如下：

該方法是由Seiichi Nakajima（中島清一）在20世紀60年代開發(fā)的，作為最大限度提高可用性、性能和質(zhì)量的一種手段，同時也最大限度地減少了生產(chǎn)干擾。

OEE是一種自下而上的方法，讓操作員和技術人員“擁有”其分配的流程，目標是最大限度地減少六大損失：

1、設備故障損失

設備故障損失是指計劃生產(chǎn)時間內(nèi)設備損壞，停產(chǎn)維修造成的時間和產(chǎn)能損失。

2、輕度停產(chǎn)和閑暇損失

輕度停產(chǎn)和閑暇損失是指在生產(chǎn)操作中發(fā)生的意外狀況，例如有障礙物，輕微中斷等情況。

3、生產(chǎn)速度損失

由于設備運行周期慢導致設備運行速度降低，這意味著該設備無法實現(xiàn)最高產(chǎn)出量。

4、安裝和調(diào)試損失

安裝和調(diào)試損失往往是運行條件變化導致的，例如產(chǎn)品生產(chǎn)運行的初期設置，班次的變化，產(chǎn)品的變更，機器的移動，制造過程的調(diào)整等。

5、啟動/產(chǎn)量的損失

產(chǎn)量減少損失是由于從設備初期啟動時到穩(wěn)定生產(chǎn)這階段所產(chǎn)生的缺陷產(chǎn)品。

6、次品和返工損失

次品和返工損失是指生產(chǎn)不符合要求或產(chǎn)品存在缺陷導致產(chǎn)品需要重新加工或完善的行為。

解決方案：預測和預防流程干擾

專注于部署預測性維護或提高整體設備效率百分比可以導致次優(yōu)化。需要深入評估各個子流程對整個系統(tǒng)性能的影響。

這就引出了“化學流程控制”背后的核心概念：

使用自動化的根本原因分析、預測分析和假設模擬來預測和防止影響生產(chǎn)吞吐量的流程干擾。

雖然單個泵、電機或過濾器可能出現(xiàn)故障，但化學生產(chǎn)流程中的不穩(wěn)定性（流程干擾）往往導致故障。換言之，流程干擾是資產(chǎn)失效的根本原因。

為了解決這一復雜問題，我們需要考慮生產(chǎn)流程各個階段生產(chǎn)參數(shù)之間的關系。

使用基于流程的機器學習，我們可以發(fā)現(xiàn)過去無法檢測到的關系：

1、生產(chǎn)工廠被精確建模，以包括所有生產(chǎn)線、實物資產(chǎn)、制造階段和產(chǎn)品流程。

2、生產(chǎn)環(huán)境是通過特征工程添加的，這對于縮小現(xiàn)實制造環(huán)境和數(shù)據(jù)表示之間的差距至關重要。一旦數(shù)據(jù)被上下文化，機器學習算法就可以用來形成預測。在整個制造流程中，數(shù)據(jù)已由機器學習算法進行分析，這將導致對質(zhì)量水平、維護和供應鏈的準確預測。

3、人員和管理層及時獲得可操作的預測，以提高生產(chǎn)流程的績效。

通過使用考慮流程的機器學習算法，我們可以獲得上下文信息的環(huán)境預測警報。這對于化學流程優(yōu)化來說是一個巨大的機會，因為數(shù)據(jù)已經(jīng)在這一領域得到了較好的收集和存儲。

利用這些數(shù)據(jù)和基于流程的人工智能意味著能夠以極高的精度查明流程干擾的根本原因，并在故障影響生產(chǎn)之前對其進行預測。