人工智能.png" style="margin: 0px auto; width: 600px;" alt="人工智能.png" width="600" height="" border="0" vspace="0">

　　圖片來源：AspenTech

　　作者 | Mike Brooks

　　人工智能和機器學習幫助用戶從過程傳感器收集更復雜的數(shù)據(jù)，以獲得更深入的見解。

　　數(shù)據(jù)無處不在，但它們是從何而來?第一個現(xiàn)代傳感器始于1860年，當時Wilhelm von Siemens使用了銅電阻器來測量溫度。根據(jù)這一想法，在1883年誕生了第一個恒溫器，這就是被普遍承認的第一個人造傳感器。

　　從那時起，我們看到這種設(shè)備大量涌現(xiàn)，尤其是在制造過程的測量和控制領(lǐng)域。隨著傳感器被應用于運輸和消費市場，傳感器的復雜程度及其定價發(fā)生了巨大變化。與此類似，它們在測量和控制過程中的部署性質(zhì)也發(fā)生了變化，過去是在人為的計算或邏輯(如在比例、積分和導數(shù)(PID)控制)中對傳感器信號進行相當簡單的組合。

　　在此之后，是支持仿真和過程優(yōu)化的計算機應用程序。過去幾年里，在人工智能(AI)和機器學習(ML)的驅(qū)動下，出現(xiàn)了具有高度技術(shù)能力的創(chuàng)新技術(shù)。其結(jié)果是在多個維度上對數(shù)據(jù)流進行更為復雜的合并，以及用時間來學習行為模式，而不是用基于工程第一原理和統(tǒng)計的計算數(shù)字模型來估計行為。程序正在由機器編寫，而不是人類。

　　01

　　基于AI技術(shù)的過程傳感器

　　物聯(lián)網(wǎng)(IoT)的出現(xiàn)催生了互聯(lián)事物的巨大增長。根據(jù)美國國家科學基金會(NSF)的數(shù)據(jù)，物聯(lián)網(wǎng)有望連接500億個智能設(shè)備和1萬億個傳感器。其中，傳感器和AI/ML技術(shù)最廣為人知的應用也許是在機動車輛中，尤其是電動汽車。例如，Tesla model 3 中的自動駕駛系統(tǒng)配置了8個攝像頭，12個超聲波傳感器和前向雷達，以讀取車道線并檢測附近的汽車。

　　過程制造行業(yè)一直在開發(fā)這種基于AI和ML中的傳感器的新用途，以更好地測量資產(chǎn)和過程的狀況，包括從機器及其周邊設(shè)備傳感器上收集的數(shù)據(jù)流中學習它們的明確行為。它可以取代舊的技術(shù)，從而實現(xiàn)更簡單、更快的部署，以及更高的準確性和結(jié)果，而不需要高強度的工程技能。最好的應用可以抽象數(shù)據(jù)科學，使工廠的普通工人在不需要大量學習的情況下就能實施復雜的策略。

　　從單點測量和簡單的邏輯表達式，轉(zhuǎn)變?yōu)槊扛魩追昼娛占淮巫詣咏M合的數(shù)據(jù)流。使用AI/ML以多維/時序的方式來處理數(shù)據(jù)，可以開發(fā)出更多維度的行為模式，要遠遠高于人類所能感知到的。該技術(shù)非常清楚地看到了這些模式，以識別明確的行為，知道什么是正常的，什么是異常的，以及設(shè)備和過程退化的實際模式是什么：如果不加以管理，將會導致糟糕的結(jié)果，并可能導致資產(chǎn)故障。

　　02

　　制造業(yè)數(shù)據(jù)的關(guān)鍵性

　　現(xiàn)實情況是，這些部署都是數(shù)據(jù)驅(qū)動的解決方案。沒有數(shù)據(jù)就意味著沒有解決方案。這讓用戶想知道需要多少數(shù)據(jù)以及需要哪些數(shù)據(jù)?

　　以一個礦山的大型泥漿泵為例，該泵配備了4個傳感器來測量：輸入壓力、輸出壓力、流體溫度和電機電流。在這種情況下，通過預測性維護解決方案可以提前兩周獲悉電機將出現(xiàn)故障。

　　另一個例子，煉油廠的一個大型充油泵有50個傳感器，包括上游和下游的過程測量，還有位于機器上的、包括諸多振動傳感器在內(nèi)的機械傳感器。在這種情況下，預測性維護解決方案提供了降級的即時通知，以及16周內(nèi)即將發(fā)生故障的通知。

　　因此，基于ML的傳感器分析可以在只配置少數(shù)傳感器的情況下有效工作，如果使用更多和更高質(zhì)量的傳感器，其準確性會有效得多，預警也會更早。由于最關(guān)鍵的資產(chǎn)通常已經(jīng)配置了很多傳感器，因此很少需要添加新的傳感器。

　　從檢測到的傳感器數(shù)據(jù)也可以預測即將發(fā)生故障的模式。它與故障的根本原因和精確的故障模式有一一對應的關(guān)系，需要選擇合適的傳感器組，才能開發(fā)這些精確的模式。

　　在這種情況下，良好的傳感器選擇指南可以給出檢測特定故障(如泵或壓縮機上的軸承故障)所需的精確集合。持續(xù)監(jiān)測所選的傳感器可以通知是否出現(xiàn)明顯的退化模式，并發(fā)出高級警告。

　　03

　　過程傳感器的未來

　　多年來，過程傳感器類型和可用性不斷變化。它從簡單的溫度、流量、壓力和液位傳感器開始。現(xiàn)在，有復雜的產(chǎn)品質(zhì)量分析儀傳感器，如粘度、含水量、固體、顏色和重量，甚至在線質(zhì)譜儀，可以提供完整的產(chǎn)品細分。所有這些，在過程和設(shè)備監(jiān)控的預測分析中都很有用。

　　此外，新興的傳感器測量領(lǐng)域也可以提供額外的幫助。想想有經(jīng)驗的運行人員，他們通過監(jiān)聽設(shè)備發(fā)出的聲音，就可以對設(shè)備行為有深刻的理解。在人類聽覺范圍內(nèi)、外的新型聲學傳感器也能有所幫助。麥克風安裝起來很便宜，而且不需要安裝在機器上。使用視頻和高性能圖形計算，來解釋氣體含量甚至氣味的高光譜成像應用也有所發(fā)展。

　　這種設(shè)備可以取代舊的分析儀，例如在熔爐和煙囪中，以查看和測量溫度和廢氣成分。另一種是解釋光纖電纜上的振動，比如承載電話的電纜，以檢測溫度、接近度和入侵者。電纜安裝是非侵入性的(只需要靠近)，是檢測泄漏和盜竊的一個非常有價值的應用，在周界圍欄上，可以檢測到任何靠近的事物。

　　這些只是預測分析依賴復雜傳感器進行過程和設(shè)備監(jiān)控的幾個例子。未來，這些傳感器的新用途將充滿潛力和令人興奮。

　　關(guān)鍵概念：

　　■ 過程傳感器正在不斷發(fā)展，為過程和設(shè)備監(jiān)控提供預測性分析。

　　■ 人工智能和機器學習幫助用戶從過程傳感器收集更復雜的數(shù)據(jù)，以獲得更深入的見解。

　　思考一下：

　　您工廠都采用了哪些先進的過程傳感器?