人工智能是必经之路

文/Dr. Stefan Pauli，Wolfgang Köck

本文作者供职于VTU工程公司。

人工智能项目——石化企业仍然对设立人工智能项目犹豫不决，高昂的投资成本、巨大的努力和缺乏经验成为阻碍人工智能项目发展最大的障碍。本文将通过实际案例展示人工智能项目如何通过一小步的改变取得成功。

据德国信息技术、电信和新媒体协会Bitkom，于2020年进行的关于"德国学习人工智能"的研究显示，仅14%的化学和制药公司使用人工智能（AI）或机器学习技术。根据Bitkom当前的研究，接受调查的公司认为使用人工智能的最大障碍分别是：高投资成本（59%）、数据保护（50%）和安全（46%）要求以及缺乏应用实例（45%）。VTU工程公司主张对数据科学项目采取循序渐进的方法，以谨慎对待计算机科学的这一创新子领域。究竟应当如何踏出第一步？哪些项目可以成为人工智能试点项目？为了更好地理解和分类，本文将介绍2个来自VTU工程公司在实践中的数据科学项目。

在数据分析领域引入机器学习概念，以轻松优化流程并可对数据进行持续性研究。在一个工艺装置中，往往对压力进行监控。为可靠地防止装置超压，现场一般需要安装紧急泄放阀。基于人工智能的数据分析方法，有助于判断必要的紧急措施，以便确定紧急泄放阀是否应该打开。出于经济和生态环境方面的考虑，紧急泄放阀是否需要打开要保持在尽可能低的水平。对过去3年的生产数据进行调整和合并后进行数据分析，并开始对紧急泄放阀打开前后介质流速、介质压力和阀门控制器的数据进行深入研究。借助人工智能算法（k-means），3种典型的行为会被自动识别并归类。

在数据科学家和工艺工程师的紧密合作下，压力超压的3个原因被确定下来。经过10天的数据分析，人们可以明确有哪些措施需要将紧急泄放阀开启，并将开启的频率降低到原来的1/4。通过这种方式，不仅可以大大减少工艺介质的损失，同时还可以减少空气污染。

混合物的优化

VTU实践中的另一个例子，是一个必须保持一定混合比例的设备，其中的混合物由一种昂贵的成分和一种廉价的成分组成。为了始终保证在任何时候昂贵物质剂量始终高于所需的最低含量，该物质通常被超量1%使用。而这1%过量用药的费用每年加起来高达几十万欧元。数据分析可减少昂贵物质含量的波动并最大限度地减少过量使用。

为了进行数据分析，一整年的生产和实验室数据被整合、合并成一个数据包。随后，研究人员开发了一种机器算法，该算法可以预测昂贵物质的含量。此外，此算法还找出了进行预测所需的重要参数。在本案例中，有大约100个不同的参数，这些参数都可能是非常有用的。得益于重要参数的可视化，通过与工艺专家合作，可以确定新的工艺方法，具有针对性地对物质含量的波动进行研究，并显著减少昂贵物质的超量使用。最终经过20天的数据分析，每年节省了近20万欧元的开支。

快速入门的分步方法

以上2个例子表明，人工智能算法会事半功倍。循序渐进的方法的好处是可以避开最大的障碍，因为离线分析既不需要高额的初始投资，也不需要复杂的数据保护措施，并且公司还可以在自己的生产中创建一个应用实例。

循序渐进的方法已在数据分析项目中得到证明，然而还必须为每个步骤定义目标，并在必要时通过研讨会进行技术探讨。在确定了明确和可衡量的目标后，根据数据科学、数据工程、工艺知识或数据安全方面专家的要求，组建一个跨学科团队。理想情况下，项目以敏捷的方式进行，公正地对待项目的探索性特征。然后根据GxP的要求，对算法进行验证。最后，对之前定义的可衡量的成功标准进行验证，以便以一种可衡量的方式为大家展示项目的成功。经验表明，循序渐进的方法为所有尚未使用人工智能或机器学习的化学和制药公司提供了进入人工智能支持生产的低门槛。因此，可以预计，超过14%的公司将很快成功使用这种面向未来的技术。