在预测分析中使用的机器学习和人工智能(AI)等先进软件技术可以发挥工业流程工程师的优势，同时利用领域专业知识。借助人工智能软件工具，流程工程师可以识别风险、机会和未来结果，以更好地扩大运营规模。此外，虽然今天的软件特性增强了易用性和可通过Python等编程语言扩展的无代码实现，但流程工程师仍然可以依靠产品专家，结合他们自己的领域专业知识来挖掘数据并利用分析来改进操作。
最近，一家中型水务公司使用基于人工智能的预测分析软件，提前16天预测了水泵故障。这是在没有编写任何代码和使用现成的历史数据的情况下实现的。导致泵故障的部件是一个容易腐蚀的关键螺栓，然而，根据其位置进行目视检查具有挑战性。当螺栓被腐蚀时，其螺纹会松动并失去接触，使叶轮摆动。这种运动产生的额外振动会对电机及其联轴器造成更大的损坏。最终，螺栓头会分离，导致叶轮从壳体脱落，造成灾难性的故障。
不幸的是，这个便宜的螺栓使这个昂贵的泵出几个星期的委员会。使用预测分析软件和经过训练的数据模型，现在可以监测振动信号的模式和变化，并且可以检测到未来的故障。水务公司现在有两周的时间来安排预防性维护，而不是浪费资源在计划外的停机时间，导致只有一天的中断，而不是几周。
数据的价值
水务公司不缺乏实时和历史数据。然而，从这些数据中获取价值以简化法规遵从性、降低成本和提高效率意味着使用分析作为优化的基础。
幸运的是，机器学习和分析的成功之旅并不意味着流程工程师需要成为数据科学家。经过验证的流程和软件技术使得每个工业组织都可以进行分析。
流程工程师具有将流程模型或流程数字双胞胎组合在一起的领域专业知识，并且能够解释模型。这是通过分析提高竞争优势和成功的基础。
为了推动分析和改进流程，工程师可以将领域专业知识与以下五种能力结合起来:
- 分析:自动识别根本原因加速持续改进
- 监控:早期预警减少停机时间和浪费
- 预测:积极主动的行动提高质量、稳定性和可靠性
- 模拟:假设模拟以较低的成本加速准确的决策
- 优化:优化流程设定值可在可接受的质量下提高高达10%的吞吐量
人工智能和机器学习提高优化
工艺优化是水务事业的关键，控制回路是关键的组成部分。不协调的循环会影响水是否符合规格、化学品使用和能源消耗，并最终增加不合规的风险。人工智能和机器学习可用于改进和优化控制循环，从而节省大量成本并降低风险。
过程控制器的一种简单形式是恒温器，它根据给定的设定值来维持房间的温度。它作为一个闭环控制装置，试图将室温与理想温度之间的差异最小化。工业版本是比例积分导数(PID)控制回路，是每个工艺应用的重要组成部分。PID循环已经存在很长时间了。回路控制器可以作为独立的设备，称为单回路控制器，但最常见的版本是驻留在可编程逻辑控制器(PLC)或分布式控制系统(DCS)中的一段代码。它可以更容易地组合它们来创建高级控制图，如级联或前馈控制，或复杂控制所需的分割范围。
一个例子是活性污泥处理厂曝气段的溶解氧控制，这对出水水质、处理效率和能源使用以及鼓风机等设备的寿命和磨损具有核心影响。
分析可用于监控和优化废水工艺中PID控制回路的性能和整定(例如，溶解氧控制)，以减少工艺变化，补偿干扰，并确保工艺运行接近最佳状态。这可以提高设备寿命、污水质量和处理效率，并在一定限度内提高能源使用。
对于流程优化，分析解决方案需要提供多种功能:流程建模和故障排除，以及在线部署和实时监控。当数据准备好、可视化并基于规则时，就可以构造数据驱动的流程模型。使用这些模型，可以确定工艺偏差的根本原因，从而优化工艺。
传感器健康是关键
预测分析的应用是无穷无尽的，但作为可能的第一步:工程师可以使用分析来监控
传感器的健康。
糟糕的传感器数据可能意味着化学品剂量问题、资产停机时间、合规问题和安全风险，以及持续改进计划的脏数据基础。水务公司需要有良好的数据，可以用于运营、临时分析和更高级别的分析。
随着时间的推移，传感器倾向于偏离，影响流程和操作。在风险增加之前手动确定传感器是否以及为什么工作或故障是非常耗时的。工程师可以使用预测分析应用程序来持续监测和分析传感器数据。用户可以锁定异常并将其潜在影响降至最低。分析应用程序提供了一种简单的方法来自动检测不良传感器，其中数据偏离正常情况。当检测到异常时，该应用程序可以生成警报，以加快维修、更换和重新校准。通过使用预测分析来监控传感器的健康状况，工程师可以:
- 减少停机时间传感器通常用于提供设备是否正常运行的指示。不正确的读数会导致设备故障或损坏。早期检测不再提供准确或一致结果的传感器可以提供高级警告，使维护人员能够在最坏的情况发生之前更换或重新校准传感器。
- 提高合规:传感器常用于测量一个过程的周围环境是否符合规格。如果所使用的传感器不准确或不能正常工作，则可能导致工艺不符合规范，从而引入不合规风险。
- 确保传感器数据质量:确保下游分析中的数据质量是物联网(IoT)推动的改进的一部分。如果目的是在流程中更高级地使用分析，那么确保数据质量的需求是至关重要的。
全面的分析解决方案开发环境提供了可视化的分析构建模块，用于构建和测试计算、预测分析和实时优化
控制解决方案与实时和历史数据源的连接，以及对丰富的功能库的拖放访问。
即插即用连接到历史和实时数据源以及自动化系统，可实现更快的配置。内置的数据质量支持使得实时数据清理和验证变得容易。
工程师应该能够将分析解决方案保存为可重用的模板，以便轻松部署到类似的资产或流程单元。此外，虽然分析故障排除组件应该使工程师能够通过分析引导的数据挖掘和流程性能故障排除更快地找到答案，但开发/配置功能应该允许他们更容易地将专家知识和最佳实践捕获到高价值的分析模板中，以便在企业范围内快速部署。
在数字化转型的世界中，所有自动化和流程工程师都可以也需要发展分析和机器学习的能力，以保持个人层面的竞争力，并帮助他们的工业组织。
随着时间的推移，工程师可以通过深入应用分析，从小项目到试点，再到广泛的优化。工程师深厚的领域专业知识为建模流程和开发在特定应用程序中改变游戏规则的分析提供了基础。应用分析技术与这些流程双模型的结合揭示了持续改进的隐藏机会。