在化学制造中，我们必须从细节和全局的角度来审视过程，以确定效率低下的地方。通过使用基于过程的机器学习来分析生产干扰，我们有机会实现新的化学过程控制水平。什么是“生产中断”？“生产中断”一词的含义各不相同，因为每个制造工厂都有独特的运营结构、原材料供应、机器配置和生产环境。就此讨论而言，生产干扰是化学生产过程中导致效率低下、计划外停机、返工或报废的任何意外事件，例如：阀门泄漏泵头压力下降润滑剂问题，例如起泡轴承温度不一致生产中断-预防性维护的悖论多年来，资产维护中最受推崇的最佳实践之一是预防性维护。预防性维护是通过定期对资产进行维护来预防和避免生产中的故障或中断。从那时起，人们发现预防性维护在很多方面都无效，导致：冗余的计划停机时间（高达40%的预防性维护成本花在了故障影响可以忽略不计的资产上。）设备的二次损坏–侵入式检查导致设备过早/不及时更换材料浪费-润滑油、机油、冷却剂等备件库存过多这些成本因素是推动制造商走向工业4.0的部分原因，更具体地说是从预防性维护到预测性维护。预测性维护是答案吗？预测性维护无疑会改变游戏规则。与以前的维护策略相比，这是一个非常受欢迎的改进，并且很快被接受为主导维护操作的最佳实践。预测性维护侧重于防止特定资产的机械故障。然而，生产干扰不一定是资产故障。事实上，干扰通常是过程故障的结果，例如，水箱中的不规则冷却（干扰因素）会在泵中产生高压（干扰）。这需要对化学生产过程及其生产参数进行广泛的检查。狭隘地关注单个资产的行为会使生产过程的环境失去平衡。预测性维护不是灵丹妙药，不考虑过程的上下文将导致过多的误报和大量警报，这些警报无法提供任何洞察力并损害系统的可信度。整体设备效率(OEE)怎么样？另一种众所周知的生产优化方法是密切监控整体设备效率(OEE)。整体设备效率(OEE)的计算方式如下：可用性X性能X质量=整体设备效率这种方法由SeiichiNakajima在1960年代开发，作为最大化可用性、性能和质量的一种手段，同时还能最大限度地减少生产中断。OEE是一种自下而上的方法，它允许操作员和技术人员“拥有”他们指定的流程，目标是将六大损失降至最低：1.设备故障损失由于停机维修而造成的损坏、时间损失和生产力损失。2.小停工失闲小停工损失是指生产运行中出现不可预见的情况，如障碍物、小中断等。3.生产速度损失由于设备速度慢导致设备运行速度降低周期时间，这意味着设备无法达到最大输出。4、安装调试损失安装调试损失往往是由于操作条件的变化引起的，如产品生产作业的初始设置、班次的变化、产品的变化、机器的移动、制造工艺的调整等。5、启动-up/yieldloss良率降低损失是指从设备初始启动到稳定生产阶段的缺陷产品。6、缺陷和返工损失缺陷和返工损失是指生产不符合要求或产品存在缺陷，需要对产品进行返工或完善的行为。解决方案：预测和防止流程中断专注于部署预测性维护或提高整体设备效率百分比可能会导致次优化。需要深入评估各个子流程对整体系统性能的影响。这引出了“化学过程控制”背后的核心概念：使用自动化根本原因分析、预测分析和假设模拟来预测和防止影响生产吞吐量的过程中断。将重点转移到过程虽然单个泵、电机或过滤器可能会发生故障，但化学生产过程中的不稳定性（过程干扰）通常会导致故障。换句话说，过程干扰是资产故障的根本原因。为了解决这个复杂的问题，我们需要考虑生产过程各个阶段的生产参数之间的关系。使用基于流程的机器学习，我们可以发现过去无法检测到的关系：生产工厂被准确建模以包括所有生产线、实物资产、制造阶段和产品流。生产环境是通过特征工程添加的，这对于弥合真实世界制造环境和数据表示之间的差距至关重要。一旦数据被上下文化，机器学习算法就可以用来形成预测。在整个制造过程中，数据已通过机器学习算法进行分析，这将导致对质量水平、维护和供应链的准确预测。人员和管理层及时获得可操作的预测，以提高生产流程的绩效。化学过程控制-通过人工智能优化通过使用考虑过程的机器学习算法，我们可以获得上下文相关的上下文预测警报。这是化学过程优化的巨大机会，因为数据已经很好地收集和存储在这个区域。使用基于流程的AI来利用这些数据意味着以极高的精度查明流程干扰的根本原因，并在故障影响生产之前预测故障。
