在化学制造业中，我们必须从细节和整体两个方面来看待这一流程，以便找出效率低下的地方。通过使用基于流程的机器学习来分析生产干扰，我们有机会达到新的化学流程控制水平。
什么是“生产干扰”?
“生产干扰”一词的意义各不相同，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。
就本讨论而言，生产干扰是指在化学生产流程中导致效率低下、计划外停工、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
减少生产干扰——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进行资产维护来预防和避免故障或生产干扰。
此后，人们发现预防性维护在许多方面效率低下，导致：
- 冗余的计划停机时间(高达40%的预防性维护成本花费在故障影响可忽略不计的资产上。)
- 设备的二次损坏——由侵入性检查造成
- 过早/不合时宜的设备更换
- 材料浪费——润滑剂、油、冷却剂等
- 备件库存过高
这些成本因素是促使制造商走向工业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，并且正在迅速获得认可，成为主导维护操作的最佳实践。
预测性维护的重点是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，干扰通常是流程故障的结果，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)。
这就要求对化学生产流程及其生产参数进行广泛的检查。对单个资产行为的狭隘关注会使生产流程的上下文背景偏离平衡。
预测性维护不是万能的解决方案，不考虑流程的上下文背景将导致太多的误报和大量警报，这些警报不能提供洞察力，并损害系统的可信度。
那么整体设备效率(OEE)呢?
另一个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)的计算公式如下：
| 可用性X性能X质量= 整体设备效率 |
该方法是由Seiichi Nakajima(中岛清一)在20世纪60年代开发的，作为最大限度提高可用性、性能和质量的一种手段，同时也最大限度地减少了生产干扰。
OEE是一种自下而上的方法，让操作员和技术人员“拥有”其分配的流程，目标是最大限度地减少六大损失：
1. 设备故障损失
设备故障损失是指计划生产时间内设备损坏，停产维修造成的时间和产能损失。
2. 轻度停产和闲暇损失
轻度停产和闲暇损失是指在生产操作中发生的意外状况，例如有障碍物，轻微中断等情况。
3. 生产速度损失
由于设备运行周期慢导致设备运行速度降低，这意味着该设备无法实现最高产出量。
4. 安装和调试损失
安装和调试损失往往是运行条件变化导致的，例如产品生产运行的初期设置，班次的变化，产品的变更，机器的移动，制造过程的调整等。
5. 启动/产量的损失
产量减少损失是由于从设备初期启动时到稳定生产这阶段所产生的缺陷产品。
6. 次品和返工损失
次品和返工损失是指生产不符合要求或产品存在缺陷导致产品需要重新加工或完善的行为。
解决方案：预测和预防流程干扰
专注于部署预测性维护或提高整体设备效率百分比可以导致次优化。需要深入评估各个子流程对整个系统性能的影响。
这就引出了“化学流程控制”背后的核心概念：使用自动化的根本原因分析、预测分析和假设模拟来预测和防止影响生产吞吐量的流程干扰。
将焦点转移到流程上
虽然单个泵、电机或过滤器可能出现故障，但化学生产流程中的不稳定性(流程干扰)往往导致故障。换言之，流程干扰是资产失效的根本原因。
为了解决这一复杂问题，我们需要考虑生产流程各个阶段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：
- 生产工厂被精确建模，以包括所有生产线、实物资产、制造阶段和产品流程。
- 生产环境是通过特征工程添加的，这对于缩小现实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。在整个制造流程中，数据已由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。
化学流程控制——通过人工智能优化
通过使用考虑流程的机器学习算法，我们可以获得上下文信息的环境预测警报。这对于化学流程优化来说是一个巨大的机会，因为数据已经在这一领域得到了较好的收集和存储。
利用这些数据和基于流程的人工智能意味着能够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对其进行预测。
