艾斯本技術有限公司高級總監Adi Pendyala
艾斯本資深高級解決方案咨詢顧問竺建敏博士

工業人工智能（簡稱工業AI）正在強勢發展，助力企業逐一實現數字化轉型。了解企業架構對于開啟數字化轉型之路至關重要，可幫助企業掌握AI模式的精髓，最終實現企業所有業務流程的數字化。許多資本密集型企業正在自主研發工業AI和可持續發展戰略以引領未來工廠的建設。AI和可持續發展理念是相互促進和協同作用的，具有相同的驅動因素，通過實現更安全、更環保、更持久和更快速的運營，以創造一個更卓越的未來工廠。

圖1 – 工業AI將數據科學及人工智能與軟件及專業領域知識相結合

資本密集型企業的工業AI應用案例

為了克服人工智能應用的障礙，人們開始逐漸重視將AI應用大眾化，并以針對行業挑戰和業務成果為重點。這就是我們使用工業AI模式的初衷，它可以將數據科學及人工智能與軟件及專業領域知識相結合，為資本密集型企業的特定業務需求全面地提升業務成果。

IoT Analytics在《工業AI市場調查：2020-2025年》報告中，介紹了33種采用AI工具與技術為工業企業實現數據源與資產連接的不同案例。該報告預測，到2025年，全球工業AI市場規模將從2018年的逾110億美元擴大至2025年的725億美元。該機構歸納出了以下三大工業AI應用案例。

首先, 預測性維護占據2019年工業AI總市場24%以上，它利用先進的分析技術和機器學習來監測單一或整體資產的運行狀態，從而對資產維護的執行時間進行準確預判。

質量、可靠性和安全保證在工業AI應用案例中占第二位，占據總市場的20.5%，它所面臨最重要的挑戰就是幫助決策者凌駕于設備水平之上，并能準確預測整個系統的未來資產性能，從而使決策者做出經濟效益最大化的商業決策。

位居第三的是流程優化，這可能是最受關注的應用案例類別，但同時也是最難以實施的應用案例之一。它涉及到多種基于AI的跨系統能力：自動執行重復的人工任務；支持完成跨多個應用的實時決策；在不同的業務維度上延長資產生命周期并對價值鏈進行優化。該應用案例使用了先進機器學習方法，包括強化學習和復雜的深度學習神經網絡，可從不同的數據源、資產和工藝流程中獲取信息和洞察力。

AI與可持續發展的強強組合

在我們展望工業運營新常態時，安全性和可持續性被認為是資本密集型企業中最重要的兩個業務維度。例如，采用預測分析可以大大降低意外的火炬燃燒排放發生。據世界銀行估算，全球每年因火炬燃燒排放而產生的二氧化碳高達3.5億噸以上，相當于大約90座燃煤發電廠的總排放量。要顯著地減低排放就要提升設備的可靠性，從而消除計劃外停機和隨之帶來的意外火炬燃燒排放。此外，預測性維護還能有效提高安全性，化學安全委員會（CSB）表示，煉油行業中有50%的安全事故是由計劃外開停機造成的。

最近，中國藍星集團部署了艾斯本軟件，借助嵌入式人工智能技術加速數字化轉型。此次戰略合作幫助藍星在其特種化學品業務中實現重大的生產優化。通過對所有關鍵設備進行預測性和規范性的系統維護分析，可以及早預測到過程偏差，從而避免了產品質量問題并減少計劃外停機時間。通過加速其數字化轉型進程，藍星得以應對易變性、不確定性、復雜性和模糊性（VUCA）的全球市場，充分利用全球資源，把握市場機遇。

環保法規、能源與水資源保護、空氣質量以及氣候變化是工業界最關心的幾大問題。塑料循環經濟對可回收塑料的生產和擴大應用提出了一系列整體解決方案，從而節約資源、保護環境。企業利用AI和機器學習的分析得出的洞察力解決方案，可以進一步開發可再生能源項目，如生物乙醇、生物柴油、碳捕獲、太陽能和風能項目。長此以往，企業就有能力在減少資本投入的同時提高盈利能力及可靠性。在工業運營中采用碳捕獲技術以減少對氣候變化的影響是另一個重點領域。

工業AI即將騰飛

一般來說，節約成本會促使企業提高生產效率。然而，考慮到排放量和資源使用問題，企業現在正在尋求更具體的工藝指標。他們還將注意力集中在降低生產單位產品的廢棄物與排放量，以及通過數字技術提高生產效率。在流程工業中，復雜的互聯資產、工藝過程和系統的實際操作性能是由資產的設計特征及能力（工藝限制）所決定的，這些資產模型的特征和能力一般取決于工藝流程的物理化學性質。

工業AI，正如以前的多變量和自適應控制能力一樣，通過獲取更深入的洞察力，可以在物理和化學工藝流程和工藝設計約束條件下更好地運營資產。國際能源署（IEA）發現，工業AI和數字化解決方案可以使工業運營的能效提高30%。下一代資產優化解決方案將應對包括可持續發展目標的內在的各項挑戰，提供可視化、分析性和更高的洞察力。