20BC105A0AYNANC0 К счастью, благодаря последним технологиям, мы можем помочь операторам оптимизировать процесс и минимизировать выбросы углекислого газа. В одном из последних прикладных случаев, когда schnider electronic осуществляла мониторинг шести источников выбросов углерода в вакуумном перегоновом устройстве, была введена модифицированная, почти реалистичная модель обучения машин, что привело к сокращению выбросов углерода.
Вакуум-дистилляция широко применяется в различных отраслях промышленности, таких как химическое и фармацевтическое производство, очистка сырой нефти, очистка эфирных масел и специй, пищевая обработка, переработка чистой воды или производство тепловой воды, необходимой для опреснения воды. Модель машинного обучения, построенная шнайдером, использует AVEVA PI для анализа потоков да20BC105A0AYNANC0 нных каждые 5 минут, таким образом создавая своевременную обратную связь с потенциальными отклонениями выбросов co2. Это позволило оперативникам быстро реагировать, исследовать основные причины и проводить целевые корректировки для оптимизации процесса и минимизации выбросов co2.
Вышеуказанные модели применимы не только к вакуумным дистилляционным установкам, но и к различным индустриальным процессам, которые смягчили бы воздействие на окружающую среду и в то же время увеличили бы эффективность работы и способствовали бы более устойчивому будущему.
Для достижения почти реального отслеживания co2 базовые шаги включают в себя проверку данных об эксплуатации, определение базовых показателей выбросов, использование алгоритмов машинного обучения (ML) для прогнозирования выбросов, маркировки событий в различных режимах работы и анализа фундаментальных причин. На этапе реализации проекта экспертам по проекту будет оказана помощь 20BC105A0AYNANC0 в обработке проверки и корректировке данных о ходе работы, а также в предоставлении процесса интерпретации. После этого ученые по данным сосредоточились на характерной инженерии (Feature Engineering), на выборе машин для изучения алгоритмов и определения методов измерения.
На рисунке 1 (выше) было определено аномальное значение газа, основанного на вакуумном питании и горелке. Аномальные значения относятся к наблюдениям на аномальных расстояниях от концентрации данных, которые показывают фиолетовую линию с числовым значением 1. Согласно централизованным каноническим наблюдениям, индекс нормализации был представлен в числах 0.
Затем, после удаления аномальных значений в исторических данных, основанных на очищенной после обработки модели ML и предсказании ключевых операционных параметров через ML-модель каждые пять минут. В графе 2 (ниже) некоторые прогнозируемые показатели деятельности KPI тесно совпадают с показателями измерений, которые показывают, что они функционируют нормально, в то время как другие показатели показывают существенные отклонения. Эти операции помогают нам предвидеть потенциальные проблемы.
На рисунке 2 также прослеживается дрейф данных, отражающий изменения статистических свойств во времени и оценку с использованием индикаторных показателей нижней площади кривой (AUC). В них AUC показывает минимальный дрейф, в то время как около 1 указывает на более заметное дрейф, в то время как дивергенс (дженсен шеннон) используется для измерения воздействия дрейфа на производительность модели. Эти оценки помогают обеспечить, чтобы модели оставались точными и надежными, когда условия работы изменяются со временем.