历史上很少有技术能像人工智能（AI）在过去几年中那样迅速普及。AI占据了头条新闻，企业听到的关键信息之一是他们必须采用AI，否则就会被抛在后面。

过程制造领域也不例外。运营技术（OT）团队受到大量新AI技术的轰炸，旨在帮助他们更好地执行任务。然而，并非所有AI技术都同样适用，尤其是在工业应用领域。选择适合特定用途的工业AI技术对于确保关键运营的安全性和效率至关重要。

工业AI在过程制造中的关键应用

标准AI和工业AI都使用数据和机器学习算法来快速解决复杂问题。然而，工业应用受到物理、化学和热力学原理的约束。因此，专用型工业AI与标准AI的一个主要区别在于，前者受限于第一性原理模型。这些模型有助于高效训练AI模型，并确保其结果对工厂运行是安全的。

基于详细物理和化学数据的、不可变的第一性原理约束（内置于混合模型中）指导并规定了工业AI模型的训练方式以及这些模型可能产生的结果。这些约束为AI划定了可操作的安全区，确保AI不会模拟OT团队不想运行的情景或构建模型——因为这些情景或模型可能不切实际、危险或成本高昂。世界太大，无法探索所有可能性，因此工业AI的探索空间仅限于现实且安全的场景。

这些策略结合的结果是，工业AI不仅可以通过关键约束来限制其操作方式，还为如何最有效地对模型进行采样提供了更清晰的指导，从而使团队无需探索无限且通常无意义的选项。此外，专用型工业AI能够外推至没有工厂数据的设定点，同时消除AI工具产生越界建议的可能性。最终，工业AI工具帮助团队在获取数据时更轻松、更准确地改进其模型，从而更快地收敛到精确的设定点，为控制优化铺平道路。

AI工具的应用场景多种多样，但在过程制造领域，有三个关键方向备受关注。

· 敏捷性 (Agility)

过程工厂的运营十分复杂。OT团队不仅要管理不断变化的变量（环境、资产可靠性、计划等），许多团队还必须管理生产的常规变更，以满足可再生能源供应的波动、市场需求的变化以及其他可变操作因素。AI工具简化并强化了持续完善模型以满足基于实时观察的操作需求的过程。利用来自控制、调度、资产性能管理软件等的上下文数据，OT团队可以将关键信息整合起来，帮助完善模型及其相关流程，最终做出更优决策（图1）。

图1：使用基于AI的智能数据采样方法对工业过程模型进行连续调整。本文图片来源：艾默生

· 指导 (Guidance)

随着经验丰富的人员不断退休，OT团队也在流失数十年积累的组织知识。现代AI工具为经验较少的用户提供了决策支持，帮助他们更好地探索选项、调整过程控制，从而提升安全性、吞吐量、效率和可持续性等。基于AI的虚拟顾问不仅能够解锁庞大的知识数据库，还能通过自然语言交互实现，提高了决策支持的速度和准确性。

· 自动化 (Automation)

深入考虑各种替代方案和选项以确定最佳解决方案或首选设计方法的过程通常被称为“工程优选”（optoineering）。利用AI生成最有效、最高效的工程选项正在改变OT团队处理过程和项目设计的方式。与追求单一最优设计不同，团队可以利用生成式AI选项工程工具为工程流程增添更多互动性，从而更快速、更轻松地生成多个设计方案。

每个模型具有非常不同的特性，同时仍符合要求。此外，工程优选使设计者能够考虑通常使用的简单数值/分类规格中未涵盖的无形设计标准，例如长期可靠性、可维护性、设计与工厂其他部分或连接设备的兼容性，甚至美观性（图2）。

图2：在Aspen OptiPlant 3D Layout™ 中实现的生成式AI工程优选示例。AI/ML算法用于自动计算设备布局，以最小化管道和基础设施成本，同时遵守安全和可维护性法规要求的距离约束。

优化的工业AI代理

围绕第一性原理构建工业AI模型的一个关键优势在于，这些模型可以通过专用的AI代理（agents）来交付。这些代理旨在特定任务集上实现更高的效率和有效性。

如今，工业 AI 代理使用特定且相关的数据源来解决各种问题。一个常见的例子出现在可靠性领域，其中企业级可靠性解决方案与预测性和规范性资产健康软件无缝集成，以创建全面的资产健康解决方案。这些系统依赖于建立在广泛的故障模式与影响分析（FMEA）数据库之上的专用代理，使高级分析更加直观。

基于AI和机器学习的可靠性代理使用模式识别算法，结合多变量数据和内嵌的领域知识来预测资产劣化。这些代理依赖庞大的现有故障模式与影响库——结合各种机器健康状态和过程变量——来识别单个异常现象，这些异常可能是工厂内更大、更严重问题的一部分。凭借这种识别能力和AI生成的问题解决步骤，可靠性团队就可以快速干预，解决工厂乃至企业最复杂的问题。

同样，在运营领域，工业AI代理也可用于过程优化。当团队设计流程时，工业AI帮助他们看到多种替代方案，并考虑多个标准，从而开发出一系列可能性，以便更轻松地选择最佳设计。在工业AI的帮助下，混合模型变得更加稳健，并与现有设备和工厂设计兼容。随着这些模型进一步完善，它们自身可以演变成AI代理，作为针对更细粒度目的（例如为换热器或蒸馏塔设计的模型）构建的、特定于用例的AI模型，帮助测试和完善操作。

虽然当今典型的AI部署往往更具独立性，并针对工厂的特定区域，但最先进的解决方案正在向更深入的方向发展。用于可靠性的AI工具已经在利用运营系统的数据来提供预测能力。未来将出现一个无缝互联的AI劳动力队伍，由针对特定任务优化的单个代理构建，并与其他AI代理以及人类操作员和技术人员并行工作。

图 3：AspenTech 的过程监控 AI 代理（Aspen Mtell® agents）可分析来自不同过程传感器的数据，并向操作员提供协调警报，以诊断过程异常的根本原因。

从数据中挖掘更多价值

当AI劳动力队伍、人类操作员和技术人员甚至高管一起工作时，他们将严重依赖高质量的情境化数据。仿真与工厂中存在的东西之间总是存在差异的，而工业AI解决方案则能有效利用智能数据来弥合这一差距。

如今，OT 团队正在探索能与他们的控制系统无缝集成的工业AI解决方案，以提供持续的实时上下文数据，使AI代理始终了解工厂状态，并能提出有效的优化策略。此外，这种高级连接性简化了变更实施，因为AI生成的任何优化策略都需要通过控制系统来执行。因此，系统间的连接越无缝，实施过程就越容易。

AI的兴起为过程制造商提供了各种各样的新解决方案，通过敏捷性的阶梯式变化、更好的指导和改进的自动化选项来提高性能。然而，并非所有AI解决方案都适合工业运营。虽然无限的创造力听起来很美妙，但真正安全、高效和有效的工业运营受到化学和物理学不变定律的约束。

具有远见的工程团队会选择工业AI解决方案，顾名思义，这些解决方案植根于第一性原理，可以确保混合模型既准确又高效。此类解决方案通过利用现有知识的深厚基础来有效训练模型，同时还通过缩小可选性来简化定制，从而为制造企业节省大量时间和精力。

本文作者：Claudio Fayad是艾默生过程系统与解决方案业务的副总裁，Krishnan Kumaran是AspenTech人工智能技术部门的高级总监。