人工智能概念普及的今天,人们谈及人工智能首先想到什么?谷歌的阿尔法狗?微软小冰?......它们都代表人工智能
应用的一种形态,让人们对人工智能有了广泛的认识,但并没有改变现有的生产力。
而推动社会不断进步的正是生产力的提高。在具体行业中落地应用,改进原有生产力,形成了智能生产力的行业AI更有社会价值。行业AI可以大幅提升生产效率,但在很多工业领域,这样的人工智能并没有被广泛认知。而这些行业,恰恰是人工智能成熟与否的试金石。
比如,一向神秘的炭黑行业。
几纳米的它,可以影响全球?
首先,从基本定义上看,炭黑是碳元素的一种,以纳米级粒径、无定形碳形式存在,是有机物(天然气、重油、燃料油等)在空气不足的条件下经不完全燃烧或热分解而得的产物。
作为人类最早开发、应用和目前产量最大的纳米材料,炭黑被国际化学品领域列为二十五种基本化工产品及精细化工产品之一。炭黑工业对汽车产业、新能源产业以及提高民用生活产品质量等方面具有非常重要的意义。
炭黑对我们的日常生活影响有多大?简单举个例子。
炭黑也是橡胶工业第二大原料,约90%的炭黑产品应用于橡胶工业,其中炭黑约67%用于汽车轮胎,22%用于其他橡胶制品。因为,汽车市场的产销又决定了橡胶市场的发展,所以,
炭黑市场的需求取决于橡胶行业景气度,最终受到汽车产销量的影响。反之,炭黑生产也影响着汽车工业。
例如近期炭黑方面最大的新闻是因为供不应求全球性的涨价潮,就引发了轮胎行情的价格飙升,可见炭黑产业的重要性。
按照相关数据统计,中国炭黑产量约占全球的40%左右,是世界第一炭黑生产大国。全球著名的炭黑
生产商也把重要的生产线放在了中国。从全球范围来看,近几年全球炭黑企业的产能排名没有太大变化。目前全球炭黑前三大企业分别为卡博特、博拉、欧励隆。
而某家世界级的炭黑巨头,在中国的生产工厂成立至今已经过30年的发展,现已成为全球唯一的整合型炭黑生产基地。
一纳米不是误差,是事故!
作为一家历史悠久的炭黑行业领袖,这家公司的生产工厂以诸多全球领先的先进生产工艺,成为了全球的旗舰工厂。这里出产的炭黑无论从品质、服务及价值上更稳固了其市场领先地位。
目前这家公司希望进一步提升产品的品质,同时希望把产线转产的过程缩短。
通常意义上,炭黑制造方法按照炭黑生成方式分为不完全燃烧法和热裂解法。不完全燃烧法是在有氧参与的条件下,将烃类化合物进行热裂解的方法,其中油炉法是最主要的制造方法。热裂解法是在无氧的条件下进行的,采用这种制造方法生产的炭黑产量仅占总产量的1%左右。
在不完全燃烧法的工艺当中,在高温裂解炉内,一系列物理化学反应都在很短时间内完成,不同产品规格从几毫米到几百毫秒而不同。所以,对于所有投放和流程的变化控制是确保产品一致性和均匀性的关键。
为什么炭黑颗粒的一致性如此重要,通常炭黑粒子近似球形,基本粒子尺寸大多在10nm-100nm之间。而根据炭黑用途的不同,对粒径是有严格要求的,例如超耐磨炭黑的粒径在11-19nm之间,高耐磨炭黑粒径在26-30nm之间,通用炭黑粒径在49-60nm之间。所以,炭黑产线的均匀和一致性对不同用途的供应非常重要。
为此,该公司希望运用戴尔易安信及相关合作方的现有
人工智能的技术和资源对其炭黑生产过程、生产模型以及其中的诸因素(包括(但不限于)原料输入的成分、指标、过程工艺、操作和控制等)进行分析,对现有的生产模型进行验证和测试,分析出现有生产模型中各因素与产品各种成分指标的关系,通过调整生产模型、各(参数)因素来降低产品某种成分指标的差异度,提高产品的一致性。
那么,戴尔易安信是如何抽丝剥茧,逐渐打开了炭黑提升之路的?请往下看。
戴尔易安信如何从方法论走到实践?
首先,戴尔易安信明确了研发方法:
通过对历史运行数据进行人工智能建模,挖掘产品质量控制规律,实现精确的控制参数推荐。
这个思路就非常清晰了:
● 第一步是数据的收集和治理。
● 第二步是利用数据建模,实现精准控制。
总体目标则是:通过对该公司工厂的某条生产线历史运行数据进行智能分析,挖掘不同控制变量对产品性能的影响程度,从而实现精准的产品质量控制。
第一阶段:
收集该生产线
某一年大概11个月的碳粉生产数据,其中包括:11种不同产品、10个质量指标、40个控制变量。并针对这些数据进行数据治理,比如从已有数据中选出一个产品进行产品品质一致性提升的研究,和产品质量一致性提升:重点包括转产过程降低OQ,提升质量指标中的关键项等等。并成功提出了初步的43个控制参数和12个质量指标的关联分析。
第二阶段:
获知已有生产控制和模型
有了数据治理的铺垫,在第二阶段,戴尔易安信已经可以从炭黑生产场景和过程,获知已有生产控制和模型。初步掌握了最佳实践加深度学习结果修正的解决思路,开发控制软件。同时,形成《转鼓炭黑干燥机理分析》,TGB尾气燃烧热交换公式表述,转鼓内部热交换公式表述,来建立数学模型。
在深度学习方面,戴尔易安信一方面采用深度相似度量学习策略,挖掘不同控制参数影响。另一方面,采用专门设计的120层长短期记忆网络(Long Short-Term Memory network),对目标质量指标对应的运行参数进行推荐。并在今年5月,实现了产品一致性提升完成初步模型、控制软件开发和数据计算。
事实上,经过了这个阶段,可以说这套AI的算法和模型已经可以做到在炭黑生产线中落地,整个过程中,
戴尔易安信首先通过强大的AI技术能力定义了整个方法论,之后利用数据治理和挖掘,通过深度学习建立了算法模型,为最后的应用落地铺平了道路。