шинэлэг химийн инженерийн шийдэл: Гарц түлхүүр технологи болон хэрэглээ

Оюунлаг химийн инженерийн шийдлүүдэд зориулсан хиймэл оюуны автоматжуулалт

Технологийн процессыг оновчтой болгох, удирдахад машин сургалтыг ашиглах

Химийн инженерийн салбарт машинд суурилсан сургалт нь олон үйл ажиллагааны хувьд тоглоомын дүрмийг өөрчилсөн болно. Эдгээр алгоритмууд нь үр дүнг сайжруулах, зарим тохиолдолд байнгын процесс дахь сайжруулалтыг ойролцоогоор 22% хүртэл нэмэгдүүлэх зэрэг үр ашгийг нэмэгдүүлэхийн тулд бодит цагт тохируулга хийх боломжийг олгоно. Хяналтын заалтуудыг авч үзэх үед ийм системүүд урвалын температур, даралт, үйлдвэрлэлийн үе шат бүрт катализаторын хэрэглээг нарийвчлан тохируулах зэрэг зүйлсийг гүнзгийрүүлэн хянах үйл явцад ажилладаг. Тэд эдгээр бүхнийг мөчлөгөөс мөчлөгт гладко ажиллаж байхыг хангана. Нөгөө их давуу тал бол тоног төхөөрөмжийн гэмтэл гарахаас өмнө сүлжээний сүлжээгээр урьдчилан таамаглах чадвар юм. Ийм таамаглалын нарийвчлал нь ойролцоогоор 94%-д хүрдэг. Энэ нь хүлээгдээгүй зогсонгилох үзэгдэл багасаж, цаг хугацаа болон мөнгө хоёрыг хэмнэхэд тусалдаг. Мэргэжлийн тайлангууд энэ салбарт хүчтэй өсөлт ажиглагдаж байгааг харуулж байна. Хиймэл оюун ухааны технологийг химийн үйлдвэрлэлд ашиглах зах зээл нь дараа 10 жилийн турш хурдан өсөхөөр төлөвлөгдсөн бөгөөд компанийн оюунлаг арга замаар өөрийн үйл явцыг удирдахыг бүх л хэмжээгээр хайж байгаа тул 2034 он хүртэл жил ирэх бүрт ойролцоогоор 28-29 хувийн өсөлттэй байх болно.

Автоном системүүд нь халуун материалуудыг аюулгүй байдлаар ажиллуулах

LiDAR технологийг ашиглан хортой бодис эсвэл шатамхай бодисын ажилд миллиметрээс бага алдаатайгаар нарийвчлалтай ажиллах чадвартай орчин үеийн роботууд нь туршилтын дүнгээр ажилтны хортой бодистой харьцах тохиолдлыг ойролцоогоор 80% бууруулж чаддаг байна. Эдгээр машинууд нь аюултай гэж тэмдэглэгдсэн бүсээс хамгаалалтын зайг хадгалах болон слам (SLAM) навигацийн аргыг ашиглан нарийн овоолсон үйлдвэрийн байршлыг нэвтрэн гарах боломжтой. Эдгээр системийг үнэ цэнэтэй болгож буй зүйл бол тэдгээрийн хүчирхийллийн алгоритмуудын тусламжтайгаар туршлаганаас суралцах чадвар юм. Гэнэтийн шингэний урсгал, системийн даралтанд өөрчлөлт орох зэрэг хүлээгдээгүй нөхцөл байдалд роботууд өөрчлөлтийг немж дээр нь хийж чаддаг тул үйл ажиллагааны явцад яаралтай нөлөөлөх шаардлага багасдаг.

Бүрэн автоматжуулалт ба хүний удирдлагаар тэнцвэржүүлэх

Гибрид удирдлагын системийн талаар ярихад, эдгээр нь AI-ийн автоматжуулалтыг хүмүүсийн мэддэг зүйлстэй хослуулдаг. Энэ байгууламж нь инженерчид хяналт тавих боломжийг олгох бөгөөд юу ч гэсэн хүртэл хүрэхгүй үед оролцох боломжийг олгоно. Судалгаанууд нь ийм холимог арга зам нь шинэ химийн урвал эсвэл шалгагдаагүй үйлдвэрлэлийн аргачлалтай ажиллах үед бүрэн өөрөө ажилладаг системүүдийн харьцаагаар ойролцоогоор 30 хувиар үйл явцын аюулгүй байдлыг сайжруулдаг гэж үздэг. Бодитоор болох зүйл бол томоохон шийдвэр гаргахаасаа өмнө бодит хүмүүс AI-ийн саналыг шалгадаг. Мөн зүйлс муудаж эхэлсэн үед тэд удирдлага хариуцдаг бөгөөд энэ нь байгаль орчны дүрэм журам, аюулгүй байдлын протоколуудыг биелүүлэхэд тусалдаг. Хатуу зохицуулалтын хүрээлэл дотор ажилладаг компанийн хувьд энэ хүн-АШИ хамтын ажиллагаа нь шинэчлэлтийг алдагдуулахгүйгээр зөвшөөрөлтэй байхын тулд зайлшгүй шаардлагатай юм.

Нарийвчлалыг сайжруулахын тулд гибрид загварчлал ба физик мэдлэгт суурилсан хиймэл оюун

Машин сургалтанд анхдагч зарчмын загваруудыг нэгтгэх

Нийлмэл химийн урвалд өгөгдөл дутагдаж байгаа асуудалтай тулгарах үед судлаачид машин сургалтын аргуудыг физикийн үндсэн зарчим ба термодинамикийн зарчмуудын хамт ашиглаж эхэлсэн. Өнгөрсөн жилийн Nature Communications-ийн судалгаанаас харахад, энэ хослол нь сургалтын өгөгдлийн шаардлагыг ойролцоогоор 40 хувиар бууруулж, цааш нь урвалын талаарх таамаглалыг 100-ийн 98 тохиолдолд зөв таамаглаж чаддаг. Энд гол түлхүүр бол эдгээр үндсэн хадгалалтын хуулиудыг шууд сүлжээний сүлжээний цөмд нь багтаах явдал юм. Энэ нь илүү сайн ажилладаг шалтгаан нь бүх зүйлсийг бодит ертөнцийн физикт суурилгасан байдагт оршдог бөгөөд нарийн таамаглал хийхэд хангалттай үйл ажиллагааны өгөгдөл байхгүй үед энэ маш чухал болдог.

Процессын загварчлалд физик, хими мэдлэгийг суулгасан нейроны сүлжээ

Хиймэл оюунд домэйны мэдлэг нэмснээр тэдгээрийн ажиллах чадвар сайжарч, янз бүрийн нөхцөл байдалд илүү сайн таарч чаддаг. Жишээ нь физикийн мэдээллээр дэмжигдсэн сүлжээнийг авч үзье. Полимерийн нийлэгшүүлэлт дээр хэрэглэх үед эдгээр системүүд нь 85-90 хувийн нарийвчлалд хүрч, харин өмнө нь хэрэглэдэг арга замын зөвхөн гуравны нэг хэсгийг л шаарддаг. Сүүлийн үеийн судалгаанууд нь гурван хэмжээст хэвлэлтийн материал дээр энэ арга хэрхэн сайн ажиллаж байгааг харуулсан. Энэ загварууд химийн боломжит мужид л урьдчилан таамаглал хийдэг нь онцлог юм. Энэ нь зөвхөн өгөгдөл дээр суурилж сургасан загваруудаас ихэвчлэн гардаг байх боломжгүй үр дүнг зогсоодог. Мөн шинэ материалыг хөгжүүлж буй судлаачдад цаг хэмнэхэд ихэд их хувь нэмрээ оруулдаг.

Катализатор ба урвалын инженерчлэлийн хэрэглээ

Олон фазын урвалжийг үр дүнтэй болгох асуудалд ирвэл гибрид хиймэл оюун ухааны системүүд нь материалын хөдөлгөөний талаарх компьютерийн загваруудыг шинжилгээний бодит цагийн унтралын ундраас авсан өгөгдлүүдтэй хослуулснаар энэ салбарыг бүрэн өөрчилжээ. Өнгөрсөн жилийн зарим туршилтуудын дагуу эдгээр шинэ арга замаар зөв катализаторыг хуучин аргаар хийхээс ойролцоогоор тав дахин хурдан олох боломжтой болсон. Мөн лабораторид удаан үргэлжилдэг туршилтын туршлага шатанд их хэмжээний энерги алдагддаг байсан ч эдгээр аргаар энерги зарцуулалтыг ойролцоогоор 22% хэмнэж чаддаг. Энэ бүхний амжилтад хамгийн их нөлөө үзүүлсэн зүйл бол өгөгдлийн шинжилгээний аргууд болон физик суурилсан загварчлалын хослол юм. Судлаачид одоо илүү хурдан туршилтын үр дүнг гарган авах боломжтой болсон бөгөөд химийн урвалын нарийн төвөгтэй байдлыг харгалзан үзэхэд энэ нь маш гайхамшигтай, мөн эрчимтэй шинжлэх ухааны стандартыг хангаж чадаж байна.

Бүх үйлдвэрийн хувьд Бодит Цагийн Оновчтойжуулалтанд Зориулсан Цахим Хос

Одоогийн үед ухаалаг шимэгчийн шийдлүүд нь бүх үйлдвэрлэлийн тоног төхөөрөмжийн виртуал копи болох дижитал зулзлагчид (digital twins)-д итгэлтэй ажиллах болсон бөгөөд энэ нь бодит цагт хяналт тавих, үр ашигтай ажиллагааг хангах боломжийг олгоно. Шинжилгээний өгөгдлүүдтэй синхрончлогдсон, хиймэл оюун ухааны шинжилгээг ашигласан эдгээр загварууд нь үйл явцад өөрчлөлт оруулах, саатлыг урьдчилан таамаглах, хоорондоо холбогдсон системүүдийн үр ашигтай ажиллагааг хадгалах боломжийг үйлчлэгчдэд олгоно.

Химийн процессын Динамик Дижитал Зулзлагчийг Бий болгох

Орчин үеийн дижитал зулзлагчид нь IIoT-ийн мэдрэгчийн сүлжээ ба тооцоолох урсгалын динамикийн загварчлалыг ашиглан 15–30 секунд тутамд шинэчлэгддэг. Энэхүү бодит цагт ойролцоо синхрончлол нь инженерчид:

• Катализаторын харьцаа эсвэл температурын тохируулга зэрэг үйл явцад өөрчлөлт оруулахыг эрсдэлгүй виртуал орчинд турших
• Машин суралцахын загварын таних чадвараар тоног төхөөрөмжийн гэмтлийн анхны шинж тэмдгийг илрүүлэх
• Аюултай үйл явцын аюулгүй байдлын арга хэмжээг 3D орон зайн загварчлалаар баталгаажуулах

Динамик дижитал хоёрдосыг ашигладаг химийн үйлдвэрүүд нь зөвхөн уламжлалт SCADA системд тулгуурладаг үйлдвэрүүдтэй харьцуулахад үйл ажиллагааны саатлыг засварлах хугацаагаа 30% илүү хурдан буцааж чаддаг.

Үйл ажиллагааны үед шийдвэр гаргалтанд симуляци ашиглах

Уламжлалт арга	Дижитал хоёртын стратеги	Анх амын үзүүлэлт
Сарын үзүүлэлтийн хяналт	Тасралтгүй сценарийн шалгалт	хязгаарлалт шийдвэрлэх хугацаа 22%-иар хурдасна
Хариуцлагатай хадгалалт	Хэтэвчийн элэгдэл урьдчилан таамаглах загвар	зогсонгилоны хугацаа 40%-иар буурсан
Статик аюулгүй байдлын протокол	Динамик эрсдэлийн симуляци	аюулгүй байдлын сценарийн хамрах хүрээ 5 дахин нэмэгдсэн

Үйлдвэрийн менежерүүд нийлэмжлэх зорилгоо илү maximum болгох, энерги хэрэглээг хамгийн бага байлгах, онолын хязгаарын дотор 2%-ийн дотор үр ашигтай ажиллагааг хангах, мөн АХБ-ийн дүрэм журмын дагуу ажиллахын тулд дижитал төсвийн симуляцийг ашигладаг. Энэхүү технологи нь ректификацийн багана ба урвалжийн орцын хурдыг бодит цагт тохируулах боломжийг олгох бөгөөд ухаалаг, өгөгдөлд суурилсан шийдвэр гаргалтанд туслана.

Ухаалаг химийн үйлдвэрт урьдчилан сэргийлэх засвар, IIoT-ийн интеграци

Тасралтгүй процессийн хяналтын тулд IIoT-г ашиглах

Орчин үеийн химийн үйлдвэрийн газрууд нь утасгүй хөдөлгөөний сенсор, дулаан зураг авах технологи, спектроскопын шинжилгээний төхөөрөмжүүдийг багтаасан Их Машинуудын Интернэт (IIoT) системийг тоноглох хандлагатай болсон. Эдгээр сенсорууд төвдөх насос, үйлдвэрийн реактор зэрэг чухал тоног төхөөрөмжөөс цагт ойролцоогоор 15 мянган өгөгдлийн цэгийг цуглуулдаг. Энэ тасралтгүй мэдээллийн урсгал нь ажилтангаар хийгддэг арchaагийн шалгалттай харьцуулахад гэнэтийн доголдол илрүүлэх түвшинг ойролцоогоор 3 хувийн хэмжээгээр сайжруулдаг. Өнгөрсөн жил гаргасан судалгаагаар IIoT суурьтай хяналтын шийдлийг хэрэгжүүлсэн үйлдвэрүүдэд компрессорын хүчтэй гэнэтийн доголдол 41 хувиар буурсан байна. Энэ нь ажиллуулагчид даралтны хэлбэлзэл, механик хүндийг өмнөхөөс хамаагүй илүү эрт илрүүлж чадсан учир болсон.

Үйл ажиллагааны үр ашгийг нэмэгдүүлэхийн тулд Хиймэл Оюун дээр суурилсан Урьдчилан Сэргийлэх Засвар

Машин сургалтын системүүд хуучин засварын бичилтүүдийг амьд үйлдвэрийн IoT өгөгдлүүдтэй хамт шинжилбэл, 2024 оны McKinsey-ийн саяхны тайлангийн мэдээгээр, тоног төхөөрөмжийн гэмтэл гарахаас гурван өдрийн өмнө лавдан урьдчилан тодорхойлох боломжтой. Иймэн нэг этилен үйлдвэр дээр AI-г ашиглан засвар үйлчилгээний ийм аргачлалыг нэвтрүүлснээр томоохон хэмнэлт гарсан. Тэд зориулалтын интервал бүрт жинхэнэ асуудал гарахаас өмнө хийдэг байсан энгийн шалгалтуудаа зогсоож, сенсорууд жинхэнэ асуудал гарсныг зааж өгөхөд л засвар хийх болсноор жилдээ дулаан солилцуурын засварын зардал бараг 2.8 сая доллар буурсан. Засварын ажилтнууд техникчидийг засвар хийхээр явуулахаасаа өмнө анхааруулгыг имитацийн програм дээр ажиллаж буй тоног төхөөрөмжийн виртуаль хувилбаруудтай харьцуулан шалгадаг. Энэ нь химийн үйлдвэрийг гладко ажиллуулахад тусалж, жинхэнэ асуудлыг шийдэхгүй боловч их зардал шаарддаг байсан цаг хугацаа, хөрөнгө алдагдуулдаг засварын ажлуудаас зайлсхийхэд тусалдаг.

Тайлбарлагддаг Хиймэл Оюун ухаан ба Оюунлаг Химийн Инженерчлэлийн Шийдлүүдэд Итгэх Нөхцөл

Химийн инженерийн систем бүр их ухаалаг болох тусам хэрэглэгчдэд ИНТЕЛЛЕКТ (AI) юу бодож байгааг харах шаардлага гардаг бөгөөд энэ нь үйлчилгээтэй итгэл үүсгэх, дүрэм журамд нийцэхэд тусалдаг. 2024 оны Springer-ийн салбарын сүүлийн тайлангийн мэдээллээр, оролт гаралтын процессын инженерийн гурван хоёр нь нарийвчлал сайн ч тайлбаргүй байдаг цацраг хайрцган системүүдийг ойлгомжтой загваруудтай ажиллахаас илүүд үздэг. Аюултай урвал эсвэл нарийн катализаторын процессийг зохицуулах үед энэ нь маш их ялгаатай. Хамгийн чухал шинж чанаруудыг судлах, шийдвэр гаргалтыг хараан дээр тавих зэрэг ИНТЕЛЛЕКТ-ийг Тайлбарлах (XAI) аргууд нь даралтын тохируулгыг өөрчлөх эсвэл катализаторыг солих зэрэг ИНТЕЛЛЕКТ-ийн саналын шалтгааныг үйлдвэрийн ажилтнуудад ойлгоход тусалдаг. Энэ төрлийн ил тод байдал нь зөвхөн хүсэж байгаа зүйл биш, ISO 9001 стандартын сертификатыг зорьсон бүх объектод бараг заавал шаардлагатай юм.

Инженер, үйлчилгээтэй ажилладаг хүмүүст ИНТЕЛЛЕКТ-ийн шийдвэрүүдийг ил тод болгох

Одоогийн үед олон хувьд саяхан үйлдвэрлэлийн өндөр технологийн үйлдвэрүүд нь физик зарчмын удирдлагатай хиймэл оюун ухааны загваруудыг ашиглаж эхэлсэн. Эдгээр системүүд температурын өөрчлөлт зэрэг янз бүрийн хүчин зүйлс дараагийн алхамд загвар юу прогнозлож байгааг хэрхэн нөлөөлж байгааг харуулдаг. Үйлдвэрлэлд тайлбарлагддаг хиймэл оюун ухааны талаарх 2024 оны шинэ мэдээлэлд ажилчид хиймэл оюун ямар шалтгаантайгаар тодорхой шийдвэр гаргасныг харах боломжтой болсноор асуудлыг өмнөхтэй харьцуулахад ойролцоогоор 42 хувиар хурдан засдаг болсон гэж заасан байв. Зарим үйлдвэрүүд дээр менежерүүд алгоритмын аюулгүй байдлын хязгаар ба үйлдвэрлэлийн зорилтуудыг хэрхэн тэнцвэржүүлж байгааг шууд дэлгэц дээр хянах боломжтой интерактив дэлгэцүүд байдаг. Энэ нь инженерчлэлийн мэргэжилтнүүдийг загвар бүтээдэг техникийн мэргэжилтнүүдтэй холбоход тусалдаг.

Загварын тайлбарлаж чадвараар эргэлзэх сэтгэлгээг даван туулах

Эдгээр шинэ системийг анх туршсан хүмүүс сүүлийн жилийн DevPro Journal-ийн мэдээллээр, ИНТ-ийн зөвлөмжид итгэх ажилчдын тоо оролцуулан 57%-иар нэмэгдсэн байна. Хэрэв бид нарийн нейроны сүлжээг энгийн химийн дүрмээр хязгаарлан, аюулгүй байдлын хязгаарыг тогтоовол, систем REACH болон бусад журам хуульд нийцэх баримтуудыг автоматаар үүсгэдэг. Энэ арга нь бодит ертөнцийн мэдлэгийг ИНТ-д оруулах, мөн тодорхой үр дүнгийн шалтгааныг тодорхой болгох хоёрыг хослуулдаг. Үүний улмаас ИНТ нь одоо түүнийг хүмүүст найдваргүй, нууцлагдсан зүйл биш, харин хамтран ажиллах найдвартай хэрэгсэл болон хувирч байна. Туршлагатай инженерүүд зөвлөмжийн гарал үүслийг сайтар мэдэж, илүү их итгэлтэй байдалтай болж, шийдвэрээ илүү найдвартайгаар гаргаж чаддаг.

НӨАТ-ын хэсэг

Химийн инженерчлэлд ИНТ-ийн үүрэг юу вэ?

Хиймэл оюун ухаан нь машин сургалтын алгоритмууд, тусгаарлагдсан роботууд зэрэг оюунлаг системүүдийг ашиглан үйл явцыг сайжруулах, тоног төхөөрөмжийн гэмтлийг урьдчилан таамаглах, аюулгүй байдлыг дээшлүүлэх замаар химийн инженерчлэлд чухал үүрэг гүйцэтгэдэг.

Цахим хос хиймэл хиймэл инженерчлэлд ямар давуу талтай вэ?

Цахим хосууд нь үйлдвэрийн тоног төхөөрөмжийн виртуал хувилбар дээр өөрчлөлтийг имитаци хийж, саатлыг урьдчилан таамаглах замаар бодит цагт хяналт тавих, үйл ажиллагааг сайжруулах боломжийг олгодог бөгөөд энэ нь үйл ажиллагааг илүүд үзүүлэхэд тусалдаг.

Химийн үйлдвэрт урьдчилан сэргийлэх засварын давуу талууд юу вэ?

Урьдчилан сэргийлэх засвар нь хиймэл оюун ухааныг ашиглан тоног төхөөрөмжийн гэмтлийг урьдчилан хэлэх замаар асуудлыг гарахаас өмнө илрүүлж, зогсонги байдал болон засварын зардлыг бууруулдаг.