数字化转型中的关键分析

　　根据大量的文章、研究和白皮书，分析已成为从供应链优化到定价和分销等业务应用的“热点主题”。但是，尽管涌现的大量新闻和信息吸引了管理层的注意，同时为工业数字化运营应用指引了方向，但成功实施分析却非常困难。

　　艾默生自动化解决方案业务首席技术官Peter Zornio在全球客户大会的新闻发布会上表示： “数字化转型提供了重大机遇，但也带来了很多困惑，艾默生支持实用及务实的方法。”

　　根据Gartner集团的数据： “关键分析”有望为工业企业带来超过4万亿美元的业务增长。但客户们都很疑惑并提出一些问题，例如从哪里开始进行分析，与哪类供应商进行合作，在哪里应用什么类型的模型，可以解决什么类型的问题以及如何使OT分析适合IT应用。

　　Zornio 表示：“ 仅供应商这一方面，我们的一位客户找到了900多种资源。”很少有客户关注工厂级利益的工业IT和OT。对于企业而言，这是一个很大的机会，在生产、可靠性和能效方面具有潜在高回报应用工况。

　　艾默生运营分析产品组合专注于生产过程本身，这是工业制造商的最大价值来源。运营分析具有嵌入式领域知识，可以影响并优化简单设备、复杂资产和过程装置以及整个生产工厂的性能。

　　Zornio认为： “我们建议首先解决已知的影响力大的问题。负责资产性能的人员通过使用可靠的模型进行分析，客户可以迅速采取措施，更快地解决问题。例如，艾默生解决方案可以实时检测并解决80%的设备故障，帮助工厂减少生产损失。”

　　关键分析可以分为两类：传统型分析和数据驱动型分析。Zornio认为：“传统分析由原则驱动，您可以通过机械模型了解分析机制。” 您知道设备和装置是按照某种规则设计，因此可以基于规则分析;如果出现问题，您可以通过故障模式和影响分析(FMEA)了解问题的原因。

　　Zornio表示：“数据驱动型分析在不了解物理原理的情况下，通过标准统计分析构建模型。在这里，令人兴奋的计算机学习(ML)、增强型模式识别和数学智能相关学科发展推动了计算技术的发展。”

　　艾默生扩展产品组合包括机器学习和人工智能(AI)，可用于识别并加深对业务绩效影响的洞察，从而提供传统分析以往无法获得的信息。

　　艾默生Peter Zornio谈到了一些数据分析并非最佳解决方案的案例：“我们拥有6200多种设备模型和500个故障模式和影响分析(FMEA)，其中大约80%的设备可以通过现有第一原则分析完成。

获得利益

　　工厂是个复杂的系统，由多种组件构成，组件再组成资产，资产形成过程装置。整个工厂通常包括多个过程装置。Zornio提到：“客户会问机会在哪里?我们该如何做应用分析?” 。

　　Zornio 继续说道：“我们已经有了可以在较低级别资产应用的分析功能。我们需要在工厂级做更多的工作。实际上，如果我们希望对工厂有所了解，而不仅仅是创建分析工具，那么我们可以使用第一原则。然后，我们将分析结果输出给相关执行人员，他们根据分析结果进行修改。”

　　在不了解或不够了解第一原则的领域，转而进行数据驱动型分析很有意义。Zornio说：“数据驱动分析的相关问题是：为什么要使用数据驱动分析?使用什么工具进行数据驱动分析?在哪里使用数据驱动分析?以汽车为例，直到用完三箱汽油后，机器学习才能知道汽车需要汽油才能行驶。我们拥有6200多种设备模型和500故障模式和影响分析(FMEA)。其中大约80%的设备可以通过现有第一原则分析完成。”

　　在针对产品或设备类别进行数据驱动型分析之前，请确定是否可以使用现成分析工具。Zornio表示：“有些工程师想开发自己的分析工具，但是采用已知问题的已知答案可能是更好的解决方案。” 当然，您也可以聘请数据专家，但拥有一个熟悉该设备的人员更重要。

　　Zornio 表示：“我们了解我们的设备及运营分析。从90年代起，我们开始通过模糊逻辑和神经网络在DeltaV中构建解决方案。我们增加了模拟仿真和数字双胞胎，现在我们拥有可用于数据驱动分析人工智能的通用工具箱。”

　　艾默生收购KNet并将其整合到Plantweb Optics资产绩效平台中。Zornio认为：“艾默生不仅可以提供一些行业中先进的机器学习和人工智能工具，还可以提供人员和工作流程之间的连接，这对成功进行数字化转型至关重要。”

　　艾默生产品组合现在既提供预装的分析解决方案，也提供完整分析工具箱，协助客户开发自己的应用程序。艾默生的运营确定性咨询和强大的数据管理功能为该产品组合提供支持，为客户进行高效分析提供基础。