如今，煉油廠、石油化工聯合企業和其他工廠的自動化范圍已遠不止核心過程控制領域，除了生產之外，工廠的自動化還包括提高安全性、可持續性和可靠性，因為工廠必須在不增加勞動力成本的情況下實現卓越運營。工業自動化和控制系統（IACS）的范圍包括分布式控制系統（DCS）、安全儀表系統（SIS）、機械保護系統（MPS）、制造執行系統（MES）和能源管理信息系統（EMIS）等。而工業人工智能（AI）在以上自動化和控制系統中也發揮著重要作用：不僅能夠為生產和維護提供支持，同時也為系統本身的部署提供支持。

工業 AI 工具

     這些工業 AI 工具使用的技術分為四大類：因果 AI、機器學習、深度學習和生成式 AI。

     值得注意的是，在這些技術中，沒有一種技術是在所有任務上都優于其他技術的，就像錘子并不是在所有工作中都比扳手好用。每種 AI 技術都有其特定的優勢和適合的應用：

      因果AI 已將物理和化學機理模型嵌入到展示過程和設備如何工作的模型中，并將約定俗成的因果關系嵌入到agent函數中, 對故障進行描述。這些模型和agent內置于現成的應用程序中，可以量化效率并預測潛在問題。

     機器學習在訓練階段會從眾多統計算法中擇一使用，并將其應用于工廠的歷史數據，例如過程歷史、維護記錄和實驗室結果，以查找正常運行與異常情況（如故障、過程異常和質量問題）的相關性。在“推理”階段，這些相關性會被應用于agent函數以預測異常情況。還有深度學習，這是基于神經網絡的機器學習的一個子集。

     生成式 AI 使用大型語言模型（LLM）式人工神經網絡（ANN），例如生成式預訓練轉換器（GPT），它們均為統計算法。這些系統在現有軟件代碼上進行了預訓練，以便根據提示生成新代碼。

提高產量和質量

     工業 AI 可用于支持生產運營。例如，通過“聊天”，先進過程控制（APC）軟件的操作人員可以詢問“copilot AI 助手”能設置哪些控制器設定點來滿足特定目標（如給料速度），“copilot AI 助手”將做出響應并提供建議選項。用戶界面將不再只是設置界面——使用傳統仿真工具在將設置應用于 APC 之前先嘗試不同的設置操作，而是一個具有自然語言輸入和響應的對話助手。它可以實現與“copilot AI 助手”的“交談“，而不僅限于設置操作。

     或者，計劃人員可以要求規劃和調度軟件中的“copilot AI助手”解釋軟件模型給出的邊際值和限制條件的基本原理。第三個例子是通過將機器學習與因果 AI（包括機理模型）相結合，在多個過程裝置上部署動態優化。

     以上僅為展示當今工業 AI 解決方案能力的幾個例子。工業 AI 基于數據運行，因此工廠需要新的自動化模型來應用它。這包括更好地整合 DCS、SIS、MPS、MES 和 EMIS，以及工業物聯網絡基礎設施，以自動收集手動數據，例如振動、超聲波厚度、溫度、壓力、液位和噪音。

簡化維護，提升可靠性

     設備維護是工業 AI 幫助企業實現降本增效的另一領域，其中包括預測設備維護需求以避免故障，例如提示設備結垢和性能下降。它還可用于優化清潔和更換計劃、精確定位和控制排放以及量化腐蝕速率，從而更好地管理緩蝕劑注入和管段更換。再次申明，對因果 AI 專業知識進行編碼對于工業 AI 在支持工廠設備維護方面至關重要。

     AI 不僅運行在本地服務器和云端，還嵌入在智能現場儀表中。例如，智能閥門定位器使用嵌入式因果 AI 來預測閥門組件的故障，并使用機理模型+AI 來量化影響控制回路性能的摩擦和死區等閥門問題。

     設備資產監測是嵌入智能現場儀表的因果 AI 幫助提高維護運行效率的另一種方式。因果 AI 可用于預測風扇、電機、齒輪箱、泵和其他旋轉機械設備中的問題，以便在其導致故障和計劃外停機之前采取糾正措施。

DCS 組態和工業 AI 工具箱

     工業 AI 還可用于支持 DCS 的組態。例如，在進行傳統 DCS 和 PLC 系統升級改造時，項目中經常會使用 AI 來幫助說明原有系統的組態數據庫，并為新的DCS 生成等效數據庫。因果 AI、機器學習和生成式 AI 可在多個傳統 DCS 和 PLC 系統上接受訓練以用于實現高達 70% 的 DCS 組態的自動轉換。

    “工欲善其事，必先利其器”，工業 AI 也不例外，工廠一般需要配備多種 AI 工具，因為目前沒有一個 AI 工具可以做到適配每一項工作。因果 AI、機器學習和生成式 AI 都有各自的應用優勢。僅提供一種工業 AI 工具的供應商會傾向于將該工具強行安裝到所有應用程序中，就像“錘子找釘子”一樣，因此我們建議選擇與支持多種 AI 工具的供應商合作，這樣可以幫助企業避免單一工具造成的偏差。