AI和仿真在实际数字孪生项目中该如何落地？

最近去谈项目，客户反馈说目前光靠三维可视化已经难以满足用户的需求了，用户需要仿真分析、AI等这些技术来解决业务当中的问题，但是对于这些技术到底该怎么样落地到项目上，很多朋友完全是无从下手的状态。那么本期通过一个落地的案例，从技术实现的角度完整的给大家说清楚仿真和AI到底是如何用？告诉大家仿真机理模型和AI模型在实际项目当中能做什么不能做什么，在实际落地的情况下，我们又遇到哪些困难，让你在数字孪生项目的技术交流、方案编写、产品设计过程中有更深的体会和理解。

那么这个案例是属于化工行业，其他行业的朋友也不要划走，这个案例的思路和技术路线也是有跨行业通用性的。因为我们要做的事情本质上都是数字化，为传统行业赋能嘛。

我先交代一下这个案例的背景，化工行业的是我国煤炭消费的大户，年均煤炭消费量占总消费量的11%，这里面煤气化装置是化工行业能源转化必不可少的第一步。但是我国煤气化技术起步比较晚，我们的煤气化炉是远远落后于西方的，痛点也十分明显，概括起来两个问题：一个是能耗高，第二呢效率低。那么我们今天讲的案例呢，就是我们的主角煤气化炉，通过AI和机理模型以及大数据技术为煤气化装置来改善它的运行状况，帮助煤气化炉提质增效。具体来讲，就是通过煤气化炉的DCS数据对煤气化炉的运行工况进行优化。

DCS的数据我们其实就可以理解为我们安装在煤气化炉的传感器，每个炉子上至少有1500个传感器左右。业务人员最关注的是煤气化炉的有效气产率，就是单位质量的煤经过气化炉反应后生成的一个有效气体，那么这个指标是煤气化炉生产情况好坏的一个非常重要的指标。

在生产过程中，当水煤浆的品质一定的时候，计划系统的有效气体产率由进料流量、进料压力和它的反应条件共同决定的。当我们遇到这类问题，我们第一时间肯定想到的是对煤气化炉的机理模型进行建模，那么机理模型是对实际过程中的直接数学描述，是对过程本质的一个反应。那么机理模型的优点是精度高、外推泛化能力强，就是可以推广附用的，应用范围也比较广，但是缺点也比较明显，只能用在比较简单的过程。

对于像这种气化炉复杂的实际生产过程中来说，机理模型它是有很大的局限性的，以气化炉来说，这里面机理模型是非常复杂的，包括物料平衡、能量守恒、听力以及化学反应平衡、化学动力学、多物理场化学场耦合的一个相互作用，那么这是我们建造机理模型，在机理模型搭建过程中遇到了很多挑战，那这些挑战是非常有共性的，我们遇到很多实际项目也都会遇到，因为在正常生产过程中呢，对复杂过程缺乏有足够的理论认识，因为气化炉是非常复杂的，它的内部的一个结构无法对其过程中的一个机理做出正确的描述。我们在实际过建模过程中呢，如果假设过多，那么就会导致模型过于复杂，那么如果我们想要降低建模的复杂度，我们就得做出一些看似比较合理的假设和简化，但是往往会造成与实际情况的差距越来越大，导致建模失去了意义。那我们比如说我们把这个做一些假设，就是常用的充分光滑、充分均匀，那么这就导致我们的模型和现实中造成了一些不准确，这个建模就没有什么太大的意义了。

第二点是受到了技术手段的限制，没办法采集或者量化关键因子数据。那么这个问题是我们在实际项目当中最常见的问题。关键因素的数据采集有以下几种情况：第一种是实时可观测量，比如说中心管氧气流量、水煤浆流量、系统压力等等，多数为控制量或者输出量。第二种呢是批次或者部分可测量，比如说炉膛温度，由于气化反应温度高，炉膛温度只是在气化炉开车两周内可以测的。第三种是不可观测量，比如说耐火砖寿命、反应速率、气化率等等。数据是建模的一个基础，当我们的数据难以获取的时候呢，建模也就困难重重了。

上面主要讲了搭建气化炉机理模型，由于过于复杂，难以搭建有效模型进行分析，那么我们还有第二条路可以走，就是通过AI的方法，基于多模态学习的气化炉操作来进行参数的优化。这个具体运用机器学习的详细过程，我们就不展开讲了，大家想要详细了解这块留言要一下详细的资料，我这里只简单说一下总体的技术路线。

首先呢，是对气化炉的历史运行工矿进行一个划分，我们通过时续切割算法，对这种历史稳态过程进行一个切割，对煤质和工矿进行一个聚类的分析，并且分析有效气体产物的聚类结果，将其作为气化炉历史工矿的一个刻画，那么基于气化物的产量、控制量、状态量的聚离结果进行动脉态的学习，来找到不同工况下的对应控制结果和动态的控制策略，那么经过动态优化控制之后，气化炉的有效气体产量可以提高到了1.38%，这数据看起来不是很高，但是总体来看结果还是已经不错的。

最后再介绍一下项目落地过程中我们遇到一些困难：

第一个困难就是分析结果验证难、周期长、项目价值评估困难。在前面的数据情况介绍当中，我们可以看到数据当中有部分的纸质数据，这种情况在工业领域是非常普遍的。工业企业它量化水平参差不齐，整体较差，许多工业的数据都以手工记录为主，不具备分析基础，而数据记录较好的工厂呢，因为没有数据分析落地经验，所以也没有相应的规范流程，分析结果验证流程冗长。

对于复杂流程的工艺来说呢，流程长影响因素多，验证周期长，中间还能出现各种影响优化结果的问题，比如说非正常停车等等，导致分析结果的验证难上加难。

那么第二个问题就是业务专家对数据分析不信任。业务专家他是最了解实际业务的人，他们掌握了大量的行业知识与领域经验，但同时由于工业背景和知识体系的差异，那么专家最信任的还是基本模型，既要求模型对业务有明确的机理刻画，并且具有较强的可解释性，分析模型大多数是黑箱模型，可解释性和可控性较差，导致呢多数业务专家不信任数据分析模型和结果，因此在大数据分析相互的建设过程中，一定要与专家多沟通，向专家的经验和数据分析有机的结合，才能保证这种项目的落地。