プロセス産業におけるグリーン製造における人工知能の機会と課題

1. はじめに

プロセス産業は原材料産業の一分野であり、国民経済にとって大きな意義を持っています。数十年にわたる発展を経て、中国のプロセス産業は大きな進歩を遂げ、中国は世界最大の製造国の一つとなった。しかし、先進国と比較すると、中国のプロセス産業では、より実用的な環境・安全管理システムを確立しながら原材料の利用率を向上させるためのインテリジェントな管理・マーケティング技術が緊急に必要とされています。この問題は学界で広く注目を集めており、関連する研究分野で大きな進歩が遂げられています。

[[325355]]

近年、新世代情報技術の急速な発展により、一部の国では新たな産業革命戦略を模索する動きが出ています（図1）。米国は産業の高度化と変革を目指してスマートプロセス製造を開始した。ドイツは、情報技術を製造業に統合することに重点を置いたインダストリー4.0という戦略的概念を提唱しています。英国、フランス、日本はそれぞれ英国産業2050戦略、フランスの新産業計画、日本のSociety 5.0戦略を発表しました。このような背景から、中国政府は「新産業革命」を実現するための「新世代人工知能開発計画」を提唱している。 「新世代人工知能発展計画」の戦略は、「革新、協調、グリーン、開放、共有」に重点を置き、インテリジェント製造業の発展を促進します。

図1. 新たな産業革命に対処するために各国が提案した政府計画

国家が新たな産業革命に対応するという戦略的背景の下、インテリジェント製造はプロセス産業の現在の発展傾向であり、グリーン製造はその不可欠な要素の一つです。グリーン製造は、より厳格な環境政策とより優れた事故防止の必要性を反映して、効率性と安全性に重点を置いています。グリーン製造を実装する際には、エネルギー消費と汚染物質の排出の削減、ライフサイクル プロセスの安全性の監視とリスク管理、環境フットプリントの監視と評価という 3 つの主な目標を念頭に置く必要があります。これまで、これらの目標を達成するための十分に理解された方法は存在していませんでした。

人工知能（AI）は、AlphaGoの優れた性能により世界中で広く注目を集めている総合的な最先端技術です。現在、AI は世界で最も先進的なテクノロジーのトップ 3 の 1 つと考えられており、コンピューター ビジョン、自然言語処理、ロボット工学など、複数の分野に大きな影響を与えています。さらに、スマート製造には人工知能が不可欠であると広く信じられています。

この論文では、プロセス産業におけるグリーン製造の課題について詳しく説明します。人工知能は、材料とエネルギーを賢く使用することで、プロセスの安全管理を改善し、効率を高める上で重要な役割を果たします。この記事の残りの部分では、プロセス産業に AI を統合する際の既存の技術的課題について説明します。

この論文の主な貢献は次のとおりです。

（１）中国の石油化学産業におけるプロセス安全の現状をまとめ、プロセス産業におけるグリーン製造の実現における主な問題点を指摘し、グリーン製造のための重要なガイドラインを提供する。

（２）中国の石油化学産業の現状と主要な問題を踏まえ、我々は人工知能がグリーン製造を実現するための中核技術であるという見解を表明する。グリーン製造を実現するために、ナレッジグラフ、ベイジアンネットワーク、ディープラーニングなど、いくつかの技術でこれらの主要な問題に対処できます。

（３）プロセス産業間の複雑な安全関係とその特性を考慮して、ナレッジグラフをプロセス産業に適用するためのいくつかの技術的課題が提案されている。これらの課題は将来の研究者にとって興味深いものとなるかもしれません。

この論文の残りの部分は次のように構成されています。第 2 章では、プロセス産業におけるグリーン製造の現状と問題について説明し、第 3 章では、グリーン製造に関連する潜在的な人工知能技術について説明します。第 4 章では、グリーン製造における人工知能に関連するいくつかの技術的課題を紹介します。第 5 章では、最近の進歩と将来の展望について説明し、最後の章では、要約と展望を示します。

2. グリーン製造業の現状と課題

1. グリーン製造

製造業は3度の産業革命を経て、現在は第4次産業革命の真っ只中にあると一般的に考えられています（図2）。最初の 3 つの革命はいずれも生産性と経済発展を大きく促進しました。そのため、「スマート製造」として知られる第4次革命も、このような貢献を果たすだろうと広く信じられています。

図2. 4つの産業革命

石油と化学薬品はプロセス産業の重要な部分です。中華人民共和国国家統計局によれば、石油化学産業は中国の国民経済の柱となる産業の一つとなり、2017年には総工業生産の12％を占めた。石油化学産業は中国の国民経済の発展に大きく貢献してきた一方で、長期にわたる汚染や頻繁な事故により、公衆衛生や環境安全に悪影響を及ぼしてきました。情報化時代において、産業事故はさまざまなニュースチャンネルやソーシャルメディアを通じて世界中に報道・発信され、一般の人々に情報と関心を与えています。これにより、政府はより厳しい業界基準と規制を策定するようになり、グリーン製造の需要が高まっています。湘水「3月21日」化学工場爆発、天津港「8月12日」火災爆発、青島「11月2日」原油流出爆発など、最近の重大事故は、重大な死傷者、莫大な経済損失、深刻な環境影響をもたらしただけでなく、石油化学産業の発展にもマイナスの影響を及ぼした。江蘇省政府は2022年までに既存の化学企業の半分以上を閉鎖する計画だ。

プロセスの安全性に加えて、石油化学産業の環境への影響（短期的および長期的）にも注意を払う必要があります。中国のプロセス産業は、個別製造業と比較して、材料効率とエネルギー効率が低く、汚染が深刻であるという特徴があります。中国の国民経済におけるプロセス産業の規模を考えると、環境保護要件がますます厳しくなる中で、エネルギー消費とプロセス排出量を削減することが急務となっています。

グリーン製造は、プロセスの安全性、エネルギー消費、排出量の削減を実現するためのソリューションと考えられています。スマート監視、スマート早期警告、スマート意思決定、最適化ベースの汚染削減テクノロジーを統合することで、プロセスライフサイクル全体を通じて安全関連の側面を追跡するように設計されています。グリーン製造はプロセス産業の安全性と効率性を大幅に向上させることができ、高度な経済発展に不可欠な要件となる可能性が高い。

2. 現状と主な問題点

中国の石油化学産業におけるプロセス安全と環境保護能力の現状は、次の3つの側面から説明できます（図3）。

図3.我が国の石油化学産業における安全生産と環境保護能力の現状の3つの側面

（１）大規模生産。応急管理部化学物質登録センターが発表した統計報告書によると、2017年に中国では3,962種の有害化学物質を含む7,000種以上の一般化学物質が生産・消費された。有害化学物質とは、人間や動物の健康、環境、財産に潜在的に有害である化学物質です。数十年にわたる発展を経て、中国は化学物質の最大の生産国および消費国の一つとなった。国家安全生産総局の報告によると、わが国には危険化学品関連企業が 3×105 社以上あり、従業員数は 1×107 人を超えています。パイプラインの長さは1.2×105kmを超えます。これらの化学物質、特に危険な化学物質の莫大な経済的価値は、GDPの急速な成長をもたらしただけでなく、環境保護や公共の安全に関連するますます深刻な問題を引き起こしました。

（２）化学産業は不均等に分布している。中国の東西人口分布と経済格差を考慮すると、石油・化学関連企業のほとんどは東部沿岸地域に所在しています（図4）。ただし、特定の化学物質の場合、その製造プロセスのライフサイクル、保管、輸送、使用、損失は通常、異なる工場、郡、市、さらには省で発生します。したがって、プロセスの安全性と環境保護は、より大きな時間的および空間的スケールで考慮する必要がありますが、さまざまな段階（材料の取り扱いや情報の流れなど）の複雑さのため、これは簡単な作業ではありません。これらの問題に対処するには、人工知能とクラウドコンピューティングを通じて実現できる情報統合とデータ分析にさらなる努力を払う必要があります。

図4. 中国の化学企業の分布

（３）安全性と環境に対する要求水準の高まり経済発展により中国の生活水準は全体的に向上したが、環境悪化により、より高い生活の質を求める住民にとっては受け入れがたいものとなっている。環境問題は政府や社会からますます注目を集めています。国民の意識の変化により、政府は広範な経済開発モデルを放棄し、持続可能な開発を追求するようになりました。さらに、第13次5カ年計画では、2020年までに重大事故件数を20％削減し、関連する死亡者数を20％削減することを目標としており、石油化学業界ではインテリジェントなプロセス監視およびリスク管理システムに対する需要が高まっています。

石油化学産業を除いて、プロセス産業の現状は上で説明したものと非常に似ています。以下は、プロセス産業におけるグリーン製造を妨げる主な問題のリストです。

（１）複数ドメイン間の情報分離プロセス産業では、生産、保管、輸送、使用、消費の各段階が相互に関連しています。ただし、各フェーズは特定の領域に焦点を当てており、独自の情報およびデータベース システムを備えています。実際には、ライフサイクル内のプロセスは物理的に接続されていますが、情報処理の観点から見ると、分離されていることがよくあります。異なるプロセス間での情報交換が不十分だと、プロセス ライフサイクル データの包括的な分析が妨げられます。たとえば、動的リスク評価プロセス中に、材料に関する情報や危険な化学物質の出荷のリアルタイムの位置を考慮できる場合、潜在的なインシデントの可能性を評価し、動的なルーチンと緊急時への備えを通じてリスクをより適切に管理できます。事故の発生確率を許容できるレベルまで下げることができ、重大な事故を回避することができます。したがって、豊富な情報を統合し、知識ベースを確立することは、プロセス産業がグリーン製造を実装する上で最初に解決しなければならない困難な課題です。

（２）情報の種類は多様であり、データの種類も異なる。ライフサイクルの観点から見ると、製造、保管、道路輸送などのさまざまな段階には、それぞれ独自の特性と専門知識があります。これらの違いは空間的次元と時間的次元の両方に存在します。たとえば、温度、圧力、水位などの値は、異常やその他の品質関連の問題に関する情報が含まれているため重要です。交通面では、ルート、事業、リアルタイムの位置、車両の状態、運転者の状態が交通安全の鍵となります。しかし、この情報は異なるシステムに属しており、データのサンプリング レート、データ形式、データ収集方法の違いはもちろん、通信や統合も困難です。これらの問題により、安全関連情報をプロセス ライフサイクルに統合することが困難になります。さらに、さまざまなライフサイクル プロセスで収集されたデータの背後にはさまざまな分野があるため、事実データと知識を一貫したシステムに統合することも困難な作業です。

（３）プロセス安全を重視した意思決定システムの欠如プロセス産業、特に石油化学産業における大規模生産の場合、幾何スケールアップはコストを削減し、規模の経済性を獲得するための優れた方法です。大規模生産では、サプライ チェーンとラベリング システムが複雑になります。この業界は一つの都市や一つの州から広がり、最終的には全国に巨大なネットワークを形成します。産業チェーンでは、異なる時間と空間領域での生産と需要に対応するために、人口密集地域とさまざまな自然環境をカバーする全国的な輸送および倉庫ネットワークが必要です。危険な化学物質を大量に保管すると、地域社会に重大な危険をもたらす可能性があります。生産規模を拡大するプロセスには、完全に機能する制御システム、正確な人的操作、および高いレベルの機械的完全性が必要です。軽微なエラーや故障でも、迅速かつ適切に対処しないと重大な事故につながる可能性があります。言い換えれば、リスクに関しては、非常に多くの要因が相互に関連しており、それらの相互作用は直感的ではないことがよくあります。

現代の石油化学プラントの設計では、危険性と操作性分析 (HAZOP)、保護層分析 (LOPA)、システム整合性レベル (SIL) などの多くの実用的な危険性の特定と管理技術を統合することにより、リスク管理が考慮されています。しかし、これらの分析はいくぶん静的なものであり、関連する文書化は、状況と行動の潜在的な結果を完全に理解する必要のある現場オペレーターの能力を超えていました。オペレーターの行動はトレーニングと管理に大きく依存します。最近、ドイツのBASFケミカル社で事故が発生し、死傷者と経済的損失が発生しました。事故の原因は職員の操作ミスと深く関係している。この事例は、安全な運航のために非常に重要な意思決定システムを確立する必要性を反映しています。したがって、既存のドキュメント (HAZOP、LOPA、SIL など) に埋め込まれた静的知識を活用して状況を動的に分析し、安全関連の推奨事項を提供できるインテリジェント システムが必要です。このようなシステムは、緊急事態において一人の作業員が考慮できるよりも多くの安全関連要素を考慮することで、安全管理を改善することができます。

安全対策のもう 1 つの重要な側面は、本質的に安全な設計です。これは、プロセスにおける材料および操作関連の危険を永続的に削減または排除するという概念であり、プロセス設計の初期段階、通常の操作中および変更中、および施設の耐用年数の終わりまで広く適用されます。安全性の観点から見ると、化学プロセスには構造的な類似点があります。 1 つの化学プロセス施設に本質的に安全な設計を適用すると、他の施設にも前例が作られます。より広い視点で安全志向の意思決定をサポートするには、本質的に安全な設計の基本的なルールと概念、およびいくつかの成功事例から得られた経験を抽出し、統合する必要があります。最後に、プロセス安全性の意思決定システムを構築する際の一般的な課題は、自然言語で記述された人間の経験と知識を機械が理解し、使用できるようにすることです。

（4）早期警報およびリスク追跡システムの欠如。プロセス産業では、効果的な警報メカニズムがないため、ほとんどの事故が拡大します。通常、石油化学プロセスは複数の構成で動作し、それぞれに独自の動作ウィンドウや制限があります。プロセスは自動化システムによって制御されるため、プロセス パラメータの小さな変動が下流のプロセスに伝播し、重要なユニットに影響を及ぼす可能性があります。重要なユニットにおけるこれらの変化や変動は、プロセスパラメータ間の複雑な相互相関関係のため、オペレータにはすぐには分からないことがよくあります。現在、プロセス モニターとオペレーターは、経験に頼ってこの問題を解決しています。プロセスを適切に操作するには、実際のプロセス構成と傾向を識別するための高度なプロセス監視システムに基づいて異常を識別する能力が必要です。診断機能はリアルタイムで動作し、現在のリスクと、通常の動作構成から異常な状態への潜在的な変化を評価する必要があります。現在の状況の考えられる理由を示し、何も対策を講じなかった場合に起こり得る結果を説明できる意思決定支援システムが必要です。残念ながら、そのようなインテリジェントなシステムはまだ存在していません。

3. グリーン製造における人工知能

人工知能は、機械知能とも呼ばれ、コンピューターサイエンスと自動化の重要な分野となっています。人工知能は、コンピューターサイエンス、オートメーション、情報工学、数学、心理学、言語学、哲学の分野からの知識を組み合わせたものです。 AI が直面する問題は、図 5 に示すように、特定の特徴や機能に応じていくつかのサブ問題に分割されます。

図5. 人工知能のいくつかのサブ問題

グリーン製造の 4 つの主要課題の特性に応じて、情報統合、動的リスク評価と意思決定サポート、早期警告の 3 つのカテゴリに分類できます。これらの問題に対処し、グリーン製造を可能にする技術はいくつかありますが、ナレッジグラフ、ベイジアンネットワーク、ディープラーニングなど、以下で詳しく説明します。

1. ナレッジグラフによる情報統合

人工知能の分野では、ナレッジグラフはリンクされたデータを整理するためのよく知られた有望な技術です。これは、概念とその関係を記述する構造化された意味ネットワークです。さらに、ナレッジ グラフは、定義済みクラス内の「エンティティ」間の関係の意味を強化するルールまたはディープラーニング戦略に基づいた推論機能と推測機能を提供できます。ナレッジグラフは、百科事典、ソーシャル ネットワーク、オンライン金融システム、社会保障システムなどのインターネット ベースのアプリケーションで広く使用されています。

インターネット関連のアプリケーションで使用される一般的な知識とは異なり、プロセス産業では、化学工学、プロセス安全性、プロセス制御、自動化、および機械工学に関するより専門的な知識が求められます。このような専門化された業界では、ナレッジグラフの実装には実際の情報だけでなく、その分野に関する特定の知識も必要です。知識モデリングは難しいことが多いため、特定のドメインを深く理解することが不可欠です。あらゆるドメインでナレッジ グラフを構築する一般的な手順 (図 6) によれば、プロセス安全ナレッジ グラフの構築は、図 6 に示すように、プロセス安全に関連する情報の収集、知識の融合、知識の処理という 3 つの段階に大まかに分けられます。

図6. 典型的なナレッジグラフの技術的アーキテクチャ

（１）プロセス安全情報の抽出ナレッジ グラフの構築は、化学物質、反応、プロセス関連の文書、制御システム、機械情報、リスク関連情報など、プロセスの安全性に関する情報の収集から始まります。この情報とデータの範囲は、構造化されたデータだけでなく、グラフィック、表、自然言語で書かれたテキストなど、幅広く多様なものである必要があります。ナレッジ グラフの主な目的はリンクされたデータを生成することであるため、主な課題は、さまざまなデータ ソースから個々の「エンティティ」とそれらの関係を識別することです。これらのプロセスは、エンティティ抽出、関係抽出、属性抽出と呼ばれることがよくあります。

エンティティ抽出: エンティティ抽出とは、テキスト データセットから名前付きエンティティを自動的に識別することを指します。これは情報抽出の最も基本的な部分です。プロセス産業における特定のリスク関連要因を抽出するために、明確に定義されたオントロジー スキーマに依存しています。データ ソースには通常、操作マニュアルやメンテナンス シートのほか、配管計装図 (P&ID) やプロセス フロー図 (PFD) が含まれます。

関係の抽出: エンティティが抽出された後、2 番目のステップはエンティティ間の関係を決定することです。この関係は通常、意味情報またはその他のグラフの形をとります。石油化学業界では、因果的な安全面に関する情報は通常、プロセス危険性分析文書（HAZOP、LOPA、SIL 検証文書など）に含まれています。これらの因果関係を判断するには、多くの場合、リスクについての深い理解、または少なくとも危険を生み出す要因についての理解が必要です。

属性抽出: 圧力リリーフ バルブなどのプロセス関連エンティティは、材料や圧力リリーフ設計などのさまざまな側面に基づいて、異なる方法で定義されます。これらの属性には、比較やモデリングに使用できる定量的な情報が含まれているため、抽出する必要があります。

（２）プロセス安全知識の統合安全性情報の抽出により、リスク要因とそれらの相互関係の完全な説明が得られます。ただし、これらの結果には多くの冗長性とエラーが含まれている可能性があります。さらに、データ間の関係はフラットで、階層やロジックが欠けています。知識の融合により、概念の曖昧さを自動または手動で識別して排除し、冗長性とエラーを排除できます。

（３）プロセス安全知識処理知識の融合後、エンティティの曖昧さを排除できます。次に、一連の基本的な事実を表現できます。プロセス安全の実践では、安全関連要因の分析が非常に重要です。潜在的な危険と事故発生の可能性を特定し、推定する必要があります。プロセスの危険性を自動的に特定するには、プロセス、装置、操作性、メカニズムなど、各特定の化学プロセスの詳細を記述するために、プロセス安全関連の知識を適用する必要があります。特定のプロセス パラメータの逸脱は開始イベントとして識別する必要があり、事前定義されたルールと埋め込まれた知識を使用して、トリガー イベントと下流のプロセス間の因果関係を診断する必要があります。知識処理は、自動化されたセキュリティ分析のためのこのような機能を提供する必要があります。

知識処理には、主にセキュリティ オントロジーの再構築、推論、品質評価という 3 つの側面が含まれます。

セキュリティ オントロジーの再構築: オントロジーとは、客観的な世界における概念をモデル化および記述するための標準を指します。オントロジーは、特定の分野における知識概念とそれらのつながりを正式な方法で明示的に定義します。プロセス安全性オントロジーは、まず既存の知識のブレインストーミングを通じて構築できます。十分な関連データが収集されると、機械学習手法を使用して、データの共通機能から対応するオントロジーを再構築できます。

リスク関係の推論: 推論とは、事前定義されたルールまたはデータ内の既存の機能に基づいて、既存のエンティティ間の潜在的な関係を発見することを指します。知識推論を通じて、既存のエンティティ ネットワークから新しいプロセス安全性の知識を発見または推定できます。既存の危険特定および分析方法では、すでにさまざまな逸脱間のリスク指標と因果関係に関する情報が提供されています。理論的には、プロセス安全性ナレッジグラフを使用した推論は、未確認のリスク関連要因の特定を補完し、それによって運用安全性または機能安全性を向上させることができます。推論方法は、ロジックベース推論とグラフベース推論の 2 つのカテゴリに分けられます。

品質評価: これはプロセス安全性ナレッジグラフの構築にも重要です。最先端の知識抽出技術を使用しても、データから得られる事実や知識には依然としてエラーやノイズが含まれている可能性があります。自動的な知識抽出と推論では、安全関連の知識の品質を保証することはできません。新しく抽出されたデータをドメイン知識グラフとマージする前に、新しく取得したデータの精度、再現率、F1 スコア (精度と再現率の加重平均) 基準を評価するための品質評価が必要です。

要約すると、ナレッジ グラフはプロセス産業における関連情報を統合する効果的な方法を提供します。情報ギャップ、データの相違、データに隠された複雑な関係表現などの既存の問題はすべて、ナレッジグラフを通じて解決できます。

2. リスク評価と意思決定のためのベイジアンネットワークの使用

ベイジアン ネットワークは、有向非巡回グラフを使用して変数間の確率的関係を捉え、変数の条件付き依存関係を捉える確率的グラフィカル モデルです。プロセス産業では、確率的関係を使用して、リスク要因をさまざまな種類の異常および異常と関連付けることができます。

たとえば、コークス炉（遅延コークス化反応器）で暴走反応が発生する可能性があると仮定すると、反応の危険性を判断するために 5 つの主要なプロセス パラメータを分析する必要があります。これらのパラメータは、①および②高温材料の温度と流量、③および④加熱された材料の温度と流量、および⑤炉管内のコークス化度です。これらのパラメータはすべて、偏差の確率が異なります。ベイジアン ネットワークは、上記の 5 つの要因と制御されていない応答間の複雑な確率的関係を記述できます。この方法は、他の潜在的な事故や関連するリスク要因にも適用できます。精度を考慮すると、ベイジアン ネットワークのパラメータは、良好なパフォーマンスを得るために慎重に調整する必要があります。したがって、既存の事前知識に基づいて得られたパラメータは、最大エントロピー原理に従って最適化され、最大尤度法を使用して推定することができます。ベイジアンネットワークはリスク要因を正確に追跡できます。

前述のように、ベイジアンネットワークはデータを総合的に分析することで異常な原因を見つけ出し、コークス炉内で暴走反応が発生するかどうかを予測することができます。さらに、プロセス安全性ナレッジグラフによって提供される関連データを活用することで、ベイジアンネットワークはさまざまな異常な状況に対する緊急ソリューションを提供できます。

3. ディープラーニングに基づくイベント警告

ディープラーニングは、ディープ構造化学習とも呼ばれ、機械学習のサブカテゴリです。多層ニューラルネットワークを使用してデータを解釈し、人間の脳の機能を模倣します。プロセス産業では、プロセス監視データの変動の中に潜在的な事故の可能性が隠れていることがよくあります。

たとえば、発熱反応への供給物の組成が変化すると、反応器内での熱発生が増加し、適用可能な動作範囲が狭まる可能性があります。その結果、プロセスパラメータの変動が安全限度を超え、急激な温度上昇や制御不能な反応が発生する可能性があります。上流ユニットの温度/圧力上昇と下流ユニットの潜在的な爆発結果との関係が爆発が発生する前に判明すれば、特定の早期警告機能を設計することができます。残念ながら、現実にはプロセス監視パラメータの数が多すぎるため、パラメータの変更と潜在的なリスクとの暗黙的な関係は人間が把握するには複雑すぎます。この場合、ディープラーニングを使用して、潜在的な事故を示すパターンと関連するパラメータの変化を識別できます。さらに、ラベリングプロセスの監視データ、プロセス機器、および人間の操作に関する詳細な情報が利用できる場合は、測定データから潜在的な事故の可能性を推定できます。ラベル付けされたビッグデータは、リスクの識別と評価のためのディープラーニングと関連テクノロジーの基礎となります。しかし、現実には、プロセスから収集されたビッグデータには、欠落データや外れ値が含まれることが多く、検証済みのラベルが欠けています。そのため、得られるデータは十分ではないことが多く、現在の産業用アプリケーションにおける事故警告は主に専門家の経験と警報システムに依存しています。

4. 技術的な課題

ナレッジグラフは特定の業界では使用されていますが、製造業ではまだ新しい技術です。プロセス産業における複雑な安全関係を考慮すると、プロセス産業におけるナレッジグラフの実装は、以下に説明するように、依然としていくつかの技術的な課題に直面しています。

（１）希少なプロセス安全ラベルに関する知識の獲得スパース サンプリング環境での知識獲得は、ナレッジ グラフを構築する際の一般的なステップです。プロセス産業に適用する場合、化学プロセスの複雑さのためにいくつかの困難に遭遇する可能性があります。プロセス安全アプリケーションは、プロセス設計、機器、自動化、および人的操作の完璧な機能性を必要とするライフサイクル プロセスです。いずれかが故障すると、事故が発生する可能性があります。次に、プロセス安全関連情報を記述するナレッジグラフを構築するには、豊富な関連データが必要です。しかし、化学プロセスのライフサイクルでは、これらの関連データは異なる分野にまたがっていることが多く、これらの学際的なデータを入手することは困難です。さらに、プロセス安全性分析において最も価値のあるデータは、異常状態や障害状況下でのラベルによるプロセス監視のリアルタイムの変化です。ただし、これらのタグはプロセス安全性分析アプリケーションでは利用できないことがよくあります。

（２）知識に基づくプロセス安全性の推論プロセス産業はリスクを軽減し安全に運営するという大きなプレッシャーにさらされているため、プロセスの監視、異常状況の追跡、結果の評価はタイムリーかつ信頼できるものでなければなりません。知識推論により、人間には明らかではない因果関係が明らかになり、プロセス安全性分析に補足的な情報を提供できます。現在、最高の知識グラフの推論方法は、約80％の精度を達成しています。既存の知識推論技術を改善するか、プロセス産業の安全要件を満たすために新しいものを提案する必要があります。

（3）マルチソースの不均一データの正確な融合。プロセス業界では、プロセスの安全性に関連するデータには、静的と動的な2つの形式があります。静的データには、頻繁に変更されないプロセス情報と関連するハザード分析ドキュメントが含まれますが、動的データは主に常に変化するプロセスステータスを説明します。ただし、実際のアプリケーションでは、取得したデータはしばしばあいまいであり、知識を獲得することの難しさを高めます。前者は2つの可能な解決策があり、後者はドメインベースの知識習得と取得データの知識融合を強調しています。

（4）動的リスク評価と意思決定支援のための効果的な学習戦略。知識グラフは、石油化学プロセスの安全性に関連する静的な知識と事実を統合する効果的な方法を提供します。理想的には、化学プロセスにおける因果関係は、異なるエンティティと対応するルールまたは公理との関係に保存されるべきです。知識グラフは特定のバイアスから因果分析を可能にしますが、適切なバイアス自体を特定するのが難しいことがよくあります。プロセス監視システムからのリアルタイムデータは、通常の条件からの逸脱の可能性を特定するために必要です。知識グラフを使用して、異常を分類するために適切な機械学習方法が必要です。次に、推論エンジンを使用して、初期状態からの特定の偏差の動的伝播を評価でき、異なる結果に対してイベントの複数のチェーンを特定できます。最後に、最終決定を下すために、各イベントチェーンで動的リスク評価が実行されます。この目標を達成するには、プロセスの信頼性、機器の故障モード、およびそれらの対応する効果、および操作手順の分野で豊富な情報が必要です。残念ながら、実際には、高品質のデータは、アルゴリズムが学習することを保証するのに十分ではありません。課題は、小さなサンプルデータを扱うことにあります。

V.現在および将来の仕事

人工知能を通じてグリーン製造を実現するために、遅延したコーキング反応プロセスの安全知識統合に関する研究を開始しました。現在の結果を図7に示します。統合されたオントロジーが図に提案されています。これには、遅延コークスプロセスにおける機器、化学プロセス、化学物質が含まれています。ナレッジグラフでは、プロセスパラメーターの上限と下限、上流と下流の関係、プロセスパラメーター偏差の構成など、プロセスの安全性に関連するすべての要素が考慮されます。また、図7に示すように、視覚化と質問回答に焦点を当て、対応する結果を達成します。視覚化と質問を実現する目的は、インテリジェントな製造を実現することの重要な部分である人間のコンピューターの相互作用能力を改善することです。

図7。現在および将来の作業のフレームワーク

将来、任意の逸脱と下流のプロセスパラメーターへの影響との因果関係の調査に焦点を当てます。初期偏差は下流に伝播し、その後、意思決定をサポートするために分析されるイベントの木を形成します。目標は、適切なプロセス監視技術を使用して異常な状況を特定し、一般的な断層ツリーやイベントツリーを自動的に追跡することにより、迅速な論理分析を可能にすることです。さらに、知識グラフの統合データの深さと幅が増加するにつれて、将来の作業では、イベント警告、リスク追跡、および補助意思決定が深い学習とベイジアンネットワークを通じて達成されます。

VI. 結論

このペーパーでは、プロセス産業におけるグリーン製造の重要性、現在のステータス、および主な問題について詳しく説明します。知識グラフ、ベイジアンネットワーク、ディープラーニングなど、人工知能の分野でいくつかの魅力的な技術をレビューします。これらの技術は、グリーン製造における主要な問題に対処するためのアプローチを提供します。十分な分析と議論に基づいて、プロセスの安全性が直面する特定の技術的課題について説明します。これらの課題には、乏しい誤ったデータに関する知識の習得と推論、不均一なデータの正確な融合、および早期警告と意思決定サポートが含まれます。これらの課題に対処するための可能なアプローチが提案されており、関連する結果が議論されています。