数字化转型难，厘清概念好实施！

在艾默生数字化转型顾问的众多客户拜访中，有部分客户认为数据太多，缺少的是将数据转化成执行的分析工具；还有部分客户认为，对数字化转型/工业4.0 而言，现有数据还远远不够，还需要增加传感器来获取更多数据。为什么会出现如此矛盾的两种观点呢？您如何确定数字化运营基础架构（DOI）中合适的传感器数量？分享艾默生高级数字化转型顾问 Jonas 的建议：

“在客户拜访中，经常被问到是否需要增加传感器的问题。我认为如果没有出现故障，人们常常就不会进行监测。不过，所有设备最后都会出问题，对于已经出现问题的设备，则必须进行监测。”

——Jonas Berge

数据和分析

必须区分过程数据和设备数据：

• 过程数据是过程流体的测量数据；原料、成品以及从原料到成品的所有过程数据。
• 设备数据是处理设备的测量数据：泵、压缩机和热交换器等。
  
  

必须区分实时数据和历史数据：

• 实时数据是传感器的实时动态数据流；
  
• 历史数据必须存储在数据库中，并根据需要进行检索。
  
  

必须区分过程分析和设备分析：

• 过程分析可以预测流程异常情况，因此操作员可以在产品质量受影响前采取措施，或无需等待实验室报告即可预测产品性能，进行多次分析，预测结果更准确。
  
• 设备分析可以预测设备磨损和结垢，因此可以在设备出现故障之前进行维护。
  
  

必须区分大数据分析和实时预测分析：

• 大数据分析可处理大量历史数据，查找因果关系，从而创建流程模型。
  
• 实时预测性分析可将实时数据（影响状况）和模型进行比较，以便尽早确定原因。
  
  

大量过程数据

通常，工厂有许多过程数据。实时过程数据是数千个过程传感器的实时数据流。许多传感器是闭环过程控制策略和互锁的一部分。其它传感器采用“开环”监测，包括操作员警报和趋势。因为这个过程通常很迅速，通常1秒或更短的时间内就可以收集过程数据。大多数情况下，操作员不查看数据的时候，控制系统对设备进行控制和监测。

然而，即使“开环”监测也必须快速及时地触发警报，因为在操作模型中，当操作员查看数据时，系统必须给予实时响应。过程授权方已经规定了过程控制和警报所需的传感器以及周期，且符合性能保证，因此工厂已经建立了一套良好的过程传感器。

将过程传感器数据记录下来并存储在历史数据库中多年，警报和活动也在历史数据库中记录。一些工厂可能拥有10年以上的历史过程数据。某些行业有规定必须将数据存储多长时间，必须以高采样率存储数据，以免无法发现间歇性活动或影响事件的真实顺序。许多标签加上高采样率和较长的时间等于大量的数据，这就是大数据。

有客户说数据太多了，但其实这只是过程数据。过程数据确实很有价值，但工作人员不会每天查看过程数据，因此无法充分利用这些数据，其作用主要用于取证。也就是说，尽管工厂运行良好，但大部分人对大部分历史数据点都不感兴趣，因此他们并不会每天查看记录数据。

然而，如果设备出现跳停或者某些过程异常，那么很多人都想了解引起异常情况的根本原因和时间顺序，以便从中学习经验。异常情况也可能给员工带来很大的压力。因此，必须将数据记录下来，因为其他人可能会在其它事件点需要这条信息。

有趣的是，对大数据分析而言，数据专家实际上只使用了一次历史数据来生成模型。之后，不再需要历史数据。从那时起，过程模型使用实时数据进行预测。因此，无需在新的数据池或新平台上进行大量投资，也无需花费时间将所有历史数据的副本放入数据池，转化数据格式等。

设备数据不足

但是，设备数据不足，就无法预测泵、压缩机、热交换器、冷却塔、鼓风机、空冷式热交换器、阀门等工厂设备的问题。许多设备曾尝试进行预测，但最后均以失败而告终。原因在于，在过程变量（例如排气压力）上可以看到设备磨损的迹象（如轴承振动）时，问题已经很严重了（如轴承故障）。预测设备故障速度的最快且最可靠的方式是直接使用设备传感器（例如，加速度计、声音噪声或位置等）。

过程授权方未指定用于设备状态监测的传感器。涡轮机械制造商指定了保护传感器和在线保护系统，但未指定在线预测分析工具。小型设备制造商未指定永久性安装传感器或分析工具，只使用便携式测试仪进行定期检查。

因此，大多数设备尚未安装相应传感器。例如，泵出厂时配有压力表，而不是压力变送器。但是，Nolan和Heap告诉我们，只有11%的资产因为使用时间太长引起故障，因此需要进行基于时间的维护；其它89%的故障是随机的，对这些资产而言，更合适采用基于状况的维护。

在大多数工厂中，设备并未仪表化。每天、每周、每月收集的设备数据太少，无法进行预测。因此，该设备的附加传感器为数字化转型项目的一部分，因为设备数据是预测性分析的基础。实际上，最好在变送器附近且靠近传感器的地方进行实时分析。

由于传统上仅检测涡轮机械并将机械数据传输到历史数据库记录。历史数据库仅能存储整体振动等时间序列数据，无法存储波形数据或频谱数据。

手动收集其它设备的检查数据，并将该数据与其它时间序列数据一起输入到历史数据库中，或通过现场的平板电脑或办公室的工作站收集数据，包括红外测温仪和其它便携式测试仪以及人工仪表读数。时间序列数据可在时域中分析。而振动波形数据需使用便携式测试仪手动收集，传输至专用波形数据库中并存储，通过快速傅里叶变换（FFT）在频域中对波形数据进行分析，从而预测失衡、未对准、松动等问题。无需在数据池中将波形数据和时间序列数据混合在一起，只需使用算法将这两种数据分开，并在以后进行分析时再次分开数据，就可分别在频域和时域对数据进行分析。

振动变送器既提供时间序列数据，还提供波形数据。时间序列数据可存储至历史数据库，并直接进行预测分析。然后，通过机器学习等对历史数据进行科学分析，查找与其它变量的相关性，并建立模型。波形数据可存储至波形数据库，再进行详细分析。

设计方法

有一种方法可计算出应用程序、位置数量以及所需传感器类型。

这种方法的基本步骤包括：

• 探索会议
• 解决方案映射
• 站点选择
• 站点细节
  
  

探索会议

未来对工厂运营和维护进行数字化转型，从手动、纸质的工作方式转化为自动、数字化软件和软件驱动的工作方式，第一步是首先找出需要解决的问题。所以，数字化转型之旅从探索会议开始，提出每个部门面临的各种运营挑战。转型工作包括维护检查、现场操作员巡检、紧急集合等。也就是说，整个组织的挑战在于整个工厂效率低下，而会议目的是发现这些挑战。

对于运营数据看板和通知而言，运营团队可以举办研讨会来集思广益，探讨看板和通知的内容和格式。思考每个人的KPI，例如OEE、能源强度，或索罗门公司定义的基准KPI之一。下一步，思考每个人在月底前完成KPI每一分钟需要知道的实时指数。因此，可确定生成实时索引的分析软件。反过来，识别分析软件所需的原始数据。最后，根据历史数据库的数据来看，还缺少哪些数据呢？这些是必须的附加传感器，同样适用于增强现实，即您需要显示的内容可驱动需部署的分析和传感器。

解决方案映射

下一步是解决方案映射练习，包括将挑战映射到现成的解决方案上。这些解决方案是将基于共享标准的无线基础架构上的传感器与共享APP框架中APP组合到一起。如果现成的解决方案无法应对挑战，就创建新的解决方案。首选现成的解决方案，因为这些方案经过试验和反复测试，并在其它站点得到证明，因此无需概念证明（PoC）即可帮助工厂避免遇到“试验困境”。最终，企业的整体数字化转型愿景被分解为每个员工工作上的多个较小的改进。

站点选择

第三，根据选择标准确定每种解决方案的使用地点，因为通常没办法监测到工厂中的每一个泵、疏水阀、手动阀和仪表。大多数工厂在设计时已经对资产进行了“HAZOP”或“关键性排名”，从而使警报合理化，因此可作为选择永久传感器连续监测设备的标准。关键设备可能包括对生产有影响但没有备用冗余的设备、维修昂贵的设备或交货期很长的备件等。最关键的设备可能包括燃气轮机、蒸汽轮机、涡轮机等涡轮机械。这些关键资产具有机械保护系统，还具有监测振动的预测系统。如果没有预测系统，则应添加预测系统，因为保护系统可能没有预测功能。第二层是“基本”设备，可能没有连续监测功能；现在，可以通过便携式测试仪实现手动收集数据。便携式测试仪应该具有预测分析功能，可进行状态维护。重要的是要注意，仅监测振动甚至温度是不够的。想要全面了解设备的健康状况，还需要其它传感器。底层设备仍保持原样，也许将来可能有用。无线传感器的共享基础架构是数字化转型基础架构（DOI）体系架构组件。

数字化转型始于对数据收集进行转型

严格的选择流程有助于确保每个解决方案都具有好的投资回报率，并通过投资门槛流程获得数字化转型项目。

这是数据的价值，

而非传感器的成本。

站点详情

最后，仅对于某些解决方案来说，每个站点都需要详细的设计。例如，泵解决方案具有1个到12个可选传感器，具体取决于是否带滤网，是否具有机械密封以及服务类型等。

传感器位置

每个人都想要一个看板，可以快速了解职责范围内正在发生的事情。但是没有人愿意收集数据并将数据输入系统，因为这项工作很无聊，不仅在流程工厂是这样，在商业交易中输入财务报告也很麻烦。但是，没有原始数据，就没有可操作信息。因此，需要数据自动收集代替手动数据输入。因此，附加传感器是每个数字化转型项目的关键组件。

常见实例

通过增加传感器，对相关领域的工作进行数字化转型：可靠性/维护/完整性、过程/能源、健康安全环保和生产效率。这些解决方案可以自动执行数据收集和数据解读等手动任务，从而提高了生产率。对于不涉及数据收集的工作，数字化转型解决方案中无需安全传感器。

没有原始数据，

就没有可操作信息

可靠性、维护和完整性

可靠性、维护和完整性工作实践的数字化转型目标是提高可用性，降低维护成本，延长设备寿命，提高完整性，缩短大修时间以及延长两次大修的间隔。也就是说，不仅解决日常维护问题，还要对大修进行数字化转型。

可靠性和检查工作量很大，每天、每周、每月以及每年都有大量的数据需要手动收集。手动检查现在实现数字化转型。从纸质工作方式升级为电脑应用程序只是一小步，但仍然属于手动操作，而添加传感器，实现自动数据收集才是一个巨大的飞跃。工厂部署的许多附加传感器都可以提高可靠性并降低维护成本，从而将设备转变为智能连接设备。

合理的设备故障模式决定了传感器的数量。对于现有的可靠性解决方案，供应商已经基于有据可查的潜在故障模式与后果分析考虑了每一类设备的各种故障模式，通过捕获故障模式的相关症状确定传感器类型，并遵循以上建议。大多数类型的设备（例如泵、压缩机、热交换器、冷却塔、鼓风机、空冷式换热器和阀门等）都已经广为人知，因此使用现成的应用程序即可，无需花费大量时间和精力使用AI/Ml查找这些常见设备的相关信息。这对于现有的可靠性和维护工程师来说很容易。无论由工厂内部专家从公司车间监控中心在工厂内部进行状态监测，还是使用基于工业物联网（IIoT）的远程专家服务业务模型进行状态监测，所需的传感器都是相同的。

每月进行一次检查和测试，泵可能会在相关人员发现症状之前就发生故障。连续监测可尽早发现问题并在故障发生前解决问题。在选点过程中，工厂决定选择关键且必不可缺的泵，其功率可能高于所有特定马力/千瓦（例如100 hp/70 kW），通常对过程很重要或大修费用高昂。且没有“泵健康变送器”，而泵需要多个传感器和软件，因为仅监测轴承的振动和温度是远远不够的。

传感器的数量取决于是否有过滤器和机械密封。根据API旧版标准，机械密封冲洗液储器可能配有压力和液位开关。数字化转型是一个好机会，可以用压力和液位变送器代替所有管道计划，升级到2014版本。代替关联的DCS I/O卡和编组更实用的方法是使用无线传感器并绕开DCS，将数据直接传输至泵分析APP和历史数据库。

工厂选择对关键且必不可少的鼓风机和风扇进行监测。其中一部分鼓风机和风扇可能处于脏乱工况，易堆积灰尘并引起不平衡。另一个考虑因素是服务：改善所谓的不良因素。这一步从轴承振动和温度传感器开始。如果有过滤器或百叶窗，则需要其它传感器来预测更多的故障模式。

空冷式换热器也成为散热风扇，其散热片和风扇需进行监测。监测空冷式换热器具有可靠性和能源效率两方面的要素。监测这些设备，价值提高了一倍。每个空冷式换热器有多个单元。如果单元具有散热孔和叶片，也应对其进行监测。除了轴承振动和温度以外，还需要产品和空气温度以及进出气口。如果有人有兴趣或风扇能够调整，也可以感觉到这一点。

工厂中较大的压缩机可能具有机械保护系统，但不具有预测功能。这种情况下，还应该提供预测功能。此外，工厂中还有许多用于各种过程和仪表空气和气体的各种小型压缩机。其中一些小型压缩机必不可少，但却未进行监测。还有一部分小型压缩机可能由压缩机供应商按照维护合同进行管理。此时，您可能需要坚持使用压缩机供应商的仪器并监测压缩机，提高服务水平。多个传感器有助于预测轴承问题、过程不稳定、过滤器堵塞、叶片问题和润滑油问题。

需对冷却塔的风扇和泵进行监测。风扇很大，通常有一个振动开关提供保护。但是，当开关跳停时，可能变速箱的损害已经很严重了，所以需使用振动传感器进行预测。冷却塔还有水化学元素，可防止结垢和腐蚀。因此，可以安装其它传感器来监测该区域。

应对腐蚀/侵蚀工况的管道和船舶进行监测，防止密闭性损失，从而降低设备更换频率。但是，腐蚀监测中还有生产优化的要素：例如，在炼油厂中以最佳百分比的低成本高浓度机会原油来优化原油混合物，不仅提高了利润，且不会给管道系统造成太大的压力。根据不同的应用情况，超声波传感器应用于厚壁工况，电阻/线性极化（ER/LPR）探头应用于腐蚀工况。

其它手动检查点可升级为自动化操作。尽可能将传感器放在巡检表格上，手持终端的纸质信息或数据。优先消除频繁的巡检：轮班、日常巡检、高风险区域的巡检；必要时还可以安装其它位置、液位、离散触点、流量、压力、温度以及其它传感器，以便消除人工检查。

能源效率与减排

能源管理工作实践的数字化转型目标是降低能耗，减少排放/碳排放量。

颗粒能源管理工作量大，耗费人力，每天、每周、每月以及每年都有大量的数据需要手动收集。能源管理现在可以进行数字化转型。首先添加传感器，自动执行数据收集。工厂部署了许多附加传感器，期望提高能源效率并降低能源成本和碳排放量。

能源管理的很大一部分是实现仪表读数自动化，获取最新读数，提高颗粒精细度，直接发现过度消耗和损耗的根本原因。

工厂更愿意从能源管理计划开始，因为这笔节省的费用很快会在能源账单上显示出来，更很容易证明工厂转型的成功。

工厂可能已经部署了能源管理信息系统（EMIS），但是缺少实时数据，因此无法进行有效的能源核算和平衡。控制中心（MCC）可能测量了每个设备的能耗，然而，对于水、压缩空气、蒸汽、燃气等气体流体却往往缺乏能源管理。为了了解哪里出现了能源消耗，工厂正在提高整个工厂里每个区域、每个单元甚至单个设备的颗粒度。因此，工厂测量了所有分支上的有效流量。从每个区域开始，然后是单元，最后是高消耗设备。许多流量传感器有助于关注高容量、高价值的能量流。

根据年度疏水阀调查，可在检测之前吹入蒸汽一年。通过持续监测，发现并尽快停止损失。直接探讨过度消费的根本原因，可能由于其压力高于所有特定管路压力或特定排放容量，也可能是未吹入蒸汽时造成了大的损失。在选点过程中，工厂选择安装声波传感器来监测关键疏水阀，还可以选择监测蒸汽管线提供过程热量的疏水阀，如果疏水阀无法成功收集冷凝水，会影响过程。

工厂选择监测关键且必不可少的泄压阀。这些泄压阀可能压力高或容量大，会导致大量的体积损失、泄压或通过。氢等高价值产品是另一个考虑因素。最后，工厂可能会选择首先在双重冗余服务中监测安全阀，在此情况下，可以拆下一个安全阀进行检修，继续使用另一个阀门。该监测中可使用声波传感器。

对于换热器，工厂倾向于优先考虑结垢服务。另一个选择标准是多管束，希望具体查看哪个管束存在污垢，以便在其它管束正常运行时直接清洁有污垢的管束。工厂可能选择从已经进行流量测量的工厂开始进行。通常，工厂仅测量上一段管束中产品的出口温度，因此在热侧和冷侧均安装了入口和出口附加温度传感器。

工厂可能已经确定能源过度消耗的原因是设备效率低下，因此可以选择对燃气轮机和蒸汽轮机、大功率压缩机和泵或高压、高容量锅炉的效率，以及大容量的冷却塔等设备进行连续监测。目的是发现过滤器的堵塞、泄漏、传热表面的结垢以及效率低下的其它原因。通常需要将压力、温度和流量传感器组合到一起使用。

健康、安全和环保

健康、安全和环保（HS＆E）工作实践的数字化转型目标是减少事故，缩短响应时间并减少违规情况。数字化转型与已经完成的功能安全性无关。在数字化转型的背景下，工厂的健康、安全和环境与人员安全和人为因素等有关，因此增加传感器可以更好地了解情况。作为安全案例审核的一部分，工厂可能已经确定了空白区域，而使用传感器可以填补其中一部分空白。

如果尚未将安全喷淋器和洗眼器与系统连接，则应配备激活的传感器，以便救援队能快速作出反应。根据现场的气候情况，还可能需要压力和温度传感器。

应对存在安全风险的手动阀配备位置传感器，提高操作员的意识，甚至可能联动，特别是在日常运营中，包括了堤坝阀、产品输送阀、旁通阀等。一部分手动阀存在产品质量隐患，如果放在错误的位置，则会引起交叉污染。因此，也应进行检测，既可以起到预防作用，又是取证和质量保证。

如果关断阀不具有位置反馈功能，则应该安装传感器，以便操作员对成功运营进行肯定确认，包括能简化性能验证测试的自动行程/行程时间测量。请注意，反馈不属于SIF。

某些泵、储罐和其它位置可能比其它泵更容易发生碳氢化合物或化学物质的泄漏，因此工厂可以在地面上部署泄露检测传感器，并在这些设备周围排水。

罐区工厂选择监测大型储罐的压力真空安全阀（PVRV）和覆盖阀，监测填充、排空或温度变化期间的运行，防止爆炸。

已经确定存在有毒气体（例如H2S或CO）或氧气消耗风险的现场区域，如果还没有传感器可以检测到这种情况，则应安装传感器。

只能进行单次液位测量的危险液体储罐应安装第二个独立的液位传感器，防止溢罐，这并非自动溢罐保护系统，而是第二个独立的可以防溢罐的表现，也可能是用现代化电子液位传感器替换机械胶带和父子以及伺服压力计的好时机。

生产实践

生产工作实践数字化转型的目标是降低次品率，提高产量，提升灵活性，以便处理原料变化和生产产品等级，降低运营成本并缩短新产品的交货时间。对于运营商而言，更好的状态感知是实现这些目标的关键。必须添加传感器，实现数据的自动收集，以便操作员更进一步了解设备情况。以上健康、安全和环保（HS＆E）涵盖的传感器或手动阀解决方案可以减少次品率，实现快速准确的切换批次等。同样，完整性的腐蚀监测有助于灵活处理不同原料。

均匀的温度曲线可以增强化学反应，从而提高质量和产量，减少次品。因此，工厂可确定关键的熔炉和窑炉等，从单点温度测量升级为使用多点输入温度变送器的多点温度曲线测量。

不曾测量就不会有改善

生产操作员可能会被过程中的外部干扰误导，无法发现过程异常，因此导致过程不合规甚至计划外停车。过程分析有助于构建过程模型，预测此类故障并帮助操作员采取正确的措施。然而，数据专家会告诉您，他们需要更多的数据才能找到相关性，而使用第一原则（1P）模型的工程师将告诉您他们需要更多的测量。因此，考虑到尚未测量的变量可能是导致不正常运行的主要指标，工厂部署了更多传感器进行测量。确实，有了直接传感器，分析变得非常简单，一位用户甚至暗示直接测量几乎是作弊。

直接测量就是作弊！

从实验室现场获取样品的分析结果需要时间，并非实时完成。同时，该过程可能会产生不合规情况。可能没有能用于产品属性的嵌入式传感器（例如里德蒸气压）。流程分析有助于构建流程模型，然后实时预测产品属性。但是，数据专家会再次告诉您，他们需要更多的数据才能找到相关性，而使用第一原则模型的工程师将告诉您他们需要更多的数据测点。因此，考虑尚未测量的变量可能对过程属性产生影响，工厂部署更多传感器进行推论测量。

运营公司正将远程现场和海上平台的人员撤离到陆地上，降低运营成本，例如减少现场访问和海上住宿等成本，由于井口和井口控制板通常具有气动和液压控制功能，无需更换井口控件即可安装压力传感器，确保远程综合运营管理中心实现集中监测和管理。

还有其它现场操作员的日常巡检工作。尽可能添加实时传感器，减少手持终端的纸质信息或数据，从而消除频繁的巡检：轮班、日常巡检、高风险区域的巡检；通过增加压力、温度、液位和流量传感器可代替机械仪表、水准仪、可变面积流量计甚至量油尺，消除手动检查。通过控制室即可了解泵、压缩机和其它设备的启动和停止情况。

罐区的日常检查非常费力，因为安装位置而不得不爬到储罐的顶部检查。对储罐运营实施数字化转型可包括库存、浮顶倾斜、堤坝阀位置、碳氢化合物/化学品泄漏、溢流、污水坑高度、浮顶积水、输送阀组和未锁舱口等解决方案。

传感器是基石

从一种软件更换为另一种软件甚至仅添加软件都无法实现数字化转型，因为数据收集仍然是手动的，并且缺少许多数据，只有增加传感器才能达到预期效果。新的数据驱动工作方式建立在附加传感器的坚实基础上，可将仍需手动执行的任务实现自动化。数据专家使用回归和主成分分析（PCA）等机器学习（ML）工具来查找症状与问题之间的相关性、影响以及根本原因。通常，数据专家无法从现有历史数据库中发现任何较强的相关性，而这在第一原则（1P）和故障模式与影响分析中的数据尚不能为人所知。专家认为“我们需要更多数据”。当您知道需要添加更多传感器，来了解这些症状/原因的时候，数字化转型试图更快地响应每月一次的数据收集，而非对手动手机的数据进行自动分析。数字化转型可以自动且频繁的收集数据，因此即使没有大量的分析，您也可以快速发现症状。

测量才会有所得

不要一下子实施所有的数字技术，要分阶段实施。有人说“从平台开始实施”，大多数工厂在建厂时就开始实施，并且已经拥有了平台，即历史数据库。已经拥有历史数据库的工厂可以直接使用该平台，无需对数据池进行投资，现在是时候添加用于设备数据的传感器和用于分析数据的APP了。如果您在现场安装了无线传感器网络，则已通过自动化数据收集在工厂中启动了数字化转型。现在，您可以使用其它传感器填充该网络，从而自动执行其它手动任务。

NAMUR开放式体系结构（NOA）是在工厂、海上设施或其它流程工厂支持数字化转型所需的数字操作基础架构（DOI）的实用体系结构。

数字化转型需要很多传感器。使用点对点4-20mA和开/关信号线添加所有传感器是不切实际的。经济实惠且切实可行的方法是使用数字网络：无线、现场总线或未来的APL（单对以太网）。此外，数字网络传感器不仅提供测量，还提供状态/有效性，因此您可以相信该测量数据并进行分析。

如果您对企业如何实施高效数字化转型感兴趣，欢迎联系艾默生数字化转型顾问或直接微信回复。