人工智能在改善产品质量运营流程中的应用底里

人工智能在改善产品质量，运营流程中的应用

人工智能将在未来10年成为企业最具变革性的技术之一。人工智能在语音识别和自动驾驶中的强大能力的早期展示应消除这些疑虑。

石油和天然气中AI的一个越来越重要的应用是产品质量，因为它决定着原油的价值以及可将其运送到何处通常被称为统一商品的商品具有一系列影响其生产产品的质量以及精炼过程的简易程度。

衡量产品质量仍然难以准确实时地进行。随着产品快速移动并不断混合，不可逆转地改变产品质量，这对行业来说是一项艰巨的任务。结果是，行业参与者经常在买卖产品并进行运输时，没有完全了解他们到底拥有什么。这会导致整个供应链效率低下，因为正确的产品无法到达最适合他们的终端市场，从而浪费了所有参与者的时间和金钱。

本文重点介绍了两个案例研究，这些案例显示了如何通过优化与原油质量相关的运营决策，将AI技术应用于中游码头设施的净回购，每桶增加数美元。

对产品质量的了解不足会给企业带来许多风险。首先是定价错误–要么为质量差于预期的产品多付钱，要么为高质量产品少付钱。第二个原因是质量管理不善，由于石油在整个供应链中进行混合和聚集，导致收入损失。

当将两批原油混合在一起时，所得混合物的价格可能会高于原始成分的总和。对于大多数流动性商品而言都是如此。由于熵的原理使混合过程基本不可逆，因此混合原油实际上是一种全新产品，其性质与原始原料不同。

此外，一桶原油的价值不能简单地通过将其所有分子成分的价值相加得出。即使对于普遍认为价值较低的污染物，每桶的原油价格通常也不随污染物浓度严格地线性变化。更常见的是，原油价格是根据指定一系列可接受质量参数的等级定义的。

通常将范围定义得很窄，以便精炼商可以从批次之间相当一致的产品中受益。但是，将规格定义得太窄会导致市场流失，因为符合规格的产品变得越来越稀少。

例如，在纽约商品交易所交易的西德克萨斯中质的密度必须在37至42 API之间，硫含量应小于0.42％wt。对于某些交易，根据给定批次的质量参数在允许范围内的变化情况，会施加附加的均衡溢价或罚款。

一旦将可能的原油质量连续性划分为具有不同市场流动性的等级，原油价格随质量的变化就必然表现出非线性行为，例如等级边界上的价值阶跃变化。

每当原油价格随质量参数非线性变化时，对质量参数的了解和通过混合进行质量管理都会对利润产生重大影响。最高值源自保持质量参数值接近等级边界。

例如，假设购买了两个10,000桶的批次，一个批次含硫量为0.35％，另一个批次含硫量为0.55％。第一个符合WTI规范，但第二个不符合。因此，与WTI相比，第二批只能以折扣价出售。但是，如果在销售之前将批次合并，则可以将它们作为WTI一起出售。将这两个批次合并在一起可以为市场增加流动性，从而带来利润。

现在考虑以下情况，其中两个10,000桶的批次的硫含量分别为0.35％和0.85％。现在，如果将批次合并，则新混合物的硫含量将超过WTI规范的0.6％wt。出售这种混合物会导致失去进入WTI市场的机会而蒙受损失。但是，如果将少量的含硫原油添加到较甜的原油中，仍然可以获利，从而增加了混合物的硫含量，但不足以使其超出WTI规格限制。

如果仅添加足够的重质原油以尽可能接近规格限制而又不进行过度操作，则会获得最大的利润。这样可以确保将最大的卷添加到WTI池中。但是，如果添加过多，则所有原油现在都超标，结果导致流动性和价值大幅下降。

由于逐渐接近规范极限的溢价与超过此罚款相形见,，因此质量管理的最佳策略是留有缓冲混合目标的质量参数值与规格极限处的实际最佳值之间。此缓冲区应等于质量不确定性，质量不确定性由质量测试程序中的不确定性确定。

现代数据可视化工具和AI通过两种方式提高了此过程的效率：

首先，它们使得能够使用设施数据来量化源自设施过程的质量不确定性。量化不确定性非常有价值，因为与预测相比，如果没有系统地了解实际质量变异性，则基于非常保守的猜测采取的措施是避免超标事件的审慎方法。利用适当量化的不确定性，可以进行工艺调整以提高利润，而不会增加不合格产品的风险。

其次，人工智能可以帮助确定过程中哪些步骤正在产生不确定性。这些知识可以最有效地进行资本投资，并可以减少不确定性并提高质量优化所产生的桶的价值。

案例分析

在一家中游公司，Validere使用算法来连续分析设施数据，以优化收集终端的采样时间表，该终端管理着10条硫含量不同的进料流。

终端操作员可以访问每个流中的历史实验室数据以及托运人提供的分析信息。但是，每天到达的批次与历史平均值之间的差异会导致罐中总硫含量的不确定性。当确保流出的流在下游进行混合时，要确保流出的流满足甜原油的管道规格时，必须考虑到这种不确定性。如上所述，这种不确定性会带来重大的财务影响。

针对传入批次的现场采样程序可以减少这种不确定性，但是订购的每个测试都会增加操作员时间和实验室分析成本的额外成本。因此，Validere的目标是设计一个测试计划，以减少罐中混合硫含量估算的不确定性，同时最大程度地减少分析投资。

考虑到操作员一天可以进行的最大测试数量的限制，Valvalide的算法使用历史测试数据作为分析的基础，建议在给定进货批次到达时是否应进行测试。为了说明这种推荐引擎可以带来多少改进，对一个月的操作进行了1,000次模拟，随机化了进入批次的到达时间，以确定优化测试计划的影响。

图3显示了销售罐中每个月的硫含量的最大每日不确定性如何随每天进行的测试数量的变化而变化。每天最大的不确定度比平均不确定度更重要，因为必须确保所有混合物的容忍度，以避免一个月内出现任何不合格事件。

将算法优化的测试计划与随机采样程序进行比较。正如预期的那样，两个程序都可以通过充分的努力将不确定性降低到任意低的水平。但是，优化的采样程序将花费更少的精力来获得相同的结果。例如，与不进行采样相比，将不确定性降低50％的工作量减少了40％。

情况2：调度优化

贸易商和调度员通常在计划下个月的终端操作时会考虑调度的传入和传出流的质量。无论是代表自己作为单独的托运人，还是代表其客户，他们都有动机在原油通过其设施时优化其质量。

在进行优化计算时，他们可以使用供应商提供的历史值或实验室结果来估算所到达产品的质量。但是，在许多流域中，进料产品的质量与预期有很大差异是很常见的。例如，假设原本应该符合WTI规范的货物是不合规格的交付的。

处理这种情况的选项是将批次与另一批次混合在一起，可以使总计回到规格中，将不合格的货品出售给可以打折的人，或者进行处理。

将AI集成到交易，日程安排和操作中，可以像日常大型采购一样尽职尽责地做出日常第二次操作决策，并结合了质量测量不确定性的估计和对未来质量的概率预测可能影响决策的批次。对每个操作决策应用这种勤奋的态度，可以显着提高操作的性能和盈利能力。

案例分析

为了优化北美卡车终点站的调度，Validere建立了一个仿真程序来做出快速的操作决策。仿真通过利用体积和密度的提名和测量数据来做出决策。该码头有两个储罐，容量不到2,000桶，可接收各种密度的进货货物，并输送到下游的两条管道连接流中。

划分两个流的关键质量参数是密度。所研究的两个关键的日常操作员决策是：将给定的卡车装载量在到达时放入哪个储罐，以及何时清空储罐。两条流在下游以不同的价格进行交易，每条流都具有额外的均衡信用/罚款，以允许密度在允许的规格范围内变化。

优化的关键约束是：

密度对每个原油流的价值的影响是根据发送到第三方实验室的复合样品测得的每月体积加权平均值计算得出的。

所有单批装运的货物都必须符合通过在线密度计验证的原油和凝析油的管线规格限制。

超过100％的容量不能填充任何油箱。装满后，必须先清空储罐，然后再接受新的装载。

进货质量是通过在线密度计测量的。终端关于输入流密度的唯一其他质量信息是供应商提供的年度第三方实验室结果。

为了预测每个输入流的最可能的密度值和预期的可变性，该模型使用在线密度计和年度第三方样本的历史记录。密度计开始测量新卡车的密度后，该模型将使用以下知识来决定要卸载卡车的哪个油箱，以了解每个油箱中已经存在的油料，迄今为止每月运输的每个出料流的平均密度和体积，以及未来月份卡车中产品密度的概率预测。

此外，考虑到卡车到达的实际顺序，图4显示了成千上万辆进入卡车的随机替代到达顺序的模拟财务结果。这些额外的模拟量度了AI协议成功的机会敏感性。

该码头的平均收入增长约为原油价值的5％或每桶约3.50美元。每个分布的宽度显示了剩余不确定性对共混物性能的影响。

像人类统计学家一样，人工智能并不能保证消除给定过程中的所有不确定性，而是以肯定的结果来代替它。它仅有助于量化不确定性并预测最有可能产生最佳结果的行动方案。

作者：伊恩·伯吉斯是Validere的联合创始人兼首席技术官，该组织融合了人与人工智能，以改善石油和天然气的运营。他于2012年获得哈佛大学应用物理学博士学位，并于2008年获得加拿大安大略省滑铁卢大学数学物理学学士学位。

北京花乡二手车网

桂花苗出售

红薯粉条机

配方技术资料

三网合一光缆交接箱供应