Zarządzanie odpadami w przemyśle chemicznym. Jak Redu

Przemysł chemiczny jest jedną z najbardziej zanieczyszczających branż na świecie. Każdego roku miliony ton odpadów niebezpiecznych są wytwarzane przez rośliny chemiczne. Odpady te obejmują toksyczne chemikalia, metale ciężkie i inne szkodliwe substancje, które mogą zanieczyścić powietrze, wodę i glebę. Zanagowanie odpadami jest kluczowym problemem dla przemysłu chemicznego. Jeśli nie jest odpowiednio zarządzane, odpady mogą powodować zanieczyszczenie środowiska i problemy zdrowotne lokalnie u osób mieszkających w pobliżu roślin chemicznych i na całym świecie, wpływając na klimat i ekosystemy.

Dobrą wiadomością jest to, że rozwiązania oparte na sztucznej inteligencji mogą pomóc zmniejszyć marnotrawstwo w branży chemicznej. AI może być używane do śledzenia i przewidywania uwalniania niebezpiecznych chemikaliów, optymalizacji procesów produkcyjnych w celu zmniejszenia odpadów i zapewnienia wsparcia decyzji dla gospodarki odpadami. W tym artykule zbadamy, w jaki sposób można zastosować sztuczną inteligencję w celu zmniejszenia ilości odpadów wytwarzanych przez producentów chemicznych. Przyjrzymy się, w jaki sposób AI może pomóc w identyfikacji i zapobiegania produkcji odpadów, a także pomóc w zarządzaniu produktami odpadów i recyklingu.

Odpady przemysłowe - największy czynnik w globalnym wytwarzaniu odpadów

W miarę wzrostu świadomości środowiskowej temat odpadów jest coraz poważniej obróbki. W ostatnich latach waga debaty publicznej zmieniła się z odpowiedzialności osobistej na korporację. To rozsądny trend, biorąc pod uwagę, że odpady przemysłowe stanowią większość globalnego wytwarzania odpadów.

Na bardziej lokalną skalę nie różnią się. Na podstawie danych Komisji Europejskiej (Eurostat) wyraźnie widać, że wkład gospodarstw domowych i usług w wytwarzanie odpadów jest niewielki w porównaniu z działalnością przemysłową. W 2016 r. Procentowy udział tych sektorów był poniżej 14%. Budowa odbyła się przede wszystkim, ale działalność przemysłowa była tuż za nimi (produkcja (11,1%), wydobycie i wydobycie (27,6%).

Dzięki jej udziałowi w 9,5 % ścieki przyczyniają się do problemu. Podczas gdy ścieki miejskie mają sprawiedliwy udział w ogólnym wytwarzaniu odpadów, ścieki przemysłowe są prawdziwym łamczem, ponieważ często zawiera znacznie bardziej problematyczne substancje w wyższych stężeniach. W rezultacie jego leczenie jest dość kosztowne i uzależnione od konkretnych wymagań.

ZAREZYCANIE WADZY CHEMICZNEJ

Problem ten przejawia się w produkcji chemicznej, która jest przedmiotem dzisiejszego artykułu. Podczas gdy woda chłodząca może być traktowana i sprowadzona z powrotem do koła zużycia, ten stosowany do produkcji chemicznej może nie być odpowiedni do takiego zabiegu. To samo dotyczy ciał stałych. Dlatego kluczową częścią chemicznej gospodarki odpadami jest zmniejszenie odpadów. Jest to również podstawowa zasada Lean Manufacturing, metodologii zarządzania procesami produkcyjnymi, którą podąża większość dzisiejszych roślin chemicznych. Pochodząc z systemu produkcyjnego Toyota, Lean Management stawia eliminację odpadów w swoim podstawie, jednocześnie stosując zasadę ciągłego doskonalenia.

W ostatnich dziesięcioleciach wysiłki naukowe i rozwój technologiczny pozwoliły firmom chemicznym znaczne zmniejszenie odpadów produkcyjnych. Jednak wciąż jest wiele do zrobienia. Ponieważ ogólna globalna konsumpcja stale rośnie, potrzebujemy bardziej radykalnych i wydajnych sposobów zapobiegania nadmiernej produkcji odpadów przemysłowych. W trakcie tego artykułu zbadamy, w jaki sposób uczenie maszynowe może się do tego przyczynić.

Odpady chemiczne można podzielić na ciekłe, stałe i gazowe i mogą obejmować czyste chemikalia, często nieużywane lub wygasłe, kwasy, rozpuszczalniki, zużyty olej, azot, wybielacz, metale itp. Wszelkie urządzenia produkcyjne i pojemniki zanieczyszczone substancjami chemicznymi również klasyfikują jako odpady chemiczne. Przeczytaj więcej o chemicznym łańcuchu dostaw tutaj.

Przemysł chemiczny wykorzystuje również ogromne ilości wody - do chłodzenia, ale także do celów produkcyjnych (w procesach takich jak destylacja, rafinacja, wzrost produktu itp.). Po użyciu woda ta zawiera substancje, które często są wysoce toksyczne i odporne nawet na wyrafinowane przez kilka stopni zabieg wodny, takie jak pestycydy lub tak zwane „wieczne chemikalia” (PFA)-klasę substancji syntetycznych, które nie rozkładają się.

Jak dotąd te najbardziej trwałe chemikalia są nadal produkowane i stosowane w produktach. Uczenie maszynowe przyczyniło się do ich wykrywania i klasyfikacji w ostatnich latach - wciąż je poznajemy, mimo że zostały wynalezione w latach 40. Inne odporne zanieczyszczenia, przy czym głównym winowajcą są producenci farmaceutyczni, obejmują estrogen i antybiotyki.

Odpady chemiczne wymagają szczególnego podejścia do magazynowania (na przykład wielu substancji nie można przechowywać w standardowych pojemnikach wykonanych z plastiku lub szkła). Recykling jest również bardziej złożony niż w przypadku odpadów komunalnych z powodu środków bezpieczeństwa. Niemniej jednak przemysł chemiczny staje się lepszy w transformacji odpadów - według EPA (amerykańska Agencja Ochrony Środowiska), w 2020 r. Tylko 3% z nich zostało wydanych do środowiska. Pozostała część była obsługiwana z leczeniem, odzyskiwaniem energii i recyklingu.

Metody redukcji odpadów - Przypadki do uczenia maszynowego

Podczas gdy społeczne wytwarzanie odpadów nie można zapobiec ani kontrolować u źródła, może przemysłowy. Biorąc pod uwagę wpływ, jaki substancje chemiczne mogą mieć na środowisko i jak mogą być odporne, planowanie produkcji zorientowane na redukcję wydaje się najlepszą drogą do bardziej zielonej przyszłości branży. Po leczeniu odpadów jest oczywiście ważne, ale środki zapobiegawcze pozwalają firmom unikać pompowania pieniędzy w kosztowne procesy i zamiast tego skupić się na optymalizacji.

Poniższe przypadki użycia wyświetlają rolę uczenia maszynowego, jaką może odgrywać w zmniejszaniu odpadów chemicznych. Podchodzimy do tematu z różnych stron, aby pokazać całe spektrum jego możliwości.

Zwiększenie wydajności i zmniejszenie nadmiernych odpadów wraz z analizą predykcyjną

Zwiększona wydajność jest często realizowana w odniesieniu do oszczędności, ale w przypadku producentów chemicznych (lub właściwie innych producentów) może również zmniejszyć wpływ na środowisko. Redukcja odpadów po prostu opłaca się za rośliny chemiczne. Im mniej tracą w trakcie tego procesu, tym więcej produkują i - prawdopodobnie - sprzedają. Sztuczna inteligencja może pomóc im zidentyfikować najbardziej wydajne sposoby korzystania z poszczególnych produktów przy jednoczesnym generowaniu najmniejszych odpadów.

Kontrola jakości oparta na sztucznej inteligencji i przewidywanie pogorszenia jakości

Wadliwe partie stanowią dużą część odpadów wytwarzanych przez rośliny chemiczne. Dokładne zapewnienie jakości może zatem być świetnym sposobem na zmniejszenie ilości odpadów wad. Dzięki sztucznej inteligencji producenci mogą zidentyfikować problemy na linii montażowej, zanim cała partia stanie się wadliwa. Inteligentne systemy mogą na przykład od razu wykryć zanieczyszczenie krzyżowe z danymi w czasie rzeczywistym dostarczonym przez czujniki. Modele AI mają również możliwość zapobiegania temu, ciągle oceniając procesy i wykrywając wszelkie odchylenie od normy.

Wykrywanie defektów może być zasilane komputerowo. W przeciwieństwie do powszechnego przekonania, kontrola wzrokowa ma również zastosowanie do substancji chemicznych. Analizując różne zmienne - kolor, rozwarstwienie, gęstość, stan fizyczny itp. Uczenie maszynowe może wykrywać wady w produktach chemicznych i zapobiegać nadmiernemu wytwarzaniu odpadów.

Ustanowienie harmonogramu konserwacji zapobiegawczej

Oprócz strat finansowych każde przestoje w zakładzie chemicznym może prowadzić do nadmiernej produkcji odpadów. Jest tak, ponieważ niektórych substancji nie można dwukrotnie poddać tego samego leczenia lub procesu. Mogą również stracić swoje nieruchomości w okresie przestoju. Dlatego firmy mają kluczowe znaczenie dla utrzymania linii montażowej. I nie ma lepszego sposobu zapobiegania awarii w urządzeniach niż konserwacja zasilana maszynowo.

AI może zoptymalizować harmonogram konserwacji zapobiegawczej firmy, aby wykryć możliwe awarie, zanim faktycznie wystąpią. Można się z nim podchodzić na różne sposoby, w zależności od różnorodności źródeł danych lub sprzętu, którego korzysta firma. Wybór strategii określa, który model zostanie zastosowany w tym procesie. Na przykład modele regresji dobrze służą do przewidywania pozostałego użytecznego życia (REL) konkretnego zasobu.

Wydajność prognoz zależy oczywiście od objętości danych i ich jakości. W przypadku wysokiej dokładności model powinien być zasilany zarówno danymi historycznymi, w czasie rzeczywistym, jak i statycznym z różnych źródeł, w tym czujników, ERP i innych systemów, które zapewniają kontekst.

Zmniejszenie odpadów wodnych

Rośliny chemiczne intensywnie wykorzystują wodę do wspierania różnych trwających procesów. Jego duża część dotyczy celów chłodzenia. Ponieważ reakcje chemiczne, które są częścią procesów produkcyjnych, mogą wymagać stosowania ciepła lub jego emisji, układ chłodzenia jest niezbędny, aby roślina była skuteczna i bezpieczna. Podczas gdy w innych branżach środki dotyczące jakości wody chłodzącej nie są tak surowe, producenci chemikaliów muszą zapewnić, że jej czystość jest najwyższa. Wszelkie zanieczyszczenie może zagrozić bezpieczeństwu i wpłynąć na skład produktu.

Zatem ich strategia redukcji odpadów wodnych zwykle koncentruje się na maksymalizacji wydajności wieży chłodniczej. Uczenie maszynowe pozwala im utrzymać procesy chłodzenia przy mniejszej ilości wody. W ramach danych model może znaleźć wycieki i oszacować ilość wody utraconej w określonej części procesu. Na podstawie tych informacji kierownik zakładu lub inna osoba odpowiedzialna za wydajność procesów produkcyjnych może zdecydować, które środki mogą zmniejszyć odpady wodne.

Wyeliminuj odpady z zamkniętą pętlą systemu produkcyjnego

Recykling ścieków jest kolejną kluczową częścią strategii redukcji odpadów. Coraz częściej staje się coraz częściej przekształcenie części roślin chemicznych w jednostki obwodu zamkniętego, w których woda jest ciągle ponownie wykorzystywana do różnych celów.

Producenci mogą stosować różne rodzaje oczyszczania do oczyszczania ścieków, w zależności od zanieczyszczeń, które może zawierać. Podczas gdy stałe stałe mogą być obsługiwane za pomocą filtracji, inne zanieczyszczenia wymagają bardziej skomplikowanych metod. Uczenie maszynowe często wspiera procesy decyzyjne dotyczące planowania leczenia.

Model klasyfikacji może szybko przeanalizować dane czujnika próbki wody w celu wykrycia zanieczyszczeń i sklasyfikowania ich jako biologicznych lub syntetycznych, stałych, cieczy itp. Szkoleni z danych historycznych zawierających parametry związane z leczeniem, jest on w stanie zalecić najwięcej Wydajna kombinacja pod względem zużycia wody, zużycia energii itp.

Aplikacje AI w recyklingu

Innym sposobem uczenia maszynowego wspierania zmniejszania odpadów w produkcji chemicznej jest inteligentny recykling. Dobrze wyszkolony model może usprawnić recykling ścieków, ale także produkty i sprzęt używane w procesie produkcyjnym, takie jak pojemniki, rurociągi itp. Firmy zwykle łączą systemy uczenia maszynowego z wizją komputerową do sortowania, umożliwiając zautomatyzowane Elementy do rozpoznawania rodzaju odpadów i oceny jego przydatności do recyklingu.

W takim przypadku obraz z urządzenia przechwytującego jest wysyłany do interpretacyjnego. Model klasyfikacji wyszkolony na obrazach różnych typów odpadów ocenia dane wejściowe i przypisuje mu kategorię w celu zdefiniowania odpadów. Na tej podstawie system podejmuje zautomatyzowaną decyzję, gdzie umieścić konkretny utwór. Dodatkowym krokiem jest sprawdzenie, czy odpady można poddać recyklingowi i kategoryzować je na podstawie rodzaju wymaganego oczyszczania.

Planowanie produkcji na podstawie popytu

Chemikalia podlegają równie surowym normom w odniesieniu do ich użytkowania jako produktów spożywczych. Może to napędzać wytwarzanie odpadów, szczególnie w obecnym krajobrazie gospodarczym, który wzmacnia wahania popytu.

Podczas gdy w przeszłości firmy polegałyby na metodach statystycznych w celu oszacowania popytu, teraz mogą dotrzeć do uczenia maszynowego w celu uzyskania dokładnych szacunków. Korzystając z technik głębokiego uczenia się, są w stanie zidentyfikować wzorce w dostarczanych danych historycznych i zastosować tę wiedzę do przewidywania przyszłego popytu.

Przy takim wsparciu producenci mogą tworzyć plany produkcyjne, które odzwierciedlają prawdopodobne zapotrzebowanie zamiast polegać tylko na czynnikach sezonowości. Dzięki temu jest bardziej elastyczne podejście do zamawiania składników. A to oznacza mniej wygasłych materiałów i gotowych produktów, które są problematyczne do wykorzystania i recyklingu.

Korzyści z sztucznej inteligencji w inteligentnej produkcji i inteligentnym zarządzaniu odpadami

W przypadku inteligentnych systemów opartych na AI, rośliny chemiczne mogą podejmować lepiej poinformowane decyzje w oparciu o dokładne wyniki. W dużych jednostkach liczbę trwających procesów może być trudna do śledzenia i analizy, która sprzyja nadmiernemu wytwarzaniu odpadów. Modele uczenia maszynowego wykonują te przyziemne, podatne na błędy zadania analityczne, znajdując obszary poprawy w zakresie wytwarzania odpadów i zarządzania odpadami bez żadnego zaangażowania człowieka.

Dzięki analizie predykcyjnym producenci chemikaliów mogą przyjąć znacznie bardziej elastyczne podejście do produkcji i zamawiania. Zamiast materiałów, które mogą wygasnąć, dostosowują swoje zamówienia do zapotrzebowania oszacowanego za pomocą odpowiednich danych i zmniejszają odpady zapasów. Ich produkcja odzwierciedla potrzeby rynkowe, a większość ich produktów spełnia standardy jakości dzięki kontroli jakości i konserwacji predykcyjnej. To oznacza mniej marnotrawstwa i więcej dochodów.

Dzięki zadaniom klasyfikacyjnym zasilanym uczeniem maszynowym producenci chemikaliów mogą szybciej zidentyfikować zanieczyszczenia, usprawnić ich oczyszczanie ścieków i procesy recyklingu.

Zielona przyszłość przemysłu chemicznego

Jak widać, sztuczna inteligencja wpływa na wytwarzanie odpadów w roślinach chemicznych na różne sposoby.

Zasadniczo każda nowo zbudowana roślina chemiczna jest obecnie planowana z zasadą zamkniętej pętli, aby nie opuszcza okrążenia. Jak wspomnieliśmy, tylko 3% ścieków chemicznych w USA jest uwalnianych do środowiska i mam nadzieję, że wkrótce spadnie do zera.

W najbardziej optymistycznym scenariuszu uczenie maszynowe zamieni jednostki produkcyjne w całkowicie okrągłe, częściowo zrównoważone systemy, które nie zależą od zewnętrznych źródeł wody w celu chłodzenia i produkcji. Biorąc pod uwagę, że zasoby wodne kurczą się, a prognozy klimatyczne nie są zbyt optymistyczne, pilne jest, aby firmy chemiczne dokonały tego przejścia w najbliższej przyszłości. Sztuczna inteligencja sprawia, że ​​jest gładsza i bardziej dostępna. Jednocześnie wymyślamy nowe, oszczędne i bardziej skuteczne plany oczyszczania usprawnione z klasyfikacją ML.

Czy masz pomysł na zastosowanie technologii ML do swojej firmy? A może chciałbyś usłyszeć więcej o jego zastosowaniach w przemyśle chemicznym z naszej strony? Skontaktuj się z nami, abyśmy mogli porozmawiać!