向员工提供分析

专注于工业时间序列数据分析-源自历史学家或其他数据存储平台-Seeq的Workbench软件在过程工业中用于搜索、清理、建模和查找数据中的模式，以帮助持续改进计划。

添加到Workbench的Organizer(数据可视化和报告)和data Lab(使用Python进行分析扩展)组件之后，Seeq现在发布了进程健康状况组件。Seeq Process Health使用先进的机器学习分析来提供无代码的多元模式学习和诊断技术，以监控复杂的制造过程，并为批处理和连续过程近乎实时地优化关键性能指标。

Seeq的行业负责人艾莉森·布内曼(Allison Buenemann)表示，流程健康组件最终是关于劳动力赋权的，因为它将机器学习交到操作员手中。

Process Health组件与整个软件套件完全集成，用户可以通过Workbench工具和显示器访问它。这意味着过程数据在安装后立即呈现，”Seeq的高级首席应用机器学习科学家Ashwin Venkat解释道。“流程运行状况包括工作台、管理器和数据实验室的集成模板，以捕获用于流程性能和优化用例的通用视图、资产结构和工作流。”

机器学习的优势

包含多元机器学习(ML)是Seeq进程运行状况的一个关键方面，因为它可以提供超出使用基于规则的方法所能访问的内容的其他见解。

根据Seeq的说法，Seeq过程运行状况的多元ML方面提供:

• 早期检测感兴趣的事件，如质量恶化和低/高产量
• 实时洞察贡献者
• 深入的因果分析，确定因果因素。

Venkat说:“除了通知用户某个过程变量超出了范围之外，他们还了解到它超出范围的原因——根本原因。”“诊断组件向用户展示了主要贡献和原因。这种洞察力使用户能够将故障排除和/或维护工作集中在适当的领域，并对他们采取的改进行动充满信心。”

不需要经验

由于ML分析的输入和结果采用熟悉的Seeq数据项形式，例如用户经常与之交互的信号和条件，因此在过程运行状况或其他Seeq组件中应用ML不需要任何数据科学经验。

Seeq分析仪表板的截图。 Venkat说:“工程师可以使用自己的工艺知识来判断胶囊和条件下的‘正常’或‘目标’行为。”“如果他们没有一个想法开始，他们可以要求检测当前视图中的任何异常，评估贡献排名和诊断因果图，并开始深入研究。”

Venkat补充说，对于那些有机器学习经验的人来说，流程健康提供了高级设置和选项，为更好的人参与提供了更好的控制和透明度。“工作台、组织者和数据实验室的模板也加速了工作流的组装和部署，这样用户和团队就可以直接进入他们的发现和决策，快速创造价值，”Venkat说。

油气应用

威廉姆斯一家石油和天然气供应商，正在使用Seeq过程健康来加速其从反应式过程监控方法向主动过程监控方法的转变。

“Seeq Process Health使我们的团队从基于规则的方法(难以大规模实施和维护)转变为工程师友好的、透明的、多元的机器学习方法，”威廉姆斯的高级流程运营负责人和技术专家奥斯卡·刘易斯(Oscar Lewis)说。“这发现了各种工艺故障，为我们的大型天然气收集作业节省了大量资金。”

在解释多元ML与基于规则的方法相比如何简化监测和诊断过程时，Venkat说:“即使可以建立和监控可靠的单变量规则，识别、实现和维护它们也可能很繁琐。此外，将多个单变量规则相互分层通常会增加复杂性。当监视类似的系统时，这变得特别麻烦，但是对于每个系统上的每个规则，监视的单变量限制略有不同。然后，当对这些多个系统的可能和可能的交互性进行分层时，每个系统都有许多被监控和维护的变量，这就变成了一项复杂的工作，结果不太准确。”

Venkat特别谈到了用于诊断的多元ML应用，他说:“确定一个事件何时与另一个事件有关是很简单的，但这并不总是能得出准确的因果诊断。贡献度量和相关分析阐明了一些额外的多元理解。Seeq ML的诊断组件通过对因果关系的理解进一步推动了洞察，从而实现真正有效的纠正措施。”