随着数字化在所有工业领域的加速发展，重新思考如何实施产品、服务和参与策略的需求也在增加。如今，随着企业努力应对同时实现盈利和可持续发展目标的双重挑战，数字化变得更加重要。人工智能(AI)驱动的数字化可以帮助解决这一双重挑战。
(资料图片仅供参考)
多年来，不同的工程学科单独运作，只专注于它们的特定领域，这是行之有效的。然而，市场动态现在迫使过程工程师着眼于更大的前景，通过整合不同的工程学科来优化他们的工业，并改善协作。
增强的工作流程使工艺工程师、项目工程师、估算人员以及安全和能源专家之间能够更好地沟通和共享信息，这有助于抓住协作提供的机会，帮助发现提高工厂盈利能力和可持续性绩效的机会。
然而，就数字化转型本身而言，工程公司正在采取的大多数举措都是整合和连接工程软件和技术组合，以支持跨越部门、学科和办公室的新的、简化的、数字化工作流程。预期的业务优势包括更短的周期时间、更低的成本和更高质量的设计，以及在设计、施工和移交过程中遇到的错误和问题更少。
与此同时，运营公司一直在努力缩小理论工程模型预测的运营行为与实际运营之间的差距。传统上，这是通过改变工程模型的“调整因素”来解决的，但通常需要多年的经验。它还需要持续的关注，因为调谐因素必须不时改变。随着越来越多的新一代工程师不愿意在一个特定的工作职能上花费数年时间，运营公司发现很难开发和保留所需的专业知识，并阻止了许多运营公司利用现有的先进解决方案。
人工智能的机遇
如今，越来越多的工程公司正在将其数字化计划扩展到新的领域，以利用不断升级的商机。人工智能通常是这些机会的核心。事实上，高级管理人员现在正在优先考虑应用AI，以减少单个任务通常需要的设置和编程开销。与此相一致，我们已经看到了一些AI驱动的数字化应用在整个行业中带来好处的例子。
特别是使用AI驱动的数字孪生技术可以为工程公司的客户带来更多的价值，因为它可以在资产投入运营后捕获资产的实时数据。此外，在移交期间利用数字化设计和工程数据，为在运营和维护期间提供增值服务提供了更大的潜力，使组织减少对资本项目的依赖。
AI还可以在支持和概述项目的工程方法、设计的可施工性以及如何组织材料、设备和劳动力的规划方面发挥重要作用。这种早期规划方法已被证明可以降低成本并加快进度。
确保工程模型的准确性
AI对运营公司产生了更大的影响。AI技术现在可以轻松读取大多数运营工厂已经提供的海量运营数据，并确定自动计算与工程模型预测与现实世界运营相匹配的调整因子的方程。这使运营公司免于依赖第三方顾问来保持工程模型的准确性，并且还大大降低了更新这些模型的频率。这对工厂的可持续性和盈利能力都产生了深远的影响。
例如，它使一家美国炼油厂在模拟和预测其FCC反应堆的性能方面获得了前所未有的准确性。FCC是炼油厂最大的二氧化碳排放者之一，也是生产高价值产品的最关键单位之一。这些高度准确的低维护AI支持的模型帮助炼油厂发现了改善运营的见解，并提高了规划运营的准确性。这使得炼油厂能够提高高价值产品的产量，同时确保其达到排放目标。
使用第一原理模型来定义和预测一个项目的性能和结果是过程工业的标准。然而，有一些过程是更难预测的。通常这些是通过不太精确的技术来管理的，如操作员的经验或经验法则，但这可能会导致低于预期的性能水平。
然而，AI可以模拟数千种设计选项，这些选项可以非常快速地缩小选项的范围，这些选项不仅最能满足业主的要求，而且是最安全、最环保、最具成本效益的选择。一种称为多案例分析的新功能为工程公司提供了改变这些早期决策方式的机会。
以前，工程师会使用来自同样有限数量的操作案例和条件的有限数据来定义这些关键参数。想象一下，设计一台具有如此有限数据集的iPad，更不用说定制的100亿美元加工厂了。然而，这在过去一直是标准做法。
多案例分析有助于根据数百甚至数千种操作条件和案例的考虑来优化早期设计决策。利用AI和高性能计算——无论是在云中还是在桌面上——都可以让设计人员依靠更广泛的数据集来调整和微调其设计。
从许多不同等级的原油到不同的环境天气条件，这种对潜在设计在实际条件下性能的了解可以带来全面的改进：从建筑材料，设备的大小，到公用事业的类型，甚至是工厂的位置。
这些决策通常会对工厂的资本和运营成本、风险分析以及实现其预期目的的整体适应性产生重大影响。一家大型全球天然气液体加工厂技术提供商报告说，这项技术帮助它在工厂的整个生命周期内将优化工厂设计所需的设计时间减半。
工程软件和技术的整合
虽然多案例分析无疑是当今使用AI驱动型数字化的工程公司关注的一个关键领域。但是，在与所有地区的客户交谈时得到的反馈往往是，在数字化方面要解决的最高优先领域是工程软件和技术组合的整合，其次是其余应用程序和业务流程的数字化。
这项工作的关键是能够在整个组织中查找和重用数据，并最终在整个供应商、分包商和顾问的生态系统中查找和重用数据。它可以带来有如此多的收获(一些公司估计，仅在工程和估算生产率方面就有机会实现两位数的提高)，以至于那些不向前迈进的人可能会在未来面临竞争力下降的风险。
纯粹基于AI的解决方案的一个主要缺点是结果取决于它可以访问的数据的质量。在运行工厂的情况下，仪器仪表可能会出现故障，导致存储在工厂数据历史库中的“坏”操作数据。纯粹的AI驱动的解决方案将无法可靠地检测这些差异。
将AI的强大功能和敏捷性与基于第一原则的严格工程技术的制衡相结合的混合解决方案可以有效地应对这一挑战，并且这也是运营公司的理想选择。
展望工程行业的未来，数字化转型将不可避免地加速并带来重大改进。虽然在Covid-19到来之前，变革的道路已经牢固确立，但疫情大流行已成为加速这一趋势的催化剂。工程公司要取得成功，就必须采用现有的先进技术，包括人工智能工具。这将确保组织在整个端到端价值链中实现运营效率，从而获得竞争优势。
