AI+PSM的时代还有多远?
作者：微信文章过程安全管理（PSM）是防范重大风险的重要手段，但最强大的系统也要持续演化，人工智能（AI）已经成为一股推动变革的力量，为风险管理带来了全新机遇和重大挑战。
人工智能（AI）在工作场所安全领域已经体现出了强大的力量，广泛应用于预测分析、健康监测和行为干预，例如：
通过计算机视觉系统（CV）实时分析视觉数据，监控操作人员的动作、识别不安全的行为并发出警报；
使用协作机器人（Cobot）执行高风险场所的任务（如点巡检、异常处置），减少人员暴露风险或提升操作精确度；
应用虚拟现实 (VR) 提供动态且沉浸式的安全培训，提升人员对关键安全要求的理解、强化最佳实践并培养人员态势感知的能力；
你可以从如下的视频中了解通过计算机视觉系统监控人员行为及辨识不安全因素的典型应用场景：
video: https://mp.weixin.qq.com/mp/readtemplate?t=pages/video_player_tmpl&action=mpvideo&auto=0&vid=wxv_3504951422834081799
那么人工智能（AI）在过程安全管理（PSM）领域又可以扮演哪些角色？在预防重大过程安全事故的决策上，我们可以相信人工智能这个虚拟助手提供的信息和建议吗？我们向人工智能公司OpenAI的GPT-4o提出了这个问题，ChatGPT对自己的评价总结是：
“ChatGPT可以作为获取一般性信息和初步了解过程安全管理的有用工具，但不应作为与人员健康和安全相关决策的主要依据。关键决策应依赖于具备专业资格的人员和权威的最新信息来源。”
（向上滑动查看GPT-4o的完整回复）
由于程序提供的信息的可靠性取决于输入信息的可靠性，而程序并没有外部手段来评估基准信息的质量，因此程序给出的决策并不能保证准确；但即便如此，人工智能（AI）仍然是过程安全管理的重要工具，并不是取决于它能否100%正确，而是因为它能让我们思考得更多。本文将讨论人工智能（AI）在风险评价、人员操作、可靠性管理、绩效评估等可能重塑过程安全管理（PSM）的关键领域，并探讨在实施过程中挑战与局限性。
AI+PSM的应用场景
人工智能（AI）通过利用其在数据分析、预测、自动化和决策支持方面的能力，极大地提升了过程安全管理（PSM）的有效性。在过程安全管理的以下领域，AI已经开始逐渐显现其强大的功能。
资产完整性 - 从预测性维护到规范性维护
预测性维护（Predecitve Maintenance）被认为是边缘计算（Edge Computing）与人工智能（AI）在工业落地的最短路径。传统的被动维护是在设备发生故障时进行修复，由此造成设备非计划停机，影响生产效率，增加维修成本，降低设备使用寿命。
备注：设备运维场景的主要发展趋势
预测性维护（PdM）是一种基于数据分析和预测的技术，伴随IoT、大数据、边缘计算等技术的成熟，趋于完善的预测性维护技术主要通过如下手段提升资产利用率，实现有效维护：
状态监测：通过物联网技术实时收集设备运行状态数据，如温度、压力、振动等；
数据处理：通过边缘计算技术，基于监测数据进行建模和算法分析，诊断设备故障；
故障预测：预测设备状态发展趋势及可能的故障模式，向设备管理人员发送预警；
预防性维修：提前干预控制调节或制定维护计划，降低非计划停机时间；
规范性维护（Prescriptive Maintenance）是在工业4.0和人工智能（AI）时代进一步发展的预测性维护策略，这是一种“精确制导”的维修方式，旨在对设备缺陷和劣化趋势进行精准探测，并提出手术外科刀式的精准维护建议或控制预防措施，其显著特点之一是基于AI大数据分析及机器学习。
备注：如上图所示案例，预测性维护基于压缩机机组状态监测提供是否维修的决策；规范性维护则通过对与机组相关的所有参数进行算法预测及分析，并在更高维度综合考虑维修成本与设备停机时间，提供多个选项和预测结果供选择；例如，通过降低压力避免生产中断，或减小负荷至某个阈值延迟故障停机时间， 以配合备件的采购周期。
目前许多资产绩效管理（APM）软件中均集成了规范性维护工具，包括IBM Maximo APM、Oracle Analytics Cloud、GE APM Reliability 及AspenTech Aspen Mtell，提供规范性分析选项和功能。在企业实践过程仍存在着不小的困难，包括工业设备接入复杂、边缘设备缺乏智能、工业数据难以洞察、新应用开发难度大等问题。
风险辨识与评价 - HAZOP分析自动化
从1970年代开始，危险与可操作性分析HAZOP（Hazard and Operability Study）就被广泛应用于过程工业的风险辨识与评价。作为一种基于引导词（Guideword）、以集体头脑风暴形式开展的定性风险分析方法，HAZOP存在诸多固有缺陷：
彻底完整的分析耗时长
严重依赖分析团队经验
风险评价缺少定量依据
报告中的知识难以利用
在过去的30多年间，许多科研机构、大学和企业正在积极研究和开发自动HAZOP分析技术，不仅在基础理论和模型开发方面作出贡献，还开发了多种自动化工具，为实际应用提供了支持。
通过计算机辅助实现HAZOP分析自动化技术的发展当前主要集中于以下五个方面：
分析装置工艺的数字化呈现
分析过程中的知识归纳总结
通过算法实现自动风险辨识
通过模型实现严谨后果分析
基于机器学习识别保护措施
其中，HAZOP智能推理分析在经历了基于规则的专家系统和整合模型的规则专家系统之后，已经发展至第三代，即基于案例整合模型的推理分析。
备注：如上图所示案例，通过分析装置工艺的数字化，可以建立HAZOP分析表中各事故剧情描述与P&ID图纸之间的关联，并进一步对单或多参数变量下的HAZOP剧情进行动态模拟。
尽管AI有着巨大的潜力，但在HAZOP中应用仍面临一些挑战，例如数据依赖。人工智能可以基于化工流程的知识图谱构建HAZOP分析框架（知识图谱是一种将信息表示为实体及其关系的图结构），AI可以利用它来分析不同设备、物料、控制系统之间的复杂关联，从而推断出可能的偏差及其影响。但是，AI模型需要大量的历史数据进行训练，如果数据不充分或不准确，可能导致错误的结论。工业界对AI在HAZOP分析中的依赖有所顾虑，尤其是在需要专家经验与判断的风险管理过程中，AI的结论需要得到专家的验证。
知识管理 - 辅助决策能力
随着人工神经网络（ANN）、自然语言处理（NLP）、机器学习（Machine Learning）、深度学习（Deep Learning）、大型语言模型（LLM）等技术的快速发展，人工智能（AI）在过程安全管理领域可以承担的职责已经从单纯的数据分析，进一步延伸到复杂决策中。
例如，在变更管理信息化系统（e-MOC）中，可以通过生成式AI功能，实现变更流程中的快速辅助决策。当然，人类的干预和最终判断是必须的。
如下案例中，需要确定某家化工企业根据过程安全管理规定，进行包括以下内容的变更时，变更管理检查表中的内容应如何确认（需要进行哪种形式的工艺危害分析？是否需要进行操作员培训？是否需要开展额外的检验？是否需要进行PSSR等）
变更原因：对TK-2303储罐泄压系统进行了系统分析，发现该储罐缺少超压保护，特别是瞬时压力波动。
变更内容：TK-2303 储罐需要增加一个安全阀。
其他信息：阀门安装在储罐的北侧，因为一旦压力安全阀泄压，必须泄放到远离操作人员所在的区域。
上述案例中，人工智能的决策引擎正是ChatGPT，我们将这个问题转成中文，简化为“该变更需要更新哪些图纸和文件”，在ChatGPT得到的回复如下：
（向上滑动查看GPT-4o的完整回复）
基于大型语言模型（LLM），我们也可以对历史维修记录、隐患排查记录、事故事件调查报告提取关键词、建立关联性并进行分析，进而提供分类查询、关系可视化呈现、改进建议等。
备注：隐患排查记录及行动安全观察（BBS）的智能分析
AI+PSM在应用层面的挑战
从人工智能伊始，我们就试图实现完全自动化、智能化，但是在过程安全管理PSM的各个保护层层面，AI能否胜任？在预防重大风险上，我们是否可以接受完全依赖机器决策的风险？
对于基本过程控制（BPCS）、报警响应决策和安全仪表系统（SIS）这几类保护层，人工智能可以基于统计学和概率模型，结合工艺知识库的训练，对传感器获取的数据进行分析，进而提升工艺设备运行过程的故障检测与诊断能力。但对于需要较大程度依赖于人机互动和决策的应急计划及响应保护层，通过人工智能实现完全自动化的技术目前仍然在探索阶段。
备注：传统的保护层 VS 基于AI的保护层
实现AI与过程安全管理的充分融合和自动化的挑战远不止于此。从庞大复杂的过程工艺设备系统中，采集海量的数据，通过合理清洗得到高质量的数据，并即时提出支持决策的建议，这个过程中不仅要考虑工业数据的可获取性和复杂性，如何设计准确可靠的数据模型也一直困扰着开发人员。
AI在过程安全管理领域另一个重大的挑战在法律与合规层面。虽然人工智能模型可以利用数据和法规信息资源进行训练，以增强其知识和决策能力，但是不正确的信息可能会导致人工智能作出错误的决定，这样的风险是否可控，我们能否信任AI？
试想一下以下两个场景：
案例1：某工厂决定采纳一家人工智能公司提供的基于工厂数据和网络信息的AI工具，以改善其安全管理表现。该AI工具提出了包括仪表配置、倒班人员等诸多方面的建议。在实施建议后的半年内，工厂发生多起人身伤害事故和生产中断损失事件，因此向该人工智能公司提起诉讼。供应商回复，该模型所使用的数据是客户的数据，并且该系统基于人工智能，而他们所能做的只是应用自然智能，因此供应商不承担任何责任。
案例2：针对工艺装置的工艺危害分析（PHA）过程中，团队发现一段管道容易腐蚀并给出更换材质的建议。但在人工智能应用于HAZOP及变更管理的新工厂里，AI给出了使用某种材质的建议，最终该材料被证明并不适用，并且导致人员受伤。谁需要承担责任？
人工智能的学习是基于算法和数据模型，专注于特定的数据快速获取识别，但是无法区分可靠与不可靠的数据，对数据的不准确解释可能会误导决策，在与人类决策冲突时的权限管理还可能导致风险扩大。
解决方案：AI + IA + PSM
从风险的角度来看，依赖AI模型解决过程安全管理中的复杂问题是一个不完整的解决方案，基于上述的论，AI+PSM的解决路径可以是两个方向，人工智能AI的自我演变进化，或者是与智能增强（IA Intelligence Augmentation）的结合。
人工智能（AI）：人工智能AI的主要目标是通过自动化和机器学习，模拟和执行人类的认知功能。它通常指的是独立的系统或程序，能够基于数据和算法做出决策、执行任务或进行预测。
智能增强（IA）：智能增强IA的目标是增强人的能力，而不是完全替代人类。它通过将AI的分析能力与人类的直觉、经验和判断相结合，提供决策支持和优化工作流程。
既然AI擅长大数据处理、多任务并行和一致性决策，相较而言，人类处理信息的速度通常较慢，注意力有限，那为什么我们还需要强调人机协同呢？不同于基于计算的人工智能学习，人类学习的特点是自我觉察、适应性、创造性和对问题定义的整体性；在面对模糊或不可靠数据源时，人类可以选择更可靠的信息来源，综合考虑情感和社会影响等相关信息，灵活调整以保证决策的稳定和可信，虽然人类的学习速度更慢。
基于人工智能与人类学习之间的差异，在过程安全管理领域，人工智能（AI）和智能增强（IA）可以通过互补方式协同作用，以提高工作效率、降低风险并增强安全性。AI主要承担数据处理、模式识别和自动化任务的角色，而IA则通过结合人类智慧和机器辅助，确保决策过程更具灵活性、准确性和可操作性。
自动化监控与预警
人工智能（AI）：AI可以建立自动化的监控系统，实时监测过程中的各类安全参数。如果某一参数超过了设定的安全阈值，AI可以自动发出警报，甚至在某些情况下启动紧急关停程序。
智能增强（IA）：智能增强系统可以帮助操作人员在接收到AI警报时进行决策支持。例如，结合AI的警报数据，IA可以提供不同应对策略的优缺点，协助人员选择最适合的安全措施。
事故模拟与风险评估
人工智能（AI）：利用历史数据和机器学习算法，AI可以模拟不同操作条件下的潜在风险，帮助识别“最危险的”情境并进行风险评估。例如在HAZOP分析中，AI提供初步分析和建议作为辅助支持。
智能增强（IA）：协助决策人员分析模拟结果，提供人类经验和情境理解，帮助他们理解AI模型的推理过程，提升决策的准确性和可靠性。例如在HAZOP分析中，专家根据经验对AI生成的建议进行验证和调整。
培训与技能提升
人工智能（AI）：开发虚拟仿真和模拟环境，帮助操作员在没有实际风险的情况下进行训练。例如，通过模拟复杂的应急情况，AI可以让操作员在虚拟环境中积累经验。
智能增强（IA）：通过实时反馈、提示和引导来帮助操作员快速掌握应对策略，从而提升他们的应急反应能力和专业技能。
在如何将人机交互融入产品上，许多AI解决方案几乎将整个负担都转嫁给了技术本身，完全根据AI模型来规定预设的下一步行动，这在严格规定或控制的场景中或许运行良好，但无法充分考虑现实世界中存在的边缘情况；另一些方案则是矫枉过正，将过多的决策步骤交给人类来处理，从而引入了人类行为的不一致和潜在失误。
我们必须承认，人工智能在不久的将来会对过程安全管理产生重大影响，但在实际工业应用中，面对预防重大工艺风险的场景，AI决策的微小错误都可能造成严重的后果，AI+IA的决策思路将更有助于促进人工智能在行业中的安全应用。人工智能能力与人类监督之间的互补关系是释放人工智能系统全部潜力的关键，这需要微妙的平衡。
如需详细的咨询辅导，请联系中安咨询
作者：
李国林
工艺安全专家
祖谦
设备管理专家
林康林
组织文化专家
延展阅读
中安咨询（广州）有限公司
info@ChinaSafer.cn
专业于中致任于安
页:
[1]