趙學(xué)良，賈夢達(dá)，王顯鵬，蘇麗杰，劉東慶

（1 中國石油化工集團(tuán)有限公司，北京 100728；2 石化盈科信息技術(shù)有限責(zé)任公司，北京 100007；3 東北大學(xué)工業(yè)智能與系統(tǒng)優(yōu)化國家級前沿科學(xué)中心，遼寧 沈陽 110819；4 東北大學(xué)智能工業(yè)數(shù)據(jù)解析與優(yōu)化教育部重點(diǎn)實驗室，遼寧 沈陽 110819）

隨著大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)、信息物理系統(tǒng)和人工智能等技術(shù)的蓬勃發(fā)展，基于新一代信息技術(shù)的各種生產(chǎn)模式陸續(xù)被提出，并與制造業(yè)深度融合，為世界范圍的制造業(yè)帶來了新的發(fā)展機(jī)遇[1-2]。美國推出“先進(jìn)制造業(yè)國家戰(zhàn)略計劃”優(yōu)先突破“工業(yè)互聯(lián)網(wǎng)”技術(shù)。德國圍繞智能生產(chǎn)和智能工廠提出“2030 愿景”并指出自主化、互操作和可持續(xù)是未來制造的特征。歐盟提出“工業(yè)5.0”強(qiáng)調(diào)以人為本、可持續(xù)發(fā)展和富有韌性的供應(yīng)鏈，以確保其在制造領(lǐng)域的全球領(lǐng)先地位[3]。為抓住當(dāng)前機(jī)遇并積極應(yīng)對挑戰(zhàn)，我國適時提出了“十四五”智能制造發(fā)展規(guī)劃，將智能制造作為主攻方向，以促進(jìn)我國制造業(yè)邁向全球價值鏈中高端。

智能制造是基于新一代信息通信技術(shù)與先進(jìn)制造技術(shù)深度融合，貫穿于設(shè)計、生產(chǎn)、管理、服務(wù)等制造活動的各個環(huán)節(jié)，具有自感知、自決策、自執(zhí)行、自適應(yīng)、自學(xué)習(xí)等功能，旨在提高制造業(yè)質(zhì)量、效益和競爭力的先進(jìn)生產(chǎn)方式[4]。不同于傳統(tǒng)制造范式，智能制造強(qiáng)調(diào)盡可能減少制造系統(tǒng)中的人力比重，并將人的知識和經(jīng)驗固化在制造系統(tǒng)中，以實現(xiàn)從人全盤控制到人不在現(xiàn)場的完全自主運(yùn)行的愿景[5-6]。為適應(yīng)制造業(yè)的新發(fā)展格局，提高企業(yè)自身核心競爭力，汽車、電子、船舶和石化等國內(nèi)企業(yè)紛紛向智能制造轉(zhuǎn)型，通過引入智慧物流倉儲、智能生產(chǎn)調(diào)度、工業(yè)機(jī)器人等技術(shù)與裝備助力企業(yè)發(fā)展[7]。其中石化制造本質(zhì)上是一個流程規(guī)模龐大、結(jié)構(gòu)復(fù)雜，由多個緊密聯(lián)系并相互作用的操作單元所組成系統(tǒng)，使得流程工業(yè)的智能制造面臨諸多難點(diǎn)和和挑戰(zhàn)[8-9]。因此，石化企業(yè)通過數(shù)字化技術(shù)，可以從產(chǎn)品鏈、資產(chǎn)鏈和價值鏈上在數(shù)據(jù)和業(yè)務(wù)兩方面打破各個獨(dú)立子系統(tǒng)以及數(shù)據(jù)源之間的壁壘，完成跨越價值鏈的數(shù)據(jù)融合和協(xié)同，從而達(dá)到降本增效的目的。

智能工廠是實現(xiàn)工業(yè)智能制造的載體。國際上入選燈塔工廠的企業(yè)被認(rèn)為是具有榜樣意義的“數(shù)字化制造”和“全球化4.0”示范者。石化方面有沙特阿美等5家企業(yè)入選。沙特阿美將大數(shù)據(jù)和人工智能技術(shù)應(yīng)用于設(shè)備監(jiān)測和工藝操作，成功降低設(shè)備維修費(fèi)用，提高了生產(chǎn)率和能源效率。土耳其STAR 煉油廠將系統(tǒng)優(yōu)化與數(shù)字孿生技術(shù)應(yīng)用于生產(chǎn)和能源管控，實現(xiàn)了柴油和航空煤油產(chǎn)量大幅提升，同時降低二氧化碳的排放量[10]。

國內(nèi)石化智能工廠的建設(shè)經(jīng)歷了規(guī)劃設(shè)計、試點(diǎn)建設(shè)、提升建設(shè)和推廣建設(shè)階段后，在效益優(yōu)化、生產(chǎn)運(yùn)行、倉儲管理、安全管理和環(huán)保管理等方面，應(yīng)用新一代物聯(lián)網(wǎng)和人工智能技術(shù)開展實踐，經(jīng)濟(jì)效益等指標(biāo)上取得了顯著成效?；诂F(xiàn)有的智能化基礎(chǔ)，石化企業(yè)還可以在系統(tǒng)集成、復(fù)雜過程建模、智能化技術(shù)深入應(yīng)用方面進(jìn)一步深化和提升[11]。

因此，本文針對石化企業(yè)的智能工廠建設(shè)，從業(yè)務(wù)和技術(shù)兩個方面出發(fā)，重點(diǎn)探討了未來石化智能工廠場景規(guī)劃的研究路線，進(jìn)而提出智能工廠建設(shè)中邊緣云平臺規(guī)劃和需要構(gòu)建的關(guān)鍵業(yè)務(wù)場景，并結(jié)合數(shù)據(jù)解析與人工智能設(shè)計了各場景的技術(shù)方法。最后，分析了這些建設(shè)場景在石化行業(yè)應(yīng)用中的挑戰(zhàn)，為實現(xiàn)石化生產(chǎn)管控智能化、質(zhì)量管控智能化、設(shè)備管控智能化等核心能力的提升提供指導(dǎo)建議。

1 石化智能工廠建設(shè)的關(guān)鍵場景規(guī)劃

針對石化智能工廠的建設(shè)，從業(yè)務(wù)視角看，主要聚焦在生產(chǎn)計劃與調(diào)度優(yōu)化、生產(chǎn)過程建模與操作優(yōu)化、生產(chǎn)設(shè)備智能監(jiān)測與診斷等業(yè)務(wù)環(huán)節(jié)，通過人工智能與系統(tǒng)優(yōu)化技術(shù)，進(jìn)一步提升全局優(yōu)化、業(yè)務(wù)協(xié)同、安全預(yù)測和運(yùn)行預(yù)警等能力。從技術(shù)視角看，需要進(jìn)一步提升智能感知與信息融合、融合過程機(jī)理和工業(yè)大數(shù)據(jù)的混合建模與分析、全流程協(xié)同優(yōu)化控制、知識驅(qū)動的智能化操作和智能化決策等能力[12]。石化智能工廠中的關(guān)鍵場景建設(shè)的總體規(guī)劃如圖1所示。

圖1 石化智能工廠關(guān)鍵場景的總體規(guī)劃

首先，基于石化智能云平臺，構(gòu)建集成邊緣計算、物聯(lián)網(wǎng)等技術(shù)的邊緣云平臺，從提升石化工業(yè)邊緣物聯(lián)感知能力、邊緣網(wǎng)絡(luò)安全水平兩個角度進(jìn)行建設(shè)，進(jìn)而通過基于智能優(yōu)化的數(shù)據(jù)預(yù)處理技術(shù)，形成石化生產(chǎn)大數(shù)據(jù)。其次，基于石化生產(chǎn)大數(shù)據(jù)，構(gòu)建機(jī)理模型、數(shù)據(jù)模型、機(jī)理與數(shù)據(jù)融合模型、業(yè)務(wù)模型、優(yōu)化模型等面向中石化智能工廠未來建設(shè)目標(biāo)的關(guān)鍵模型。最后，基于所構(gòu)建的優(yōu)化模型、算法，針對生產(chǎn)計劃與調(diào)度、過程建模與操作優(yōu)化、設(shè)備運(yùn)行監(jiān)測與診斷、安全環(huán)保、倉儲配送、能源管理等重點(diǎn)建設(shè)內(nèi)容中的場景進(jìn)行研究。

2 石化邊緣云平臺的智能感知與檢測

邊緣云平臺是一種集成了邊緣計算、物聯(lián)網(wǎng)等技術(shù)的智能化工業(yè)解決方案，旨在為企業(yè)提供全面的數(shù)據(jù)采集、監(jiān)測、分析和應(yīng)用服務(wù)。石化企業(yè)通過該平臺能夠進(jìn)一步實現(xiàn)智能化、高效化、安全化的生產(chǎn)運(yùn)營，提高企業(yè)競爭力。石化智能工廠將從提升石化工業(yè)邊緣物聯(lián)感知能力、邊緣網(wǎng)絡(luò)安全水平進(jìn)行規(guī)劃。

2.1 石化邊緣云平臺物聯(lián)感知

邊緣計算將數(shù)據(jù)處理和分析的任務(wù)從云端移至離用戶更近的設(shè)備邊緣進(jìn)行處理，以實現(xiàn)更高效的數(shù)據(jù)傳輸和更低的延遲[13]。然而，石化生產(chǎn)設(shè)備工控協(xié)議往往存在差異性，并缺乏統(tǒng)一的格式標(biāo)準(zhǔn)，這阻礙了邊緣云平臺下設(shè)備之間實時互通和聯(lián)動能力。因此，石化智能工廠需要解決差異化協(xié)議系統(tǒng)之間的信息融合問題，以提升邊緣云平臺的感知能力。

為解決這一問題，提出了基于多任務(wù)深度學(xué)習(xí)的協(xié)議識別模型，該模型通過硬參數(shù)共享將不同已知協(xié)議數(shù)據(jù)映射到不同中心點(diǎn)和不同半徑的超球內(nèi)，將未知協(xié)議數(shù)據(jù)映射到超球外，并以最大化不同超球之間的距離作為輔助損失來提高模型識別的準(zhǔn)確度，如圖2所示。該模型的輸入為向量化的協(xié)議數(shù)據(jù)，輸出為不同類型協(xié)議數(shù)據(jù)的分類。其中，向量化的協(xié)議數(shù)據(jù)分布在d維實數(shù)空間，記作χ，協(xié)議分類為不同中心點(diǎn)和半徑的超球種類，超球維數(shù)為p，所在空間記作?。在此基礎(chǔ)上，邊緣云平臺能夠?qū)Σ煌瑓f(xié)議進(jìn)行有效解析，進(jìn)而為實現(xiàn)數(shù)據(jù)的互通提供支撐。具體實施步驟為：首先，通過語義分詞將原始的協(xié)議數(shù)據(jù)進(jìn)行切分，劃分為不同的語義單元，為模型訓(xùn)練提供數(shù)據(jù)基礎(chǔ)；接著，將這些劃分好的語義單元進(jìn)行詞向量化，將其轉(zhuǎn)換成機(jī)器可理解的向量表示，這其中包括詞匯表構(gòu)建、單元編碼與向量化等操作；最后，在邊緣云平臺上進(jìn)行模型訓(xùn)練，獲得模型參數(shù)以及每種協(xié)議類別閾值。

圖2 石化邊緣云平臺協(xié)議識別模型

2.2 石化邊緣云平臺安全檢測

當(dāng)前的石化工業(yè)控制設(shè)備在設(shè)計時缺乏安全性考慮，容易受到攻擊，從而威脅整個石化工業(yè)互聯(lián)網(wǎng)的安全，而傳統(tǒng)的防火墻技術(shù)很難應(yīng)對設(shè)備眾多、網(wǎng)絡(luò)通信多元等復(fù)雜環(huán)境挑戰(zhàn)[14]。入侵檢測技術(shù)能夠成為防火墻技術(shù)的一種補(bǔ)充，有助于提高邊緣云平臺的安全性[15]。

在石化工業(yè)邊緣云平臺中，通過監(jiān)控設(shè)備的數(shù)據(jù)流量、網(wǎng)絡(luò)通信等，實現(xiàn)實時的入侵檢測和預(yù)警，從而保護(hù)邊緣節(jié)點(diǎn)設(shè)備和數(shù)據(jù)的安全?；跈C(jī)器學(xué)習(xí)的入侵檢測模型具有較強(qiáng)的自適應(yīng)性和泛化能力[16]，可以對復(fù)雜的攻擊進(jìn)行檢測，并能夠快速適應(yīng)新的攻擊方式。本文提出基于知識驅(qū)動的差分演化支持向量機(jī)（SVM）智能入侵檢測模型及部署方式如圖3所示。具體技術(shù)方案包括：首先，將訓(xùn)練的入侵檢測模型部署在邊緣設(shè)備或邊緣節(jié)點(diǎn)上，模型訓(xùn)練根據(jù)數(shù)據(jù)敏感性選擇在邊緣云平臺；在線監(jiān)測時通過實時采集網(wǎng)絡(luò)流量數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行預(yù)處理和特征提?。唤又鴮⒔?jīng)過預(yù)處理的數(shù)據(jù)傳輸?shù)饺肭謾z測模型中，如果模型檢測到網(wǎng)絡(luò)流量中存在異常或入侵行為，可以觸發(fā)相應(yīng)的安全措施，例如發(fā)送警報、封鎖、通知等。

3 石化智能工廠關(guān)鍵建設(shè)場景與技術(shù)方法

基于石化智能工廠關(guān)鍵場景的總體規(guī)劃，下面將從生產(chǎn)計劃與調(diào)度、操作優(yōu)化、設(shè)備管控三方面提出關(guān)鍵建設(shè)場景，并依據(jù)石化場景的智能化需求，提出基于數(shù)據(jù)與機(jī)理融合的解析與優(yōu)化方法。

3.1 基于數(shù)據(jù)與機(jī)理融合建模的石化生產(chǎn)計劃與調(diào)度優(yōu)化

石化生產(chǎn)計劃與調(diào)度是生產(chǎn)管控的重要環(huán)節(jié)，生產(chǎn)計劃模型的時滯和線性近似、生產(chǎn)調(diào)度方案與裝置物料平衡的沖突是當(dāng)前生產(chǎn)管控存在的問題，導(dǎo)致計劃與調(diào)度方案的不準(zhǔn)確以及可執(zhí)行性差[17-19]。利用石化智云平臺的數(shù)據(jù)，進(jìn)一步從數(shù)據(jù)驅(qū)動、融合機(jī)理模型和系統(tǒng)優(yōu)化視角，提升石化智能生產(chǎn)管控模型?；跀?shù)據(jù)與機(jī)理融合建模的石化生產(chǎn)計劃與調(diào)度方法框架如圖4所示。

首先，建立基于數(shù)據(jù)與機(jī)理的裝置模型以及外部需求與供應(yīng)預(yù)測。針對石化生產(chǎn)設(shè)備和能耗的機(jī)理模型，采用數(shù)據(jù)與機(jī)理融合的建模方法，利用統(tǒng)計非線性擬合方法，建立石化設(shè)備的更加精準(zhǔn)非線性機(jī)理模型。針對外部石化市場數(shù)據(jù)，采用統(tǒng)計與機(jī)器學(xué)習(xí)混合的預(yù)測方法，獲得實時動態(tài)的市場需求和原料供應(yīng)數(shù)據(jù)，作為生產(chǎn)計劃和調(diào)度模型中重要的約束參數(shù)。通過充分利用石化企業(yè)內(nèi)部和外部數(shù)據(jù)，改進(jìn)生產(chǎn)計劃中的機(jī)理模型和外部參數(shù)，可以有效提升生產(chǎn)計劃模型的精確性和可執(zhí)行性[20]。

其次，建立石化全流程生產(chǎn)的計劃與調(diào)度模型。針對石化生產(chǎn)計劃中的加工原油種類、設(shè)備生產(chǎn)模式以及調(diào)和方案選擇等決策，利用整數(shù)變量進(jìn)行決策描述；將非線性機(jī)理模型嵌入到石化生產(chǎn)計劃與調(diào)度模型；再考慮能耗和排放的限制約束。因此，基于數(shù)據(jù)驅(qū)動建立的計劃與調(diào)度模型為混合整數(shù)非線性規(guī)劃模型。針對石化生產(chǎn)計劃與調(diào)度的復(fù)雜數(shù)學(xué)模型，既包含大量整數(shù)變量，又包含復(fù)雜的非線性約束條件，設(shè)計數(shù)學(xué)優(yōu)化與智能優(yōu)化的混合求解策略，先基于拉格朗日分解算法，將問題松弛，再分解成子問題，通過求解松弛子問題獲得原問題的下界[21]，再基于松弛解，利用智能優(yōu)化算法進(jìn)行解的可行性修復(fù)和改進(jìn)，獲得問題的上界，通過迭代優(yōu)化最終獲得石化全流程生產(chǎn)的計劃與調(diào)度最優(yōu)方案。將生產(chǎn)計劃與調(diào)度方案實施到石化生產(chǎn)全流程，評價方案的實施效果和經(jīng)濟(jì)指標(biāo)，工藝流程和市場發(fā)生變化時，進(jìn)行相關(guān)模型的實時更新，同時更新生產(chǎn)計劃與調(diào)度方案。

以煉廠全流程生產(chǎn)過程為例，基于數(shù)據(jù)驅(qū)動的石化全流程生產(chǎn)計劃與調(diào)度模型應(yīng)用過程如下：首先，收集煉廠主要生產(chǎn)裝置的生產(chǎn)數(shù)據(jù)，如常減壓蒸餾裝置，基于裝置的機(jī)理模型，利用生產(chǎn)數(shù)據(jù)進(jìn)行裝置的收率模型校正，如果裝置的機(jī)理模型缺少，利用裝置的實際數(shù)據(jù)通過非線性擬合獲得收率模型。同時收集產(chǎn)品市場的需求數(shù)據(jù)和原油供應(yīng)數(shù)據(jù)，選擇合適的預(yù)測方法進(jìn)行產(chǎn)品需求預(yù)測和原油供應(yīng)預(yù)測。其次，建立煉廠范圍的生產(chǎn)計劃與調(diào)度模型，嵌入裝置模型以及預(yù)測的產(chǎn)品需求和原油供應(yīng)參數(shù)，同時決策各時間段原油的加工種類和數(shù)量、各類成品油的產(chǎn)出量、各類產(chǎn)品的庫存量、各裝置的工況設(shè)置和能耗以及原油的加工順序，最大化煉廠整體的生產(chǎn)凈利潤[22]，考慮滿足市場需求、裝置和庫存平衡、原油供應(yīng)能力以及能耗指標(biāo)等約束。再次，針對煉廠生產(chǎn)計劃與調(diào)度的大規(guī)模問題，設(shè)計基于拉格朗日的松弛與分解優(yōu)化算法，能夠有效求解實際生產(chǎn)計劃與調(diào)度問題，并且可以進(jìn)行模型的靈敏度分析，為進(jìn)一步挖掘煉廠的利潤空間提供理論依據(jù)。基于數(shù)據(jù)驅(qū)動的智能石化生產(chǎn)計劃與調(diào)度模型，通過解析生產(chǎn)裝置與外部市場數(shù)據(jù)，提升企業(yè)智能生產(chǎn)管控能力，實現(xiàn)企業(yè)的按需生產(chǎn)和零庫存管理目標(biāo)，優(yōu)化產(chǎn)品結(jié)構(gòu)布局，實現(xiàn)石化定制化產(chǎn)品的精準(zhǔn)拓展。

3.2 石化生產(chǎn)過程多目標(biāo)進(jìn)化學(xué)習(xí)建模與操作優(yōu)化

石化生產(chǎn)過程由于包含大量復(fù)雜的化學(xué)反應(yīng)，通常難以構(gòu)建嚴(yán)格的機(jī)理模型，使得機(jī)理模型雖然具有泛化能力強(qiáng)的特點(diǎn)，但精度還難以滿足對生產(chǎn)過程建模的高精度需求。工業(yè)大數(shù)據(jù)模型不依賴化學(xué)反應(yīng)機(jī)理知識，通過構(gòu)建端到端的映射來實現(xiàn)生產(chǎn)過程的數(shù)據(jù)驅(qū)動建模，通常具有較高的精度，但是由于對數(shù)據(jù)的依賴性，導(dǎo)致數(shù)據(jù)驅(qū)動模型通常難以獲得良好的泛化能力。

因此，需要在石化智云平臺的基礎(chǔ)上，通過機(jī)理知識與工業(yè)大數(shù)據(jù)的融合，構(gòu)建基于機(jī)理與數(shù)據(jù)的石化生產(chǎn)過程的高精度在線模型，進(jìn)而在此基礎(chǔ)上構(gòu)建生產(chǎn)過程的多目標(biāo)操作優(yōu)化模型與算法，以實現(xiàn)對生產(chǎn)過程的實時管控與動態(tài)優(yōu)化[23]。所提出的石化生產(chǎn)過程進(jìn)化學(xué)習(xí)建模與操作優(yōu)化方法流程如圖5所示。

圖5 石化智能工廠生產(chǎn)過程進(jìn)化學(xué)習(xí)建模與操作優(yōu)化方法流程

首先，基于石化大數(shù)據(jù)，以生產(chǎn)過程化學(xué)反應(yīng)機(jī)理模型的參數(shù)設(shè)定作為決策變量，以機(jī)理模型的預(yù)測誤差與泛化能力作為優(yōu)化目標(biāo)，使用多目標(biāo)差分進(jìn)化等智能優(yōu)化算法對模型參數(shù)進(jìn)行自主辨識與優(yōu)化，以獲得具有較高精度與泛化能力的生產(chǎn)過程機(jī)理模型。

其次，基于生產(chǎn)過程數(shù)據(jù)，以深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的架構(gòu)與超參數(shù)為決策變量，以模型精度與復(fù)雜性為優(yōu)化目標(biāo)，構(gòu)建基于數(shù)據(jù)驅(qū)動的多目標(biāo)進(jìn)化學(xué)習(xí)建模方法[24]，實現(xiàn)石化生產(chǎn)過程的數(shù)據(jù)驅(qū)動建模。該方法的整體架構(gòu)如圖6所示，主要包括神經(jīng)網(wǎng)絡(luò)的編碼與解碼、基于多目標(biāo)進(jìn)化的子學(xué)習(xí)機(jī)訓(xùn)練、子學(xué)習(xí)機(jī)選擇與非線性集成等幾個階段；其中，神經(jīng)網(wǎng)絡(luò)的編碼與解碼是指將深度神經(jīng)網(wǎng)絡(luò)的架構(gòu)進(jìn)行編碼，通?？梢允褂靡粋€向量來表示，按照深度神經(jīng)網(wǎng)絡(luò)的架構(gòu)特點(diǎn)，向量中的每一個值通常表示一個功能單元（例如深度卷積網(wǎng)絡(luò)中的卷積層所使用的卷積核類型、池化層所使用的池化操作類型，以及相應(yīng)的權(quán)重初始化參數(shù)等），解碼是指將這個向量轉(zhuǎn)變?yōu)橐粋€完整的神經(jīng)網(wǎng)絡(luò)以進(jìn)行訓(xùn)練；基于多目標(biāo)進(jìn)化的子學(xué)習(xí)機(jī)訓(xùn)練是指使用多目標(biāo)進(jìn)化算法對這些編碼進(jìn)行尋優(yōu)，以獲得不同精度與復(fù)雜度的網(wǎng)絡(luò)結(jié)構(gòu)，這些網(wǎng)絡(luò)就是子學(xué)習(xí)機(jī)，通過多目標(biāo)優(yōu)化最終將會得到一個Pareto 最優(yōu)解集；子學(xué)習(xí)機(jī)的選擇與非線性集成是指從所獲得的Pareto解集中選擇合適的子學(xué)習(xí)機(jī)，然后將它們的輸出作為特征，再訓(xùn)練一個傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)實現(xiàn)對這些子學(xué)習(xí)機(jī)的非線性集成，從而獲得具有更高精度與泛化能力的數(shù)據(jù)模型，以滿足實際生產(chǎn)的需求。這種基于進(jìn)化學(xué)習(xí)的建模方法的優(yōu)勢在于神經(jīng)網(wǎng)絡(luò)的設(shè)計不依賴人工經(jīng)驗，實現(xiàn)了自主訓(xùn)練，特別適用于不同業(yè)務(wù)場景的建模需求。

圖6 石化智能工廠基于多目標(biāo)進(jìn)化學(xué)習(xí)的建模方法

最后，基于機(jī)理模型與數(shù)據(jù)模型，使用進(jìn)化集成方法構(gòu)建基于進(jìn)化學(xué)習(xí)的數(shù)據(jù)與機(jī)理融合模型，提出石化生產(chǎn)過程的多目標(biāo)操作優(yōu)化模型，并基于現(xiàn)場生產(chǎn)過程信息實現(xiàn)工況變化的智能識別，進(jìn)而通過智能預(yù)測機(jī)制構(gòu)建高效的動態(tài)多目標(biāo)操作優(yōu)化算法，實現(xiàn)對生產(chǎn)過程各工藝控制參數(shù)的動態(tài)優(yōu)化設(shè)定，提升石化生產(chǎn)過程操作優(yōu)化的智能化水平，實現(xiàn)全流程產(chǎn)品質(zhì)量的協(xié)同優(yōu)化。

以石化生產(chǎn)中的石腦油熱裂解制乙烯生產(chǎn)過程操作優(yōu)化為例[25]，上述方法的實施過程可以描述如下。首先，由于不同石腦油的物性參數(shù)不同，需要獲得對應(yīng)的機(jī)理模型，因此需要將傳統(tǒng)的石腦油熱裂解機(jī)理模型中的參數(shù)作為決策變量，以機(jī)理模型針對乙烯收率和丙烯收率的預(yù)測誤差與泛化能力作為優(yōu)化目標(biāo)，使用多目標(biāo)差分進(jìn)化算法對這些參數(shù)進(jìn)行優(yōu)化擬合，從而獲得具有較高性能的機(jī)理模型；其次，使用圖6所示的多目標(biāo)進(jìn)化學(xué)習(xí)建模方法，構(gòu)建出乙烯和丙烯收率預(yù)測的深度學(xué)習(xí)模型；再次，將機(jī)理模型與深度學(xué)習(xí)模型進(jìn)行集成，以融合機(jī)理模型泛化能力強(qiáng)、數(shù)據(jù)模型精度高的優(yōu)勢，進(jìn)一步提升乙烯和丙烯收率的預(yù)測效果；最后，以乙烯收率和丙烯收率最大化這兩個相互沖突的目標(biāo)作為優(yōu)化目標(biāo)，建立熱裂解生產(chǎn)過程的多目標(biāo)操作優(yōu)化模型，其中優(yōu)化目標(biāo)的計算使用之前所建立的兩個集成學(xué)習(xí)模型，進(jìn)而使用多目標(biāo)進(jìn)化算法對操作條件進(jìn)行尋優(yōu)，實現(xiàn)乙烯與丙烯收率的多目標(biāo)優(yōu)化。因此，基于所提出的多目標(biāo)進(jìn)化學(xué)習(xí)與多目標(biāo)操作優(yōu)化方法，將可以實現(xiàn)石腦油熱裂解生產(chǎn)過程建模與操作優(yōu)化的自主化與智能化，從而為石化智能工廠的操作智能管控提供技術(shù)支撐。

3.3 石化生產(chǎn)設(shè)備智能運(yùn)行監(jiān)測與故障診斷

石化生產(chǎn)設(shè)備的穩(wěn)定運(yùn)行是產(chǎn)品質(zhì)量和安全生產(chǎn)的有效保障，石化生產(chǎn)過程具有數(shù)據(jù)多源異構(gòu)、高通量、強(qiáng)非線性等特點(diǎn)，使得傳統(tǒng)設(shè)備運(yùn)行狀態(tài)的分析與診斷方法容易出現(xiàn)誤報警和故障根因難以診斷等不足[26]。因此，需要在石化智云平臺的基礎(chǔ)上，構(gòu)建基于大數(shù)據(jù)的關(guān)鍵設(shè)備運(yùn)行狀態(tài)智能分析與診斷，實現(xiàn)關(guān)鍵生產(chǎn)設(shè)備運(yùn)行狀態(tài)的智能分析、監(jiān)測與管控，對于可能出現(xiàn)的生產(chǎn)波動進(jìn)行預(yù)警，對生產(chǎn)波動或故障進(jìn)行快速診斷，如圖7所示。

圖7 石化智能工廠設(shè)備運(yùn)行智能監(jiān)測與診斷模型構(gòu)建

首先，在石化智云平臺的基礎(chǔ)上，實現(xiàn)關(guān)鍵設(shè)備運(yùn)行狀態(tài)的實時感知和數(shù)據(jù)匯總，通過工藝機(jī)理與數(shù)據(jù)解析，實現(xiàn)數(shù)據(jù)清洗等預(yù)處理工作，為運(yùn)行狀態(tài)分析與監(jiān)測診斷奠定數(shù)據(jù)基礎(chǔ)。

其次，由于實際生產(chǎn)中通常為時序數(shù)據(jù)，傳統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)提取方法難以獲得高質(zhì)量特征，因此以工藝機(jī)理與數(shù)據(jù)模型為基礎(chǔ)，通過將時序數(shù)據(jù)轉(zhuǎn)換為圖像等方式[27]，分別從時序特征、空間特征等多個視角構(gòu)建生產(chǎn)設(shè)備的高維運(yùn)行數(shù)據(jù)樣本，再通過進(jìn)化數(shù)據(jù)融合方法對樣本進(jìn)行深度解析，挖掘出這些特征自身在時序上的變化規(guī)律、特征前后變化的空間關(guān)系、特征之間的拓?fù)溆绊戧P(guān)系等，這些信息是傳統(tǒng)結(jié)構(gòu)化數(shù)據(jù)提取方法難以獲得的，進(jìn)而通過多源數(shù)據(jù)融合和多目標(biāo)進(jìn)化集成學(xué)習(xí)方法，構(gòu)建關(guān)鍵設(shè)備運(yùn)行狀態(tài)的融合特征，為運(yùn)行監(jiān)測和故障診斷模型的構(gòu)建奠定數(shù)據(jù)基礎(chǔ)，其流程如圖8所示。

圖8 石化智能工廠設(shè)備運(yùn)行融合特征構(gòu)建方法

最后，基于所挖掘的時間、空間、拓?fù)溆绊戧P(guān)系等多源知識，以深度神經(jīng)網(wǎng)絡(luò)的架構(gòu)和超參數(shù)為決策變量，通過多目標(biāo)進(jìn)化算法構(gòu)建關(guān)鍵設(shè)備運(yùn)行故障的預(yù)警與快速診斷模型，該方法的建模思路與圖5所示多目標(biāo)進(jìn)化學(xué)習(xí)的方法類似，實現(xiàn)對生產(chǎn)過程中關(guān)鍵設(shè)備運(yùn)行異常工況的預(yù)警和快速故障診斷，提升石化生產(chǎn)設(shè)備運(yùn)行監(jiān)測與診斷的智能化水平，為關(guān)鍵設(shè)備的安全和穩(wěn)定運(yùn)行提供有效保障。

從石化智能工廠建設(shè)的關(guān)鍵場景中選擇基于數(shù)據(jù)與機(jī)理融合建模的石化生產(chǎn)計劃與調(diào)度優(yōu)化、石化生產(chǎn)過程多目標(biāo)進(jìn)化學(xué)習(xí)建模與操作優(yōu)化和石化生產(chǎn)設(shè)備智能運(yùn)行監(jiān)測與故障診斷三個重要場景，針對現(xiàn)有場景的智能化水平，對標(biāo)國際先進(jìn)石化智能工廠的生產(chǎn)場景，利用最新的數(shù)據(jù)解析與系統(tǒng)優(yōu)化技術(shù)進(jìn)行智能場景的結(jié)構(gòu)性改進(jìn)與提升，提高場景的智能化水平。

基于數(shù)據(jù)與機(jī)理融合的解析與優(yōu)化方法還可以擴(kuò)展應(yīng)用到能源管控中的瓦斯系統(tǒng)調(diào)度優(yōu)化[28]、蒸汽管網(wǎng)優(yōu)化，以及產(chǎn)品質(zhì)量在線監(jiān)測等場景。以瓦斯系統(tǒng)優(yōu)化為例，基于數(shù)據(jù)與機(jī)理融合構(gòu)建瓦斯系統(tǒng)發(fā)生量與消耗量預(yù)測模型，針對裝置生產(chǎn)工況調(diào)整的非平穩(wěn)階段，利用瓦斯系統(tǒng)的模型和動態(tài)優(yōu)化策略實現(xiàn)系統(tǒng)的實時平衡優(yōu)化，提高瓦斯的利用率，從而實現(xiàn)企業(yè)能效的提升。

4 結(jié)語

石化企業(yè)的邊緣云平臺感知與檢測、生產(chǎn)管控、操作優(yōu)化、設(shè)備監(jiān)測與診斷等技術(shù)方法對于提升石化制造過程的智能化水平具有重要作用。本文通過分析石化智能工廠建設(shè)的現(xiàn)狀，面向未來石化工業(yè)智能制造的需求，規(guī)劃石化智能工廠的關(guān)鍵場景以及邊緣云平臺的技術(shù)，提煉了基于數(shù)據(jù)與機(jī)理融合建模的石化生產(chǎn)計劃與調(diào)度優(yōu)化、石化生產(chǎn)過程多目標(biāo)進(jìn)化學(xué)習(xí)建模與操作優(yōu)化和石化生產(chǎn)設(shè)備智能運(yùn)行監(jiān)測與故障診斷的關(guān)鍵場景，并依據(jù)各場景的需求與特征，提出了基于數(shù)據(jù)與機(jī)理融合的技術(shù)方法，從而為石化未來智能工廠的建設(shè)提供參考和指導(dǎo)。