国产欧美日韩精品a在线观看-国产欧美日韩精品一区二区三区-国产欧美日韩精品综合-国产欧美中文字幕-一区二区三区精品国产-一区二区三区精品国产欧美

摘要：精餾塔是化工生產(chǎn)過(guò)程中最常見(jiàn)也是最重要的分離設(shè)備之一。其性能直接關(guān)系到生產(chǎn)裝置的投資、產(chǎn)能、質(zhì)量、能耗及成本。但是傳統(tǒng)的精餾塔工藝控制優(yōu)化，由于模型構(gòu)建復(fù)雜、構(gòu)建的數(shù)學(xué)模型通常不完善、存在控制效果不佳、診斷滯后、不能提前預(yù)測(cè)等缺陷。本文通過(guò)研究大數(shù)據(jù)驅(qū)動(dòng)的建模方式，利用精餾塔歷史積累的大量數(shù)據(jù)進(jìn)行模型建立，并在有效建模的基礎(chǔ)上實(shí)現(xiàn)精餾塔的優(yōu)化生產(chǎn)，可解決目前行業(yè)中存在的難題，將為用戶(hù)提升產(chǎn)品質(zhì)量、降低生產(chǎn)能耗做出貢獻(xiàn)。

關(guān)鍵詞：化工行業(yè)；精餾塔；大數(shù)據(jù)；建模；工藝操作優(yōu)化

Abstract: The distillation column is one of the most common and important separation equipment in the chemical production process. The performance of distillation column is directly related to the investment, capacity, quality, energy consumption and cost of the production equipment. However, the mathematical model of traditional rectification tower process control optimization is usually not perfect, and there are defects such as poor control effect, lag in diagnosis, and inability to predict in advance due to complex model construction. This paper studies the big data-driven modeling method, builds the model using the large amount of accumulated data, and realizes the optimized production of the distillation tower on the basis of effective modeling. Furthermore, this solution can solve the problems existing in the current industry and improve the product quality and reduce production energy consumption for users.

Key words: Chemical industry; Distillation column; Big Data; Modeling; Process operation optimization

1　引言

精餾塔是化工生產(chǎn)過(guò)程中最常見(jiàn)也是最重要的分離設(shè)備之一。化工裝置中精餾塔設(shè)備投資巨大，約占化工項(xiàng)目設(shè)備總投資的30%～40%，其性能直接關(guān)系到生產(chǎn)裝置的投資、產(chǎn)能、質(zhì)量、能耗及成本。精餾過(guò)程的控制問(wèn)題也一直是控制領(lǐng)域的重要研究課題。

現(xiàn)有的精餾塔的研究由于模型構(gòu)建復(fù)雜、構(gòu)建的數(shù)學(xué)模型通常不完善、存在控制效果不佳、診斷滯后、不能提前預(yù)測(cè)等缺陷。因此，化工行業(yè)精餾塔的節(jié)能優(yōu)化控制的研究大多處于實(shí)驗(yàn)示范階段，在裝置中的實(shí)際應(yīng)用不多。在化工行業(yè)的自動(dòng)化發(fā)展過(guò)程中，精餾塔設(shè)備運(yùn)行的過(guò)程監(jiān)測(cè)較為成熟，已經(jīng)積累了大量的包括設(shè)備物聯(lián)數(shù)據(jù)、生產(chǎn)經(jīng)營(yíng)數(shù)據(jù)和外部數(shù)據(jù)的工業(yè)大數(shù)據(jù)，實(shí)現(xiàn)涵蓋了精餾塔生產(chǎn)的全流程，包含時(shí)間與空間兩個(gè)維度上不同尺度的大容量工業(yè)大數(shù)據(jù)的信息收集和整理。

工業(yè)大數(shù)據(jù)作為一種資源，被廣泛認(rèn)為是化工行業(yè)由中國(guó)制造轉(zhuǎn)變?yōu)橹袊?guó)“智”造的重要推動(dòng)力量。因此，如何有效地對(duì)化工行業(yè)精餾塔歷史積累的數(shù)據(jù)進(jìn)行大數(shù)據(jù)驅(qū)動(dòng)的模型建立，并在有效建模的基礎(chǔ)上實(shí)現(xiàn)精餾塔的優(yōu)化生產(chǎn)，可解決目前行業(yè)中存在的難題，將為用戶(hù)提升產(chǎn)品質(zhì)量、降低生產(chǎn)能耗做出貢獻(xiàn)，也是化工行業(yè)智能化轉(zhuǎn)型升級(jí)的必然需求。

2　傳統(tǒng)的精餾塔建模方法分析

精餾塔傳統(tǒng)建模方法主要包括理論建模方法、傳統(tǒng)系統(tǒng)辨識(shí)和數(shù)據(jù)驅(qū)動(dòng)的智能建模方法。其中理論建模方法和傳統(tǒng)系統(tǒng)辨識(shí)屬于傳統(tǒng)的建模方法。現(xiàn)在的很多化工行業(yè)的建模基本上集中于前兩種方法。理論建模方法又稱(chēng)為機(jī)理分析法，也被稱(chēng)為“白箱”，它是通過(guò)分析過(guò)程內(nèi)在的運(yùn)作規(guī)律，運(yùn)用已知的原理、定律和定理等，在長(zhǎng)期的實(shí)踐中建立實(shí)用的過(guò)程經(jīng)驗(yàn)?zāi)Ｐ汀Ｒ环N典型的機(jī)理建模技術(shù)是用代數(shù)方程、差分方程和微分方程來(lái)描述線性或非線性、連續(xù)或離散、確定或隨機(jī)等連續(xù)系統(tǒng)，為其建立系統(tǒng)模型。

現(xiàn)有的精餾塔的研究主要根據(jù)實(shí)際精餾塔的操作過(guò)程分析和基于流程模擬軟件的仿真，提出許多精餾塔模型，力圖實(shí)現(xiàn)精餾塔在現(xiàn)有條件下生產(chǎn)等量產(chǎn)品的產(chǎn)品質(zhì)量最好和生產(chǎn)同等產(chǎn)品質(zhì)量的產(chǎn)品產(chǎn)量最多和生產(chǎn)能耗最低的協(xié)調(diào)優(yōu)化問(wèn)題，并對(duì)其異常狀態(tài)進(jìn)行預(yù)測(cè)。這些研究很多都是基于精確數(shù)學(xué)模型。

在采用精確的五階模型的基礎(chǔ)上使用線性二次型調(diào)節(jié)器（LQR）方法設(shè)計(jì)最優(yōu)控制器，從而對(duì)精餾塔進(jìn)行研究分析，但是這種方法忽略了模型參數(shù)發(fā)生變化的情況。部分業(yè)內(nèi)專(zhuān)家提出了使用理論設(shè)計(jì)控制器，分析、研究精餾塔系統(tǒng)的性能。但是控制方法針對(duì)的是模型參數(shù)攝動(dòng)在較小范圍的控制過(guò)程，而且一定情況下其設(shè)計(jì)思想也導(dǎo)致了設(shè)計(jì)過(guò)程不必要的保守性，因此該方法忽視了模型參數(shù)在較大范圍發(fā)生變化的情況。在這些研究中通常依賴(lài)大量的專(zhuān)家知識(shí)，對(duì)某個(gè)確定的精餾塔進(jìn)行精確建模，建模周期長(zhǎng)、難度大。同時(shí)，由于模型預(yù)先給定，當(dāng)系統(tǒng)配置發(fā)生一定變化時(shí)，固定的模型很難應(yīng)對(duì)動(dòng)態(tài)變化的控制需求。

理論建模方法是建立在理論分析的基礎(chǔ)之上的，通常需要對(duì)研究對(duì)象的內(nèi)部運(yùn)作規(guī)律有深入的了解和認(rèn)識(shí)，而多數(shù)系統(tǒng)的內(nèi)部運(yùn)作結(jié)構(gòu)較為復(fù)雜，很難完全從機(jī)理上歸納其內(nèi)在規(guī)律。然而，由于模型構(gòu)建復(fù)雜，構(gòu)建的數(shù)學(xué)模型通常不完善，存在診斷滯后、不能提前預(yù)測(cè)等缺陷。

因此，化工行業(yè)精餾塔的節(jié)能優(yōu)化控制的研究大多處于實(shí)驗(yàn)示范階段，在裝置中的實(shí)際應(yīng)用不多，究其原因，主要是因?yàn)槟Ｐ偷牟淮_定性、控制量和被控量的約束問(wèn)題、控制算法實(shí)現(xiàn)的不可靠性以及存在執(zhí)行器出現(xiàn)故障時(shí)的優(yōu)化控制策略實(shí)施復(fù)雜等。

3　基于大數(shù)據(jù)驅(qū)動(dòng)的精餾塔模型構(gòu)建技術(shù)研究

近年來(lái)隨著工業(yè)自動(dòng)化技術(shù)和DCS技術(shù)的發(fā)展，精餾塔設(shè)備已經(jīng)初步實(shí)現(xiàn)了生產(chǎn)的自動(dòng)化，并在運(yùn)行中收集了大量的數(shù)據(jù)。但是，其大數(shù)據(jù)的深度利用不足，缺少基于大數(shù)據(jù)的精餾塔設(shè)備運(yùn)行建模或者評(píng)價(jià)方法和依據(jù)。這里研究精餾塔系統(tǒng)基于大數(shù)據(jù)驅(qū)動(dòng)建模的模型構(gòu)建方法、模型測(cè)試、模型評(píng)估及系統(tǒng)部署方法^[1]。

模型的離線學(xué)習(xí)和在線預(yù)測(cè)的整體架構(gòu)圖如圖1所示。

圖1 模型的離線學(xué)習(xí)和在線預(yù)測(cè)的整體架構(gòu)圖

（1）大數(shù)據(jù)驅(qū)動(dòng)的精餾塔模型構(gòu)建及運(yùn)行

針對(duì)精餾塔系統(tǒng)，對(duì)采集到的多年控制系統(tǒng)歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，分析多達(dá)68個(gè)變量之間的內(nèi)在耦合關(guān)系，以尋找變化規(guī)律，并將這些學(xué)習(xí)得到的規(guī)律用于精餾塔系統(tǒng)控制中，以提升在保證輸出質(zhì)量、能耗較小和滿(mǎn)足設(shè)備約束條件下的系統(tǒng)效率和降低系統(tǒng)耗電量。主要解決思路是基于時(shí)間序列，通過(guò)深度學(xué)習(xí)對(duì)精餾塔系統(tǒng)的系統(tǒng)運(yùn)行歷史數(shù)據(jù)進(jìn)行建模，構(gòu)建系統(tǒng)各參數(shù)間的關(guān)系模型對(duì)模型的輸出進(jìn)行預(yù)測(cè)。

（2）數(shù)據(jù)預(yù)處理

由于精餾塔中數(shù)據(jù)繁多，數(shù)據(jù)中存在較多的缺失和異常數(shù)據(jù)。首先采用數(shù)據(jù)異常的鑒別方法，通過(guò)物理模型對(duì)異常數(shù)據(jù)進(jìn)行篩選和重構(gòu)。由于物理特性、定律的限制，設(shè)備的不同狀態(tài)之間存在一定的耦合關(guān)系。傳感器數(shù)值的異常通常不會(huì)同時(shí)對(duì)所有的數(shù)值進(jìn)行修改。因此，可以由此特性對(duì)異常的數(shù)據(jù)進(jìn)行鑒別。

忽視離群點(diǎn)的存在是非常危險(xiǎn)的，不加處理地將其進(jìn)入數(shù)據(jù)的計(jì)算分析過(guò)程中，對(duì)模型建立會(huì)產(chǎn)生不良的影響。可以繪制變量的象形圖，通過(guò)平均數(shù)和中位數(shù)來(lái)描述數(shù)據(jù)集中趨勢(shì)的統(tǒng)計(jì)量，在一定程度上反映數(shù)據(jù)的整體水平。

（3）特征值選取和處理精餾塔模型是一個(gè)時(shí)滯的模型，構(gòu)建了集成近期數(shù)據(jù)、中期數(shù)據(jù)和長(zhǎng)期數(shù)據(jù)的特征集。

通過(guò)考察輸入特征參數(shù)對(duì)模型輸出的敏感性來(lái)判定特征參數(shù)對(duì)模型輸出的影響重要程度，進(jìn)而刪減冗余特征參數(shù)，此類(lèi)方法稱(chēng)為基于敏感性分析的特征參數(shù)選擇方法。根據(jù)敏感性系數(shù)的計(jì)算方式，基于敏感性分析的特征選擇方法可相應(yīng)的分為兩類(lèi)：基于統(tǒng)計(jì)的隨機(jī)敏感性的特征參數(shù)選擇方法和基于偏導(dǎo)數(shù)敏感性的特征參數(shù)選擇方法。

當(dāng)影響因素較多時(shí)，采用平均影響值方法挑選出部分特征參數(shù)作為建模的輸入可簡(jiǎn)化模型。當(dāng)影響因素較少或挑選出的部分特征參數(shù)，可采用平均影響值計(jì)各特征參數(shù)的權(quán)重系數(shù)并進(jìn)行加權(quán)，進(jìn)一步提高建模精度。

由于精餾塔數(shù)據(jù)有不同的類(lèi)型：當(dāng)前時(shí)刻的特征分成三類(lèi)：第一類(lèi)（recent）是該時(shí)刻的相鄰區(qū)間字段值，區(qū)間大小為分鐘級(jí)，在該區(qū)間內(nèi)系統(tǒng)應(yīng)該是一個(gè)平滑變化的過(guò)程，比如前幾分鐘的變化可能反映了當(dāng)前時(shí)刻相似的特性；第二類(lèi)（near）是對(duì)應(yīng)該時(shí)刻每間隔1個(gè)小時(shí)的時(shí)刻參數(shù)，直至間隔5小時(shí)以后不再考慮，總共重復(fù)取值操作；第三類(lèi)（distant）是更遠(yuǎn)時(shí)間點(diǎn)相同的數(shù)據(jù)，發(fā)現(xiàn)數(shù)據(jù)分布可能具有1天的周期同分布情況，故以1天為間隔，取1天以后的該時(shí)刻數(shù)據(jù)作為特征的部分內(nèi)容。

（4）模型構(gòu)建

由于輸入?yún)?shù)和輸出參數(shù)的數(shù)量總和較大，且需要進(jìn)行基于時(shí)間序列的多變量多輸出預(yù)測(cè)，屬于較為復(fù)雜的系統(tǒng)分析問(wèn)題。該系統(tǒng)數(shù)據(jù)分析需要較多的專(zhuān)業(yè)知識(shí)。為弱化這一前提，并期望習(xí)得一些潛在的變量間規(guī)律，提出了采用深度學(xué)習(xí)方法，用一個(gè)5層神經(jīng)網(wǎng)絡(luò)來(lái)得到目標(biāo)物濃度、含水量、耗電量和（不）可控變量的系統(tǒng)模型。

這里使用同樣的5層神經(jīng)網(wǎng)絡(luò)模型：一層為輸入層，一層為輸出層，中間三層為隱藏層。對(duì)于模型1，2來(lái)說(shuō)，僅僅是輸入層有所不通。其中隱藏層的神經(jīng)元個(gè)數(shù)分別為3000個(gè)、2000個(gè)和100個(gè)。同時(shí)需要為該神經(jīng)網(wǎng)絡(luò)選擇激勵(lì)函數(shù)，如果不用激勵(lì)函數(shù)，每一層的輸出都是上層輸入的線性函數(shù)，導(dǎo)致無(wú)論神經(jīng)網(wǎng)絡(luò)有多少層，輸出都是輸入的線性組合，與沒(méi)有隱藏層效果相當(dāng)，退化成最原始的感知機(jī)（Perceptron）。

在激勵(lì)函數(shù)的選擇上，ReLu優(yōu)于常用的tanh和sigmoid。采用sigmoide函數(shù)時(shí)，計(jì)算量相對(duì)較大，同時(shí)在深層網(wǎng)絡(luò)中進(jìn)行反向傳播時(shí)，容易出現(xiàn)梯度消失的情況，從而無(wú)法完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。相比較而言，ReLu可以使一部分神經(jīng)元的輸出為0，可以形成稀疏的網(wǎng)絡(luò)結(jié)構(gòu)，減少參數(shù)間的相互依存關(guān)系，緩解了預(yù)測(cè)過(guò)程的過(guò)擬合問(wèn)題。

同時(shí)由于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中神經(jīng)元個(gè)數(shù)太多，造成計(jì)算過(guò)程極其漫長(zhǎng)，一般都采用優(yōu)化算法來(lái)優(yōu)化學(xué)習(xí)過(guò)程。本次研究使用的Nadam算法，它是帶有Nesterov動(dòng)量項(xiàng)的Adam（帶有動(dòng)量向的RMSprop，利用梯度的一階矩估計(jì)和二階矩估計(jì)動(dòng)態(tài)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率）。其對(duì)學(xué)習(xí)率的約束更強(qiáng)，也更直接地影響梯度的更新。

4　基于大數(shù)據(jù)驅(qū)動(dòng)模型的精餾塔工藝操作優(yōu)化技術(shù)研究

考慮到工業(yè)優(yōu)化控制過(guò)程中，當(dāng)前控制策略改變當(dāng)前狀態(tài)會(huì)對(duì)之后的時(shí)間序列的數(shù)據(jù)特征產(chǎn)生影響，因此需要根據(jù)改變的狀態(tài)量來(lái)更新這些產(chǎn)生影響的特征變量。利用設(shè)備模型構(gòu)建的關(guān)于時(shí)間、塔釜溫度、塔釜壓力、塔進(jìn)料量、塔頂回流、塔中部溫度和塔釜采出量可控變量（作為深度學(xué)習(xí)網(wǎng)絡(luò)的輸入層變量）與標(biāo)物濃度、含水量、耗電量（深度學(xué)習(xí)網(wǎng)絡(luò)的輸出層變量）的關(guān)系模型，提高模型的復(fù)用率，在控制策略的選擇上，由于滿(mǎn)足系統(tǒng)的輸出可能有非常多的參數(shù)輸出集合，提出基于遺傳算法的策略選擇算法。通過(guò)產(chǎn)生大量的控制策略，作為遺傳算法的初始種群，通過(guò)對(duì)交叉、變異、適應(yīng)度評(píng)價(jià)、最優(yōu)個(gè)體記錄等機(jī)制選擇出最優(yōu)秀的個(gè)體，作為當(dāng)前時(shí)刻的最優(yōu)策略，并將控制后改變的可控參數(shù)值更新到之后的時(shí)刻用于特征構(gòu)建在模型三中生成對(duì)應(yīng)這個(gè)時(shí)刻的初始種群，以達(dá)到基于時(shí)序進(jìn)行優(yōu)化控制的目的。提出遺傳算法的編碼機(jī)制，和對(duì)“最優(yōu)控制”的適應(yīng)度函數(shù)。由于存在一定的限定條件，這些限定條件在目標(biāo)函數(shù)中通過(guò)懲罰懲罰項(xiàng)來(lái)計(jì)算適應(yīng)度函數(shù)^[2]。

遺傳算法的步驟主要包含4個(gè)子流程，分別為基因選擇、基因交叉、基因變異及適應(yīng)度評(píng)估，其中基因表示問(wèn)題的解，而解的表達(dá)要遵循一定的編碼方式。圖2分別給出了解的編碼形式。

圖2 遺傳算法中解的編碼形式

精餾塔設(shè)備實(shí)時(shí)優(yōu)化：

隨時(shí)監(jiān)測(cè)過(guò)程運(yùn)行狀況，在滿(mǎn)足所有約束條件的前提下，不斷調(diào)整工作點(diǎn)，以克服這些影響因素，保證過(guò)程始終能夠得到最佳的經(jīng)濟(jì)效益。所謂“在線”，是指整個(gè)優(yōu)化過(guò)程是自動(dòng)進(jìn)行的，從數(shù)據(jù)采集、模型修正，到優(yōu)化計(jì)算。實(shí)時(shí)優(yōu)化技術(shù)的實(shí)施必須有可靠的測(cè)量變送儀表、可靠的常規(guī)控制系統(tǒng)、可靠的先進(jìn)控制技術(shù)和可靠的實(shí)時(shí)優(yōu)化模型及優(yōu)化算法，整個(gè)系統(tǒng)是一個(gè)高度集成的軟硬件體系。可以將簡(jiǎn)單描述為當(dāng)過(guò)程處于穩(wěn)態(tài)時(shí)，對(duì)來(lái)自集散系統(tǒng)的現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行數(shù)據(jù)調(diào)和，并以此為基礎(chǔ)對(duì)穩(wěn)態(tài)模型進(jìn)行修正，在滿(mǎn)足一定約束條件的前提下用該模型進(jìn)行優(yōu)化計(jì)算，優(yōu)化得到的最優(yōu)設(shè)定值送到下層的調(diào)節(jié)控制系統(tǒng)。當(dāng)過(guò)程處于新的穩(wěn)態(tài)工作點(diǎn)時(shí)，開(kāi)始進(jìn)行下一輪的數(shù)據(jù)調(diào)和、模型修正、優(yōu)化，如此循環(huán)往復(fù)。

實(shí)時(shí)優(yōu)化能夠有效融合管理層與控制層，實(shí)現(xiàn)工廠從頂層的計(jì)劃管理到底層的設(shè)備控制的全面自動(dòng)化、最優(yōu)化，同時(shí)獲得以下方面的收益：

（1）增加產(chǎn)量，提高產(chǎn)品質(zhì)量，使生產(chǎn)始終維持在最佳操作狀況；

（2）減少原料和能源的消耗；

（3）延長(zhǎng)設(shè)備的運(yùn)行周期；

（4）對(duì)市場(chǎng)供求關(guān)系的變化反映及時(shí)；

（5）進(jìn)一步深化對(duì)過(guò)程工藝與操作的了解，有助于工藝的改進(jìn)和操作策略的調(diào)整。

精餾塔裝置的實(shí)時(shí)優(yōu)化是在基于大數(shù)據(jù)構(gòu)建的精餾塔優(yōu)化控制模型上，在線實(shí)時(shí)優(yōu)化由數(shù)據(jù)采集、數(shù)據(jù)校正、穩(wěn)態(tài)檢驗(yàn)、模型參數(shù)更新、模型優(yōu)化計(jì)算、控制動(dòng)作輸出幾個(gè)步驟組成，如圖3所示。

圖3 在線實(shí)時(shí)優(yōu)化系統(tǒng)結(jié)構(gòu)

（1）數(shù)據(jù)采集。包括直接由現(xiàn)場(chǎng)測(cè)量?jī)x表測(cè)量的并已集中到DCS中的過(guò)程量（溫度、壓力、流量等）及不能由儀表直接測(cè)量的過(guò)程量（組分等）。

（2）數(shù)據(jù)校正。因?yàn)椴杉降膶?shí)測(cè)數(shù)據(jù)均不可避免地帶有兩類(lèi)誤差：過(guò)失誤差和隨機(jī)誤差。這種粗制數(shù)據(jù)是不能直接用來(lái)做優(yōu)化計(jì)算的，必須經(jīng)過(guò)一道“去粗取精，去偽存真”的處理。首先，進(jìn)行篩選，偵破哪些數(shù)據(jù)是過(guò)失誤差數(shù)據(jù)。過(guò)失誤差又分為兩類(lèi)：儀表相關(guān)誤差（如儀表失靈、敏感元件故障等）和過(guò)程隨機(jī)誤差（如泄漏等）。這種過(guò)失誤差數(shù)據(jù)必須刪去，不能參加校正計(jì)算，否則將會(huì)把這種大誤差傳播到其他好的測(cè)量數(shù)據(jù)上。其次，進(jìn)行隨機(jī)誤差校正。刪去過(guò)失誤差的數(shù)據(jù)即可視為均帶有隨機(jī)誤差，但這類(lèi)誤差通常滿(mǎn)足正態(tài)分布，可以用最小二乘法原理進(jìn)行數(shù)據(jù)校正計(jì)算，用推算值彌補(bǔ)被刪去的大誤差值。經(jīng)處理過(guò)的數(shù)據(jù)成為可以滿(mǎn)足物料平衡和能量平衡的精制數(shù)據(jù)。

（3）穩(wěn)態(tài)檢驗(yàn)。當(dāng)前實(shí)時(shí)優(yōu)化技術(shù)均基于穩(wěn)態(tài)模擬模型，所以只有過(guò)程處于穩(wěn)態(tài)操作時(shí)才適用。系統(tǒng)入口首先就要檢驗(yàn)過(guò)程是否處于穩(wěn)態(tài)操作。選取精餾塔裝置的一些關(guān)鍵工藝變量的測(cè)量值做統(tǒng)計(jì)分析，如果其測(cè)量多次的變化量低于設(shè)定閾值，則認(rèn)為統(tǒng)計(jì)上是穩(wěn)態(tài)的，否則就認(rèn)為不夠執(zhí)行實(shí)時(shí)優(yōu)化的條件，程序轉(zhuǎn)入等待循環(huán)，固定周期重新檢驗(yàn)是否穩(wěn)態(tài)^[3]。

（4）穩(wěn)態(tài)模型參數(shù)的更新。由流程模擬環(huán)節(jié)得到基于嚴(yán)格機(jī)理模型的穩(wěn)態(tài)模擬模型。得到的穩(wěn)態(tài)模擬模型，要形成在線實(shí)時(shí)優(yōu)化能用的模型還需要若干次加工：

·數(shù)據(jù)校正模型。評(píng)價(jià)DCS測(cè)量數(shù)據(jù)的內(nèi)在一致性。它是一組聯(lián)立的（基于方程的）熱量和質(zhì)量平衡計(jì)算程序。最終目標(biāo)是給出一套完全處于熱量和能量平衡的一致性的測(cè)量數(shù)據(jù)，送入核算工況；

·核算工況模型。以經(jīng)過(guò)校正的數(shù)據(jù)、分析數(shù)據(jù)及其他手動(dòng)輸入數(shù)據(jù)為輸入，進(jìn)行裝置全流程物料和能量平衡計(jì)算，從而核算出一些單元設(shè)備模型中的隨操作時(shí)間而變化的性能參數(shù)。

·基礎(chǔ)工況模型。這類(lèi)模型中的可變參數(shù)已經(jīng)標(biāo)定過(guò)，取得能反映裝置目前狀況的當(dāng)前值后的模型，該模型用來(lái)預(yù)測(cè)裝置操作條件變化后的裝置性能。

·方案研究。在工況模型的基礎(chǔ)上，增加產(chǎn)品指標(biāo)的規(guī)定輸入，并可改變各種操作變量，從而進(jìn)行各種方案的研究。

·工況研究。在核算模型的基礎(chǔ)上，對(duì)工況研究變量進(jìn)行改變，得到相應(yīng)變量的變化趨勢(shì)，從而研究操作變量與產(chǎn)品指標(biāo)之間的變化關(guān)系。如精餾塔裝置的回流比采出量與產(chǎn)品產(chǎn)出組分的關(guān)系等。

·優(yōu)化模型。在核算模型的基礎(chǔ)上，加入決策變量和約束條件，如以精餾塔裝置產(chǎn)值最大為目標(biāo)函數(shù)，對(duì)精餾塔裝置操作條件進(jìn)行在線優(yōu)化。

（5）優(yōu)化計(jì)算。給定目標(biāo)函數(shù)（利潤(rùn)最大、產(chǎn)量最高或成本最低等）及外部市場(chǎng)經(jīng)濟(jì)數(shù)據(jù)（原料成本、產(chǎn)品價(jià)格及水電汽單價(jià)等），選擇優(yōu)化算法并通過(guò)計(jì)算機(jī)計(jì)算最優(yōu)操作方案。

（6）先進(jìn)過(guò)程控制。將實(shí)時(shí)優(yōu)化計(jì)算得到的最優(yōu)操作點(diǎn)作為先進(jìn)過(guò)程控制的設(shè)定點(diǎn)，實(shí)現(xiàn)精餾塔裝置以最優(yōu)路徑達(dá)到最優(yōu)操作點(diǎn)。

綜上所述，本次的研究通過(guò)分析大數(shù)據(jù)驅(qū)動(dòng)的設(shè)備建模的主體需求，進(jìn)行數(shù)據(jù)特征分析、特征工程提取、模型的選擇、訓(xùn)練與優(yōu)化和評(píng)估等多流程的設(shè)備模型構(gòu)建，根據(jù)該設(shè)備模型，構(gòu)建設(shè)備狀態(tài)的分析、狀態(tài)時(shí)序轉(zhuǎn)變及評(píng)測(cè)，實(shí)現(xiàn)設(shè)備工藝控制優(yōu)化。本次的研究具有以下先進(jìn)性：

（1）大數(shù)據(jù)驅(qū)動(dòng)的精餾塔設(shè)備模型建模和控制優(yōu)化可以不需要目標(biāo)系統(tǒng)的精確數(shù)學(xué)模型，并可以較為有效地應(yīng)對(duì)一定程度的不真實(shí)數(shù)據(jù)，受少數(shù)異常點(diǎn)的影響較小，并且具備持續(xù)改進(jìn)和優(yōu)化的能力；

（2）通過(guò)應(yīng)用大數(shù)據(jù)技術(shù)對(duì)精餾塔設(shè)備的海量歷史數(shù)據(jù)進(jìn)行深層分析挖掘，力圖快速獲取有價(jià)值信息，形成可供推廣的設(shè)備建模及控制優(yōu)化方法。

最終在實(shí)際項(xiàng)目上，可針對(duì)精餾塔設(shè)備達(dá)到以下技術(shù)指標(biāo)：建模指標(biāo)：

·溫度參數(shù)測(cè)量指標(biāo)建模精確到0.1℃；

·壓力參數(shù)測(cè)量指標(biāo)建模精度達(dá)到0.1Kp；

·流量參數(shù)測(cè)量指標(biāo)建模精度范圍達(dá)到0.2%；

·對(duì)應(yīng)各組分含量能建模精確到0.5%；控制優(yōu)化指標(biāo)：

·目標(biāo)提取物含量波動(dòng)范圍縮小30%；

·雜質(zhì)含量相比行業(yè)標(biāo)準(zhǔn)降低60%；

·水份含量低于0.05%；

·提高產(chǎn)品平均出率0.5%。

5　結(jié)語(yǔ)

本次研究基于大數(shù)據(jù)驅(qū)動(dòng)的建模方式，進(jìn)行化工行業(yè)精餾塔工藝操作優(yōu)化方法，將為用戶(hù)提升產(chǎn)品質(zhì)量、降低能耗，實(shí)現(xiàn)綠色發(fā)展的社會(huì)效益。也會(huì)使得化工行業(yè)對(duì)于大數(shù)據(jù)實(shí)現(xiàn)更加深度的應(yīng)用，通過(guò)大數(shù)據(jù)對(duì)于關(guān)鍵設(shè)備的建模，可以更加清晰地了解關(guān)鍵設(shè)備的運(yùn)行狀態(tài)，同時(shí)提高設(shè)備運(yùn)行、維護(hù)和優(yōu)化水平，實(shí)現(xiàn)化工行業(yè)的勞動(dòng)效率、自動(dòng)化、信息化、智能化水平顯著提升，在部分工藝階段實(shí)現(xiàn)無(wú)人化或少人化操作。基于工業(yè)云和工業(yè)大數(shù)據(jù)平臺(tái)的設(shè)備工藝操作優(yōu)化，不但使得設(shè)備自身具備自調(diào)整、自?xún)?yōu)化和自診斷能力，及時(shí)響應(yīng)生產(chǎn)需求的變化，還可以通過(guò)工業(yè)網(wǎng)絡(luò)與其他智能模塊實(shí)現(xiàn)實(shí)時(shí)互動(dòng)，重新組合生產(chǎn)流程和布局，滿(mǎn)足化工行業(yè)全流程智能建模、管理和優(yōu)化需求。

參考文獻(xiàn)：

[1] 馮言勇, 劉桐杰, 李昱, 方俊偉. 通過(guò)大數(shù)據(jù)分析進(jìn)行設(shè)備故障診斷的技術(shù)研究[J]. 自動(dòng)化博覽，2017, ( 12 ).

[2] 孔憲光,章雄,馬洪波,常建濤,牛萌.面向復(fù)雜工業(yè)大數(shù)據(jù)的實(shí)時(shí)特征提取方法[J].西安電子科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2016, ( 10 ).

[3]劉強(qiáng), 秦泗釗. 過(guò)程工業(yè)大數(shù)據(jù)建模研究展望[J]. 自動(dòng)化學(xué)報(bào)，2016, ( 2 ).

作者簡(jiǎn)介：

李　昱（1986-），男，畢業(yè)于西安工業(yè)大學(xué)，現(xiàn)任杭州和利時(shí)自動(dòng)化有限公司智能工廠業(yè)務(wù)部經(jīng)理兼產(chǎn)品經(jīng)理，主要從事智能工廠業(yè)務(wù)、現(xiàn)場(chǎng)總線技術(shù)研究、智能型設(shè)備管理應(yīng)用及現(xiàn)場(chǎng)技術(shù)支持工作。

方俊偉（1981-），男，畢業(yè)于中國(guó)計(jì)量大學(xué)，現(xiàn)任杭州和利時(shí)自動(dòng)化有限公司項(xiàng)目規(guī)劃經(jīng)理，主要從事工業(yè)自動(dòng)化控制系統(tǒng)的實(shí)施應(yīng)用。

摘自《自動(dòng)化博覽》2019年2月刊