石油和化工行業(yè)智能優(yōu)化制造若干問題及挑戰(zhàn)

錢鋒 杜文莉 鐘偉民 唐漾

石油和化工(簡稱:石化)行業(yè)是基礎(chǔ)性產(chǎn)業(yè),在國民經(jīng)濟(jì)中占有舉足輕重的地位,也是我國經(jīng)濟(jì)持續(xù)增長的重要支撐力量.2016年,石化工業(yè)規(guī)模以上企業(yè)29624家,全行業(yè)增加值同比增長7.0%;實現(xiàn)主營業(yè)務(wù)收入13.29萬億元,利潤總額6444.4億元,分別占全國規(guī)模工業(yè)主營收入和利潤總額的11.5%和9.4%[1].經(jīng)過數(shù)十年的發(fā)展,我國已成為石化制造大國,其生產(chǎn)工藝、裝備及自動化水平都得到了大幅度提升,且部分工業(yè)裝置的裝備水平與發(fā)達(dá)國家的裝備相當(dāng)、甚至更先進(jìn).但在國際市場環(huán)境的新常態(tài)發(fā)展背景下,當(dāng)前石化產(chǎn)業(yè)面臨產(chǎn)能過剩、成本上升、效益下滑、資源環(huán)境約束等問題[2].2015年,國際化工巨頭巴斯夫、埃克森美孚、杜邦的總資產(chǎn)回報率分別為8.39%,6.49%和6.41%.與之相比,同期的我國石化行業(yè)的總資產(chǎn)平均回報率卻僅為1.4%[3].究其原因,主要是石化企業(yè)的底層感知、全流程控制和優(yōu)化以及頂層的智慧決策方面存在相應(yīng)不足.因此,在經(jīng)濟(jì)新常態(tài)下,我國石化行業(yè)面臨更嚴(yán)酷的競爭、更為嚴(yán)峻的市場形勢[4?5].智能制造是石化產(chǎn)業(yè)轉(zhuǎn)型升級、可持續(xù)發(fā)展的重要發(fā)展途徑.

目前,自動化控制系統(tǒng)與信息管理系統(tǒng)在石化工業(yè)中已普遍配置,大部分石化企業(yè)建成了以企業(yè)資源計劃(Enterprise resource planning,ERP)、制造企業(yè)生產(chǎn)過程執(zhí)行系統(tǒng)(Manufacturing execution system,MES)和實時數(shù)據(jù)庫為主線的生產(chǎn)經(jīng)營信息化體系,輔以覆蓋全公司生產(chǎn)質(zhì)檢和環(huán)保監(jiān)測的實驗室信息管理系統(tǒng)(Laboratory information management system,LIMS)、重要生產(chǎn)裝置的先進(jìn)控制系統(tǒng)等,但在涉及裝置運(yùn)行與生產(chǎn)管理的核心技術(shù)的智能化方面仍存在一定差距,主要體現(xiàn)在:1)信息的集成共享程度和深入挖掘程度不夠,信息的共享不規(guī)范造成引用和維護(hù)的復(fù)雜度過大;2)現(xiàn)有的信息系統(tǒng)相對獨立,不能滿足企業(yè)運(yùn)營的信息化需求;3)計劃、調(diào)度、操作一體化協(xié)同依靠人工知識銜接,沒有真正貫通生產(chǎn)管控全流程;4)生產(chǎn)運(yùn)行與設(shè)備的安環(huán)監(jiān)控實時性與精準(zhǔn)性不夠等.

石化工業(yè)過程連續(xù)化生產(chǎn)特點,使其智能制造內(nèi)涵與離散工業(yè)有所區(qū)別和不同.對于流程工業(yè)而言,智能制造重點解決的是多生產(chǎn)單元流程之間的協(xié)調(diào)優(yōu)化,而不再是單個工序的最優(yōu)化生產(chǎn),對于石化工業(yè)而言,智能制造的核心就是生產(chǎn)流程各項業(yè)務(wù)的系統(tǒng)集成,通過發(fā)展聯(lián)系各信息孤島系統(tǒng)的有效方法,如實時優(yōu)化與控制一體化、計劃調(diào)度一體化、過程設(shè)計與控制一體化等,真正將資金流、物質(zhì)流、信息流和能量流四流合一.石化行業(yè)實施《中國制造2025》,是希望加快發(fā)展大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)應(yīng)用,以新技術(shù)、新業(yè)態(tài)和新模式推動石化產(chǎn)業(yè)生產(chǎn)、管理和營銷模式變革為目的[6],推進(jìn)我國石化行業(yè)智能優(yōu)化制造[7],從而進(jìn)一步推動流程工業(yè)智能優(yōu)化制造[8?9].

本文回顧了石化行業(yè)生產(chǎn)全流程的信息檢測,建模、優(yōu)化控制、企業(yè)經(jīng)營管理決策以及故障監(jiān)測和安全環(huán)保指標(biāo)溯源等多個方面的進(jìn)展分析,闡述了石化行業(yè)智能優(yōu)化制造的需求,探討了石化行業(yè)智能優(yōu)化制造的新課題和挑戰(zhàn).

1 石化行業(yè)優(yōu)化制造現(xiàn)狀分析

1.1 石化生產(chǎn)過程運(yùn)行信息檢測

石化生產(chǎn)過程的優(yōu)化調(diào)控依賴于對更多工藝參數(shù)的檢測以滿足智能化運(yùn)行的需求,傳統(tǒng)的溫度、流量、壓力、液位等過程變量檢測已在工程實踐中得到了廣泛應(yīng)用,但對復(fù)雜成分的物理化學(xué)性質(zhì)在線實時檢測仍待進(jìn)一步研究,高精度和高實時性的檢測需求仍受到工業(yè)界和學(xué)術(shù)界的廣泛關(guān)注.

1.1.1 新型檢測技術(shù)

隨著現(xiàn)代光電技術(shù)的迅速發(fā)展,基于紅外光譜、超聲波、圖像信號的先進(jìn)檢測技術(shù)和設(shè)備在近二十年來得到了迅速的發(fā)展和研制.由于具有檢測精度高、靈敏度好以及對生產(chǎn)和反應(yīng)過程影響微小甚至無接觸或無侵入(Noninvasive)等優(yōu)點,這些技術(shù)和設(shè)備已逐漸被采納用于各種各樣的化工生產(chǎn)工藝和批量生產(chǎn)監(jiān)控系統(tǒng),以實現(xiàn)高質(zhì)量和高效率的生產(chǎn)目標(biāo)和效益[7?8,10?11],如基于光學(xué)透射、漫反射、透反射或漫透射原理研制的紅外光譜檢測儀可以用于檢測固體或液體合成產(chǎn)物成分.如今基于先進(jìn)檢測技術(shù)研制的儀器設(shè)備,如紅外/近紅外光譜檢測儀、高清圖像采集設(shè)備等,雖然能夠直接檢測結(jié)晶過程的目標(biāo)產(chǎn)物特性參數(shù),如產(chǎn)物組分及含量、形狀及尺寸等,但目前這樣的儀器設(shè)備絕大多數(shù)是針對采樣樣本做離線(亦稱非原位)檢測和分析,不能滿足在線檢測、實時過程動態(tài)監(jiān)測、實時反饋控制以及動態(tài)過程優(yōu)化的系統(tǒng)運(yùn)行要求.

1.1.2 軟測量技術(shù)

為了克服上述傳統(tǒng)傳感器測量方式的局限,借助過程其他檢測變量對目標(biāo)產(chǎn)品/指標(biāo)等進(jìn)行研究的軟測量技術(shù)[12]一直是研究的熱點.針對石化生產(chǎn)過程中通常具有的大滯后、大慣性、強(qiáng)非線性時變以及多變量耦合特點、標(biāo)簽數(shù)據(jù)樣本不充分、小樣本處理等種種特點,發(fā)展了一批軟測量方法的有效思路與解決方法.基于案例推理[13]、遺傳算法[14]、神經(jīng)網(wǎng)絡(luò)[15?16]等的軟測量方法已經(jīng)在石化軟測量中有大量應(yīng)用案例[17].但軟測量方法是基于數(shù)據(jù)驅(qū)動的方法,較大程度上依賴樣本數(shù)量和質(zhì)量,導(dǎo)致其在應(yīng)用于不同工況和操作條件下的有效性、無偏性以及泛化適用性等方面存在很多不足之處;發(fā)展有效結(jié)合過程機(jī)理模型與先驗專家知識的軟測量方法已經(jīng)越來越得到普遍共識[2,9].

1.2 石化生產(chǎn)過程建模

石化生產(chǎn)過程是一個將石化原料通過物理過程和化學(xué)反應(yīng)等實現(xiàn)不同形式物質(zhì)與能量的相互轉(zhuǎn)換與傳遞,從而生產(chǎn)石化產(chǎn)品的過程.生產(chǎn)工藝流程一般都很長,物質(zhì)流、能量流、信息流耦合關(guān)系十分復(fù)雜.采用過程機(jī)理和運(yùn)行信息智能融合策略建立一個多層次、多結(jié)構(gòu)的生產(chǎn)過程模型,是實現(xiàn)石化生產(chǎn)過程先進(jìn)控制和優(yōu)化運(yùn)行的基礎(chǔ)[18].目前,針對石化生產(chǎn)過程的建模研究主要集中于三點:信息預(yù)處理、機(jī)理建模和混合建模.

1.2.1 信息預(yù)處理

隨著石化企業(yè)生產(chǎn)經(jīng)營信息化體系進(jìn)一步完善,能夠用來建模的信息量巨大.然而信息源種類很多,包括各類圖像、文本以及數(shù)據(jù)等,這些信息存在不同程度的誤差、噪聲、時序不匹配、信息不全等問題,在建模之前需要對信息進(jìn)行有效的識別和篩選.工業(yè)上常采用濾波、離群點剔除、歸一化等方法解決誤差和噪聲問題[19],采用插值、k-均值等方法解決時序和信息不全問題[20].

1.2.2 機(jī)理建模

在獲得了較為充分和詳實的過程信息之后,可以根據(jù)過程機(jī)理建立準(zhǔn)確的模型.機(jī)理建模能夠有效地反映工藝過程的特點及規(guī)律,具有工程背景清楚、可解釋性強(qiáng)等特點.文獻(xiàn)[10]以乙烯生產(chǎn)中的蒸汽裂解爐為研究對象,根據(jù)裂解過程的反應(yīng)機(jī)理,提出了適合裂解爐周期模擬的離散坐標(biāo)輻射模型,并研究了燒嘴詳細(xì)結(jié)構(gòu)、爐管彼此遮擋產(chǎn)生的陰影效應(yīng)對裂解爐模擬的影響,實現(xiàn)了裂解過程反應(yīng)與傳質(zhì)過程的耦合模擬.文獻(xiàn)[11]以煉油生產(chǎn)中催化重整過程為對象,用33集總的反應(yīng)網(wǎng)絡(luò)建立了符合多種生產(chǎn)方案的裝置機(jī)理模型,在模型基礎(chǔ)上解決了不同生產(chǎn)方案的多目標(biāo)優(yōu)化問題.若對過程機(jī)理了解較少,一般采用數(shù)據(jù)驅(qū)動的黑箱模型進(jìn)行建模.文獻(xiàn)[21]提出了基于神經(jīng)網(wǎng)絡(luò)的裂解爐代理模型,采用裂解爐機(jī)理模型產(chǎn)生的數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,最終得到的模型具有精度高、計算快等特點.

1.2.3 混合建模

雖然機(jī)理模型具有較高的精確度和較廣的適用范圍,但是由于石化流程較長,裝置間耦合嚴(yán)重,采用分析過程機(jī)理逐個裝置建立模型這種方式,很容易造成誤差的逐級放大,模型收斂性和穩(wěn)定性也很難保證.同時由于過程具有多變量、非線性、時變、工況波動范圍較大等特點,采用數(shù)據(jù)驅(qū)動建模方法也很難得到滿意的模型.近年來,混合模型由于綜合了過程機(jī)理和流程信息,建模過程中能有效降低模型復(fù)雜度和改善模型性能,在石化工業(yè)受到了廣泛的關(guān)注.這類模型首先根據(jù)過程機(jī)理特點,選擇恰當(dāng)?shù)慕７椒ń⒄w模型中的子模型,然后根據(jù)模型結(jié)構(gòu)和目標(biāo)特點,選擇合適的方法實現(xiàn)子模型融合,最終建立適合工業(yè)過程的模型.根據(jù)子模型的不同,主要可以分為數(shù)據(jù)驅(qū)動融合建模和半?yún)?shù)建模方法[22].

數(shù)據(jù)驅(qū)動融合建模方法主要采用回歸分析、人工智能和統(tǒng)計學(xué)習(xí)理論建立子模型,然后通過融合算法實現(xiàn)子模型融合.這種方法融合了多個單一數(shù)據(jù)驅(qū)動模型,獲得了對特定對象的完整表達(dá),提高了模型的整體泛化能力.文獻(xiàn)[23]提出了采用集成學(xué)習(xí)Bagging算法,通過對過程數(shù)據(jù)重復(fù)取樣構(gòu)成多個新的訓(xùn)練集,并建立對應(yīng)的高斯過程子模型,然后通過加權(quán)平均和貝葉斯組合加權(quán)法融合子模型,建立了丙烯聚合過程熔融指數(shù)模型,該模型具有較好的魯棒性和預(yù)測精度.文獻(xiàn)[24]針對乙烯裂解爐,提出了一種核模糊c-均值聚類的最小二乘支持向量機(jī)建模方法,引入核函數(shù)將樣本數(shù)據(jù)映射到高維特征空間,然后進(jìn)行聚類,同時引入聚類效果評價指標(biāo)自動選擇最優(yōu)聚類數(shù),利用模糊隸屬度對子模型進(jìn)行加權(quán),最終得到整體模型.

半?yún)?shù)建模方法采用基于機(jī)理的參數(shù)模型和基于數(shù)據(jù)的非參數(shù)模型融合來建立過程模型.根據(jù)模型結(jié)構(gòu)可分為串聯(lián)結(jié)構(gòu)和并聯(lián)結(jié)構(gòu).其中串聯(lián)結(jié)構(gòu)的半?yún)?shù)模型采用數(shù)據(jù)驅(qū)動模型建立過程模型,然后將該模型融入整體機(jī)理模型結(jié)構(gòu)中,可以降低模型的整體復(fù)雜度,同時提高模型效率.文獻(xiàn)[25]采用反向傳播的神經(jīng)網(wǎng)絡(luò)進(jìn)行了對二甲苯氧化反應(yīng)器反應(yīng)動力學(xué)參數(shù)估計,同時引入了基于自適應(yīng)免疫遺傳算法的可調(diào)參數(shù),然后將該模型融入機(jī)理模型,很好地修正了實驗值與工業(yè)反應(yīng)器數(shù)據(jù)之間的偏差.另一方面,并聯(lián)結(jié)構(gòu)的半?yún)?shù)模型首先根據(jù)過程特性建立機(jī)理模型,然后采用數(shù)據(jù)驅(qū)動模型建立過程中難以用機(jī)理描述的部分,通過并聯(lián)方式實現(xiàn)機(jī)理和數(shù)據(jù)驅(qū)動的互相補(bǔ)償,最終建立完整的過程模型.文獻(xiàn)[26]針對聚乙烯過程,利用并聯(lián)結(jié)構(gòu)非線性半?yún)?shù)模型建立了熔融指數(shù)模型,利用遺傳算法和神經(jīng)網(wǎng)絡(luò)描述過程中的未知部分,同時提出一種交叉循環(huán)迭代算法對半?yún)?shù)模型進(jìn)行辨識,該方法預(yù)測效果明顯好于機(jī)理模型.

采用深度融合機(jī)理建模和數(shù)據(jù)驅(qū)動建模的混合建模方法是對復(fù)雜石化生產(chǎn)過程進(jìn)行精準(zhǔn)、實時建模的熱點研究方向之一.與此同時,為實現(xiàn)石化生產(chǎn)過程全生命周期的最優(yōu)化,對于生產(chǎn)流程需要實現(xiàn)數(shù)字化,提供以集成數(shù)據(jù)庫為基礎(chǔ)的“虛擬工廠”.虛擬制造目的是以二維和三維圖形為載體,集成工藝、采購、管理、運(yùn)行、決策等數(shù)據(jù)和模型等,為生產(chǎn)運(yùn)行提供借鑒[2,6?7].

1.3 石化生產(chǎn)過程先進(jìn)控制和優(yōu)化運(yùn)行

石化裝置在實際生產(chǎn)運(yùn)行中會受到大量可測或不可測擾動的影響,如生產(chǎn)負(fù)荷的變化、進(jìn)料組成的變化、原料產(chǎn)品價格的波動等,因而及時響應(yīng)各類擾動持續(xù)或間歇性的影響,維持裝置的最優(yōu)操作運(yùn)行成為石化裝置經(jīng)濟(jì)效益、環(huán)境效益最大化的關(guān)鍵.在傳統(tǒng)的石化裝置操作中,實時優(yōu)化器(或監(jiān)督層)計算符合當(dāng)前裝置特性的最優(yōu)操作條件,下層的(先進(jìn))控制器負(fù)責(zé)最優(yōu)操作條件的實施及裝置狀態(tài)穩(wěn)定.近30年來,石化裝置的運(yùn)行優(yōu)化和先進(jìn)控制研究分別取得了較大的進(jìn)步,其中模型預(yù)測控制在復(fù)雜工業(yè)過程中取得了巨大的成功[27],是應(yīng)用較為廣泛的先進(jìn)控制技術(shù).但是如何使優(yōu)化與控制高效地協(xié)同工作,實現(xiàn)優(yōu)化控制一體化依然面臨較大的挑戰(zhàn)[28].

文獻(xiàn)[29]提出將穩(wěn)態(tài)實時優(yōu)化層和模型預(yù)測控制層合并為一層,即將實時優(yōu)化問題的非線性經(jīng)濟(jì)目標(biāo)函數(shù)作為模型預(yù)測控制目標(biāo)函數(shù)的一部分,使模型預(yù)測控制問題變?yōu)榉蔷€性規(guī)劃問題,但為了保證控制器的穩(wěn)定性和性能,目標(biāo)函數(shù)中的權(quán)重系數(shù)需要大量試驗整定[30].文獻(xiàn)[31]在傳統(tǒng)分層結(jié)構(gòu)的基礎(chǔ)上,引入穩(wěn)態(tài)目標(biāo)優(yōu)化計算層(Steady-state target optimization),根據(jù)裝置的實際運(yùn)行狀態(tài)對實時優(yōu)化層的最優(yōu)操作條件進(jìn)行計算,即模型預(yù)測控制的設(shè)定值進(jìn)行實時修正,保證了設(shè)定值的可行性,同時該研究在實時優(yōu)化層采用約束值修正項適應(yīng)策略(Constraint adaptation),從而簡單有效地處理模型與裝置的失配問題.文獻(xiàn)[32]提出穩(wěn)態(tài)目標(biāo)優(yōu)化計算層中的模型應(yīng)與實時優(yōu)化層中的穩(wěn)態(tài)模型一致,而非與模型預(yù)測控制中的穩(wěn)態(tài)模型(線性動態(tài)模型的穩(wěn)態(tài)形式)一致,進(jìn)而提出了連續(xù)線性近似、線性–二次型近似、分段線性近似等形式.文獻(xiàn)[33]提出在各層采用由同一非線性動態(tài)模型導(dǎo)出的模型,即實時優(yōu)化層采用該非線性動態(tài)模型的穩(wěn)態(tài)形式、模型預(yù)測控制層采用非線性模型連續(xù)線性化的線性動態(tài)模型、穩(wěn)態(tài)目標(biāo)優(yōu)化計算層采用線性動態(tài)模型的穩(wěn)態(tài)形式,同時改善了控制性能以及實時優(yōu)化問題的收斂速度,該方法應(yīng)用于工業(yè)苯乙烯反應(yīng)過程的優(yōu)化控制,獲得了較好的效果.

文獻(xiàn)[34?35]指出穩(wěn)態(tài)實時優(yōu)化和線性模型預(yù)測控制在靈活性和經(jīng)濟(jì)效益最大化等方面具有很大的限制,提出在實時優(yōu)化層采用動態(tài)實時優(yōu)化,結(jié)合基于非線性規(guī)劃靈敏性和再優(yōu)化觸發(fā)的策略,實現(xiàn)動態(tài)實時優(yōu)化與非線性模型預(yù)測控制的集成.文獻(xiàn)[36]提出在實時優(yōu)化層和模型預(yù)測控制層采用相同的非線性動態(tài)模型的基礎(chǔ)上,采用相同的動態(tài)模型離散方法和離散間隔,消除二者因離散方法不同導(dǎo)致的額外不匹配,同時在動態(tài)實時優(yōu)化層采用改進(jìn)的基于分段線性松弛策略的確定性全局優(yōu)化算法(Normalized multi-parametric disaggregation)[37],提高了在線計算效率,保證動態(tài)優(yōu)化的全局最優(yōu)性、實時性,最大化經(jīng)濟(jì)效益.

控制和優(yōu)化的協(xié)同是石化生產(chǎn)過程優(yōu)化運(yùn)行的重要發(fā)展方向,針對大型乙烯裝置,文獻(xiàn)[38]提出了裂解爐爐膛逐點流動、燃燒、輻射傳熱與管內(nèi)自由基裂解反應(yīng)的耦合建模技術(shù)與對流段機(jī)理建模技術(shù),完成了裂解爐爐膛與爐管的耦合模擬,通過人工神經(jīng)網(wǎng)絡(luò)和智能優(yōu)化技術(shù),實現(xiàn)了乙烯裝置的協(xié)同優(yōu)化控制,應(yīng)用于國內(nèi)某乙烯裝置,實現(xiàn)雙烯收率增加0.55%,乙烯裝置綜合能耗降低6.65%.

1.4 石化企業(yè)經(jīng)營管理決策

能源市場需求瞬息萬變、國內(nèi)外市場競爭日益激烈以及環(huán)境日益復(fù)雜化,使得石化企業(yè)經(jīng)營管理面臨著嚴(yán)峻的挑戰(zhàn).如何充分運(yùn)用信息技術(shù),完善石化行業(yè)企業(yè)制度,突出經(jīng)營主線,把握市場需求,優(yōu)化生產(chǎn)方案,降低采購成本,提高企業(yè)經(jīng)營科學(xué)決策水平,提升企業(yè)競爭力,是石化企業(yè)和研究者迫切需要解決的關(guān)鍵問題.從目前關(guān)于石化企業(yè)經(jīng)營決策方面的研究進(jìn)展來看,經(jīng)營決策主要包括物料采購決策、管理決策、營銷決策和生產(chǎn)決策.

1.4.1 石化企業(yè)的管理及營銷決策

以銷定產(chǎn)是石化企業(yè)營銷的重要法則.運(yùn)用何種企業(yè)營銷決策,優(yōu)化產(chǎn)品銷售價格、營銷費用投入、產(chǎn)品質(zhì)量、銷售渠道配置及售后服務(wù)等決策,是獲得企業(yè)經(jīng)營目標(biāo)利潤最大化需要解決的問題.研究者在價格營銷手段、非價格營銷手段、營銷手段組合等優(yōu)化決策上展開了研究.文獻(xiàn)[39]認(rèn)為利用產(chǎn)品自身的價格彈性和交叉彈性對產(chǎn)品定價有幫助.文獻(xiàn)[40]提出灰色局勢決策理論是多產(chǎn)品價格優(yōu)化決策的一種有效方法.文獻(xiàn)[41]通過評估價格決策的有效性等指標(biāo),運(yùn)用數(shù)學(xué)建模的方法,結(jié)合案例進(jìn)行定量決策研究.文獻(xiàn)[42]研究了雙寡頭競爭市場中的最優(yōu)廣告投入問題.文獻(xiàn)[43]建立對包含多樣化顧客的非對性的雙頭壟斷的定價優(yōu)化進(jìn)行了研究.文獻(xiàn)[44]針對促銷活動選擇,通過遺傳算法進(jìn)行優(yōu)化,實現(xiàn)投資總額的最小化.

1.4.2 石化企業(yè)的生產(chǎn)決策

生產(chǎn)決策優(yōu)化主要包括生產(chǎn)計劃優(yōu)化,線性規(guī)劃是制定生產(chǎn)計劃過程中運(yùn)用最多的方法.通過分析出產(chǎn)品工藝結(jié)構(gòu)、企業(yè)設(shè)備生產(chǎn)能力、產(chǎn)品預(yù)期市場銷量,建立生產(chǎn)計劃決策模型,為企業(yè)實現(xiàn)利潤最大化的產(chǎn)品品種組合決策提供依據(jù).具體來說,早在1998年,文獻(xiàn)[45]就將物性非線性關(guān)系引入計劃中,結(jié)合各裝置的線性產(chǎn)率對柴油非線性調(diào)和生產(chǎn)計劃.文獻(xiàn)[46]提出集成常減壓裝置和催化裂化裝置工藝條件到煉油企業(yè)生產(chǎn)計劃優(yōu)化模型,獲得更好的全廠利潤和裝置收率分布.文獻(xiàn)[47]通過數(shù)據(jù)驅(qū)動的數(shù)學(xué)建模和全局優(yōu)化,建立了包含產(chǎn)品收率和性質(zhì)預(yù)測的大規(guī)模、非凸性混合整數(shù)非線性優(yōu)化的全廠計劃優(yōu)化模型.

1.4.3 石化企業(yè)的采購決策

物料采購決策是石化行業(yè)企業(yè)經(jīng)營活動中的另一項重要的經(jīng)營活動.物料采購是石化企業(yè)產(chǎn)品增值過程的起點,處于企業(yè)與供應(yīng)商的連接界面,是材料、半成品、產(chǎn)成品的生產(chǎn)合作交流的紐帶.采購決策的主要內(nèi)容分為物料需求計劃制訂[48]、供應(yīng)商選擇[49]和訂貨優(yōu)化決策[50].其中,物料需求計劃制訂研究較為成熟,而供應(yīng)商評價和選擇、基于供應(yīng)鏈的訂貨優(yōu)化正在成為研究熱點.

1.5 石化生產(chǎn)過程異常工況診斷和風(fēng)險評估

石化行業(yè)生產(chǎn)規(guī)模大,生產(chǎn)條件苛刻,過程中直接或間接使用了大量有毒、易燃易爆的危險化學(xué)品,安全和環(huán)保貫穿了整個石化生產(chǎn)過程.化工過程安全經(jīng)過多年發(fā)展,已經(jīng)形成了較為完備的安全設(shè)計和管理體系[51],包括本質(zhì)安全設(shè)計、危險和可操作性分析(Hazard and operability analysis,HAZOP)、變更管理、報警管理、保護(hù)層設(shè)計、安全完整性等級評估[52]等.本節(jié)介紹近年來新的技術(shù)在石化安全環(huán)保方面的發(fā)展現(xiàn)狀與應(yīng)用前景.

1.5.1 異常工況診斷

化工事故往往起源于生產(chǎn)過程中的異常狀態(tài),故障診斷是對生產(chǎn)異常行為的第一反應(yīng),是保障化工過程安全、平穩(wěn)運(yùn)行的重要工具.故障診斷可以分為基于歷史數(shù)據(jù)的方法,基于定性模型的方法和基于定量模型的方法[53].隨著化工事故數(shù)量的增加,分析歷史化工安全生產(chǎn)事故對安全管理和技術(shù)發(fā)展顯得尤為重要.數(shù)據(jù)挖掘是安全生產(chǎn)事故數(shù)據(jù)分析的主要手段[54],常用的事故安全數(shù)據(jù)分析方法包括聚類分析、決策樹、關(guān)聯(lián)規(guī)則分析等.這些研究大都以建立高效的事故信息檢索系統(tǒng)為目標(biāo),分析工藝、事故類型、涉及物質(zhì)在化工過程事故中的比重[55],建立知識庫.結(jié)合HAZOP和其他安全分析手段,指導(dǎo)化工生產(chǎn)過程中危險辨識、預(yù)警和實時操作[56].對于定性故障診斷,模糊C聚類分析,偏最小二乘和貝葉斯推理是常用的分析方法[57].近來,機(jī)器學(xué)習(xí)算法,包括基于主成分分析(Principle component analysis,PCA)故障診斷[58]支持向量機(jī)、k最近鄰域法、高斯樸素貝葉斯網(wǎng)絡(luò)等被用于觀測數(shù)據(jù)缺失情況下的故障診斷[59].

1.5.2 事故應(yīng)急響應(yīng)

應(yīng)急響應(yīng)決策系統(tǒng)由多個部分構(gòu)成,涉及到擴(kuò)散模型、泄漏源預(yù)測、火災(zāi)爆炸評估、人員行動預(yù)測、地理信息系統(tǒng)以及相關(guān)數(shù)據(jù)庫等多個子系統(tǒng).事故后果評估是依據(jù)泄漏源和氣象、地表信息,借助氣體擴(kuò)散模型預(yù)測泄漏事故的影響范圍,為人員疏散和應(yīng)急處置提供決策支持.大氣擴(kuò)散模型經(jīng)過近百年的發(fā)展,形成了跨越多個尺度,適合不同泄漏情景的模型[60].適合化工園區(qū)使用的主要有高斯模型和在高斯模型基礎(chǔ)上開發(fā)的各類重氣擴(kuò)散模型[61],以及主要用于事故調(diào)查分析的計算流體動力學(xué)(Computational fluid dynamics,CFD)模型[62].傳統(tǒng)的氣體擴(kuò)散模型在計算精度和計算速度之間存在難以調(diào)和的矛盾,影響了這類氣體擴(kuò)散模型在事故應(yīng)急響中的應(yīng)用.近來,研究人員嘗試借助機(jī)器學(xué)習(xí)方法,依靠數(shù)據(jù)建立能夠快速預(yù)測氣體擴(kuò)散的模型[63].泄漏源定位是借助氣體擴(kuò)散模型,從已有的傳感器網(wǎng)絡(luò)的觀測值反推泄漏源位置和泄漏速率等參數(shù)的技術(shù),本質(zhì)上是一種軟測量方法.常規(guī)的泄漏源定位可以分為確定性方法(包括直接定位方法、優(yōu)化定位方法)和概率隨機(jī)方法.通過構(gòu)造模擬值與觀測值差別的最小二乘目標(biāo)函數(shù),使用規(guī)則化方法求解[64].

1.5.3 風(fēng)險評估與布局優(yōu)化

園區(qū)布局是在考慮各類事故發(fā)生風(fēng)險的前提下,對工藝裝置布局進(jìn)行科學(xué)、統(tǒng)籌安排,目的是降低各類事故發(fā)生后對人員造成的風(fēng)險.合理安排的園區(qū)、裝置能夠降低毒氣泄漏、火災(zāi)或爆炸對現(xiàn)場人員和園區(qū)外居民的危害.由于布局問題涉及到整個園區(qū)從建設(shè)到使用的整個生命周期,需要綜合考慮首輪投資、運(yùn)行費用和風(fēng)險因素.現(xiàn)有研究成果集中在針對各類風(fēng)險,結(jié)合經(jīng)濟(jì)和法規(guī)約束實現(xiàn)園區(qū)的合理布局,如考慮多米諾效應(yīng)、毒氣擴(kuò)散范圍、火災(zāi)爆炸情景下的園區(qū)布局.方法以建立單目標(biāo)或多目標(biāo)的混合整數(shù)線性/非線性優(yōu)化模型為主.這類布局問題沒有考慮裝置之間的工藝聯(lián)系,尚不具有實用價值.在園區(qū)布局的基礎(chǔ)上還引申出一類傳感器布局優(yōu)化問題.其核心思想是在考慮泄漏風(fēng)險的前提下,通過合理優(yōu)化布局傳感器網(wǎng)絡(luò)使之對泄漏事件的探測時間最短.這類問題最早應(yīng)用于市政給水管網(wǎng)的水質(zhì)監(jiān)測[65?66],后來擴(kuò)展到化工園區(qū).方法主要是通過風(fēng)險識別和氣體擴(kuò)散模擬,以泄漏后造成的損失最小為目標(biāo)函數(shù)建立混合整數(shù)線性規(guī)劃模型[67]以及混合整數(shù)非線性規(guī)劃模型[68].

2 石化行業(yè)智能優(yōu)化制造的愿景目標(biāo)和新方向

2.1 石化行業(yè)智能優(yōu)化制造愿景目標(biāo)

目前,對于石化行業(yè)智能優(yōu)化制造,國內(nèi)相關(guān)企業(yè)已經(jīng)開展了一些前沿的工作.中石化九江石化和鎮(zhèn)海煉化是被國家工業(yè)和信息化部列為國家智能制造試點示范項目的石化單位.鎮(zhèn)海煉化圍繞提高企業(yè)經(jīng)濟(jì)效益的目標(biāo),以業(yè)務(wù)為驅(qū)動,以工廠的角度規(guī)劃和建設(shè)智能工廠,力爭實現(xiàn)全過程優(yōu)化、全生命周期管理、全業(yè)務(wù)領(lǐng)域覆蓋及基礎(chǔ)設(shè)施虛擬化.利用這些先進(jìn)的智能技術(shù),鎮(zhèn)海煉化效益在系統(tǒng)內(nèi)多年保持領(lǐng)先位置,并獲得了全國石油和石化行業(yè)兩化融合創(chuàng)新示范獎的殊榮[69].九江石化于2012年即確立建立智能工廠的發(fā)展目標(biāo),構(gòu)建了信息集成化的發(fā)展思路,體現(xiàn)了“感知、預(yù)測、優(yōu)化、協(xié)同”能力[70].通過信息集成構(gòu)建的煉油全流程一體化優(yōu)化平臺,已經(jīng)實現(xiàn)了顯著的經(jīng)濟(jì)效益.使用信息集成技術(shù)構(gòu)建的先進(jìn)檢測監(jiān)控技術(shù),提升了安全環(huán)保水平,達(dá)到全國領(lǐng)先水平.

從已有的研究進(jìn)展看,相比于國際石化企業(yè),我國石化行業(yè)智能優(yōu)化制造仍有一定的差距,在一些方面仍需要提升內(nèi)涵.因此,石化行業(yè)智能優(yōu)化制造的愿景目標(biāo)是:依托現(xiàn)有信息物理制造系統(tǒng),通過大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)、虛擬制造等信息集成和處理技術(shù),融合過程機(jī)理和數(shù)據(jù)信息,深刻貫徹安全環(huán)保為主旨,以知識自動化為主線,實現(xiàn)裝備智能檢測和傳感,推動全流程精準(zhǔn)建模和分析,打造貫穿生產(chǎn)、管理以及營銷全流程的一體化控制和決策平臺.實現(xiàn)以高端化、智能化、綠色化、安全化為目標(biāo)的石化行業(yè)智能優(yōu)化制造,提升企業(yè)經(jīng)濟(jì)效益和社會效益,最終實現(xiàn)石化行業(yè)升級轉(zhuǎn)型.

2.2 石化行業(yè)智能優(yōu)化制造研究方向

2.2.1 智能檢測、傳感和信息集成

在檢測方面,石化企業(yè)生產(chǎn)過程優(yōu)化調(diào)控和經(jīng)營管理優(yōu)化決策需要大量的實時信息,目前面臨的難點就是如何實現(xiàn)從原料供應(yīng)、生產(chǎn)運(yùn)行到產(chǎn)品銷售全流程與全生命周期資源屬性和特殊參量的快速獲取與信息集成.在信息傳感和集成方面,石化物聯(lián)網(wǎng)將吸取物聯(lián)網(wǎng)在國內(nèi)外石油石化行業(yè)實施的成功經(jīng)驗,注重先進(jìn)性、統(tǒng)一性、集成性和開放性相結(jié)合,充分利用現(xiàn)有資源,結(jié)合物聯(lián)網(wǎng)、數(shù)據(jù)挖掘分析、優(yōu)化模型、交換共享、移動應(yīng)用等技術(shù),建立以優(yōu)化節(jié)能、健康、安全與環(huán)境管理(Health safety and enviromen management system,HSE)預(yù)警、智能感知、集中集成為核心應(yīng)用的平臺,打造綠色低碳、高效可靠的物流,從而提升企業(yè)管理水平.

2.2.2 過程機(jī)理與數(shù)據(jù)融合的全流程建模和分析

在建模方法的研究中,未來的工作需要在確保建模魯棒性、精確性的前提下,同時必須結(jié)合機(jī)理建模和數(shù)據(jù)驅(qū)動建模的優(yōu)點,降低模型的計算復(fù)雜度,提升模型的魯棒性,從而實現(xiàn)模型的合理簡化.針對石化生產(chǎn)優(yōu)化運(yùn)行,進(jìn)一步考慮針對全局、計劃調(diào)度、過程控制、優(yōu)化等不同需求模型的融合性、一致性和實時性等問題.最后進(jìn)一步引入虛擬制造等新技術(shù),降低生產(chǎn)運(yùn)營的成本,實現(xiàn)數(shù)字化工廠和智能工廠是未來的研究方向之一[7].

2.2.3 全流程控制與決策一體化

石化生產(chǎn)過程一般都存在多個相互耦合關(guān)聯(lián)的過程,其整體運(yùn)行的全局最優(yōu)是一個混合、多目標(biāo)、多測度的動態(tài)沖突優(yōu)化命題,因此如何針對生產(chǎn)運(yùn)行中的關(guān)鍵問題建立合理的模型、選擇合適的優(yōu)化方法進(jìn)行求解,實現(xiàn)石化行業(yè)中工業(yè)過程回路控制與設(shè)定值優(yōu)化一體化的控制系統(tǒng)理論與技術(shù)是一項具有極大挑戰(zhàn)性的工作[71].實現(xiàn)全流程控制與決策一體化,可以有效提升石化行業(yè)全流程優(yōu)化與控制的性能,提升自動化、智能化水平.同時,人工智能的興起,對于全流程一體化控制和優(yōu)化都有著重要意義,可以通過人工智能技術(shù),提升控制系統(tǒng)的智能化以及自主化,通過深度學(xué)習(xí)等人工智能技術(shù)挖掘機(jī)理不清的流程系統(tǒng)中的關(guān)聯(lián)知識以及因果知識等,實現(xiàn)人機(jī)自然交互決策[69,71?72].

2.2.4 知識自動化驅(qū)動的企業(yè)經(jīng)營決策優(yōu)化

現(xiàn)代工業(yè)中機(jī)器已經(jīng)基本取代體力勞動,其管理、調(diào)度和運(yùn)行的核心是知識型工作.例如,如何將市場規(guī)律轉(zhuǎn)化為知識,瞄準(zhǔn)企業(yè)經(jīng)營決策主要內(nèi)容,采用先進(jìn)管理理念信息技術(shù),融合企業(yè)生產(chǎn)內(nèi)在本質(zhì),構(gòu)建企業(yè)經(jīng)營決策優(yōu)化模型,開展企業(yè)經(jīng)營優(yōu)化研究,從而提高企業(yè)經(jīng)營決策水平、經(jīng)濟(jì)效益和市場競爭能力的有效手段.圍繞智能化生產(chǎn)、網(wǎng)絡(luò)化協(xié)同、個性化定制、制造型服務(wù)4大重點,融合生產(chǎn)過程機(jī)理,將生產(chǎn)本質(zhì)特性和技術(shù)創(chuàng)新形成知識,以知識自動化為主導(dǎo)[73],深入滲透到石化企業(yè)生產(chǎn)經(jīng)營管理各個層面,通過知識自動化,重塑制造業(yè)產(chǎn)業(yè)鏈、供應(yīng)鏈和價值鏈,改造提升傳統(tǒng)動能,使之煥發(fā)新的生機(jī)與活力.

2.2.5 安環(huán)指標(biāo)溯源和應(yīng)急響應(yīng)

安全和環(huán)保涵蓋了石化從工藝設(shè)計、選址到生產(chǎn)運(yùn)行的各個方面,涉及的過程復(fù)雜,需要考慮的因素眾多,是橫跨公共安全、自動控制、系統(tǒng)工程、化學(xué)工程、環(huán)境工程等多專業(yè)的交叉學(xué)科.提高化工園區(qū)選址的科學(xué)性,提升生產(chǎn)過程的安全等級,增強(qiáng)事故應(yīng)急處置能力是智能制造未來的發(fā)展方向.其中,故障診斷需要依靠機(jī)理和數(shù)據(jù)相結(jié)合的分析方法,充分利用多種信息,使用不同的方法對異常進(jìn)行分析,提高結(jié)果的可靠性和魯棒性[74];在事故應(yīng)急響應(yīng),尤其是涉及到大氣和水體污染的應(yīng)急處置過程,未來的發(fā)展方向是建立機(jī)理–數(shù)據(jù)相結(jié)合的,具有一定普適性的定量后果評估模型,以提高模型的計算速度和可靠性為最終目的,提升事故應(yīng)急處置的輔助能力;化工園區(qū)布局應(yīng)綜合考慮安全、經(jīng)濟(jì)和工程倫理等因素,提高過程安全分析和定量后果評估手段在布局模型中的可靠性,嘗試新的布局模式(多層布局)以及三維建模[75].

3 結(jié)束語

“十三五”我國石化行業(yè)面臨的資源、能源和環(huán)境制約依然嚴(yán)重,部分產(chǎn)能過剩嚴(yán)重,部分企業(yè)生產(chǎn)經(jīng)營困難,正處于新舊動能迭代更替的過程.中石化九江石化和鎮(zhèn)海煉化等國內(nèi)先進(jìn)石化企業(yè)在信息技術(shù)幫助下,推動了生產(chǎn)過程智能檢測、全流程優(yōu)化,降低了管理難度,提升了管理效率,從而有效提高了企業(yè)生產(chǎn)效益與核心競爭力.我國石化行業(yè)應(yīng)深入貫徹《中國智能制造2025》,加強(qiáng)統(tǒng)籌協(xié)調(diào),完善政策措施,將智能生產(chǎn)和智慧決策作為制造轉(zhuǎn)型升級的主攻方向,實現(xiàn)石化行業(yè)智能優(yōu)化制造.

1 China Petroleum and Chemical Industry Federation.2016 China petroleum and chemical industries economy and oper-ation report.China Petroleum and Chemical Industry,2017,2017(3):64?68(中國石油和化學(xué)工業(yè)聯(lián)合會.2016年中國石油和化工行業(yè)經(jīng)濟(jì)運(yùn)行報告.中國石油和化工,2017,2017(3):64?68)

2 Qian F,Zhong W M,Du W L.Fundamental theories and key technologies for smart and optimal manufacturing in the process industry.Engineering,2017,3(2):154?160

3 Yang Ji-Gang.Smart manufacturing plus petroleum and chemical industries,upgrading China petroleum and chemical industries.China Industry Review,2016,(6):79(楊繼剛.“智能制造+”石化行業(yè),打造中國石化行業(yè)升級版.中國工業(yè)評論,2016,(6):79)

4 Qin Wei-Zhong.Intelligent process manufacturing―an efficient way to upgrade traditional re fineries.Petroleum&Petrochemical Today,2016,24(6):1?4(覃偉中.積極推進(jìn)智能制造是傳統(tǒng)石化企業(yè)提質(zhì)增效轉(zhuǎn)型升級的有效途徑.當(dāng)代石油石化,2016,24(6):1?4)

5 Zeng Tian-Shu.Jiujiang petrochemical:selected as ministry of industry and information technology smart manufacturing pilot project.China Petroleum and Chemical Industries,2015,(8):32(曾天舒.九江石化:入選工信部智能制造試點.中國石油和化工,2015,(8):32)

6 Li De-Fang,Suo Han-Sheng.Accelerate the process of smart plant,promote ecological civilization construction.CIESC Journal,2014,65(2):374?380(李德芳,索寒生.加快智能工廠進(jìn)程,促進(jìn)生態(tài)文明建設(shè).化工學(xué)報,2014,65(2):374?380)

7 Wang Ji-Ming.Challenges facing China0s petrochemical industry and their countermeasure suggestions.Petroleum&Petrochemical Today,2015,23(11):1?7(王基銘.我國石化產(chǎn)業(yè)面臨的挑戰(zhàn)及對策建議.當(dāng)代石油石化,2015,23(11):1?7)

8 Gui Wei-Hua,Yang Chun-Hua,Chen Xiao-Fang,Wang Ya-Lin.Modeling and optimization problems and challenges arising in nonferrous metallurgical process.Acta Automatica Sinica,2013,39(3):197?207(桂衛(wèi)華,陽春華,陳曉方,王雅琳.有色冶金過程建模與優(yōu)化的若干問題及挑戰(zhàn).自動化學(xué)報,2013,39(3):197?207)

9 Chai Tian-You.Challenges of optimal control for plant-wide production processes in terms of control and optimization theories.Acta Automatica Sinica,2009,35(6):641?649(柴天佑.生產(chǎn)制造全流程優(yōu)化控制對控制與優(yōu)化理論方法的挑戰(zhàn).自動化學(xué)報,2009,35(6):641?649)

10 Zhang Y,Qian F,Zhang Y,Schietekat C M,van Geem K M,Guy,Marin G B.Impact of flue gas radiative properties and burner geometry in furnace simulations.AIChE Journal,2015,61(3):936?954

11 Wei M,Yang M L,Qian F,Du W L,Zhong W M.Integrated dual-production mode modeling and multiobjective optimization of an industrial continuous catalytic naphtha reforming process.Industrial&Engineering Chemistry Research,2016,55(19):5714?5725

12 Joseph B,Brosilow C B.Inferential control of process:Part I.steady state analysis and design.AIChE Journal,1978,24(3):485?492

13 Zhou P,Lu S W,Chai T Y.Data-driven soft-sensor modeling for product quality estimation using case-based reasoning and fuzzy-similarity rough sets.IEEE Transactions on Automation Science and Engineering,2014,11(4):992?1003

14 Dote Y,Ovaska S J.Industrial applications of soft computing:a review.Proceedings of the IEEE,2001,89(9):1243?1265

15 Gao X Y,Shang C,Jiang Y H,Huang D X,Chen T.Re finery scheduling with varying crude:a deep belief network classi fication and multimodel approach.AIChE Journal,2014,60(7):2525?2532

16 Luan Guo-Hong,He Kai-Xun,Cheng Hui,Qian Feng.Octane model based on neural network by near-infrared spectroscopy and its application.Computers and Applied Chemistry,2014,31(1):63?68(欒郭宏,賀凱迅,程輝,錢鋒.基于神經(jīng)網(wǎng)絡(luò)的近紅外光譜辛烷值模型的研究及應(yīng)用.計算機(jī)與應(yīng)用化學(xué),2014,31(1):63?68)

17 Sun Fan,Qian Feng.The soft-sensing measurement of ethylene oxide concentration in ethylene glycol production process.Computers and Applied Chemistry,2010,27(1):6?10(孫帆,錢鋒.乙二醇生產(chǎn)過程中環(huán)氧乙烷濃度的軟測量研究.計算機(jī)與應(yīng)用化學(xué),2010,27(1):6?10)

18 Li Zhi.Research on modeling,control and process monitoring for industrial terephthalic acid hydropuri fication process[Ph.D.dissertation],East China University of Science and Technology,China,2017(李智.對苯二甲酸加氫精制過程建模、控制與監(jiān)控研究[博士學(xué)位論文],華東理工大學(xué),中國,2017)

19 Zhao Heng-Ping,Yu Jin-Shou.Chemical data pretreatment and its application in modeling.Journal of East China University of Science and Technology(Natural Science Edition),2005,31(2):223?226(趙恒平,俞金壽.化工數(shù)據(jù)預(yù)處理及其在建模中的應(yīng)用.華東理工大學(xué)學(xué)報(自然科學(xué)版),2005,31(2):223?226)

20 Zhang Zi-Yi,Hu Yi,Shi Hong-Bo.Multi-stage batch process monitoring based on a clustering method.CIESC Journal,2013,64(12):4522?4528(張子羿,胡益,侍洪波.一種基于聚類方法的多階段間歇過程監(jiān)控方法.化工學(xué)報,2013,64(12):4522?4528)

21 Jin Y K,Li J L,Du W L,Qian F.Adaptive sampling for surrogate modelling with arti ficial neural network and its application in an industrial cracking furnace.The Canadian Journal of Chemical Engineering,2016,94(2):262?272

22 Wang Hai-Ning,Xia Lu-Yue,Zhou Meng-Fei,Zhu Peng-Fei,Pan Hai-Tian.Multi-model fusion modeling method for process industries soft sensor.Chemical Industry and Engineering Progress,2014,33(12):3157?3163(王海寧,夏陸岳,周猛飛,朱鵬飛,潘海天.過程工業(yè)軟測量中的多模型融合建模方法.化工進(jìn)展,2014,33(12):3157?3163)

23 Chen T,Ren J H.Bagging for Gaussian process regression.Neurocomputing,2009,72(7?9):1605?1610

24 Chen Gui-Hua,Wang Xin,Wang Zhen-Lei,Qian Feng.Multiple DE-LSSVM modeling of ethylene cracking severity based on fuzzy kernel clustering.CIESC Journal,2012,63(6):1790?1796(陳貴華,王昕,王振雷,錢鋒.基于模糊核聚類的乙烯裂解深度DE-LSSVM 多模型建模.化工學(xué)報,2012,63(6):1790?1796)

25 Qian F,Tao L L,Sun W Z,Du W L.Development of a free radical kinetic model for industrial oxidation ofp-xylene based on arti ficial neural network and adaptive immune genetic algorithm.Industrial&Engineering Chemistry Research,2012,51(8):3229?3237

26 Duan Bin,Liang Jun,Fei Zheng-Shun,Yang Min,Hu Bin.Nonlinear semi-parametric modeling method based on GAANN.Journal of Zhejiang University(Engineering Science),2011,45(6):977?983(段斌,梁軍,費正順,楊敏,胡斌.基于GA-ANN 的非線性半?yún)?shù)建模方法.浙江大學(xué)學(xué)報工學(xué)版,2011,45(6):977?983)

27 Xi Yu-Geng,Li De-Wei,Lin Shu.Model predictive control–status and challenges.Acta Automatica Sinica,2013,39(3):222?236(席裕庚,李德偉,林姝.模型預(yù)測控制–現(xiàn)狀與挑戰(zhàn).自動化學(xué)報,2013,39(3):222?236)

28 Wang Xiao-Qiang.Research on integration of real-time optimization and predictive control for chemical processes[Ph.D.dissertation],East China University of Science and Technology,China,2017(王曉強(qiáng).化工過程實時優(yōu)化與預(yù)測控制集成研究[博士學(xué)位論文],華東理工大學(xué),中國,2017)

29 Zanin A C,de Gouv?ea M T,Odloak D.Integrating real-time optimization into the model predictive controller of the FCC system.Control Engineering Practice,2002,10(8):819?831

30 Adetola V,Guay M.Integration of real-time optimization and model predictive control.Journal of Process Control,2010,20(2):125?133

31 Marchetti A G,Ferramosca A,González A H.Steady-state target optimization designs for integrating real-time optimization and model predictive control.Journal of Process Control,2014,24(1):129?145

32 Lawryńczuk M,Marusak P M,Tatjewski P.Cooperation of model predictive control with steady-state economic optimisation.Control and Cybernetics,2008,37(1):133?158

33 Wang X,Mahalec V,Li Z,Qian F.Real-time optimization and control of an industrial Ethylbenzene Dehydrogenation process.Chemical Engineering Transactions,to be published.

34 Kadam J V,Marquardt W,Schlegel M,Backx T,Bosgra O H,Brouwer P J,Dnnebier G,van Hessem D,Tiagounov A,de Wolf S.Towards integrated dynamic real-time optimization and control of industrial processes.In:Proceedings of Foundations of Computer-Aided Process Operations(FOCAPO2003).Florida,USA:FOCAPO,2003.593?596

35 Kadam J V,Marquardt W.Integration of Economical Optimization and Control for Intentionally Transient Process Operation.Berlin Heidelberg:Springer,2007.

36 Wang X Q,Mahalec V,Qian F.Globally optimal dynamic real time optimization without model mismatch between optimization and control layer.Computers&Chemical Engineering,2017,104:64?75

37 Castro P M.Normalized multiparametric disaggregation:an efficient relaxation for mixed-integer bilinear problems.Journal of Global Optimization,2016,64(4):765-784

38 The project of energy saving innovation demonstration project in Jilin petrochemical plant is approved by the state.Fine Chemical Industrial Raw Materials&Intermediates,2015,(6):46?47(吉林石化乙烯裝置節(jié)能創(chuàng)新示范項目通過國家驗收.乙醛醋酸化工,2015,(6):46?47)

39 Reibstein D J,Gatignon H.Optimal product line pricing:the in fluence of elasticities and cross-elasticities.Journal of Marketing Research,1984,21(3):259?267

40 Zhang Xue-Ning,Liang Wei-Xi.Price decision of multiproducts for multi-targets.Journal of Wuhan University of Technology(Information&Management Engineering),2004,26(5):162?165(張雪寧,梁唯溪.企業(yè)多產(chǎn)品多目標(biāo)的價格決策.武漢理工大學(xué)學(xué)報(信息與管理工程版),2004,26(5):162?165)

41 Zhao Jiang-An.Price decision based on the buyer0s market environment.Statistics and Decision,2004,(12):53?55(趙江安.基于買方市場環(huán)境下的價格決策.統(tǒng)計與決策,2004,(12):53?55)

42 Prasad A,Sethi S P.Competitive advertising under uncertainty:a stochastic differential game approach.Journal of Optimization Theory and Applications,2004,123(1):163?185

43 Sinitsyn M.Technical note-price promotions in asymmetric duopolies with heterogeneous consumers.Management Science,2008,54(12):2081?2087

44 Herrera F,López E,Rodrguez M A.A linguistic decision model for promotion mix management solved with genetic algorithms.Fuzzy Sets and Systems,2002,131(1):47?61

45 Moro L F L,Zanin A C,Pinto J M.A planning model for re finery diesel production.Computers&Chemical Engineering,1998,22(S1):S1039?S1042

46 Zhao Hao,Rong Gang,Feng Yi-Ping.Integrating re finery unit operations with production planning optimization.Control Theory&Applications,2014,31(6):773?778(趙浩,榮岡,馮毅萍.煉油企業(yè)生產(chǎn)計劃與重點裝置工藝條件集成優(yōu)化.控制理論與應(yīng)用,2014,31(6):773?778)

47 Li J,Xiao X,Boukouvala F,Floudas C A,Zhao B G,Du G M,Su X,Liu H W.Data-driven mathematical modeling and global optimization framework for entire petrochemical planning operations.AIChE Journal,2016,62(9):3020?3040

48 Wang He.Design and implementation order-oriented manufacturing enterprise mrp subsystem[Master dissertation],Harbin Institute of Technology,China,2013(王賀.面向訂單式生產(chǎn)企業(yè)物料需求計劃子系統(tǒng)的設(shè)計與實現(xiàn)[碩士學(xué)位論文],哈爾濱工業(yè)大學(xué),中國,2013)

49 De Boer L,Labro E,Morlacchi P.A review of methods supporting supplier selection.European Journal of Purchasing&Supply Management,2001,7(2):75?89

50 Xia W J,Wu Z M.Supplier selection with multiple criteria in volume discount environments.Omega,2007,35(5):494?504

51 Mannan S.Lees0Loss Prevention in the Process Industries:Hazard Identi fication,Assessment and Control.(4th edition).Burlington,MA:Butterworth-Heinemann,2012.

52 Kim G H,Spafford E H.The design and implementation of tripwire:a file system integrity checker.In:Proceedings of the 2nd ACM Conference on Computer and Communications Security.Fairfax,Virginia,USA:ACM,1994.18?29

53 Venkatasubramanian V,Rengaswamy R,Yin K W,Kavuri S N.A review of process fault detection and diagnosis:Part I:quantitative model-based methods.Computers&Chemical Engineering,2003,27(3):293?311

54 Sengul H,Santella N,Steinberg L J,Cruz A M.Analysis of hazardous material releases due to natural hazards in the United States.Disasters,2012,36(4):723?743

55 Veltman L M.Incident data analysis using data mining techniques[Master dissertation],Texas A&M University,USA,2008

56 Qu Yan-Guang,Zhang Qin,Zhu Qun-Xiong.Application of dynamic uncertain causality graph to dynamic fault diagnosis in chemical processes.CAAI Transactions on Intelligent Systems,2015,10(3):354?361(曲彥光,張勤,朱群雄.動態(tài)不確定因果圖在化工系統(tǒng)動態(tài)故障診斷中的應(yīng)用.智能系統(tǒng)學(xué)報,2015,10(3):354?361)

57 Peng K X,Zhang K,You B,Dong J,Wang Z D.A qualitybased nonlinear fault diagnosis framework focusing on industrial multimode batch processes.IEEE Transactions on Industrial Electronics,2016,63(4):2615?2624

58 Dai Y Y,Zhao J S.Fault diagnosis of batch chemical processes using a dynamic time warping(DTW)-based arti ficial immune system.Industrial&Engineering Chemistry Research,2011,50(8):4534?4544

59 Askarian M,Escudero G,Graells M,Zarghami R,Jalali-Farahani F,Mostou fiN.Fault diagnosis of chemical processes with incomplete observations:a comparative study.Computers&Chemical Engineering,2016,84:104?116

60 De Visscher A.Air Dispersion Modeling:Foundations and Applications.New Jersey,USA:John Wiley&Sons,2013.

61 Hanna S,Dharmavaram S,Zhang J,Sykes I,Witlox H,Khajehnaja fiS,Koslan K.Comparison of six widely-used dense gas dispersion models for three recent chlorine railcar accidents.Process Safety Progress,2008,27(3):248?259

62 Tauseef S M,Rashtchian D,Abbasi S A.CFD-based simulation of dense gas dispersion in presence of obstacles.Journal of Loss Prevention in the Process Industries,2011,24(4):371?376

63 Lauret P,Heymes F,Aprin L,Johannet A.Atmospheric dispersion modeling using Arti ficial Neural Network based cellular automata.Environmental Modelling&Software,2016,85:56?69

64 Kanevce G H,Kanevce L P,Andreevski I B,Dulikravich G S.Inverse approaches in improvement of air pollution plume dispersion models for regulatory applications.In:Proceeding of Inverse Problems,Design and Optimization Symposium.Miami,Florida,USA:Taylor&Francis,2007.

65 Berry J W,Fleischer L,Hart W E,Phillips C A,Watson J P.Sensor placement in municipal water networks.Journal of Water Resources Planning and Management,2005,131(3):237?243

66 Berry J,Hart W E,Phillips C A,Uber J.A general integerprogramming-based framework for sensor placement in municipal water networks.In:Proceedings of the 2004 World Water and Environmental Resources Congress.Salt Lake City,Utah,USA:American Society of Civil Engineers,2004,DOI:10.1061/40737(2004)455

67 Legg S W,Wang C,Benavides-Serrano A J,Laird C D.Optimal gas detector placement under uncertainty considering conditional-value-at-risk.Journal of Loss Prevention in the Process Industries,2013,26(3):410?417

68 Benavides-Serrano A J,Legg S W,Vázquez-Román R,Mannan M S,Laird C D.A stochastic programming approach for the optimal placement of gas detectors:unavailability and voting strategies.Industrial&Engineering Chemistry Research,2014,53(13):5355?5365

69 Mei Liao-Ying,Chen Bin.Sinopec Zhenhai re fining&chemical company:insert the wings to smart.China Petrochem,2016,(11):54?55(梅遼穎,陳彬.鎮(zhèn)海煉化:插上智能的翅膀.中國石油石化,2016,(11):54?55)

70 Lin Jing.Jiujiang petrochemical smart manufacturing 4.0.China Petroleum Enterprise,2016,(1):36?37(林鏡.九江石化智能制造4.0.中國石油企業(yè),2016,(1):36?37)

71 Chai Tian-You.Industrial process control systems:research status and development direction.Scientia Sinica Informationis,2016,46(8):1003?1015(柴天佑.工業(yè)過程控制系統(tǒng)研究現(xiàn)狀與發(fā)展方向.中國科學(xué):信息科學(xué),2016,46(8):1003?1015)

72 Pan Y H.Heading toward arti ficial intelligence 2.0.Engineering,2016,2(4):409?413

73 Gui Wei-Hua,Chen Xiao-Fang,Yang Chun-Hua,Xie Yong-Fang.Knowledge automation and its industrial application.Scientia Sinica Informationis,2016,46(8):1016?1034(桂衛(wèi)華,陳曉方,陽春華,謝永芳.知識自動化及工業(yè)應(yīng)用.中國科學(xué):信息科學(xué),2016,46(8):1016?1034)

74 Tidriri K,Chatti N,Verron S,Tiplica T.Bridging datadriven and model-based approaches for process fault diagnosis and health monitoring:a review of researches and future challenges.Annual Reviews in Control,2016,42:63?81

75 Jung S.Facility siting and plant layout optimization for chemical process safety.Korean Journal of Chemical Engineering,2016,33(1):1?7