石化智能工廠建設關鍵場景與技術(shù)

趙學良，賈夢達，王顯鵬，蘇麗杰，劉東慶

（1 中國石油化工集團有限公司，北京 100728；2 石化盈科信息技術(shù)有限責任公司，北京 100007；3 東北大學工業(yè)智能與系統(tǒng)優(yōu)化國家級前沿科學中心，遼寧 沈陽 110819；4 東北大學智能工業(yè)數(shù)據(jù)解析與優(yōu)化教育部重點實驗室，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)展機遇[1-2]。美國推出“先進制造業(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”強調(diào)以人為本、可持續(xù)發(fā)展和富有韌性的供應鏈，以確保其在制造領域的全球領先地位[3]。為抓住當前機遇并積極應對挑戰(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)與先進制造技術(shù)深度融合，貫穿于設計、生產(chǎn)、管理、服務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、自學習等功能，旨在提高制造業(yè)質(zhì)量、效益和競爭力的先進生產(chǎn)方式[4]。不同于傳統(tǒng)制造范式，智能制造強調(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)場的完全自主運行的愿景[5-6]。為適應制造業(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)務兩方面打破各個獨立子系統(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)應用于設備監(jiān)測和工藝操作，成功降低設備維修費用，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經(jīng)歷了規(guī)劃設計、試點建設、提升建設和推廣建設階段后，在效益優(yōu)化、生產(chǎn)運行、倉儲管理、安全管理和環(huán)保管理等方面，應用新一代物聯(lián)網(wǎng)和人工智能技術(shù)開展實踐，經(jīng)濟效益等指標上取得了顯著成效?；诂F(xiàn)有的智能化基礎，石化企業(yè)還可以在系統(tǒng)集成、復雜過程建模、智能化技術(shù)深入應用方面進一步深化和提升[11]。

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

1 石化智能工廠建設的關鍵場景規(guī)劃

針對石化智能工廠的建設，從業(yè)務視角看，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)設備智能監(jiān)測與診斷等業(yè)務環(huán)節(jié)，通過人工智能與系統(tǒng)優(yōu)化技術(shù)，進一步提升全局優(yōu)化、業(yè)務協(xié)同、安全預測和運行預警等能力。從技術(shù)視角看，需要進一步提升智能感知與信息融合、融合過程機理和工業(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鍵場景建設的總體規(guī)劃如圖1所示。

圖1 石化智能工廠關鍵場景的總體規(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)絡安全水平兩個角度進行建設，進而通過基于智能優(yōu)化的數(shù)據(jù)預處理技術(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)建機理模型、數(shù)據(jù)模型、機理與數(shù)據(jù)融合模型、業(yè)務模型、優(yōu)化模型等面向中石化智能工廠未來建設目標的關鍵模型。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、設備運行監(jiān)測與診斷、安全環(huán)保、倉儲配送、能源管理等重點建設內(nèi)容中的場景進行研究。

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、分析和應用服務。石化企業(yè)通過該平臺能夠進一步實現(xiàn)智能化、高效化、安全化的生產(chǎn)運營，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)絡安全水平進行規(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)處理和分析的任務從云端移至離用戶更近的設備邊緣進行處理，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)設備工控協(xié)議往往存在差異性，并缺乏統(tǒng)一的格式標準，這阻礙了邊緣云平臺下設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，提出了基于多任務深度學習的協(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?。在此基礎上，邊緣云平臺能夠?qū)Σ煌瑓f(xié)議進行有效解析，進而為實現(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)進行切分，劃分為不同的語義單元，為模型訓練提供數(shù)據(jù)基礎；接著，將這些劃分好的語義單元進行詞向量化，將其轉(zhuǎn)換成機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，在邊緣云平臺上進行模型訓練，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

當前的石化工業(yè)控制設備在設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)很難應對設備眾多、網(wǎng)絡通信多元等復雜環(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)控設備的數(shù)據(jù)流量、網(wǎng)絡通信等，實現(xiàn)實時的入侵檢測和預警，從而保護邊緣節(jié)點設備和數(shù)據(jù)的安全?；跈C器學習的入侵檢測模型具有較強的自適應性和泛化能力[16]，可以對復雜的攻擊進行檢測，并能夠快速適應新的攻擊方式。本文提出基于知識驅(qū)動的差分演化支持向量機（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，將訓練的入侵檢測模型部署在邊緣設備或邊緣節(jié)點上，模型訓練根據(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)絡流量數(shù)據(jù)，并對數(shù)據(jù)進行預處理和特征提?。唤又鴮⒔?jīng)過預處理的數(shù)據(jù)傳輸?shù)饺肭謾z測模型中，如果模型檢測到網(wǎng)絡流量中存在異常或入侵行為，可以觸發(fā)相應的安全措施，例如發(fā)送警報、封鎖、通知等。

3 石化智能工廠關鍵建設場景與技術(shù)方法

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

3.1 基于數(shù)據(jù)與機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前生產(chǎn)管控存在的問題，導致計劃與調(diào)度方案的不準確以及可執(zhí)行性差[17-19]。利用石化智云平臺的數(shù)據(jù)，進一步從數(shù)據(jù)驅(qū)動、融合機理模型和系統(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)與機理的裝置模型以及外部需求與供應預測。針對石化生產(chǎn)設備和能耗的機理模型，采用數(shù)據(jù)與機理融合的建模方法，利用統(tǒng)計非線性擬合方法，建立石化設備的更加精準非線性機理模型。針對外部石化市場數(shù)據(jù)，采用統(tǒng)計與機器學習混合的預測方法，獲得實時動態(tài)的市場需求和原料供應數(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)，改進生產(chǎn)計劃中的機理模型和外部參數(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)變量進行決策描述；將非線性機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)度的復雜數(shù)學模型，既包含大量整數(shù)變量，又包含復雜的非線性約束條件，設計數(shù)學優(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)化算法進行解的可行性修復和改進，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)濟指標，工藝流程和市場發(fā)生變化時，進行相關模型的實時更新，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，基于裝置的機理模型，利用生產(chǎn)數(shù)據(jù)進行裝置的收率模型校正，如果裝置的機理模型缺少，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)和原油供應數(shù)據(jù)，選擇合適的預測方法進行產(chǎn)品需求預測和原油供應預測。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測的產(chǎn)品需求和原油供應參數(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、原油供應能力以及能耗指標等約束。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，并且可以進行模型的靈敏度分析，為進一步挖掘煉廠的利潤空間提供理論依據(jù)?；跀?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，優(yōu)化產(chǎn)品結(jié)構(gòu)布局，實現(xiàn)石化定制化產(chǎn)品的精準拓展。

3.2 石化生產(chǎn)過程多目標進化學習建模與操作優(yōu)化

石化生產(chǎn)過程由于包含大量復雜的化學反應，通常難以構(gòu)建嚴格的機理模型，使得機理模型雖然具有泛化能力強的特點，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)模型不依賴化學反應機理知識，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上，通過機理知識與工業(yè)大數(shù)據(jù)的融合，構(gòu)建基于機理與數(shù)據(jù)的石化生產(chǎn)過程的高精度在線模型，進而在此基礎上構(gòu)建生產(chǎn)過程的多目標操作優(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)過程進化學習建模與操作優(yōu)化方法流程如圖5所示。

圖5 石化智能工廠生產(chǎn)過程進化學習建模與操作優(yōu)化方法流程

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

其次，基于生產(chǎn)過程數(shù)據(jù)，以深度學習神經(jīng)網(wǎng)絡的架構(gòu)與超參數(shù)為決策變量，以模型精度與復雜性為優(yōu)化目標，構(gòu)建基于數(shù)據(jù)驅(qū)動的多目標進化學習建模方法[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)絡的編碼與解碼、基于多目標進化的子學習機訓練、子學習機選擇與非線性集成等幾個階段；其中，神經(jīng)網(wǎng)絡的編碼與解碼是指將深度神經(jīng)網(wǎng)絡的架構(gòu)進行編碼，通?？梢允褂靡粋€向量來表示，按照深度神經(jīng)網(wǎng)絡的架構(gòu)特點，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)絡以進行訓練；基于多目標進化的子學習機訓練是指使用多目標進化算法對這些編碼進行尋優(yōu)，以獲得不同精度與復雜度的網(wǎng)絡結(jié)構(gòu)，這些網(wǎng)絡就是子學習機，通過多目標優(yōu)化最終將會得到一個Pareto 最優(yōu)解集；子學習機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習機，然后將它們的輸出作為特征，再訓練一個傳統(tǒng)的神經(jīng)網(wǎng)絡實現(xiàn)對這些子學習機的非線性集成，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。這種基于進化學習的建模方法的優(yōu)勢在于神經(jīng)網(wǎng)絡的設計不依賴人工經(jīng)驗，實現(xiàn)了自主訓練，特別適用于不同業(yè)務場景的建模需求。

圖6 石化智能工廠基于多目標進化學習的建模方法

最后，基于機理模型與數(shù)據(jù)模型，使用進化集成方法構(gòu)建基于進化學習的數(shù)據(jù)與機理融合模型，提出石化生產(chǎn)過程的多目標操作優(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，進而通過智能預測機制構(gòu)建高效的動態(tài)多目標操作優(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，需要獲得對應的機理模型，因此需要將傳統(tǒng)的石腦油熱裂解機理模型中的參數(shù)作為決策變量，以機理模型針對乙烯收率和丙烯收率的預測誤差與泛化能力作為優(yōu)化目標，使用多目標差分進化算法對這些參數(shù)進行優(yōu)化擬合，從而獲得具有較高性能的機理模型；其次，使用圖6所示的多目標進化學習建模方法，構(gòu)建出乙烯和丙烯收率預測的深度學習模型；再次，將機理模型與深度學習模型進行集成，以融合機理模型泛化能力強、數(shù)據(jù)模型精度高的優(yōu)勢，進一步提升乙烯和丙烯收率的預測效果；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作為優(yōu)化目標，建立熱裂解生產(chǎn)過程的多目標操作優(yōu)化模型，其中優(yōu)化目標的計算使用之前所建立的兩個集成學習模型，進而使用多目標進化算法對操作條件進行尋優(yōu)，實現(xiàn)乙烯與丙烯收率的多目標優(yōu)化。因此，基于所提出的多目標進化學習與多目標操作優(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)設備智能運行監(jiān)測與故障診斷

石化生產(chǎn)設備的穩(wěn)定運行是產(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、強非線性等特點，使得傳統(tǒng)設備運行狀態(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上，構(gòu)建基于大數(shù)據(jù)的關鍵設備運行狀態(tài)智能分析與診斷，實現(xiàn)關鍵生產(chǎn)設備運行狀態(tài)的智能分析、監(jiān)測與管控，對于可能出現(xiàn)的生產(chǎn)波動進行預警，對生產(chǎn)波動或故障進行快速診斷，如圖7所示。

圖7 石化智能工廠設備運行智能監(jiān)測與診斷模型構(gòu)建

首先，在石化智云平臺的基礎上，實現(xiàn)關鍵設備運行狀態(tài)的實時感知和數(shù)據(jù)匯總，通過工藝機理與數(shù)據(jù)解析，實現(xiàn)數(shù)據(jù)清洗等預處理工作，為運行狀態(tài)分析與監(jiān)測診斷奠定數(shù)據(jù)基礎。

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，因此以工藝機理與數(shù)據(jù)模型為基礎，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)設備的高維運行數(shù)據(jù)樣本，再通過進化數(shù)據(jù)融合方法對樣本進行深度解析，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系、特征之間的拓撲影響關系等，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，進而通過多源數(shù)據(jù)融合和多目標進化集成學習方法，構(gòu)建關鍵設備運行狀態(tài)的融合特征，為運行監(jiān)測和故障診斷模型的構(gòu)建奠定數(shù)據(jù)基礎，其流程如圖8所示。

圖8 石化智能工廠設備運行融合特征構(gòu)建方法

最后，基于所挖掘的時間、空間、拓撲影響關系等多源知識，以深度神經(jīng)網(wǎng)絡的架構(gòu)和超參數(shù)為決策變量，通過多目標進化算法構(gòu)建關鍵設備運行故障的預警與快速診斷模型，該方法的建模思路與圖5所示多目標進化學習的方法類似，實現(xiàn)對生產(chǎn)過程中關鍵設備運行異常工況的預警和快速故障診斷，提升石化生產(chǎn)設備運行監(jiān)測與診斷的智能化水平，為關鍵設備的安全和穩(wěn)定運行提供有效保障。

從石化智能工廠建設的關鍵場景中選擇基于數(shù)據(jù)與機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)過程多目標進化學習建模與操作優(yōu)化和石化生產(chǎn)設備智能運行監(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，對標國際先進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)進行智能場景的結(jié)構(gòu)性改進與提升，提高場景的智能化水平。

基于數(shù)據(jù)與機理融合的解析與優(yōu)化方法還可以擴展應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)與機理融合構(gòu)建瓦斯系統(tǒng)發(fā)生量與消耗量預測模型，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)過程多目標進化學習建模與操作優(yōu)化和石化生產(chǎn)設備智能運行監(jiān)測與故障診斷的關鍵場景，并依據(jù)各場景的需求與特征，提出了基于數(shù)據(jù)與機理融合的技術(shù)方法，從而為石化未來智能工廠的建設提供參考和指導。