基于人工智能技术的现代化工生产工艺优化融合应用研究

赵跃东，郭警中

(安徽中科维德数字科技有限公司，安徽 合肥 230001）

0 引言

化工行业作为国家经济支柱产业之一，总产值占我国GDP 的12%以上，但普遍存在“大而不强”的问题，行业急需改变现状，促进高质量发展。现代化工生产过程多属典型流程型，因生产节奏快、前后生产工序衔接紧密、过程不透明、依赖人工经验等原因，生产中往往存在质量波动、产能不稳定等问题，生产工艺优化成为行业共性问题。但是化工生产过程封闭复杂、关联因素多、生产设备多样化、生产及产品状态采集难，常规的技术难以对生产工艺进行有效的优化及控制。随着人工智能技术的发展，笔者认为，人工智能与化工生产场景的融合应用是实现化工行业生产工艺优化的最佳选择之一。

1 国内外发展

国外现代化工行业智能化水平较高。投产前，通过模拟技术应用，模拟、分析优化整个化工生产工艺；生产中，进行全要素数采、大数据分析、反向控制等智能化应用实现实时采集、融合互通，进行工业机理模型优化、工艺参数（工序）的优化控制；事后根据生产特征与发展趋势，开展行业机理模型、交叉机理模型优化、随动优化控制、动态优化领域研究，进而反馈事前设计和模拟阶段，形成闭环的良性发展。

我国现代化工[2]企业大多具有DCS、ERP、MES、PLM、SIS、能耗监测检测、污染源、危险源的监测与报警等系统，但仅限于对生产前、过程控制以及生产结果的监测与远程控制，大多关联性差，孤岛效应严重。对于如何降低质量波动、提升产能及优化污染排放等问题没有有效控制手段，难以做到协同优化以及随动优化，与国外同行有一定的差距。

2 应用需求分析

为突破关键设备与技术的瓶颈，实现我国化工行业关键技术与卡脖子工程突破，需要借助大数据分析以及AI人工智能等手段，对已采集的生产数据、工况数据以及过程质量等工业现场数据，进行联动与协同分析、筛选与解析融合，最终形成以生产工艺优化为目标的数据集、模型库以及机理模型，为工艺优化提供可靠的AI算法与分析基础。

一是全要素数据采集需求。生产工艺优化分析需要以与生产相关的各类工业现场数据为基础，利用AI工业大数据挖掘技术找出数据之间的逻辑关系，进而实现工艺建模与工艺寻优。

二是数据共享与联动需求。除全要素的数据采集外，数据之间的共享与互通，是作为完整数据链的首要条件。

三是AI智能数据分析与工艺优化[3]需求。部分化工企业利用人工核对、数据比对、量化展示等方式可实现数据浅层的分析功能，但是对于企业而言，带来的管理效益、生产效益以及经济效益有限，不能解决企业技术突破以及优化升级的根本问题，因此利用采集到的数据，进行数据价值挖掘、联动分析，最终形成具有自学习、自分析、自优化的AI智能分析算法与机理模型，成为企业与行业的迫切需求。

3 功能实现

3.1 生产异常AI智能侦测分析

3.1.1 应用场景

生产异常往往通过工艺卡片或操作规程中报警上下限来判断。当某个参数的数值超出上限范围时，即可判断为生产异常并发出报警。一旦报警产生，一定程度上会引起工艺参数或产品质量波动。如果报警处置不及时，更有可能酿成生产事故。因此提前预警，对保障生产安全和提升产品质量具有重要的意义。

在化工实际生产场景中，生产工艺参数繁多、指标复杂，并且参数与指标之间存在强相关性，因此对于异常的发现需逐步推进、逐层解析。首先需要完成以指标为核心的数据档案，根据关键指标及核心参数进行建模，形成单一目标的数据模型，并对单一指标进行降噪处理，以决策树为核心，以回归算法为基础，建立单一指标的黄金曲线，并根据指标允许范围设置上下阈值，在出现预警或异常趋势时，系统自动将预警内容及演变趋势推送至工艺、操作以及DCS操控人员，操控人员通过辅助知识库及人工经验进行提前干预，保持生产平稳。

同时，实际生产执行过程中，需考虑多指标及多指标之间逻辑关系，控制层或生产执行层需要完成多指标的平衡与权重匹配，否则会出现单一指标正常，而生产系统出现报警或波动等现象，因此需要同时对多个指标进行全局场景下的检测与预测。由于多指标之间的逻辑关系，很难迅速做出合理判断，故需从生产系统本身进行数据挖掘，比如单一参数的轻微波动，经过多工序的叠加、滚动则会造成整体生产装置系统的异常，因此需要对单一参数的波动进行实时采集，并且利用相关性分析算法对所关联的指标及后续参数进行归档、建模，最终实现预测分析，同时将预测结果推送至相关操作人员，由操作人员、工艺专家综合判定是否进行优化调整。

3.1.2 单指标异常侦测

对全装置的工艺报警点进行异常侦测，包括监控其实时值和状态（正常、离群或者报警）。单指标异常侦测根据所选位号的值所处的范围，分为正常、离群和报警三种状态。其中判断是否报警的标准是根据用户提供的报警上下限指标，超过报警上下限指标的即判断为报警状态。离群的标准根据箱线图算法计算的上下限判断。当指标的数据既未离群又未报警时，即判断该指标处于正常状态。报警则用红色圆圈显示，报警状态具有最高的优先级，当判断某个指标既离群又报警时，则显示报警的状态。当判断某个指标只离群未报警时，则显示离群状态。在单指标异常监控界面中，从上到下优先显示报警点、离群点和正常点。（图1）

图1 单指标异常侦测示意图

3.1.3 多指标异常侦测

选取装置部分关键指标进行多指标异常侦测，包括异常开始的时间、各指标的触发值和持续时间等。

建立一张多维数据的数据源表作为异常侦测的数据库，该表中包含选取的多个关键指标和时间字段，该表按最小数采周期为单位存储每个指标的数据。在储存之前，数据需要经过清洗，将异常值去除。

针对多维数据源表中的各类指标数据，利用均值、方差以及标准差等工具对数据进行辨识分析，精确识别主成分，同时利用相关性分析、泊松分布以及权重分析等算法，抽取相应的主成分数据作为分析对象，同时利用因果分析、回归分析以及游程检验等算法建立聚类分析模型。

利用游程检验以及灰度预测模型对数据进行分布判断以及数据完整性校验，同时利用K相邻回归、SVR回归以及决策树回归等算法对聚类中心数、中心曲线进行判断与选取。根据数据分布，利用距离计算算法如皮尔森相关距离、斯皮尔曼相关距离等算法，对指标数据与中心数据或中心曲线的距离进行相关判定及随机判定，并按照距离的大小进行降序排列。根据企业生产经验及历史数据，选取某个阈值作为异常侦测的依据，在实时生产过程中出现指标数据偏离阈值范围则系统做出异常判定。（图2）

图2 多指标异常侦测示意图

3.2 过程质量AI智能预测（软测量）

3.2.1 应用场景

在生产装置中，产品的质量往往是通过化验室取样化验分析，分析周期各不相同，通常为4～8个小时。当产品质量检测出不合格时，实际生产通常已经延迟了4～8 个小时，操作调整滞后严重，导致了不合格产品量的增加，增大了企业的生产成本。因此对产品质量进行在线监测和智能预测，对提升产品质量和降低生产成本具有重要的意义。

当前，部分装置一方面建有实时数据库系统，对生产装置的工艺参数、能耗参数以及环保排放参数等进行实时采集和存储，另一方面建有质量系统，对生产装置的产品质量数据进行监测和存储。通过对质量系统中产品质量数据和实时数据库系统中的操作数据进行建模[4]，进而通过与产品质量指标强相关的实时操作数据对产品质量进行软测量，操作人员可根据产品质量的实时值的波动进行操作调整，进而提升产品质量。

3.2.2 数据整定和对齐

数据清洗后，按照一定规则写入软测量建模的数据源表中。数据源表主要由质量数据和实时数据库系统数据中的相关变量的数据组成。此数据源表作为软测量建模的数据源。质量数据源表包括采样时间、操作参数和产品质量等字段。

质量系统中主要包含采样时间和对应的产品质量数据。把质量系统中的数据经过清洗之后写入软测量建模的数据源表。数据源表以产品采样批次为单元写入产品质量数据和操作数据。写入规则如下：质量系统中产品质量数据要与产品采样时间一一对应。

把实时数据库系统中的数据经过数据清洗之后写入软测量建模的数据源表中。写入规则如下：对每一个点位号的数据按产品采样批次为单位写入数据源表中。将对应采样时间的操作数据的瞬时值，按照一定的滞后时间与产品质量数据进行对齐。滞后时间需要根据业务知识和经验进行估算。

3.2.3 R语言读取、计算和结果输出

用R语言读取软测量建模数据源表，选取3/4的数据用来训练模型，选取1/4的数据来测试模型。当测试结果的相对误差满足某个阈值时，则测试通过。否则需要重新调整模型参数，直至测试通过为止。

接入在线的操作数据到模型中，即可实时计算出当前时刻的产品质量，从而实现产品质量在线监测和异常分析的功能。

3.3 生产工艺AI优化建模分析

3.3.1 应用场景

化工生产工艺存在多个工序，并且每个工序均存在单独的生产工艺与控制策略，因此需要将完整的生产工艺进行拆分，形成多个优化分析目标。首先完成单一目标的优化分析，然后将多个单一目标进行联动分析，形成多目标协同与联动分析，才能够完成对整体生产工艺的智能分析与优化。

优化分析模型分为单一目标优化分析模型和多目标优化分析模型。

单一目标优化模型，可以挖掘历史上最好操作进行固化，实现操作经验传承。可与其他基于机理模型的优化软件互补使用。通过采集工业装置或者设备的原材料及关键变量的历史数据，将生产过程或者运行过程划分为多种操作模式。一方面，分别计算每种生产模式下，目标参数最优时强相关变量的取值。另一方面，基于操作模式的变化，实时推荐最佳的操作参数。

在生产优化的应用场景中，优化的目标往往是多维的。因此，多目标优化与单目标优化模型相比更具有价值，能为企业带来更大的收益。多目标优化模型可同时选取多个目标进行优化计算，可以挖掘历史上最好的操作经验进行固化，实现操作经验的传承。

由于是对历史上操作经验的挖掘，通过机理模型将优化值进一步提升，优化分析模型会自动更新优化方案，并在下一次的优化计算中，推送新优化方案。所以优化分析模型具有自学习功能，能够不断学习新优化方法，持续丰富针对每种生产模式的优化方案库，给用户带来经济效益的持续性提高。

3.3.2 实现过程

优化分析是指在操作样本库中，搜索某类工况条件下目标[5]的最优值及其对应的强相关的操作变量。其实现过程包括以下六个步骤：数据辨识、主成分分析、参数化建模、建立操作样本库、在线滚动优化、模型仿真与寻优。

1）数据辨识

从数据源的角度出发，对单体设备的数据进行数据本身的辨识、分析，找出数据本身的迭代方式、数据之间的相关性以及数据出现的概率、频率，并校验是否有数据遗漏造成模型不可用的情况。

2）主成分分析

由于工艺参数、指标参数等的多样化，并且对应海量的工况因素，因此需要对辨识后的数据进行主成分分析，并且主成分分析执行的过程中需要利用权重、相关性分析等对主成分的耦合性进行综合判定与建模。

3）参数化建模

根据工艺及优化目标的要求，对数据进行主成分分析，完成降维建模，然后对数据进行聚类、分类以及权重影响分析，同时再次利用灰色预测模型对不确定数据、变量进行预测分析，保证模型的可靠性。

4）建立操作样本库

建立中间过程质量、工艺参数以及关键指标的操作逻辑及数据矩阵，利用矩阵模型形成全要素的数据链条，其字段除时间、工况类型和过程质量字段，其他字段均为与该优化变量强耦合的操作变量。

5）在线滚动优化

输入历史数据，对模型进行检验，跟踪运算过程及结果，利用决策树回归、K回归、非线性SVR回归以及神经网络回归等机器学习算法，对模型进行滚动、持续优化。

6）模型仿真与寻优

模型优化完成后，再次利用历史数据进行检验分析，检验完成后对接生产控制系统，对实时生产优化进行预测分析，但是不直接控制生产，将优化结果与真实操控结果进行对比分析，找出仍存在误差的内容，反馈至在线滚动优化模型中进行真实数据滚动优化及持续在线寻优。

4 效果

生产异常侦测按照实际生产工艺、装置及指标要求，可分为单一指标及多个指标异常分析，同时根据用户需求可将两种分析算法进行结合使用。根据实际需求，用户可选取关键指标、关键参数作为监测对象，同时对于异常的影响范围、调优时间需求以及出现频率等进行归档以记录操作，形成标准化生产流程以及操作指导库，相关部门可根据岗位职责、工艺规范等要求，及时有效处理报警及异常，并对某些需要时间进行综合调整的异常进行提前消除。通过异常侦测模型的分析计算以及指导库的建立，生产工艺的报警数量可降低20%～25%，操作调优时间节省15%。

产品质量软测量通过融合机理模型、专家模型、统计学模型、大数据模型，采用数据清洗、降维、关联分析、构建因果链路等手段，连续获取间歇性结果，为生产和监测提供在线检测手段。利用前置参数和过程变量可以在线即时甚至提前知道中间关键参数的情况以及产品和中间产品的质量情况，可以做到提前参与以增加良品率，对于提高生产效率、合理安排生产是非常有意义的。