馮大春,魯 紅

(仲愷農(nóng)業(yè)工程學院a.計算機科學與工程學院;b.化工學院,廣州 510225)

數(shù)據(jù)驅(qū)動技術(shù)在石化工業(yè)運行中的應(yīng)用

馮大春a,魯 紅b

(仲愷農(nóng)業(yè)工程學院a.計算機科學與工程學院;b.化工學院,廣州 510225)

介紹了數(shù)據(jù)驅(qū)動技術(shù)在石化工業(yè)運行中應(yīng)用的重要性。對石化行業(yè)過程歷史數(shù)據(jù)的特點及建模過程中的處理方法、數(shù)據(jù)驅(qū)動技術(shù)的方法、建模步驟、數(shù)據(jù)驅(qū)動技術(shù)在石化工業(yè)運行中的應(yīng)用等進行了回顧與總結(jié)。對數(shù)據(jù)驅(qū)動技術(shù)在石化工業(yè)運行中的發(fā)展方向做了討論。

數(shù)據(jù)驅(qū)動;工業(yè)運行;優(yōu)化

0 引 言

隨著信息化技術(shù)的發(fā)展,各種先進控制系統(tǒng)已被廣泛應(yīng)用于石油化工行業(yè),來自現(xiàn)場生產(chǎn)的運行數(shù)據(jù)以及產(chǎn)品質(zhì)量方面的監(jiān)測數(shù)據(jù)都得到很好的保存。這些數(shù)據(jù)中包含著用于生產(chǎn)運行、管理決策等方面的大量寶貴信息。如何從這些過程數(shù)據(jù)里面挖掘出用于生產(chǎn)工況、運行和控制的有用信息,并用這些信息指導企業(yè)的生產(chǎn)過程以及生產(chǎn)的優(yōu)化運行,已是當前的一個熱點研究問題。

在美國、西歐等發(fā)達國家近年來已投入大量的人力和物力,加強對該領(lǐng)域內(nèi)的資助,期望通過生產(chǎn)數(shù)據(jù)分析來揭示、反映過程的內(nèi)置變化,為提高產(chǎn)品質(zhì)量提供有用信息,從而把數(shù)據(jù)資源的擁有優(yōu)勢轉(zhuǎn)化為生產(chǎn)效益和產(chǎn)品質(zhì)量優(yōu)勢[1]。但另一方面,據(jù)統(tǒng)計,在已有的數(shù)據(jù)庫中90%以上的數(shù)據(jù)多年來無人問津,即所謂的“數(shù)據(jù)豐富,信息匱乏”現(xiàn)象[2]。由于從大量數(shù)據(jù)中挖掘有用信息的技術(shù)相對薄弱,而這些數(shù)據(jù)往往又包含了改進生產(chǎn)、解決瓶頸問題的有用信息,因此為了能夠充分利用這些信息并發(fā)揮信息化技術(shù)在工業(yè)中應(yīng)用的積極作用,以數(shù)據(jù)驅(qū)動方式的分析和優(yōu)化手段將成為一項重要技術(shù)。該數(shù)據(jù)驅(qū)動方式,就是從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中,提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。在過去的十多年中,數(shù)據(jù)驅(qū)動的方法已經(jīng)被包括石化工業(yè)在內(nèi)的過程工業(yè)界廣為接受。

1 石化行業(yè)中過程數(shù)據(jù)特點

通常,石化行業(yè)生產(chǎn)過程具有連續(xù)性、產(chǎn)品品種穩(wěn)定、生產(chǎn)量大等特性[3]。相對于間隙式生產(chǎn)過程而言,其數(shù)據(jù)一般不需要處理“額外的離散維數(shù)”,即批與批之間數(shù)據(jù)差異[4],這種連續(xù)過程數(shù)據(jù)可以認為是穩(wěn)態(tài)過程或是相對優(yōu)化的狀態(tài)數(shù)據(jù)。盡管如此,由于生產(chǎn)過程的動態(tài)特性,如產(chǎn)品質(zhì)量要求變化、催化劑活性失活、換熱器結(jié)垢、環(huán)境溫度變化等,導致過程的操作點隨著發(fā)生改變,這種穩(wěn)態(tài)過程仍然是相對和暫時的。

過程數(shù)據(jù)代表了真實的工業(yè)過程狀態(tài),但由于石化工業(yè)生產(chǎn)過程的特性和儀表、傳感器的因素,導致過程工業(yè)數(shù)據(jù)往往具有以下特點。

1.1 數(shù)據(jù)缺失

這里所述的數(shù)據(jù)缺失,一方面,由于傳感器本身故障或者傳感器信號傳輸、轉(zhuǎn)換過程的異常,導致測量記錄數(shù)據(jù)并不是生產(chǎn)過程的真實反映,這類數(shù)據(jù)一般是0、無窮值或者是不變的值;另一方面,工業(yè)生產(chǎn)數(shù)據(jù)記錄往往集中在某一區(qū)域,而其他區(qū)域數(shù)據(jù)點很少。數(shù)據(jù)缺失將導致建模過程中無法得到完整的數(shù)據(jù)空間,可能引起模型的較大偏差。對于這類問題,當缺失數(shù)據(jù)較少,可以忽略缺失數(shù)據(jù)[5],這種方法實質(zhì)是減少原始數(shù)據(jù)來換取建模數(shù)據(jù)的完備;而當缺失數(shù)據(jù)較多,往往需要利用多變量統(tǒng)計方法或人工智能方法對丟失數(shù)據(jù)進行填補,其中常用方法包括單一填補法[6]、多重填補法[7-8]、最大似然估計法[9]、人工神經(jīng)網(wǎng)絡(luò)[10]等。通過數(shù)據(jù)填補,產(chǎn)生一個完整的數(shù)據(jù)集,從而對這些數(shù)據(jù)集進行分析和建模。

1.2 數(shù)據(jù)存在顯著誤差

在石化工業(yè)中,由于過程的波動或者未測干擾(如測量儀表失靈、模型偏差、操作不穩(wěn)定、設(shè)備泄漏等),引起測量數(shù)據(jù)中存在顯著誤差——測量誤差和離群值。其中離群值是數(shù)據(jù)集中與眾不同的數(shù)據(jù),使人懷疑這些數(shù)據(jù)并非隨機偏差,而是產(chǎn)生于完全不同的機制[11],它是測量值的不正常波動。通常,離群值對于基于數(shù)據(jù)驅(qū)動的建模結(jié)果有較大的干擾[12],因此,對于采集來的數(shù)據(jù)樣本,需要進行離群值的處理。根據(jù)處理離群值的方式和側(cè)重點不同[13],又可以分為以直接剔除異常值為目的的直接法和基于穩(wěn)健回歸方法的間接法。間接法可以檢測和保留離群值,當然其影響在可接受范圍。不當?shù)臋z測方法容易導致掩蓋(masking)現(xiàn)象(未識別出某些局外點)或淹沒(swamping)現(xiàn)象(誤判正常點為局外點)。對于離群值嚴重偏離正常點的情況,很容易定性辨識出來,而對于不是較顯著的離群值,通常采用基于歷史數(shù)據(jù)的統(tǒng)計方法進行建模檢測。常見方法包括:對于線性系統(tǒng),有以殘差和距離為判斷標準的經(jīng)典檢測方法[14],主成成分分析法(也稱主元分析,PCA)[15-16]、偏最小二乘回歸(PLS)[17]等,以及用于非線性系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)(ANN)[18]、支持向量機(SVM)[19]等方法。

1.3 數(shù)據(jù)漂移

數(shù)據(jù)漂移的概念,在含義上等同于機器學習領(lǐng)域中的概念漂流(Concept Drifting)[20]。后者主要指研究的隱含對象的變化或多或少會從根本上導致目標概念的改變。在石化工業(yè)中,實際研究數(shù)據(jù)樣本隨著時間總是會發(fā)生變化,也就是說,過程是動態(tài)變化的,引起這些變化如檢測儀表本身的漂移、原料成分的變化、設(shè)備的結(jié)垢、環(huán)境溫度的變化等。因此在基于數(shù)據(jù)驅(qū)動的過程建模中,要求目標模型要能夠適應(yīng)過程的這種變化,否則,將導致模型較大的誤差甚至不可用的情況。由于這種變化本身較為緩慢,同時這些變化可能互相影響,因此,對這些數(shù)據(jù)漂移要有效地檢測往往較為困難。對于這種數(shù)據(jù)漂移的處理,通常的有效方法是采用樣本權(quán)重和時間滑動窗口的方法[21-23]。即隨著時間的變化,逐漸丟棄較老的數(shù)據(jù)樣本。

1.4 數(shù)據(jù)的高維與共線性

在石化工業(yè)中,為了更好地監(jiān)控過程狀態(tài),通常需要設(shè)置大量的傳感器。這樣,一方面,較多的監(jiān)測變量會導致數(shù)據(jù)樣本的高維性;另一方面,由于化工過程的特征,導致許多監(jiān)測的變量之間具有強的相關(guān)性,例如,精餾塔的塔頂、塔底溫度等。這也形成另一種“數(shù)據(jù)豐富,信息匱乏”現(xiàn)象,過度的冗余信息數(shù)據(jù),會導致數(shù)據(jù)驅(qū)動的建模過程中,模型變得復雜或者使得自變量的篩選變得十分困難。工業(yè)上克服這類問題的方法通常包括采用PCA和PLS[24-25]方法,將高維空間的問題轉(zhuǎn)化到低維空間去處理。另一種處理方式是選取輸入空間的非共線性子集來建模[26]。

1.5 數(shù)據(jù)的異構(gòu)性

石化行業(yè)的計算機應(yīng)用系統(tǒng),如實時數(shù)據(jù)管理系統(tǒng)、生產(chǎn)調(diào)度管理系統(tǒng)、質(zhì)量管理系統(tǒng)等,這些系統(tǒng)之間相互缺乏統(tǒng)一規(guī)劃,造成企業(yè)的異構(gòu)數(shù)據(jù)源。表現(xiàn)為數(shù)據(jù)庫管理系統(tǒng)各不相同,數(shù)據(jù)模型、數(shù)據(jù)結(jié)構(gòu)、數(shù)據(jù)的表現(xiàn)形式也不盡相同[27]。這為數(shù)據(jù)共享以及統(tǒng)一處理帶來了較大的困難,并且也沒有非常有效的統(tǒng)一解決方案。

除上述特點之外,在石化行業(yè)工業(yè)運行中,還存在數(shù)據(jù)取樣和分析時間滯后、數(shù)據(jù)非線性等問題。

2 數(shù)據(jù)驅(qū)動技術(shù)的應(yīng)用

2.1 運行優(yōu)化與產(chǎn)品設(shè)計

運行優(yōu)化是根據(jù)過程運行的環(huán)境和條件的變化來調(diào)節(jié)決策變量(即操作變量),從而使整個過程系統(tǒng)處于最佳狀態(tài),也就是目標函數(shù)達到最優(yōu)[28]。通過提取歷史過程數(shù)據(jù)相關(guān)信息用于后續(xù)運行中,可以使優(yōu)化指標不斷得到改進。例如,Irizuki等[29]利用基于神經(jīng)網(wǎng)絡(luò)和模糊集控制組成的混合技術(shù),從煉油轉(zhuǎn)化過程中提取熟練操作工的控制經(jīng)驗,以控制生產(chǎn)平穩(wěn)運行,降低能耗等。陳丙珍等[30]將基于數(shù)據(jù)的方法應(yīng)用于乙烯裂解裝置的實時優(yōu)化,原油精餾裝置的穩(wěn)態(tài)在線數(shù)據(jù)校正等方面。陳念貽等[31]將模式識別技術(shù)應(yīng)用于某一煉化廠的延遲焦化裝置中,并對其進行優(yōu)化分析,有效提高成品油產(chǎn)量。沈劍韻等[32]利用降維模式識別為基礎(chǔ)的人工智能優(yōu)化原理,對燕山石化制苯車間抽提工段生產(chǎn)條件進行了優(yōu)化,從而穩(wěn)定了生產(chǎn)。這些技術(shù)的實施都為石油化工企業(yè)帶來了明顯的經(jīng)濟效益。此外,在基于歷史數(shù)據(jù)和多元統(tǒng)計方法的操作條件優(yōu)化基礎(chǔ)上,還可以進一步用于產(chǎn)品的設(shè)計[33]。在煉化行業(yè)中一些相關(guān)的應(yīng)用,例如Sebzalli[34],Chen[34-35]等人分別利用 PCA和模糊c-均值聚類方法,對煉油廠催化裂化過程操作空間進行識別并用于開發(fā)期望的產(chǎn)品操作策略。

2.2 過程監(jiān)測與故障診斷

過程監(jiān)測與故障診斷主要任務(wù)是對過程運行狀態(tài)進行監(jiān)控,分析系統(tǒng)異常,及時發(fā)現(xiàn)過程故障,并采取控制措施避免事故,以保證過程安全與平穩(wěn)的運行[1]?；跀?shù)據(jù)的統(tǒng)計過程控制在石化行業(yè)已得到廣泛的關(guān)注,其方法也從單變量統(tǒng)計過程控制(如Shewhart控制圖、累計和圖、指數(shù)加權(quán)平均圖)向以主元分析為主的多變量統(tǒng)計技術(shù)趨進。基于多變量統(tǒng)計過程用于石化工業(yè)過程的監(jiān)控始于20世紀80年代,相關(guān)的多變量統(tǒng)計方法報道文獻也較多[1,36-39]。基于多變量的數(shù)據(jù)驅(qū)動的過程監(jiān)測與控制也常稱為多變量統(tǒng)計過程控制(MSPC)或多變量過程控制(MPC)。其采用的方法也主要是PCA,PLS,基于支持向量機以及它們與其他方法的混合算法。在石化工業(yè)中,一些典型的應(yīng)用如:Kresta,J.V.等[40]采用 PLS,PCA等方法,進行流化床反應(yīng)器性能監(jiān)控以及重要過程變化的快速監(jiān)測和識別。MacGregor J.F.等[41]利用多區(qū)組偏最小二乘(MBPLS)對聚乙烯管式反應(yīng)器進行性能監(jiān)控。Rotem等人[42]將基于模型的 PCA方法用于乙烯壓縮機的故障診斷。Santen,A.等[43]解釋了如何進行數(shù)據(jù)獲取和數(shù)據(jù)統(tǒng)計分析并從中提取信息,并對石化流程中反應(yīng)器的“熱點”問題進行研究。Vedam等[44]開發(fā)了基于 PCA和有向圖(SDG)方法并在 G2上實現(xiàn),用于流化床催化裂解的故障診斷。

在國內(nèi),如梁軍等[45]采用多變量統(tǒng)計過程控制對生產(chǎn)工況進行分析監(jiān)測,并實現(xiàn)了基于動態(tài)PCA和動態(tài)PLS的工業(yè)流化床反應(yīng)器監(jiān)測、精餾柱性能監(jiān)測、聚合反應(yīng)過程監(jiān)測、煉油裝置監(jiān)測等。李秀喜等[46]將數(shù)據(jù)挖掘技術(shù)應(yīng)用于廣東某石化廠的重質(zhì)糠醛精制和重質(zhì)酮苯脫蠟工藝中,對其生產(chǎn)運行狀況進行監(jiān)測,對生產(chǎn)的平穩(wěn)運行起到了巨大作用。趙仕健等[47]根據(jù)基于主角度建立任意兩個主元模型相似性的度量,提出了一種基于多主元模型的過程監(jiān)控方法并應(yīng)用于高溫裂解爐的監(jiān)控。

除了過程故障診斷,將數(shù)據(jù)驅(qū)動的方法用于傳感器的診斷和恢復也有研究和應(yīng)用[1,48]。

2.3 產(chǎn)品質(zhì)量預測與控制

利用數(shù)據(jù)驅(qū)動方法進行離線或在線的產(chǎn)品質(zhì)量預測,克服沒有在線儀表或在線儀表價格昂貴、維護費用高等缺點,并進一步應(yīng)用于控制回路以進行產(chǎn)品質(zhì)量的調(diào)控,是近年來研究的熱點。這主要是通過對目標控制變量建立軟測量模型來實現(xiàn)?；跀?shù)據(jù)驅(qū)動的軟測量模型實現(xiàn)方法仍然主要是PCA,PLS,SVM,人工智能算法(如神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)系統(tǒng)等)以及它們的混合算法。在文獻[49]中對軟測量模型方法及應(yīng)用都有綜合的報道。在石化行業(yè)中,一些典型的應(yīng)用如 Kamohara,H.等人[50]開發(fā)動態(tài)的基于 PLS的軟測量模型,用于乙烯生產(chǎn)的在線質(zhì)量監(jiān)測,并設(shè)計相關(guān)規(guī)則以檢驗在線氣相色譜儀的性能。Fortuna等[51]人開發(fā)了一個基于多層感知器(MLP)的復雜軟測量模型用于預測精餾塔汽油濃度,模型采用三層神經(jīng)網(wǎng)絡(luò),取得了較好的在線預測功能。Qin等[52]采用非線性有限沖激響應(yīng)(NFIR)和神經(jīng)網(wǎng)絡(luò) PLS方法對催化重整系統(tǒng)進行動態(tài)建模,克服了系統(tǒng)共線性問題,使模型預測性能得以有效改善。Wold等[53]討論了一個多區(qū)組PLS和主元分析模型,并應(yīng)用于渣油催化裂解過程。Macias等[54]利用模糊神經(jīng)系統(tǒng)進行原油精餾塔的產(chǎn)品質(zhì)量預測。而 Park等[55]利用局部加權(quán)回歸以及非線性數(shù)據(jù)預處理,克服過程變量相關(guān)性以及非線性等問題,并結(jié)合PLS和PCA建模方法,用于塔的溫度估計和產(chǎn)品組分估計。Bakhtadze等[56]將 Takagi-Sugeno模糊模型和基于過程知識的相聯(lián)搜索算法,應(yīng)用于缺少實驗數(shù)據(jù)情況下的軟測量建模,建立原油精煉過程的產(chǎn)品軟測量模型。

在國內(nèi),相關(guān)的研究也較為活躍。包括如常減壓、加氫裂化等裝置的產(chǎn)品質(zhì)量在線估計[57-64]等。

2.4 過程控制與控制器設(shè)計

一種方法,根據(jù)建立的軟測量傳感器,可以直接用來對產(chǎn)品進行閉環(huán)控制[1],如文獻[65-67]等在基于不同數(shù)據(jù)方法建立的軟測量模型基礎(chǔ)上,提出應(yīng)用于丁二烯精餾裝置的推斷控制方案。吳國良等[68]在建立乙烯濃度軟測量預估基礎(chǔ)上,對乙烯精餾塔實現(xiàn)質(zhì)量卡邊的節(jié)能優(yōu)化控制。李振光等[69]介紹了結(jié)合軟測量技術(shù)的連續(xù)重整裝置塔產(chǎn)品質(zhì)量指標內(nèi)?？刂破骷跋嚓P(guān)先進控制軟件實現(xiàn)。文獻[70-71]也有相類似技術(shù)的工業(yè)應(yīng)用報道。

另一種方法,將所測量的過程變量和產(chǎn)品質(zhì)量之間的因果信息體現(xiàn)在主元分析或PLS分析得到的降維空間中,從而在這個低維空間中對產(chǎn)品質(zhì)量進行控制。相關(guān)的文獻也有討論,如20世紀90年代初[72]提出了利用 PLS隱變量空間的特點設(shè)計控制回路與控制器,并設(shè)計動態(tài)PLS以解決控制過程的動態(tài)問題。熊麗等[73]討論了基于 PLS隱變量空間優(yōu)化和控制的理論基礎(chǔ)及算法推導,在PLS框架下設(shè)計的控制系統(tǒng)可以實現(xiàn)良好的解耦功能和變量配對,并運用于一個蒸餾塔的仿真控制。Chen等人[74]在MPC控制框架內(nèi),利用 PLS和包含時滯變量的PCA模型,進行控制器的設(shè)計。盡管在學術(shù)上有較多研究,但成功的工業(yè)應(yīng)用報道并不多。

3 數(shù)據(jù)驅(qū)動方法

文獻[39]將基于歷史數(shù)據(jù)的方法分為統(tǒng)計和非統(tǒng)計方法。典型的統(tǒng)計方法如PCA,PLS等,而非統(tǒng)計方法如人工神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)系統(tǒng)、支持向量機等。

3.1 PCA

PCA主要是對樣本變量和樣本點組成的數(shù)據(jù)矩陣對象包含信息進行線性改組,在力保數(shù)據(jù)信息丟失最少的條件下對高維變量空間進行降維處理,因此較適用于特征提取與降維,常用于計算機算法的一些預處理或中間環(huán)節(jié)。但是PCA算法也存在不能很好處理數(shù)據(jù)非線性問題、難以確定最佳主元數(shù)、難以反映輸入和輸出空間的關(guān)系等問題,因此在PCA算法基礎(chǔ)上形成了一些改進的PCA算法。在石化工業(yè)中,一些典型的改進算法包括:為了克服非線性問題和過程變量物理關(guān)系相結(jié)合形成的基于模型的PCA算法[42],和神經(jīng)網(wǎng)絡(luò)算法等相結(jié)合形成的非線性 PCA算法[58,75-76],以及用于適應(yīng)過程動態(tài)特性的自適應(yīng)和動態(tài)PCA算法,如遞歸(recursive)PCA[77],滑動窗口 PCA[78],時滯 PCA算法[45]等。

3.2 PLS

不同于PCA只對輸入變量矩陣提取相關(guān)信息,PLS對輸入變量矩陣和輸出變量矩陣都進行降維分解,對輸入與輸出的得分矩陣同時提取成分(因子),再進行線性回歸。這樣模型考慮了輸入變量與輸出變量的關(guān)系,從而保證了模型的最優(yōu)性。PLS廣泛應(yīng)用于石化工業(yè)過程質(zhì)量預測、過程監(jiān)控于故障診斷、過程控制等領(lǐng)域。但存在問題與PCA類似,都不能很好解決數(shù)據(jù)非線性問題,因此一些改進算法得以應(yīng)用,如與神經(jīng)網(wǎng)絡(luò)相結(jié)合的NNPLS[52]。此外,其他一些改進算法,如基于滑動窗口或權(quán)重值的自適應(yīng) PLS[23,60]、遞歸 PLS[21]等也廣為報道。

3.3 ANN

ANN模仿動物的腦神經(jīng)元結(jié)構(gòu),由大量的簡單神經(jīng)元按一定規(guī)則連接構(gòu)成網(wǎng)絡(luò)系統(tǒng),以求達到模擬人類形象直覺思維的目標。在本質(zhì)上它是一個分布式矩陣結(jié)構(gòu),通過對訓練數(shù)據(jù)計算,逐步求得神經(jīng)網(wǎng)絡(luò)連接的權(quán)值。人工神經(jīng)網(wǎng)絡(luò)已廣泛用于石化工業(yè)過程的動態(tài)建模、系統(tǒng)辨識和控制、數(shù)據(jù)分析及故障診斷等方面。常用方法包括反向傳播(BP)網(wǎng)絡(luò)[79]、徑向基函數(shù)(RBF)網(wǎng)絡(luò)[80]、遞推神經(jīng)網(wǎng)絡(luò) (RNN)[81]、自組織映射神經(jīng)網(wǎng)絡(luò)(SOM)[82]等。另一方面,神經(jīng)網(wǎng)絡(luò)也存在容易陷入局部最小、全部知識存儲于網(wǎng)絡(luò)內(nèi)部和難以提供可信的解釋、模型性能的好壞取決于模型訓練過程中樣本數(shù)據(jù)的數(shù)量和質(zhì)量等缺點。

3.4 神經(jīng)模糊系統(tǒng)(NFS)

NFS是利用神經(jīng)網(wǎng)絡(luò)學習算法的模糊系統(tǒng),并利用神經(jīng)網(wǎng)絡(luò)學習算法對模糊系統(tǒng)的參數(shù)進行調(diào)整。它既具有神經(jīng)網(wǎng)絡(luò)的非線性映射能力、學習能力、并行處理能力和容錯能力,又具有模糊邏輯處理不確定性的能力[83-84]。其在石化工業(yè)建模和控制領(lǐng)域已經(jīng)得到了廣泛的應(yīng)用[85-87],另外一些用于處理動態(tài)環(huán)境以及非線性環(huán)境的改進神經(jīng)模糊系統(tǒng)也得以研究[64,88]。

3.5 SVM

SVM以統(tǒng)計學習理論(SL T)為基礎(chǔ),從Vapnik等[89]一開始提出便在機器學習領(lǐng)域引起人們極大的關(guān)注。SVM的關(guān)鍵在于核函數(shù),通過選用適當?shù)暮撕瘮?shù),可以把低維空間向量集映射到易于劃分的高維空間,并在此空間中構(gòu)造最優(yōu)決策函數(shù)。SVM在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢,使其在復雜化工領(lǐng)域得以應(yīng)用。其應(yīng)用包括工業(yè)模型的建立、質(zhì)量監(jiān)測、故障診斷等領(lǐng)域[90-91]。

3.6 其他數(shù)據(jù)驅(qū)動方法

除上述討論的方法外,其他如獨立元分析、相關(guān)分析、遺傳算法、決策樹,粗糙集理論,粒子群算法、典型變量分析、多變量統(tǒng)計控制圖、可視化技術(shù)等方法也廣泛得以研究和報道。但是,盡管每一種方法都有其優(yōu)勢,但也有其缺陷,單一的方法并不能很好適應(yīng)過程系統(tǒng)的所有應(yīng)用領(lǐng)域。因此,采用這些方法的組合算法可以起到取長補短的作用,這也是近年來人們感興趣的研究熱點之一(例如前文所述將PCA/PLS算法與神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的算法)。PCA算法可以在不丟失數(shù)據(jù)有效信息的情況下減少變量的維數(shù),但并不能很好地處理非線性問題,因此把PCA算法與神經(jīng)網(wǎng)絡(luò)結(jié)合,把主元作為神經(jīng)網(wǎng)絡(luò)的輸入變量,既可以減少神經(jīng)網(wǎng)絡(luò)輸入空間的維數(shù),減少了神經(jīng)網(wǎng)絡(luò)的復雜度以及訓練時間,同時也能有效提高模型的性能。

隨著過程工業(yè)更先進信息系統(tǒng)的實施,從生產(chǎn)現(xiàn)場獲得的變量數(shù)據(jù)將更加龐大而且更加精確,這為相關(guān)技術(shù)的應(yīng)用提供了更加便利的條件。相信更多新的基于數(shù)據(jù)驅(qū)動技術(shù)的出現(xiàn),將會在石化工業(yè)運行中發(fā)揮更加重要的作用。

4 基于數(shù)據(jù)驅(qū)動模型建立方法

無論數(shù)據(jù)驅(qū)動方法應(yīng)用于石化工業(yè)過程哪個領(lǐng)域,根據(jù)歷史數(shù)據(jù)建立數(shù)據(jù)模型都是一個必不可少的步驟。已有文獻報道建立數(shù)據(jù)模型的方法基本都大同小異,主要步驟包括:確定目標變量和輔助變量、準備歷史數(shù)據(jù);數(shù)據(jù)預處理;選擇合適建模方法,并建立模型,且對模型進行有效性校正;在一些應(yīng)用中,如軟測量或多變量統(tǒng)計控制中,還需要根據(jù)新的數(shù)據(jù)對模型進行更新。

5 數(shù)據(jù)驅(qū)動技術(shù)發(fā)展方向

雖然數(shù)據(jù)驅(qū)動技術(shù)在石化行業(yè)已經(jīng)得到長足發(fā)展并帶來顯著效益,但基于數(shù)據(jù)驅(qū)動的方法在實際工業(yè)應(yīng)用中,仍然存在一些需要研究或發(fā)展的方面。

5.1 統(tǒng)一的應(yīng)用系統(tǒng)框架

現(xiàn)有研究方法和研究成果一方面反映了基于數(shù)據(jù)驅(qū)動方法本身的強大力量,另一方面,很大一部分研究還局限于單一的方法、有限的案例或者學術(shù)研究中。這些研究分散于工業(yè)過程的不同層次之中,如局部回路的監(jiān)控、單一質(zhì)量指標的操控、單個設(shè)備或過程的優(yōu)化等。而對于類似石化行業(yè)等過程工業(yè)生產(chǎn)過程而言,存在著包括監(jiān)控、控制與優(yōu)化等各個層次的控制與優(yōu)化環(huán)節(jié),具體而言,涉及局部回路、單一裝置、裝置或過程之間及全局的質(zhì)量優(yōu)化或控制。因此,如何將數(shù)據(jù)驅(qū)動技術(shù)應(yīng)用到大規(guī)模工業(yè)運行的每個環(huán)節(jié)中,從起初的監(jiān)控分析擴展至整個工廠過程,由此建立起基于數(shù)據(jù)驅(qū)動技術(shù)的統(tǒng)一應(yīng)用框架,通過這些不同層次之間進行數(shù)據(jù)信息交換,最終將數(shù)據(jù)驅(qū)動技術(shù)在過程各個方面的應(yīng)用通過數(shù)據(jù)流聯(lián)系起來,形成一個多層質(zhì)量操控的數(shù)據(jù)驅(qū)動技術(shù)過程應(yīng)用系統(tǒng)框架,這樣可以為全面系統(tǒng)地研究數(shù)據(jù)驅(qū)動技術(shù)提出一種新的指導思路。Kano等[38]人在過程監(jiān)控和控制層次上,提出了一個基于數(shù)據(jù)的工廠架構(gòu)概念,對于相關(guān)研究具有一定啟發(fā)意義。

5.2 統(tǒng)一的數(shù)據(jù)平臺

盡管數(shù)據(jù)平臺本身不屬于數(shù)據(jù)驅(qū)動技術(shù)的范疇,但是數(shù)據(jù)驅(qū)動技術(shù)以歷史數(shù)據(jù)為基礎(chǔ),模型的好壞通常和建立模型數(shù)據(jù)息息相關(guān),特別是要在系統(tǒng)框架內(nèi)來研究數(shù)據(jù)驅(qū)動技術(shù)相關(guān)問題,更離不開數(shù)據(jù)的完整與一致性。但是,另一方面,由于過程工業(yè)的數(shù)據(jù)可能來源于不同的數(shù)據(jù)源[27],因此需要按照統(tǒng)一的生產(chǎn)數(shù)據(jù)模型將生產(chǎn)數(shù)據(jù)進行重新組織分類,完成異構(gòu)數(shù)據(jù)源的集成并向其他層次的應(yīng)用系統(tǒng)提供一致的快速的數(shù)據(jù)共享服務(wù),以保證數(shù)據(jù)的一致性。

5.3 基于數(shù)據(jù)驅(qū)動技術(shù)本身的統(tǒng)計理論問題

由于過程工業(yè)本身的特點,系統(tǒng)往往處于不確定、動態(tài)的過程中。復雜的工業(yè)過程決定了數(shù)據(jù)驅(qū)動技術(shù)在工業(yè)實際應(yīng)用中,需要考慮如有效的數(shù)據(jù)預處理、模型選擇、時滯選擇、模型診斷(工業(yè)實際情況與選用的模型的吻合情況)、模型魯棒性等問題。

5.4 軟件系統(tǒng)的實現(xiàn)與應(yīng)用

基于數(shù)據(jù)驅(qū)動技術(shù)的過程優(yōu)化、監(jiān)測與控制軟件包的設(shè)計、系統(tǒng)整合及工業(yè)應(yīng)用,是研究的最終目的。近年來,國外一些相關(guān)的商業(yè)軟件如NeurOn-Line and G2[92],AspenIQ[93],Simca-P[94]為人所熟知,另外國內(nèi)一些應(yīng)用軟件也得以在石化工業(yè)成功應(yīng)用[95]。但總的來說,能應(yīng)用于現(xiàn)場的、經(jīng)濟有效的相關(guān)軟件包仍然有待進一步開發(fā)。

[1] 張 杰,陽憲惠.多變量統(tǒng)計過程控制[M].北京:化學工業(yè)出版社,2000.

[2] WANG X Z,MCGREAVY C.Automatic Classification for Mining Process Operational Data[J].Ind.Eng.Chem. Res.,1998,37(6):2215-2222.

[3] 楊宗斌.以信息化改造石化流程工業(yè)[J].信息化建設(shè), 2003,(7):42-43.

[4] NOMIKOS P,MACGREGOR JF.MultivariateSPCCharts for Monitoring Batch Processes[J].Technometrics, 1995,37(1):41-59.

[5] SCHAFER J L,GRAHAM J W.Missing Data:Our View of the State of the Art[J].Psychological Methods,2002, 7(2):147-177.

[6] BELLO A L. Imputation Techniquesin Regression Analysis:Looking Closely atTheir Implementation[J]. Computational Statistics and Data Analysis,1995,(20): 45-47.

[7] ALLISON P D.Multiple Imputation for Missing Data:A Cautionary Tale[J].Sociological Methods and Reserach, 2000,28(3):301-309.

[8] 郭 超,陸新建.工業(yè)過程數(shù)據(jù)中缺失值處理方法的研究[J].計算機工程與設(shè)計,2010,31(6):1351-1354.

[9] JUHNSON R A,WICHEM D W.Applied Multivariate StatisticalAnalysis[M]. New York:Prentice Hall-International,1992:202-241.

[10] 張宏亭,李學仁,孔 韜.BP神經(jīng)網(wǎng)絡(luò)在缺失數(shù)據(jù)估計中的應(yīng)用[J].計算機工程與設(shè)計,2007,28 (14): 3457-3459.

[11] HAWHINS D.Identification of Outliers[M].London: Chapman and Hall,1980.

[12] PEARSON R K.Outliersin ProcessModeling and Identification[J].IEEE Transactions on Control Systems Technology,2002,10(1):55-63.

[13] HADIA S,SIMONOFFJ S. Proceduresforthe Identification of Multiple Outliers in Linear Models[J].J. Amer.Statist.Assoc.,1993,88:1264-1272.

[14] KNORR E M,NG R T.Algorithms for Mining Distance-Based Outliers in Large Datasets[C]∥Proceedings of the 24rd International Conference on Very Large Data Bases. San Francisco,CA,USA:Morgan Kaufmann Publishers Inc.,1998:392-403.

[15] HOO K A,TVARLAPATI KJ,PIOVOSO M J,et al.A Method of Robust Multivariate Outlier Replacement[J]. Computers and ChemicalEngineering,2002,26 (1): 17-39.

[16] 王洪春,彭 宏.一種基于主成分分析的異常點挖掘方法[J].計算機科學,2007,34(10):192-194.

[17] BAO X,DAI L K.Partial Least Squares with Outlier Detection in Spectral Analysis:A Tool to Predict Gasoline Properties[J].Fuel,2009,88(7):1216-1222.

[18] ZHAO W X,CHEN D Z,HU S X.Detection of Outlier and a Robust BP Algorithm Against Outlier[J].Computers and Chemical Engineering,2004,28(8):1403-1408.

[19] JORDAAN E M,SMITS G F.Robust Outlier Detection using SVM Regression[C]∥ Proceeding,2004IEEE International Joint Conference on Neural Network,2004: 2017-2022.

[20] GAMA J,MEDAS P,CASTILLO G,et al.Learning with Drift Detection[C]∥ Proceedings of the Advances in Artificial Intelligence SBIA 2004:17th Brazilian Symposium on Artificial Intelligence.2004:286-295.

[21] QIN S J.Recursive PLS Algorithms for Adaptive Data Modeling[J].Computers and Chemical Engineering,1998, 22(4):503-514.

[22] 閻咸武,?？×?邵惠鶴.基于滾動時間窗的最小二乘支機回歸估計方法及仿真[J].上海交通大學學報,2004, 38(4):524-526.

[23] 汪小勇,梁 軍,劉育明,等.基于遞推PLS的自適應(yīng)軟測量模型及其應(yīng)用[J].浙江大學學報(工學版),2005, 35(9):676-680.

[24] 張恒喜,郭基聯(lián),朱家元,等.小樣本多元數(shù)據(jù)分析方法及應(yīng)用[M].西安:西北工業(yè)大學出版社,2002.

[25] JOLLIFFE I T.Principal Component Analysis[M].2th. Berlin:Springer-Verlag,2002.

[26] GU YON I,ELISSEEFF A.An Introduction to Variable and Feature Selection[J].Journal of Machine Learning Research,2003,3(7):1157-1182.

[27] 馮 梅,劉 偉,王宏安.石化企業(yè)MES數(shù)據(jù)集成平臺的設(shè)計與實現(xiàn)[J].計算機工程與應(yīng)用,2004,40(26):192-196.

[28] 托馬斯F埃德加,戴維M希梅爾布勞,利昂S拉斯東.化工過程優(yōu)化[M].2版.張衛(wèi)東,任鐘康,劉光虎,等譯.北京:化學工業(yè)出版社,2006.

[29] IRIZU KI Y,FURUHASHI T.Design of a Combined Control System Incorporating Knowledge Based System and ModelPredictiveMultivariableControlSystem and its Application to Refining Plant[J].Journal of Knowledge-Based Intelligent Eng.Systems,1999,3(2):147-153.

[30] 李 博,陳丙珍,胡惠琴,等.穩(wěn)態(tài)過程在線數(shù)據(jù)校正技術(shù)的工業(yè)實施[J].石油化工高等學校學報,2000,29(10): 768-771.

[31] 陳念貽,欽 佩,陳瑞亮,等.模式識別方法在化學化工中的應(yīng)用[M].北京:科學出版社,2000.

[32] 沈劍韻,王鑫泉,胡書柞,等.制苯車間抽提工段生產(chǎn)優(yōu)化[J].石油化工高等學校學報,1998,27(10):743-748.

[33] JAECKLE C M,MACGREGOR JF.ProductDesign Through Multivariate Statistical Analysis of Process Data [J].AIChE Journal,1998,44(5):1105-1118.

[34] SEBZALLI Y M,WANG X Z.Knowledge Discovery from Process Operational Data Using PCA and Fuzzy Clustering [J].Engineering Applications of Artificial Intelligence, 2002,4(5):607-616.

[35] CHEN F Z,WANG X Z.Discovery of Operational Spaces from Process Data for Production of Multiple Grades of Products[J].Ind.Eng.Chem.Res.,2000,39(7):2378-2382.

[36] LIANG J,QIAN J. Multivariate Statistical Process Monitoring and Control: Recent Developments and Applications to ChemicalIndustry[J]. Chinese J.of Chemical Eng,2003,11(2):191-203.

[37] 田學民,曹玉蘋.統(tǒng)計過程控制的研究現(xiàn)狀及展望[J].中國石油大學學報(自然科學版),2008,32(5):175-180.

[38] KANOA M,NAKAGAWAB Y.Recent Developments and Industrial Applications of Data-based Process Monitoring and ProcessControl[J]. ComputerAided ChemicalEngineering,2006,21:57-62.

[39] VENKATASUBRAMANIANV,RENGASWAMYR, KAVURI S N,et al.A Review of Process Fault Detection and Diagnosis PartⅢ:Process History Based Methods[J]. Computers and Chemical Engineering,2003,27:327-346.

[40] KRESTA JV,MACGREGOR JF,MARLIN TE. Multivariate Statistical Monitoring ofProcess Operating Performance[J]. The CanadianJournalofChemical Engineering,1991,69(1):35-47.

[41] MACGREGOR J F,JAECKLE C,KIPARISSIDES C,et al.Process Monitoring and Diagnosis by Multiblock PLS Methods[J].AIChE Journal,1993,40(5):826-838.

[42] ROTEM Y,WACHSA,LEWIN D R.Ethylene CompressorMonitoring UsingModel-based PCA[J]. AIChE Journal,2000,46(9):1825-1836.

[43] SANTEN A,KOOT GL M,ZULLO L C.Statistical Data Analysis of a Chemical Plantnext Term[J].Computers& Chemical Engineering, 1997, 21 (Supplement 1): 1123-1129.

[44] VEDAM H,VENKATASUBRAMANIAN V.PCA-SDG Based Process Monitoring and Fault Diagnosis[J].Control Eng.Practice,1999,7:903-917.

[45] 劉育明,梁 軍,錢積新.工業(yè)流化床反應(yīng)器結(jié)塊監(jiān)視的動態(tài)PCA方法[J].化工學報,2004,55(9):1546-1549.

[46] LI X X,QIAN Y,WANGJ F.Process Monitoring Based on Wavelet Packet Principal Component Analysis[C]∥European Symposium on Computer Aided Process Engineering-13,2004:455-460.

[47] ZHAO S J,ZHANGJ,XU Y M.Performance Monitoring ofProcesseswith MultipleOperating ModesThrough Multiple PLS Models[J].Journal of Process Control,2006, 16(7):763-772.

[48] DUNIA R,QIN S J.Joint Diagnosis of Process and Sensor Faults Using Principal Component Analysis[J].Control Engineering Practice,1998,6(4):457-469.

[49] PETR K,BOGDAN G S S.Data-driven Soft Sensors in the Process Industry[J].Computers and Chemical Engineering, 2009,33(4):795-814.

[50] KAMOHARA H,TAKINAMI A,TAKEDA M,et al. Product Quality Estimation and Operating Condition Monitoring for Industrial Ethylene Fractionator[J].Journal of Chemical Engineering of Japan,2004,37:422-428.

[51] FORTUNA L,GRAZIANI S,XIBILIA M G.Soft Sensors for Product Quality Monitoring in Debutanizer Distillation Columns[J].Control Engineering Practice,2005,13(4): 499-508.

[52] QIN S J,MCAVOYB T J.Nonlinear FIR Modeling Via a Neural Net PLS Approach[J].Computers&Chemical Engineering,1996,20(2):147-159.

[53] WOLD S,KETTANEH N,TJ ESSEM K.Hierarchical Multiblock PLS and PC Modelsfor Easier Model Interpretation and as An Alternative to Variable Selection [J].Journal of Chemometrics,1996,10(5-6):463-482.

[54] MACIAS J J,ZHOU P X.A Method for Predicting Quality of the Crude Oil Distillation[C]∥Proceedings of the 2006 InternationalSymposium on Evolving Fuzzy Systems. United Kingdom:Ambelside,2006.

[55] PARK S,HAN C.A Nonlinear Soft Sensor Based on Multivariate Smoothing Procedure for Quality Estimation in Distillation Columns[J]. Computers and Chemical Engineering,2000,24(2):871-877.

[56] BAKHTADZE N,MAXIMOV E M,VALIAKHMETOV R T.Fuzzy Soft Sensors for Chemical and Oil Refining Processes[C]∥17th IFAC World Congress(IFAC'08). Seoul.Korea,2008.

[57] 俞金壽,劉愛倫.軟測量技術(shù)及其在石油化工中的應(yīng)用[M].北京:化學工業(yè)出版社,2000.

[58] 趙豫紅.常壓塔產(chǎn)品質(zhì)量在線估計的非線性主元分析方法[J].化工自動化及儀表,2004,31(4):19-20.

[59] 劉桂英,周 琴.常減壓裝置初餾塔頂產(chǎn)品干點軟測量的應(yīng)用研究[J].計算機與應(yīng)用化學,2008,25(5):587-590.

[60] 顏學峰,余 娟,錢 鋒.基于自適應(yīng)偏最小二乘回歸的初頂石腦油干點軟測量[J].化工學報,2005,56(8): 1511-1515.

[61] 陳 云,呂翠英.基于多元逐步回歸和反向傳播方法的粗汽油干點軟測量模型[J].計算機與應(yīng)用化學,2003,20 (6):845-847.

[62] 毛 帥,熊智華,徐用懋.常壓塔柴油凝點動態(tài)軟測量模型的研究[J].控制工程,2005,12(4):342-345.

[63] 徐國忠,王丹宇.催化裂化分餾塔輕柴油凝固點軟測量[J].計算機測量與控制,2002,10(5):294-297.

[64] ZHONG W,YU J S.MIMO Soft Sensors for Estimating Product Quality with On-line Correction[J].Chemical Engineering Research and Design,2000,78(4):612-620.

[65] 郭慶武,張 湜.基于軟測量的先進控制系統(tǒng)的實現(xiàn)[J].自動化博覽,2003,20(5):35-37.

[66] 羅 剛,張 湜,牛彥杰.基于軟測量技術(shù)的先進控制在DCS上的實現(xiàn)和應(yīng)用[J].化工自動化及儀表,2005, 32(4):11-14.

[67] 薄翠梅,張 湜,林錦國,等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的精餾塔優(yōu)化控制[J].石油化工高等學校學報,2002, 15(3):57-60.

[68] 吳國良.先進過程控制在乙烯精餾塔中的應(yīng)用分析[J].石油化工自動化,2002,31(4):31-38.

[69] 李振光,戴連奎.先進控制軟件在連續(xù)重整裝置塔系列中的應(yīng)用[J].石油化工自動化,2003,(3):40-44.

[70] 李桂芝.先進控制技術(shù)在丙烯精餾塔控制系統(tǒng)中的應(yīng)用[J].齊魯石油化工,2002,30(2):160-162.

[71] 張克進,沈雁鳴.軟測量在分餾塔粗汽油干點推斷控制中的應(yīng)用[J].自動化儀表,1999,20(11):17-19.

[72] KASPAR M H,RAY W H.Dynamic PLS Modeling for Process Control[J].Chemical Engineering Science,1993, 48(20):3447-3461.

[73] 熊 麗,梁 軍,錢積新.基于偏最小二乘隱變量空間的控制器設(shè)計方法[J].化工學報,2007,58(2):403-409.

[74] CHEN G,MCAVOY TJ,PIOVOSOCM J.A Multivariate StatisticalControllerfor On-line Quality Improvement[J].Journal of Process Control,1998,8(8): 139-149.

[75] DONG D,MCAVOY T J.Nonlinear Principal Component Analysis-based on Principal Curves and Neural Networks [J].Computers and Chemical Engineering,1996,20(1): 65-78.

[76] 龔婷婷,黃道平,曾 輝.非線性PCA故障檢測方法及應(yīng)用[J].華中科技大學學報(自然科學版),2009,(S1):198-200.

[77] AIGHAZZAWIA A,LENNOX B.Monitoring a Complex Refining Process Using Multivariate Statistics[J].Control Engineering Practice,2008,16(3):294-307.

[78] WANG X,KRUGER U,IRWIN G W.Process Monitoring Approach Using Fast Moving Window PCA[J].Ind.Eng. Chem.Res.,2005,44(15):5691-5702.

[79] WILLISA M J,MONTAGUEA G A,MASSIMOA C D. ArtificialNeuralNetworks in Process Estimation and Control[J].Automatica,1992,28(6):1181-1187.

[80] 王旭東,邵惠鶴,羅榮富.分布式RBF神經(jīng)網(wǎng)絡(luò)及其在軟測量方面的應(yīng)用[J].控制理論與應(yīng)用,1998,15(4):558-563.

[81] MANDIC D P,CHAMBERS JA.RecurrentNeural Networks for Prediction:Learning Algorithms,Architectures and Stability[M].Wiley,2001.

[82] NG Y S,SRINIVASAN R.Multivariate Temporal Data Analysis using Self-Organizing Maps.1.Training Methodology for Effective Visualization of Multistate Operations[J].Ind. Eng.Chem.Res.,2008,47(20):7744-7757.

[83] 張 凱,錢 鋒,劉漫丹.模糊神經(jīng)網(wǎng)絡(luò)技術(shù)綜述[J].信息與控制,2003,32(5):431-435.

[84] NAUCK D,KlAWONN F,KRUSE R,et al.Foundations of Neuro-fuzzy Systems[M].New York:John Wiley& Sons Inc.,1997.

[85] 段向軍,朱 躍,陳乾偉.新型神經(jīng)模糊系統(tǒng)及其在乙烯裂解爐建模中的應(yīng)用[J].石油化工自動化,2007,(1):39-41.

[86] Fernández de Ca?ete J,CORDERO T,GIIJAS D,et al.An Adaptive Neuro-Fuzzy Approach to Control a Distillation Column[J].Neural Computing&Applications,2000,9 (3):211-217.

[87] BUCOLO M,FORTUNA L,GRAZIANI S,et al.Neuro-Fuzzy Modelling in Petrochemical Industry[C]∥the 7th MediterraneanConferenceon Controland Automation (MED99).Haifa,Israel,1999.

[88] RONG H J,SUNDARARAJAN N,HUANG G B,et al. Sequential Adaptive Fuzzy Inference System(SAFIS)for Nonlinear System Identification and Prediction[J].Fuzzy Sets and Systems,2006,157(9):1260-1275.

[89] VAPNIK V.The Nature of Statistical Learning Theory [M].New York:Springer Verlag,1995.

[90] YAN W,SHAO H,WANG X.Soft Sensing Modeling Based on SupportVectormachineand Bayesian Model Selection[J].Computers and Chemical Engineering,2004, 28(8):1489-1498.

[91] 李悅卿,金思毅,陶少輝,等.最小二乘支持向量機用于常壓塔汽油干點的軟測量[J].計算機與應(yīng)用化學,2008,25 (8):928-930.

[92] GENSYM,INC. G2Neur On-Line?for Real-Time Performance Management[EB/OL].[2010-10-27].http:// www.gensym.com /index.php?option = com _ content&view=article&id=54&Itemid=61.

[93] ASPENTECH,INC.AspenPlus?[EB/OL].[2010-10-27]./http://www.aspentech.com/core/aspen-plus.cfm.

[94] UMETRICS AB. SIMCA-Q Products-Integrating Multivariate Technology into YourSystem[EB/OL]. [2010-10-27].http://www.umetrics.com/simcaq.

[95] 楊善升,陸文聰,陳念貽.DMOS優(yōu)化軟件及其在化工過程優(yōu)化中的應(yīng)用[J].化工自動化及儀表,2005,32(4): 36-39.

Application of Data-based Techniques for Petrochemical Industry Process

Feng Dachuna,Lu Hongb
(Zhongkai University of Agriculture and Technology, a.College of Computer Science and Engineering, b.College of Chemistry and Chemical Engineering,Guangzhou,510225,China)

The importance of data-driven techniques in the petrochemical industry is introduced.Some other aspectsabout data-driven techniques,including the characteristicsof historicaldata in petrochemical industrial process and data pretreatment methods in modeling,the applications fields in the petrochemical industry,data-driven methods,and development methodology are summaried.The future directions of data-driven techniques in the petrochemical industry is discussed.

data-driven;industrial process;optimization

TP273

A

1007-7324(2010)06-0028-07

2010-09-26。

國家自然科學基金資助(20976204)。

馮大春(1973—),男,講師,博士,從事過程系統(tǒng)工程研究。