李傳真　王國慶　鄒麗

摘????? 要： 結合集團公司提出的加快建設數(shù)字化工廠的設想，利用過程工業(yè)大數(shù)據(jù)高階優(yōu)化對DCC裝置進行診斷分析，搭建軟件模型，論述現(xiàn)有數(shù)據(jù)建模方法，提升潛力并優(yōu)化工藝控制，達到降本增效的目的。最后，探討過程工業(yè)大數(shù)據(jù)高階優(yōu)化的特點和挑戰(zhàn)，實現(xiàn)業(yè)務價值的提升。

關? 鍵? 詞：大數(shù)據(jù);神經(jīng)網(wǎng)絡;過程工業(yè);高階優(yōu)化

中圖分類號：TE319??? ???文獻標識碼： A?? ????文章編號： 1671-0460（2020）06-1162-04

High-order Optimization of Big Data in DCC Device?Based on Neural Network Algorithm

LI Chuan-zhen， WANG Guo-qing， ZOU Li

（CNOOC Dongfang Petrochemical Co.， Ltd.， Dongfang Hainan 572600， China）

Abstract： Combined with the idea of accelerating the construction of a digital factory proposed by the group company， high-order optimization of process industry big data was used to diagnose and analyze DCC devices， and a software model was built， existing data modeling methods were discussed to reduce costs and increase efficiency. Finally， the characteristics and challenges of high-level optimization of process industry big data were analyzed in order to realize the improvement of business value.

Key words： Big data; Neural network; Process industry; High-order optimization

當今社會信息技術飛速發(fā)展，衍生出A（artificial intelligence）、B（blockchain）、C（cloud Computing）、D（big Data）4大熱門專業(yè)。在過去十幾年，自動化及石油化工領域的專家學者已經(jīng)開發(fā)出適用于石油化工的排產軟件，用來優(yōu)化全廠加工流程，判斷產品結構的影響，進而提高企業(yè)經(jīng)濟效益。原有排產軟件一般都基于線性算法，適用于分析全廠簡單、清晰的流程。本課題嘗試通過使用Python3.0編程，利用神經(jīng)網(wǎng)絡算法處理過程工業(yè)大規(guī)模數(shù)據(jù)，將計算機學科和大數(shù)據(jù)學科融合，繼而從海量數(shù)據(jù)中挖掘實際業(yè)務潛在問題，并通過建立優(yōu)化模型，找到現(xiàn)存問題突破口，實現(xiàn)業(yè)務價值提升。

1? 項目背景和實現(xiàn)目標

1.1? 項目背景

某公司設計以海南島周邊原油、凝析油和天然氣資源為依托，按照循環(huán)經(jīng)濟、清潔生產和綠色低碳的原則，采用催化裂解（DCC）技術生產乙烯、丙烯和碳四等重要化工原料，堅持走精細化工道路，下游延伸發(fā)展高技術含量、高附加值的化工新材料和高端精細化學品。一期為煉油裝置，二期為化工裝置，但由于二期工程丙烯腈工藝包轉讓受阻，二期項目僅有乙苯、苯乙烯裝置建成投產。現(xiàn)有流程是圍繞以DCC裝置為核心的燃油-化工型煉廠，煉油規(guī)模偏小，下游產業(yè)鏈延伸不夠，油品比重偏大，后續(xù)又新建兩套產品質量升級項目，造成了成本能耗進一步上升，抗風險能力不強。在丙烯腈項目建成投產前如何取得最大經(jīng)濟效益為公司急需解決的根本問題。

1.2 ?? ?預期實現(xiàn)目標

經(jīng)對全廠的經(jīng)濟利潤進行了分析，通過測算，汽柴油產品虧損嚴重，而提升經(jīng)濟效益主要依靠丙烯、苯乙烯和MTBE產品，能否提高丙烯、苯乙烯和MTBE 3種高價值產品的產量，主要取決全廠的核心——DCC裝置。DCC為國內首套增強型催化裂解 （DCC-plus） 裝置，采用北京石油化工研究院開發(fā)的多產丙烯的專利技術（Deep Catalytic Cracking），是以重質烴為原料、以丙烯為主產品、輕芳烴為副產品的化工型煉油工藝技術。與常規(guī)催化裂化最大的不同就是采取較高反應深度，使得乙烯、丙烯和異丁烯類高附加值產品收率大幅升高，最大限度地減少汽柴油產品產量，研究DCC裝置低碳烯烴產品收率的影響因素是項目的關鍵點。

1.3? 效益可行性分析

在保證裝置負荷相同，同時原油成本沒有增加的前提下，分別將干氣中乙烯、液化氣中丙烯質量分數(shù)以提高1%為單位目標進行效益分析。通過化驗分析，目前干氣中乙烯質量分數(shù)平均為35%，液化氣中丙烯含量平均為44%，提高1%后分別約為36%、45%。當前DCC裝置進料量約3 300 t·d^-1，干氣產量約為300 t·d^-1，乙烯產量約105 t·d^-1;液化氣產量約為1 300 t·d^-1，丙烯產量約573 t·d^-1。在保證進料量相同的前提下，提升收率后乙烯理論產量應達到300×36%=108 t·d^-1，丙烯產量應達到1 300×45%=585 t·d^-1;丙烯每噸可盈利為1 000元，增加效益為（585-573）×1 000=12 000元·d^-1。每噸乙烯可以生產乙苯約3.5 t，乙苯為中間產品后續(xù)繼續(xù)加工生產苯乙烯，每噸苯乙烯可盈利1 500元，苯乙烯增加效益約為3.5×（108-105）×94%×1 500=14 800元·d^-1。全年總計盈利（12 000 +?? 14 800）×360=9 648 000元。

2? 神經(jīng)網(wǎng)絡機器算法的大數(shù)據(jù)高階優(yōu)化原理

在機器學習和認知科學領域，神經(jīng)網(wǎng)絡（neural network）是一種模仿人的大腦結構和功能的數(shù)學模型或計算模型，用于對函數(shù)進行估計或近似。其方法是將使用大量的神經(jīng)元構成神經(jīng)網(wǎng)絡，模擬思考。圖1、圖2為感知器和反應器感知器模擬示意圖

圖1、圖2的圓圈就代表一個感知器。它接受多個輸入（x₁，x₂，x₃...），生成輸出（output），如同人體神經(jīng)末梢感受各種外部環(huán)境的變化進而產生電信號，達到控制相應的身體組織器官的效果。

基于本課題的研究，可以將干氣中乙烯、液化氣中丙烯含量建立一個神經(jīng)網(wǎng)絡運算，其神經(jīng)元就是影響其收率的各項操作指標。

為了簡化模型，我們約定每種輸入只有兩種可能：1 或 0。如果所有輸入可滿足干氣乙烯、液化氣丙烯質量分數(shù)達到36%、45%，表示各種條件都成立，輸出就是1;如果所有輸入為0，則表示條件不成立，輸出就是0。

除上述影響收率的各項操作指標外，其產品還會受到一些因素的影響，例如催化劑活性、催化劑加注量、原油成分改變等。這些因素對產品收率都或多或少產生影響，但影響程度各不相同。某些因素是決定性因素，另一些因素是次要因素。因此，可以給這些因素指定權重（weight），代表它們不同的重要性。

如：催化劑活性權重為4，催化劑加注量權重為2，原油成分權重為2。

3個權重總和即為4+4+2=10。

這時，還需要指定一個閾值（threshold）。閾值的高低代表了影響的強烈，閾值越低就表示收率越低，越高表示就收率越高。

上面的決策過程，使用數(shù)學表達如下：

式中，x表示各種外部因素，w表示對應的權重。

單個的感知器構成了一個簡單的決策模型，已經(jīng)可以拿來用了。石油化工加工過程中，實際的決策模型則要復雜得多，是由多個感知器組成的多層網(wǎng)絡圖3。

圖3中，左側底層感知器首先接收外部輸入信號，做出計算判斷后，傳遞給上層感知器作為輸入信號，上層感知器繼續(xù)計算判斷，直至得到最后的結果。

為了方便后面的討論，需要對上面的模型進行一些數(shù)學處理。

外部因素x₁、x₂、x₃寫成矢量<x₁， x₂， x₃>，簡寫為x。

權重w₁、w₂、w₃ 也寫成矢量（w₁， w₂， w₃），簡寫為w。

定義運算w?x = ∑wx，即w和x的點運算，等于因素與權重的乘積之和。

定義b等于負的閾值b = -threshold，

感知器模型就變成了下面這樣：

其中，最困難的部分就是確定權重（w）和閾值（b）。目前為止，這兩個值都是主觀給出的，但現(xiàn)實中很難估計它們的值，必須有一種方法，可以找出答案。

這種方法就是試錯法。其他參數(shù)都不變，w（或b）的微小變動，記作Δw（或Δb），然后觀察輸出有什么變化。不斷重復這個過程，直至得到對應最精確輸出的那組w和b^[1]，這個過程稱為模型的訓練。而最終訓練出達到我們所需的輸出值（output）的各項輸入項（inputs），就是我們期望得到的生產工況圖4。

3? 工業(yè)大數(shù)據(jù)高階優(yōu)化

3.1? 數(shù)據(jù)基礎和來源

工業(yè)大數(shù)據(jù)的高階優(yōu)化工作基礎是收集數(shù)據(jù)，石油化工企業(yè)都會部署了集散控制系統(tǒng)（DCS）、實驗室管理系統(tǒng)（LIMS）、制造執(zhí)行系統(tǒng)（MES）等系統(tǒng)，這些系統(tǒng)配備了歷史數(shù)據(jù)服務器，儲存了至少一個生產運行周期的工況數(shù)據(jù)，足以提供大量的數(shù)據(jù)供進行分析計算。我們通過收集包括DCS裝置位點數(shù)據(jù)、LIMS化驗數(shù)據(jù)、調度生產數(shù)據(jù)等相關歷史數(shù)據(jù)，以干氣乙烯、液化氣丙烯質量分數(shù)達到36%、45%為目標，實際生產工況數(shù)據(jù)為主，輔以流程數(shù)據(jù)、實驗室數(shù)據(jù)、業(yè)務數(shù)據(jù)。清理原始數(shù)據(jù)，按工況將不同來源數(shù)據(jù)進行匹配整合。初步分析數(shù)據(jù)，發(fā)現(xiàn)、診斷裝置現(xiàn)存問題。

3.2? 分析建模

建模階段工作圍繞搭建符合某公司DCC實際運行工況和進料性質的大數(shù)據(jù)高階分析預測和優(yōu)化模型，以盡量準確擬合DCC裝置產率并尋找以目標優(yōu)化為導向的參數(shù)調優(yōu)方案。持續(xù)對項目準備階段所收集到的裝置及物料歷史數(shù)據(jù)進行深入研究和分析，探討生產環(huán)境所受各項限制條件對目標產率的影響，識別關鍵參數(shù)。搭建可行的收率預測的高階模型，利用神經(jīng)網(wǎng)絡機器算法搭建裝置感知器、權重和閾值。基于大數(shù)據(jù)模型尋優(yōu)結果，初步驗證方案可行性與調優(yōu)效果。在準確度達標的情況下，初步實施優(yōu)化模型，并評估優(yōu)化效果。

3.3? 模型評價與優(yōu)化

模型評價是指對于已經(jīng)建立的一個或多個模型，根據(jù)其模型的類別，使用不同的指標評價其性能優(yōu)劣的過程。模型的優(yōu)化則是指模型性能在經(jīng)過模型評價后已經(jīng)達到了要求，但在實際生產環(huán)境應用過程中，發(fā)現(xiàn)模型的性能并不理想，繼而對模型進行重構與優(yōu)化的過程^[2]。

模型評價和優(yōu)化階段工作旨在持續(xù)優(yōu)化大數(shù)據(jù)高階分析預測和優(yōu)化模型的調優(yōu)能力，并完成產品化。基于初步實施階段結果，進一步與DCC裝置的生產、技術、設備、工藝等專家共同探討過程中的各類問題，設計并進行一系列參數(shù)調優(yōu)試驗，并將新生成數(shù)據(jù)投入到模型優(yōu)化和迭代過程中，由此不斷提高模型預測準確性與優(yōu)化能力。最終將根據(jù)實際模型使用員工的操作和應用需求設計軟件系統(tǒng)操作界面，并針對后續(xù)使用及維護過程編寫操作手冊，并提供對應的培訓。

4? 大數(shù)據(jù)高階優(yōu)化的特點及挑戰(zhàn)

4.1? 大數(shù)據(jù)高階優(yōu)化的特點

4.1.1 ?數(shù)據(jù)分析工具的選擇

本課題大數(shù)據(jù)高階分析預測和優(yōu)化模型選擇使用Python3.0編寫。編程腳本使用Python自帶的標準庫與眾多第三方庫。Python3.0軟件和標本庫可從互聯(lián)網(wǎng)上免費獲得和正常使用，不會造成模型開發(fā)與維護的額外成本。Python是一種廣泛使用的解釋型、跨平臺的通用型高級編程語言，擁有動態(tài)類型系統(tǒng)和垃圾回收功能，能夠自動管理內存使用，并且支持多種編程范式，且擁有一個巨大而廣泛的標準庫。Python解釋器本身幾乎可以在所有的操作系統(tǒng)中運行。

4.1.2 ?使用過程工業(yè)大數(shù)據(jù)

目前互聯(lián)網(wǎng)公司的大數(shù)據(jù)技術，基本通過很簡單的統(tǒng)計分析即可揭示部分信息。而工業(yè)大數(shù)據(jù)建模是面向過程工業(yè)決策、優(yōu)化、故障診斷、控制等應用，解決相對復雜數(shù)據(jù)建模問題，需要更深入的數(shù)據(jù)建模方法^[3]。

4.1.3 ?更適宜工業(yè)生產挖潛增效

與傳統(tǒng)數(shù)據(jù)建模的排產軟件相比，排產軟件一般應用于全廠加工、效益測算、產品分布的粗略線性計算，這種計算完全屬于自動化學科，針對的是小變量規(guī)模、短時間段的規(guī)則采樣數(shù)據(jù)。而大數(shù)據(jù)高階優(yōu)化使用非線性運算的神經(jīng)網(wǎng)絡算法融合計算機學科和自動化學科，采樣數(shù)據(jù)范圍更大，測算精度更為嚴格，可應用于單裝置的生產優(yōu)化，更適宜企業(yè)挖潛增效。

4.2? 大數(shù)據(jù)高階優(yōu)化帶來的挑戰(zhàn)

4.2.1 ?基于大數(shù)據(jù)高階優(yōu)化的主動預測

本課題主要利用過程工業(yè)大數(shù)據(jù)在生產運行時產生的數(shù)據(jù)更好地改進過程運行、提高高價值產品收率，在后續(xù)的研究中，期望能通過數(shù)據(jù)的分析，實現(xiàn)大數(shù)據(jù)的主動預測，進而實現(xiàn)快速分析及執(zhí)行，降低錯誤決策的后果^[4]。

4.2.2 ?多種算法建設和評估模型

考慮到石油化工生產屬于高危工業(yè)控制，如能從多種數(shù)學模型進行計算并驗證，將極大保證生產的安全性和平穩(wěn)性。目前除本課題使用的神經(jīng)網(wǎng)絡算法外，還有梯度提升回歸決策樹、隨機森林等多種機器算法。但除建模需要針對性的分析研究外，龐大的數(shù)據(jù)分析量對計算機配置的要求也要求很高。傳統(tǒng)的CPU不能滿足計算需求，必須使用專門為機器學習定制的GPU來計算。

5? 結束語

麥肯錫全球研究院發(fā)布的Big data：the next frontier for innovation，competition，and productivity指出過程工業(yè)可以從大數(shù)據(jù)分析和應用中提高生產力、降低功耗。以工業(yè)大數(shù)據(jù)為價值源，到2020年的總體價值將近1.3萬億美元^[5]。隨著工業(yè)控制與信息技術的不斷發(fā)展，各類工業(yè)控制系統(tǒng)與信息技術不斷結合，存儲收集數(shù)據(jù)的能力大幅提高，如何管理和利用，使計算機學科和自動化學科有效融合，將收集到的繁雜數(shù)據(jù)去離群、去缺失，提高工業(yè)生產模型的準確性，進而研究大數(shù)據(jù)高階優(yōu)化的發(fā)展規(guī)律及預測趨勢走向，幫助企業(yè)生產管理人員提高收益、降低風險，將是未來過程工業(yè)大數(shù)據(jù)高階優(yōu)化的趨勢和潮流。

參考文獻：

[1]韓淼. 基于高斯過程的錢塘江涌潮預報算法研究[D]. 杭州：杭州電子科技大學，2018.

[2]翟高粵. 基于Python的數(shù)據(jù)分析概述[J].信息技術，2018（11）：5-8.

[3]劉強，秦泗釗. 過程工業(yè)大數(shù)據(jù)建模研究展望[J]. 自動化學報，2016 （2）：161-171.

[4]GE智能平臺. 工業(yè)大數(shù)據(jù)云利用大數(shù)據(jù)推動創(chuàng)新、競爭和增長[J].自動化博覽，2012（12）：40-42.

[5]秦明，陳凱.工業(yè)大數(shù)據(jù)集成應用綜述[J]. 軟件導刊，2017（7）：213-215.