化工行业基于大数据驱动的工艺操作优化技术研究

引言

精馏塔是化工生产过程中最常见也是最重要的分离设备之一。化工装置中精馏塔设备投资巨大，约占化工项目设备总投资的30%～40%，其性能直接关系到生产装置的投资、产能、质量、能耗及成本。精馏过程的控制问题也一直是控制领域的重要研究课题。

现有的精馏塔的研究由于模型构建复杂、构建的数学模型通常不完善、存在控制效果不佳、诊断滞后、不能提前预测等缺陷。因此，化工行业精馏塔的节能优化控制的研究大多处于实验示范阶段，在装置中的实际应用不多。在化工行业的自动化发展过程中，精馏塔设备运行的过程监测较为成熟，已经积累了大量的包括设备物联数据、生产经营数据和外部数据的工业大数据，实现涵盖了精馏塔生产的全流程，包含时间与空间两个维度上不同尺度的大容量工业大数据的信息收集和整理。

工业大数据作为一种资源，被广泛认为是化工行业由中国制造转变为中国“智”造的重要推动力量。因此，如何有效地对化工行业精馏塔历史积累的数据进行大数据驱动的模型建立，并在有效建模的基础上实现精馏塔的优化生产，可解决目前行业中存在的难题，将为用户提升产品质量、降低生产能耗做出贡献，也是化工行业智能化转型升级的必然需求。

传统的精馏塔建模方法分析

精馏塔传统建模方法主要包括理论建模方法、传统系统辨识和数据驱动的智能建模方法。其中理论建模方法和传统系统辨识属于传统的建模方法。现在的很多化工行业的建模基本上集中于前两种方法。理论建模方法又称为机理分析法，也被称为“白箱”，它是通过分析过程内在的运作规律，运用已知的原理、定律和定理等，在长期的实践中建立实用的过程经验模型。一种典型的机理建模技术是用代数方程、差分方程和微分方程来描述线性或非线性、连续或离散、确定或随机等连续系统，为其建立系统模型。

现有的精馏塔的研究主要根据实际精馏塔的操作过程分析和基于流程模拟软件的仿真，提出许多精馏塔模型，力图实现精馏塔在现有条件下生产等量产品的产品质量最好和生产同等产品质量的产品产量最多和生产能耗最低的协调优化问题，并对其异常状态进行预测。这些研究很多都是基于精确数学模型。

在采用精确的五阶模型的基础上使用线性二次型调节器（LQR）方法设计最优控制器，从而对精馏塔进行研究分析，但是这种方法忽略了模型参数发生变化的情况。部分业内专家提出了使用理论设计控制器，分析、研究精馏塔系统的性能。但是控制方法针对的是模型参数摄动在较小范围的控制过程，而且一定情况下其设计思想也导致了设计过程不必要的保守性，因此该方法忽视了模型参数在较大范围发生变化的情况。在这些研究中通常依赖大量的专家知识，对某个确定的精馏塔进行精确建模，建模周期长、难度大。同时，由于模型预先给定，当系统配置发生一定变化时，固定的模型很难应对动态变化的控制需求。

理论建模方法是建立在理论分析的基础之上的，通常需要对研究对象的内部运作规律有深入的了解和认识，而多数系统的内部运作结构较为复杂，很难完全从机理上归纳其内在规律。然而，由于模型构建复杂，构建的数学模型通常不完善，存在诊断滞后、不能提前预测等缺陷。

因此，化工行业精馏塔的节能优化控制的研究大多处于实验示范阶段，在装置中的实际应用不多，究其原因，主要是因为模型的不确定性、控制量和被控量的约束问题、控制算法实现的不可靠性以及存在执行器出现故障时的优化控制策略实施复杂等。

基于大数据驱动的精馏塔模型构建技术研究

近年来随着工业自动化技术和DCS技术的发展，精馏塔设备已经初步实现了生产的自动化，并在运行中收集了大量的数据。但是，其大数据的深度利用不足，缺少基于大数据的精馏塔设备运行建模或者评价方法和依据。这里研究精馏塔系统基于大数据驱动建模的模型构建方法、模型测试、模型评估及系统部署方法。

模型的离线学习和在线预测的整体架构图如图1所示。

图1模型的离线学习和在线预测的整体架构图

大数据驱动的精馏塔模型构建及运行

针对精馏塔系统，对采集到的多年控制系统历史数据进行数据挖掘，分析多达68个变量之间的内在耦合关系，以寻找变化规律，并将这些学习得到的规律用于精馏塔系统控制中，以提升在保证输出质量、能耗较小和满足设备约束条件下的系统效率和降低系统耗电量。主要解决思路是基于时间序列，通过深度学习对精馏塔系统的系统运行历史数据进行建模，构建系统各参数间的关系模型对模型的输出进行预测。

数据预处理

由于精馏塔中数据繁多，数据中存在较多的缺失和异常数据。首先采用数据异常的鉴别方法，通过物理模型对异常数据进行筛选和重构。由于物理特性、定律的限制，设备的不同状态之间存在一定的耦合关系。传感器数值的异常通常不会同时对所有的数值进行修改。因此，可以由此特性对异常的数据进行鉴别。

忽视离群点的存在是非常危险的，不加处理地将其进入数据的计算分析过程中，对模型建立会产生不良的影响。可以绘制变量的象形图，通过平均数和中位数来描述数据集中趋势的统计量，在一定程度上反映数据的整体水平。

特征值选取和处理

精馏塔模型是一个时滞的模型，构建了集成近期数据、中期数据和长期数据的特征集。

通过考察输入特征参数对模型输出的敏感性来判定特征参数对模型输出的影响重要程度，进而删减冗余特征参数，此类方法称为基于敏感性分析的特征参数选择方法。根据敏感性系数的计算方式，基于敏感性分析的特征选择方法可相应的分为两类：基于统计的随机敏感性的特征参数选择方法和基于偏导数敏感性的特征参数选择方法。

当影响因素较多时，采用平均影响值方法挑选出部分特征参数作为建模的输入可简化模型。当影响因素较少或挑选出的部分特征参数，可采用平均影响值计各特征参数的权重系数并进行加权，进一步提高建模精度。

由于精馏塔数据有不同的类型：当前时刻的特征分成三类：第一类（recent）是该时刻的相邻区间字段值，区间大小为分钟级，在该区间内系统应该是一个平滑变化的过程，比如前几分钟的变化可能反映了当前时刻相似的特性；第二类（near）是对应该时刻每间隔1个小时的时刻参数，直至间隔5小时以后不再考虑，总共重复取值操作；第三类（distant）是更远时间点相同的数据，发现数据分布可能具有1天的周期同分布情况，故以1天为间隔，取1天以后的该时刻数据作为特征的部分内容。

模型构建

由于输入参数和输出参数的数量总和较大，且需要进行基于时间序列的多变量多输出预测，属于较为复杂的系统分析问题。该系统数据分析需要较多的专业知识。为弱化这一前提，并期望习得一些潜在的变量间规律，提出了采用深度学习方法，用一个5层神经网络来得到目标物浓度、含水量、耗电量和（不）可控变量的系统模型。

这里使用同样的5层神经网络模型：一层为输入层，一层为输出层，中间三层为隐藏层。对于模型1，2来说，仅仅是输入层有所不通。其中隐藏层的神经元个数分别为3000个、2000个和100个。同时需要为该神经网络选择激励函数，如果不用激励函数，每一层的输出都是上层输入的线性函数，导致无论神经网络有多少层，输出都是输入的线性组合，与没有隐藏层效果相当，退化成最原始的感知机（Perceptron）。

在激励函数的选择上，ReLu优于常用的tanh和sigmoid。采用sigmoide函数时，计算量相对较大，同时在深层网络中进行反向传播时，容易出现梯度消失的情况，从而无法完成神经网络的训练。相比较而言，ReLu可以使一部分神经元的输出为0，可以形成稀疏的网络结构，减少参数间的相互依存关系，缓解了预测过程的过拟合问题。

同时由于深度学习的神经网络结构中神经元个数太多，造成计算过程极其漫长，一般都采用优化算法来优化学习过程。本次研究使用的Nadam算法，它是带有Nesterov动量项的Adam（带有动量向的RMSprop，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率）。其对学习率的约束更强，也更直接地影响梯度的更新。

基于大数据驱动模型的精馏塔工艺操作优化技术研究

考虑到工业优化控制过程中，当前控制策略改变当前状态会对之后的时间序列的数据特征产生影响，因此需要根据改变的状态量来更新这些产生影响的特征变量。利用设备模型构建的关于时间、塔釜温度、塔釜压力、塔进料量、塔顶回流、塔中部温度和塔釜采出量可控变量（作为深度学习网络的输入层变量）与标物浓度、含水量、耗电量（深度学习网络的输出层变量）的关系模型，提高模型的复用率，在控制策略的选择上，由于满足系统的输出可能有非常多的参数输出集合，提出基于遗传算法的策略选择算法。通过产生大量的控制策略，作为遗传算法的初始种群，通过对交叉、变异、适应度评价、最优个体记录等机制选择出最优秀的个体，作为当前时刻的最优策略，并将控制后改变的可控参数值更新到之后的时刻用于特征构建在模型三中生成对应这个时刻的初始种群，以达到基于时序进行优化控制的目的。提出遗传算法的编码机制，和对“最优控制”的适应度函数。由于存在一定的限定条件，这些限定条件在目标函数中通过惩罚惩罚项来计算适应度函数[2]。

遗传算法的步骤主要包含4个子流程，分别为基因选择、基因交叉、基因变异及适应度评估，其中基因表示问题的解，而解的表达要遵循一定的编码方式。图2分别给出了解的编码形式。

图2遗传算法中解的编码形式

精馏塔设备实时优化：

随时监测过程运行状况，在满足所有约束条件的前提下，不断调整工作点，以克服这些影响因素，保证过程始终能够得到最佳的经济效益。所谓“在线”，是指整个优化过程是自动进行的，从数据采集、模型修正，到优化计算。实时优化技术的实施必须有可靠的测量变送仪表、可靠的常规控制系统、可靠的先进控制技术和可靠的实时优化模型及优化算法，整个系统是一个高度集成的软硬件体系。可以将简单描述为当过程处于稳态时，对来自集散系统的现场数据进行数据调和，并以此为基础对稳态模型进行修正，在满足一定约束条件的前提下用该模型进行优化计算，优化得到的最优设定值送到下层的调节控制系统。当过程处于新的稳态工作点时，开始进行下一轮的数据调和、模型修正、优化，如此循环往复。

实时优化能够有效融合管理层与控制层，实现工厂从顶层的计划管理到底层的设备控制的全面自动化、最优化，同时获得以下方面的收益：

（1）增加产量，提高产品质量，使生产始终维持在最佳操作状况；

（2）减少原料和能源的消耗；

（3）延长设备的运行周期；

（4）对市场供求关系的变化反映及时；

（5）进一步深化对过程工艺与操作的了解，有助于工艺的改进和操作策略的调整。

精馏塔装置的实时优化是在基于大数据构建的精馏塔优化控制模型上，在线实时优化由数据采集、数据校正、稳态检验、模型参数更新、模型优化计算、控制动作输出几个步骤组成，如图3所示。

图3在线实时优化系统结构

数据采集

包括直接由现场测量仪表测量的并已集中到DCS中的过程量（温度、压力、流量等）及不能由仪表直接测量的过程量（组分等）。

数据校正

因为采集到的实测数据均不可避免地带有两类误差：过失误差和随机误差。这种粗制数据是不能直接用来做优化计算的，必须经过一道“去粗取精，去伪存真”的处理。首先，进行筛选，侦破哪些数据是过失误差数据。过失误差又分为两类：仪表相关误差（如仪表失灵、敏感元件故障等）和过程随机误差（如泄漏等）。这种过失误差数据必须删去，不能参加校正计算，否则将会把这种大误差传播到其他好的测量数据上。其次，进行随机误差校正。删去过失误差的数据即可视为均带有随机误差，但这类误差通常满足正态分布，可以用最小二乘法原理进行数据校正计算，用推算值弥补被删去的大误差值。经处理过的数据成为可以满足物料平衡和能量平衡的精制数据。

稳态检验

当前实时优化技术均基于稳态模拟模型，所以只有过程处于稳态操作时才适用。系统入口首先就要检验过程是否处于稳态操作。选取精馏塔装置的一些关键工艺变量的测量值做统计分析，如果其测量多次的变化量低于设定阈值，则认为统计上是稳态的，否则就认为不够执行实时优化的条件，程序转入等待循环，固定周期重新检验是否稳态。

稳态模型参数的更新

由流程模拟环节得到基于严格机理模型的稳态模拟模型。得到的稳态模拟模型，要形成在线实时优化能用的模型还需要若干次加工：

数据校正模型。评价DCS测量数据的内在一致性。它是一组联立的（基于方程的）热量和质量平衡计算程序。最终目标是给出一套完全处于热量和能量平衡的一致性的测量数据，送入核算工况；

核算工况模型。以经过校正的数据、分析数据及其他手动输入数据为输入，进行装置全流程物料和能量平衡计算，从而核算出一些单元设备模型中的随操作时间而变化的性能参数。

基础工况模型。这类模型中的可变参数已经标定过，取得能反映装置目前状况的当前值后的模型，该模型用来预测装置操作条件变化后的装置性能。

方案研究。在工况模型的基础上，增加产品指标的规定输入，并可改变各种操作变量，从而进行各种方案的研究。

工况研究。在核算模型的基础上，对工况研究变量进行改变，得到相应变量的变化趋势，从而研究操作变量与产品指标之间的变化关系。如精馏塔装置的回流比采出量与产品产出组分的关系等。

优化模型。在核算模型的基础上，加入决策变量和约束条件，如以精馏塔装置产值最大为目标函数，对精馏塔装置操作条件进行在线优化。

优化计算

给定目标函数（利润最大、产量最高或成本最低等）及外部市场经济数据（原料成本、产品价格及水电汽单价等），选择优化算法并通过计算机计算最优操作方案。

先进过程控制

将实时优化计算得到的最优操作点作为先进过程控制的设定点，实现精馏塔装置以最优路径达到最优操作点。

综上所述，本次的研究通过分析大数据驱动的设备建模的主体需求，进行数据特征分析、特征工程提取、模型的选择、训练与优化和评估等多流程的设备模型构建，根据该设备模型，构建设备状态的分析、状态时序转变及评测，实现设备工艺控制优化。本次的研究具有以下先进性：

（1）大数据驱动的精馏塔设备模型建模和控制优化可以不需要目标系统的精确数学模型，并可以较为有效地应对一定程度的不真实数据，受少数异常点的影响较小，并且具备持续改进和优化的能力；

（2）通过应用大数据技术对精馏塔设备的海量历史数据进行深层分析挖掘，力图快速获取有价值信息，形成可供推广的设备建模及控制优化方法。

最终在实际项目上，可针对精馏塔设备达到以下技术指标：

建模指标：

·温度参数测量指标建模精确到0.1℃；

·压力参数测量指标建模精度达到0.1Kp；

·流量参数测量指标建模精度范围达到0.2%；

·对应各组分含量能建模精确到0.5%；

控制优化指标：

·目标提取物含量波动范围缩小30%；

·杂质含量相比行业标准降低60%；

·水份含量低于0.05%；

·提高产品平均出率0.5%。

本次研究基于大数据驱动的建模方式，进行化工行业精馏塔工艺操作优化方法，将为用户提升产品质量、降低能耗，实现绿色发展的社会效益。也会使得化工行业对于大数据实现更加深度的应用，通过大数据对于关键设备的建模，可以更加清晰地了解关键设备的运行状态，同时提高设备运行、维护和优化水平，实现化工行业的劳动效率、自动化、信息化、智能化水平显著提升，在部分工艺阶段实现无人化或少人化操作。基于工业云和工业大数据平台的设备工艺操作优化，不但使得设备自身具备自调整、自优化和自诊断能力，及时响应生产需求的变化，还可以通过工业网络与其他智能模块实现实时互动，重新组合生产流程和布局，满足化工行业全流程智能建模、管理和优化需求。

声明：本文内容由企业提供，如涉及版权、机密问题，请及时联系我们删除（QQ: 2737591964），不便之处，敬请谅解！