基于神經網絡算法對DCC裝置的大數據高階優化

李傳真　王國慶　鄒麗

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

關? 鍵? 詞：大數據;神經網絡;過程工業;高階優化

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展，衍生出A（artificial intelligence）、B（blockchain）、C（cloud Computing）、D（big Data）4大熱門專業。在過去十幾年，自動化及石油化工領域的專家學者已經開發出適用于石油化工的排產軟件，用來優化全廠加工流程，判斷產品結構的影響，進而提高企業經濟效益。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，利用神經網絡算法處理過程工業大規模數據，將計算機學科和大數據學科融合，繼而從海量數據中挖掘實際業務潛在問題，并通過建立優化模型，找到現存問題突破口，實現業務價值提升。

1? 項目背景和實現目標

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，按照循環經濟、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。現有流程是圍繞以DCC裝置為核心的燃油-化工型煉廠，煉油規模偏小，下游產業鏈延伸不夠，油品比重偏大，后續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濟效益為公司急需解決的根本問題。

1.2 ?? ?預期實現目標

經對全廠的經濟利潤進行了分析，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繼續加工生產苯乙烯，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? 神經網絡機器算法的大數據高階優化原理

在機器學習和認知科學領域，神經網絡（neural network）是一種模仿人的大腦結構和功能的數學模型或計算模型，用于對函數進行估計或近似。其方法是將使用大量的神經元構成神經網絡，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），如同人體神經末梢感受各種外部環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網絡運算，其神經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? 工業大數據高階優化

3.1? 數據基礎和來源

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

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據高階分析預測和優化模型，以盡量準確擬合DCC裝置產率并尋找以目標優化為導向的參數調優方案。持續對項目準備階段所收集到的裝置及物料歷史數據進行深入研究和分析，探討生產環境所受各項限制條件對目標產率的影響，識別關鍵參數。搭建可行的收率預測的高階模型，利用神經網絡機器算法搭建裝置感知器、權重和閾值。基于大數據模型尋優結果，初步驗證方案可行性與調優效果。在準確度達標的情況下，初步實施優化模型，并評估優化效果。

3.3? 模型評價與優化

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

模型評價和優化階段工作旨在持續優化大數據高階分析預測和優化模型的調優能力，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調優試驗，并將新生成數據投入到模型優化和迭代過程中，由此不斷提高模型預測準確性與優化能力。最終將根據實際模型使用員工的操作和應用需求設計軟件系統操作界面，并針對后續使用及維護過程編寫操作手冊，并提供對應的培訓。

4? 大數據高階優化的特點及挑戰

4.1? 大數據高階優化的特點

4.1.1 ?數據分析工具的選擇

本課題大數據高階分析預測和優化模型選擇使用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網上免費獲得和正常使用，不會造成模型開發與維護的額外成本。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，擁有動態類型系統和垃圾回收功能，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中運行。

4.1.2 ?使用過程工業大數據

目前互聯網公司的大數據技術，基本通過很簡單的統計分析即可揭示部分信息。而工業大數據建模是面向過程工業決策、優化、故障診斷、控制等應用，解決相對復雜數據建模問題，需要更深入的數據建模方法^[3]。

4.1.3 ?更適宜工業生產挖潛增效

與傳統數據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，針對的是小變量規模、短時間段的規則采樣數據。而大數據高階優化使用非線性運算的神經網絡算法融合計算機學科和自動化學科，采樣數據范圍更大，測算精度更為嚴格，可應用于單裝置的生產優化，更適宜企業挖潛增效。

4.2? 大數據高階優化帶來的挑戰

4.2.1 ?基于大數據高階優化的主動預測

本課題主要利用過程工業大數據在生產運行時產生的數據更好地改進過程運行、提高高價值產品收率，在后續的研究中，期望能通過數據的分析，實現大數據的主動預測，進而實現快速分析及執行，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控制，如能從多種數學模型進行計算并驗證，將極大保證生產的安全性和平穩性。目前除本課題使用的神經網絡算法外，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，龐大的數據分析量對計算機配置的要求也要求很高。傳統的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布的Big data：the next frontier for innovation，competition，and productivity指出過程工業可以從大數據分析和應用中提高生產力、降低功耗。以工業大數據為價值源，到2020年的總體價值將近1.3萬億美元^[5]。隨著工業控制與信息技術的不斷發展，各類工業控制系統與信息技術不斷結合，存儲收集數據的能力大幅提高，如何管理和利用，使計算機學科和自動化學科有效融合，將收集到的繁雜數據去離群、去缺失，提高工業生產模型的準確性，進而研究大數據高階優化的發展規律及預測趨勢走向，幫助企業生產管理人員提高收益、降低風險，將是未來過程工業大數據高階優化的趨勢和潮流。

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的數據分析概述[J].信息技術，2018（11）：5-8.

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

[4]GE智能平臺. 工業大數據云利用大數據推動創新、競爭和增長[J].自動化博覽，2012（12）：40-42.

[5]秦明，陳凱.工業大數據集成應用綜述[J]. 軟件導刊，2017（7）：213-215.