基于工業(yè)大數(shù)據(jù)的AI裝置優(yōu)化技術(shù)研究

仇登可，張 弢，侯士超，崔 鵬，劉 鋒

（1.昆侖數(shù)智科技有限責(zé)任公司，北京 102206；2.中國石油天然氣股份有限公司石油化工研究院，北京 102206）

0 引言

當(dāng)今世界國際環(huán)境錯綜復(fù)雜，石化企業(yè)創(chuàng)新是一個國家創(chuàng)新戰(zhàn)略的重要組成部分，要實(shí)現(xiàn)由石化大國向石化強(qiáng)國的跨越，創(chuàng)新是首要的關(guān)鍵要素。因此，著眼于人工智能技術(shù)研發(fā)相關(guān)軟件產(chǎn)品，對提升石化產(chǎn)業(yè)的整體水平有著重要意義。人工智能（Artificial Intelligence，簡稱AI）誕生于1956 年，是一門全新的研究開發(fā)擴(kuò)展人類智能的理論技術(shù)[1]，AI 技術(shù)試圖通過模仿人類智能，讓機(jī)器擁有更高的智慧，從而使機(jī)器能夠承擔(dān)一些當(dāng)前只有人類完成的復(fù)雜工作。

在現(xiàn)代社會中，工業(yè)發(fā)展已經(jīng)成為推動中國社會和經(jīng)濟(jì)走向更高水平的重要推手和支撐力量，工業(yè)自動化對一個國家發(fā)展起著重要作用。在依據(jù)工程人員經(jīng)驗(yàn)的傳統(tǒng)湊試方法仍是PID 參數(shù)整定主要方法的前提下，研究應(yīng)用AI技術(shù)算法自動整定PID 的參數(shù)具有重要意義。相較于費(fèi)時費(fèi)力、計算結(jié)果準(zhǔn)確度低的傳統(tǒng)湊試法而言，AI 技術(shù)更為便捷且具有較高的準(zhǔn)確度。

1 工業(yè)大數(shù)據(jù)

1.1 工業(yè)大數(shù)據(jù)概述

工業(yè)大數(shù)據(jù)是指工業(yè)設(shè)備高速運(yùn)轉(zhuǎn)時產(chǎn)生的大量數(shù)據(jù)，對應(yīng)著不同時間、不同狀態(tài)下的設(shè)備信息。如果能將這些數(shù)據(jù)信息有效地分析利用，能夠提高工業(yè)生產(chǎn)效率和經(jīng)濟(jì)效益。工業(yè)大數(shù)據(jù)除了具有大數(shù)據(jù)所共有的海量性、多樣性、高速性和易變性，還擁有設(shè)備大型化、生產(chǎn)連續(xù)化、參數(shù)復(fù)雜化的特點(diǎn)[2]。具體來說具有以下特征：

1）海量性。工業(yè)大數(shù)據(jù)的數(shù)據(jù)體量非常龐大，大量生產(chǎn)裝置的數(shù)據(jù)信息不斷涌入，在帶來潛在價值的同時，也對大數(shù)據(jù)的處理技術(shù)提出更高要求，即從海量數(shù)據(jù)中篩選提取出有用信息。

2）多樣性。工業(yè)大數(shù)據(jù)類型多樣，來源廣泛，分布于生產(chǎn)管理、工藝管理、設(shè)備管理等各個環(huán)節(jié)中，數(shù)據(jù)與數(shù)據(jù)之間不僅關(guān)聯(lián)復(fù)雜，也會產(chǎn)生新的關(guān)聯(lián)數(shù)據(jù)。

3）高速性。由于工業(yè)生產(chǎn)效率影響經(jīng)濟(jì)效益，必須具有能夠高速獲得并處理的特點(diǎn)，裝置生產(chǎn)現(xiàn)場的數(shù)據(jù)分析處理時間要求達(dá)到秒級甚至毫秒級。

4）易變性。影響工業(yè)生產(chǎn)的因素多種多樣，時刻發(fā)生變化，導(dǎo)致工業(yè)大數(shù)據(jù)的易變性，需要更加注重提取對現(xiàn)有工藝或設(shè)備有效的數(shù)據(jù)，提高生產(chǎn)效率和推動個性化發(fā)展，而非專注于數(shù)據(jù)本身。

5）強(qiáng)關(guān)聯(lián)性。工業(yè)生產(chǎn)全過程的數(shù)據(jù)之間都具有一定的關(guān)聯(lián)性，如石油化工行業(yè)中上游裝置的出料時刻影響著下游裝置的進(jìn)料，包括產(chǎn)品組分、進(jìn)料流量等。

6）準(zhǔn)確性。工業(yè)大數(shù)據(jù)不僅要求數(shù)據(jù)真實(shí)可靠，也要求數(shù)據(jù)的處理方法科學(xué)可靠，僅通過數(shù)據(jù)的統(tǒng)計無法獲得工業(yè)大數(shù)據(jù)更深層次的價值，因此要通過建立物理模型和數(shù)學(xué)模型等方式，深度挖掘數(shù)據(jù)價值。

7）閉環(huán)性。工業(yè)生產(chǎn)與每個步驟息息相關(guān)，如石油化工裝置的控制回路需要在閉環(huán)狀態(tài)下對其進(jìn)行調(diào)整優(yōu)化。

1.2 石油化工行業(yè)應(yīng)用

工業(yè)大數(shù)據(jù)若要得到有效應(yīng)用，需要通過數(shù)據(jù)存儲、數(shù)據(jù)處理、數(shù)據(jù)分析等技術(shù)發(fā)現(xiàn)數(shù)據(jù)之間隱藏的關(guān)聯(lián)性和其他有效信息，以便更好地提高工業(yè)效率和產(chǎn)品質(zhì)量[3]。在石油化工行業(yè)，工業(yè)大數(shù)據(jù)包括了從用戶需求、工藝設(shè)計、設(shè)備采購、裝置生產(chǎn)、產(chǎn)品銷售到售后服務(wù)全生命周期產(chǎn)生的數(shù)據(jù)信息。通過工業(yè)大數(shù)據(jù)技術(shù)，挖掘產(chǎn)品全生命周期數(shù)據(jù)中蘊(yùn)含的價值，對其進(jìn)行規(guī)劃處理和分析計算，從龐大且復(fù)雜的數(shù)據(jù)集中獲取新的理論方法或技術(shù)，以此推動企業(yè)的改革創(chuàng)新，提升產(chǎn)品質(zhì)量和生產(chǎn)效率，最終實(shí)現(xiàn)高經(jīng)濟(jì)效益的提高。若要更好地服務(wù)于石化生產(chǎn)，還需深入研究裝置現(xiàn)場的實(shí)際情況，形成有效、便于實(shí)施的解決方案。

2 AI模型對象辨識

在石油化工產(chǎn)品生產(chǎn)過程中，存在大量的控制系統(tǒng)，這些控制系統(tǒng)若要具有良好的控制效果，就需建立貼合實(shí)際的數(shù)據(jù)模型，并對裝置被控對象的數(shù)據(jù)模型進(jìn)行系統(tǒng)辨識。模型的建立往往依賴于已有的工藝流程、生產(chǎn)環(huán)境等相關(guān)信息，這些信息被稱為先驗(yàn)知識，先驗(yàn)知識對模型結(jié)構(gòu)的選擇以及辨識方法的確定都有重要作用。AI 模型建立后，即可進(jìn)行系統(tǒng)辨識，AI 模型對象辨識的最終目的是能夠?qū)Ρ豢貙ο笪磥淼淖兓M(jìn)行預(yù)測和控制，通過測量系統(tǒng)的輸入和輸出預(yù)測其變化趨勢，提前做出應(yīng)對措施，提高系統(tǒng)的控制質(zhì)量。

結(jié)合AI 技術(shù)研究并實(shí)現(xiàn)非線性、閉環(huán)對象辨識，如采樣周期、信號幅度等如何設(shè)置，將按照工程化，結(jié)合現(xiàn)場實(shí)用的目標(biāo)設(shè)計，應(yīng)用的AI 技術(shù)主要包括非線性回歸分析、神經(jīng)網(wǎng)絡(luò)算法和遺傳算法等[4]。

2.1 非線性回歸分析

回歸分析法是在掌握大量觀察數(shù)據(jù)的基礎(chǔ)上，利用數(shù)理統(tǒng)計方法建立因變量與自變量之間的回歸關(guān)系函數(shù)表達(dá)式。非線性回歸，是回歸函數(shù)關(guān)于未知回歸系數(shù)具有非線性結(jié)構(gòu)的回歸[5]，常用的處理方法有回歸函數(shù)的線性迭代法、分段回歸法、迭代最小二乘法等。應(yīng)避免模型的過擬合和欠擬合，因?yàn)榍窋M合會導(dǎo)致總體上較差的性能和較高的預(yù)測誤差，而過擬合會導(dǎo)致較差的泛化和較高的模型復(fù)雜性。

2.2 神經(jīng)網(wǎng)絡(luò)算法

神經(jīng)網(wǎng)絡(luò)算法是模擬人類智能的一種計算機(jī)處理算法，要先仿照人類神經(jīng)系統(tǒng)搭建神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)由大量的神經(jīng)元構(gòu)成，每個神經(jīng)元僅具有簡單的功能和結(jié)構(gòu)，但當(dāng)大量的神經(jīng)元互相連接組成一個系統(tǒng)時，就可以產(chǎn)生復(fù)雜的行為或進(jìn)行復(fù)雜問題的計算。神經(jīng)網(wǎng)絡(luò)不是按照一定的方法流程執(zhí)行計算，而是自身通過學(xué)習(xí)適應(yīng)環(huán)境，總結(jié)規(guī)律，從而達(dá)到完成指定運(yùn)算的目的。因此，要先對神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，使其能夠?qū)σ呀?jīng)學(xué)習(xí)過的內(nèi)容做出準(zhǔn)確迅速的判斷，進(jìn)而深化學(xué)習(xí)，提高神經(jīng)網(wǎng)絡(luò)的自適應(yīng)能力和自組織能力，可以發(fā)展知識甚至超過設(shè)計者原有的知識水平[6]。

2.3 遺傳算法

遺傳算法是通過模擬自然界中生物體的繁衍過程而開發(fā)設(shè)計發(fā)展起來的隨機(jī)搜索算法[7]。研究學(xué)者通過模擬自然界中生物的進(jìn)化過程建立數(shù)學(xué)模型求問題的最優(yōu)解，用數(shù)學(xué)的計算手段，把問題的求解計算過程方式轉(zhuǎn)換成基于染色體各個基因之間的自然交叉基因變異的計算過程。相較于傳統(tǒng)的數(shù)據(jù)優(yōu)化分析算法，遺傳算法能快速解決復(fù)雜的系統(tǒng)優(yōu)化問題，可以快速得到更加準(zhǔn)確的優(yōu)化結(jié)果。

遺傳算法應(yīng)用步驟如下[8]：

1）確定一種編碼方式表示可行解的染色體，通過隨機(jī)方式產(chǎn)生初始種群。

2）在確定個體適應(yīng)度函數(shù)后，通過計算個體的適應(yīng)度函數(shù)值保留適應(yīng)的個體。

3）根據(jù)需要設(shè)計選擇算子、交叉算子和遺傳算子，通過對優(yōu)秀基因的遺傳操作形成新的種群，直到達(dá)到最大迭代次數(shù)。

4）輸出種群中適應(yīng)度最高的值作為最優(yōu)解，作為遺傳算法的執(zhí)行結(jié)果。

3 AI報警優(yōu)化

3.1 煉化裝置報警的重要性

生產(chǎn)裝置平穩(wěn)運(yùn)行是煉化企業(yè)安全生產(chǎn)的重要條件。煉化企業(yè)生產(chǎn)裝置普遍具有數(shù)量多，分布范圍廣，流程復(fù)雜等特點(diǎn)[3]，運(yùn)行過程時刻伴隨著各種報警信息，類型繁多，數(shù)量龐大，大型裝置24h 內(nèi)或有上萬條報警信息，加上過程變量之間極為復(fù)雜的關(guān)聯(lián)性，操作人員經(jīng)常不能第一時間找出癥結(jié)所在，從而耽誤最佳調(diào)整時間[9]。

目前絕大部分報警系統(tǒng)設(shè)計都是針對某一變量的報警，預(yù)先設(shè)定好該變量的上下限值，如果變量值處于正常區(qū)間內(nèi)就不會觸發(fā)報警，如果變量值高于上限或者低于下限，則會觸發(fā)報警。但是，石油化工裝置生產(chǎn)過程是連續(xù)的、相關(guān)聯(lián)的，單個變量的報警雖然可以及時提醒操作人員生產(chǎn)過程出現(xiàn)異常，但操作人員很難第一時間得知異常發(fā)生的具體位置，并在第一時間做出最佳響應(yīng)[10]。這種傳統(tǒng)的報警監(jiān)測技術(shù)已經(jīng)難以滿足不斷提高的安全生產(chǎn)標(biāo)準(zhǔn)和要求，亟需一種新的先進(jìn)報警管理優(yōu)化技術(shù)，實(shí)現(xiàn)裝置的預(yù)警和報警原因的自動定位。

石化裝置連續(xù)不間斷的生產(chǎn)過程，裝置與裝置之間，控制系統(tǒng)與控制系統(tǒng)之間，很明顯具有或強(qiáng)或弱的關(guān)聯(lián)性。如圖1 所示，按照單變量報警設(shè)置的正常工作區(qū)域如虛線區(qū)域所示，是一個規(guī)則的矩形。但實(shí)際上，變量之間或多或少都會存在一定的關(guān)聯(lián)，正常工作區(qū)域應(yīng)當(dāng)如多邊形區(qū)域所示，這就導(dǎo)致設(shè)定的正常工作區(qū)域和實(shí)際的正常工作區(qū)域存在一定差異。若設(shè)定的正常工作區(qū)域覆蓋而實(shí)際未覆蓋，如實(shí)線三角形區(qū)域所示，則會導(dǎo)致漏報；若實(shí)際的正常工作區(qū)域覆蓋而設(shè)定未覆蓋，如實(shí)線圓形區(qū)域所示，則會導(dǎo)致誤報。漏報有可能會遺漏重要的報警信息，危及石化生產(chǎn)過程的安全；誤報會增加錯誤報警信息的數(shù)量，加劇報警泛濫的情況。因此，深度挖掘變量之間的關(guān)聯(lián)性，優(yōu)化裝置報警技術(shù)，對提高生產(chǎn)過程的安全性有著重要作用。

圖1 報警相關(guān)性Fig.1 Alarm correlation

3.2 Apriori算法

Apriori 算法由R. AGRAWA L 等人提出，反映了事物之間的相互依賴性或關(guān)聯(lián)性，是第一個經(jīng)典且活躍的關(guān)聯(lián)規(guī)則挖掘算法[11]。其關(guān)聯(lián)規(guī)則的方法是通過逐層搜索，找出龐大數(shù)據(jù)庫中項集的關(guān)系。其中，項集的頻率是指包含項集的事務(wù)數(shù)，頻繁項集是指支持度大于最小支持度的項集，簡稱頻集。Apriori 算法需要挖掘頻繁項集有兩個階段：一是候選集生成，二是情節(jié)的向下封閉檢測，算法簡單，容易實(shí)現(xiàn)。因此，Apriori 算法目前已經(jīng)被廣泛應(yīng)用到各行各業(yè)。但算法的簡單也會帶來一些難以忽視的弊端，如頻繁掃描數(shù)據(jù)庫產(chǎn)生大量的數(shù)據(jù)信息、大量的中間項集，算法能夠適應(yīng)的領(lǐng)域狹窄，需要對Apriori 算法進(jìn)行改進(jìn)，使其發(fā)揮更大作用。

對煉化企業(yè)生產(chǎn)裝置的報警來說，傳統(tǒng)的Apriori 算法并沒有考慮到數(shù)據(jù)項的重復(fù)性，而重復(fù)報警在流程工業(yè)報警數(shù)據(jù)中是大量存在的。因此，在報警數(shù)據(jù)關(guān)聯(lián)性挖掘應(yīng)用Apriori 算法之前，需要過濾掉重復(fù)報警等無效報警。AI報警優(yōu)化技術(shù)，就是在傳統(tǒng)Apriori 算法關(guān)聯(lián)規(guī)則法的基礎(chǔ)上進(jìn)行改進(jìn)，設(shè)計并實(shí)現(xiàn)適用于煉化裝置報警優(yōu)化的改進(jìn)型Apriori 算法。效果如圖2 所示。

圖2 報警AI關(guān)聯(lián)圖Fig.2 Alarm AI correlation diagram

項目實(shí)施的AI 報警優(yōu)化技術(shù)，首先能夠抑制大量無效報警，及時發(fā)現(xiàn)設(shè)備故障隱患，預(yù)防潛在的生產(chǎn)事故，提高生產(chǎn)效率，使得報警數(shù)量大大降低，以便真正重要的異常報警能夠被及時發(fā)現(xiàn)和處理；其次，可以幫助優(yōu)化報警分級設(shè)計，對報警優(yōu)先級進(jìn)行合理化處理。參照報警管理標(biāo)準(zhǔn)進(jìn)行重新分級，以便給操作人員提供更加明確的、清晰的報警信息，以便于操作人員對生產(chǎn)裝置運(yùn)行過程進(jìn)行更好的控制。

4 應(yīng)用前景

當(dāng)前，信息化技術(shù)日新月異，使用新技術(shù)監(jiān)控裝置運(yùn)行情況，評估裝置運(yùn)行問題，給出合理的優(yōu)化參數(shù)的功能，是非常符合工業(yè)管理人員期望的。由于裝置的控制信息化程度提高，但是監(jiān)控和管理系統(tǒng)沒有同水平提高的問題，過程工業(yè)的管理人員迫切地希望有一個便利程度較高的管理工具。基于工業(yè)大數(shù)據(jù)的AI 裝置優(yōu)化技術(shù)能夠及時發(fā)現(xiàn)裝置問題，并給出建議的優(yōu)化參數(shù)，將會為檢維修人員提供很大的幫助。

基于工業(yè)大數(shù)據(jù)的AI 裝置優(yōu)化技術(shù)不局限于某一回路或某一工藝過程，本算法針對PID 優(yōu)化及流程工業(yè)報警相關(guān)性開發(fā)，對一般采用PID 進(jìn)行控制的流程工業(yè)控制系統(tǒng)有通用性。

5 結(jié)束語

石油化工行業(yè)生產(chǎn)裝置運(yùn)行的管理正朝著自動化、智能化的方向發(fā)展，基于工業(yè)大數(shù)據(jù)的AI 裝置優(yōu)化技術(shù)，利用大數(shù)據(jù)的特性挖掘數(shù)據(jù)價值，利用人工智能理論算法和技術(shù)不斷對裝置控制進(jìn)行優(yōu)化，實(shí)現(xiàn)裝置的平穩(wěn)運(yùn)行和高效生產(chǎn)。