石油和化工行業智能優化制造若干問題及挑戰

錢鋒 杜文莉 鐘偉民 唐漾

石油和化工(簡稱:石化)行業是基礎性產業,在國民經濟中占有舉足輕重的地位,也是我國經濟持續增長的重要支撐力量.2016年,石化工業規模以上企業29624家,全行業增加值同比增長7.0%;實現主營業務收入13.29萬億元,利潤總額6444.4億元,分別占全國規模工業主營收入和利潤總額的11.5%和9.4%[1].經過數十年的發展,我國已成為石化制造大國,其生產工藝、裝備及自動化水平都得到了大幅度提升,且部分工業裝置的裝備水平與發達國家的裝備相當、甚至更先進.但在國際市場環境的新常態發展背景下,當前石化產業面臨產能過剩、成本上升、效益下滑、資源環境約束等問題[2].2015年,國際化工巨頭巴斯夫、埃克森美孚、杜邦的總資產回報率分別為8.39%,6.49%和6.41%.與之相比,同期的我國石化行業的總資產平均回報率卻僅為1.4%[3].究其原因,主要是石化企業的底層感知、全流程控制和優化以及頂層的智慧決策方面存在相應不足.因此,在經濟新常態下,我國石化行業面臨更嚴酷的競爭、更為嚴峻的市場形勢[4?5].智能制造是石化產業轉型升級、可持續發展的重要發展途徑.

目前,自動化控制系統與信息管理系統在石化工業中已普遍配置,大部分石化企業建成了以企業資源計劃(Enterprise resource planning,ERP)、制造企業生產過程執行系統(Manufacturing execution system,MES)和實時數據庫為主線的生產經營信息化體系,輔以覆蓋全公司生產質檢和環保監測的實驗室信息管理系統(Laboratory information management system,LIMS)、重要生產裝置的先進控制系統等,但在涉及裝置運行與生產管理的核心技術的智能化方面仍存在一定差距,主要體現在:1)信息的集成共享程度和深入挖掘程度不夠,信息的共享不規范造成引用和維護的復雜度過大;2)現有的信息系統相對獨立,不能滿足企業運營的信息化需求;3)計劃、調度、操作一體化協同依靠人工知識銜接,沒有真正貫通生產管控全流程;4)生產運行與設備的安環監控實時性與精準性不夠等.

石化工業過程連續化生產特點,使其智能制造內涵與離散工業有所區別和不同.對于流程工業而言,智能制造重點解決的是多生產單元流程之間的協調優化,而不再是單個工序的最優化生產,對于石化工業而言,智能制造的核心就是生產流程各項業務的系統集成,通過發展聯系各信息孤島系統的有效方法,如實時優化與控制一體化、計劃調度一體化、過程設計與控制一體化等,真正將資金流、物質流、信息流和能量流四流合一.石化行業實施《中國制造2025》,是希望加快發展大數據、云計算、物聯網應用,以新技術、新業態和新模式推動石化產業生產、管理和營銷模式變革為目的[6],推進我國石化行業智能優化制造[7],從而進一步推動流程工業智能優化制造[8?9].

本文回顧了石化行業生產全流程的信息檢測,建模、優化控制、企業經營管理決策以及故障監測和安全環保指標溯源等多個方面的進展分析,闡述了石化行業智能優化制造的需求,探討了石化行業智能優化制造的新課題和挑戰.

1 石化行業優化制造現狀分析

1.1 石化生產過程運行信息檢測

石化生產過程的優化調控依賴于對更多工藝參數的檢測以滿足智能化運行的需求,傳統的溫度、流量、壓力、液位等過程變量檢測已在工程實踐中得到了廣泛應用,但對復雜成分的物理化學性質在線實時檢測仍待進一步研究,高精度和高實時性的檢測需求仍受到工業界和學術界的廣泛關注.

1.1.1 新型檢測技術

隨著現代光電技術的迅速發展,基于紅外光譜、超聲波、圖像信號的先進檢測技術和設備在近二十年來得到了迅速的發展和研制.由于具有檢測精度高、靈敏度好以及對生產和反應過程影響微小甚至無接觸或無侵入(Noninvasive)等優點,這些技術和設備已逐漸被采納用于各種各樣的化工生產工藝和批量生產監控系統,以實現高質量和高效率的生產目標和效益[7?8,10?11],如基于光學透射、漫反射、透反射或漫透射原理研制的紅外光譜檢測儀可以用于檢測固體或液體合成產物成分.如今基于先進檢測技術研制的儀器設備,如紅外/近紅外光譜檢測儀、高清圖像采集設備等,雖然能夠直接檢測結晶過程的目標產物特性參數,如產物組分及含量、形狀及尺寸等,但目前這樣的儀器設備絕大多數是針對采樣樣本做離線(亦稱非原位)檢測和分析,不能滿足在線檢測、實時過程動態監測、實時反饋控制以及動態過程優化的系統運行要求.

1.1.2 軟測量技術

為了克服上述傳統傳感器測量方式的局限,借助過程其他檢測變量對目標產品/指標等進行研究的軟測量技術[12]一直是研究的熱點.針對石化生產過程中通常具有的大滯后、大慣性、強非線性時變以及多變量耦合特點、標簽數據樣本不充分、小樣本處理等種種特點,發展了一批軟測量方法的有效思路與解決方法.基于案例推理[13]、遺傳算法[14]、神經網絡[15?16]等的軟測量方法已經在石化軟測量中有大量應用案例[17].但軟測量方法是基于數據驅動的方法,較大程度上依賴樣本數量和質量,導致其在應用于不同工況和操作條件下的有效性、無偏性以及泛化適用性等方面存在很多不足之處;發展有效結合過程機理模型與先驗專家知識的軟測量方法已經越來越得到普遍共識[2,9].

1.2 石化生產過程建模

石化生產過程是一個將石化原料通過物理過程和化學反應等實現不同形式物質與能量的相互轉換與傳遞,從而生產石化產品的過程.生產工藝流程一般都很長,物質流、能量流、信息流耦合關系十分復雜.采用過程機理和運行信息智能融合策略建立一個多層次、多結構的生產過程模型,是實現石化生產過程先進控制和優化運行的基礎[18].目前,針對石化生產過程的建模研究主要集中于三點:信息預處理、機理建模和混合建模.

1.2.1 信息預處理

隨著石化企業生產經營信息化體系進一步完善,能夠用來建模的信息量巨大.然而信息源種類很多,包括各類圖像、文本以及數據等,這些信息存在不同程度的誤差、噪聲、時序不匹配、信息不全等問題,在建模之前需要對信息進行有效的識別和篩選.工業上常采用濾波、離群點剔除、歸一化等方法解決誤差和噪聲問題[19],采用插值、k-均值等方法解決時序和信息不全問題[20].

1.2.2 機理建模

在獲得了較為充分和詳實的過程信息之后,可以根據過程機理建立準確的模型.機理建模能夠有效地反映工藝過程的特點及規律,具有工程背景清楚、可解釋性強等特點.文獻[10]以乙烯生產中的蒸汽裂解爐為研究對象,根據裂解過程的反應機理,提出了適合裂解爐周期模擬的離散坐標輻射模型,并研究了燒嘴詳細結構、爐管彼此遮擋產生的陰影效應對裂解爐模擬的影響,實現了裂解過程反應與傳質過程的耦合模擬.文獻[11]以煉油生產中催化重整過程為對象,用33集總的反應網絡建立了符合多種生產方案的裝置機理模型,在模型基礎上解決了不同生產方案的多目標優化問題.若對過程機理了解較少,一般采用數據驅動的黑箱模型進行建模.文獻[21]提出了基于神經網絡的裂解爐代理模型,采用裂解爐機理模型產生的數據對神經網絡進行訓練,最終得到的模型具有精度高、計算快等特點.

1.2.3 混合建模

雖然機理模型具有較高的精確度和較廣的適用范圍,但是由于石化流程較長,裝置間耦合嚴重,采用分析過程機理逐個裝置建立模型這種方式,很容易造成誤差的逐級放大,模型收斂性和穩定性也很難保證.同時由于過程具有多變量、非線性、時變、工況波動范圍較大等特點,采用數據驅動建模方法也很難得到滿意的模型.近年來,混合模型由于綜合了過程機理和流程信息,建模過程中能有效降低模型復雜度和改善模型性能,在石化工業受到了廣泛的關注.這類模型首先根據過程機理特點,選擇恰當的建模方法建立整體模型中的子模型,然后根據模型結構和目標特點,選擇合適的方法實現子模型融合,最終建立適合工業過程的模型.根據子模型的不同,主要可以分為數據驅動融合建模和半參數建模方法[22].

數據驅動融合建模方法主要采用回歸分析、人工智能和統計學習理論建立子模型,然后通過融合算法實現子模型融合.這種方法融合了多個單一數據驅動模型,獲得了對特定對象的完整表達,提高了模型的整體泛化能力.文獻[23]提出了采用集成學習Bagging算法,通過對過程數據重復取樣構成多個新的訓練集,并建立對應的高斯過程子模型,然后通過加權平均和貝葉斯組合加權法融合子模型,建立了丙烯聚合過程熔融指數模型,該模型具有較好的魯棒性和預測精度.文獻[24]針對乙烯裂解爐,提出了一種核模糊c-均值聚類的最小二乘支持向量機建模方法,引入核函數將樣本數據映射到高維特征空間,然后進行聚類,同時引入聚類效果評價指標自動選擇最優聚類數,利用模糊隸屬度對子模型進行加權,最終得到整體模型.

半參數建模方法采用基于機理的參數模型和基于數據的非參數模型融合來建立過程模型.根據模型結構可分為串聯結構和并聯結構.其中串聯結構的半參數模型采用數據驅動模型建立過程模型,然后將該模型融入整體機理模型結構中,可以降低模型的整體復雜度,同時提高模型效率.文獻[25]采用反向傳播的神經網絡進行了對二甲苯氧化反應器反應動力學參數估計,同時引入了基于自適應免疫遺傳算法的可調參數,然后將該模型融入機理模型,很好地修正了實驗值與工業反應器數據之間的偏差.另一方面,并聯結構的半參數模型首先根據過程特性建立機理模型,然后采用數據驅動模型建立過程中難以用機理描述的部分,通過并聯方式實現機理和數據驅動的互相補償,最終建立完整的過程模型.文獻[26]針對聚乙烯過程,利用并聯結構非線性半參數模型建立了熔融指數模型,利用遺傳算法和神經網絡描述過程中的未知部分,同時提出一種交叉循環迭代算法對半參數模型進行辨識,該方法預測效果明顯好于機理模型.

采用深度融合機理建模和數據驅動建模的混合建模方法是對復雜石化生產過程進行精準、實時建模的熱點研究方向之一.與此同時,為實現石化生產過程全生命周期的最優化,對于生產流程需要實現數字化,提供以集成數據庫為基礎的“虛擬工廠”.虛擬制造目的是以二維和三維圖形為載體,集成工藝、采購、管理、運行、決策等數據和模型等,為生產運行提供借鑒[2,6?7].

1.3 石化生產過程先進控制和優化運行

石化裝置在實際生產運行中會受到大量可測或不可測擾動的影響,如生產負荷的變化、進料組成的變化、原料產品價格的波動等,因而及時響應各類擾動持續或間歇性的影響,維持裝置的最優操作運行成為石化裝置經濟效益、環境效益最大化的關鍵.在傳統的石化裝置操作中,實時優化器(或監督層)計算符合當前裝置特性的最優操作條件,下層的(先進)控制器負責最優操作條件的實施及裝置狀態穩定.近30年來,石化裝置的運行優化和先進控制研究分別取得了較大的進步,其中模型預測控制在復雜工業過程中取得了巨大的成功[27],是應用較為廣泛的先進控制技術.但是如何使優化與控制高效地協同工作,實現優化控制一體化依然面臨較大的挑戰[28].

文獻[29]提出將穩態實時優化層和模型預測控制層合并為一層,即將實時優化問題的非線性經濟目標函數作為模型預測控制目標函數的一部分,使模型預測控制問題變為非線性規劃問題,但為了保證控制器的穩定性和性能,目標函數中的權重系數需要大量試驗整定[30].文獻[31]在傳統分層結構的基礎上,引入穩態目標優化計算層(Steady-state target optimization),根據裝置的實際運行狀態對實時優化層的最優操作條件進行計算,即模型預測控制的設定值進行實時修正,保證了設定值的可行性,同時該研究在實時優化層采用約束值修正項適應策略(Constraint adaptation),從而簡單有效地處理模型與裝置的失配問題.文獻[32]提出穩態目標優化計算層中的模型應與實時優化層中的穩態模型一致,而非與模型預測控制中的穩態模型(線性動態模型的穩態形式)一致,進而提出了連續線性近似、線性–二次型近似、分段線性近似等形式.文獻[33]提出在各層采用由同一非線性動態模型導出的模型,即實時優化層采用該非線性動態模型的穩態形式、模型預測控制層采用非線性模型連續線性化的線性動態模型、穩態目標優化計算層采用線性動態模型的穩態形式,同時改善了控制性能以及實時優化問題的收斂速度,該方法應用于工業苯乙烯反應過程的優化控制,獲得了較好的效果.

文獻[34?35]指出穩態實時優化和線性模型預測控制在靈活性和經濟效益最大化等方面具有很大的限制,提出在實時優化層采用動態實時優化,結合基于非線性規劃靈敏性和再優化觸發的策略,實現動態實時優化與非線性模型預測控制的集成.文獻[36]提出在實時優化層和模型預測控制層采用相同的非線性動態模型的基礎上,采用相同的動態模型離散方法和離散間隔,消除二者因離散方法不同導致的額外不匹配,同時在動態實時優化層采用改進的基于分段線性松弛策略的確定性全局優化算法(Normalized multi-parametric disaggregation)[37],提高了在線計算效率,保證動態優化的全局最優性、實時性,最大化經濟效益.

控制和優化的協同是石化生產過程優化運行的重要發展方向,針對大型乙烯裝置,文獻[38]提出了裂解爐爐膛逐點流動、燃燒、輻射傳熱與管內自由基裂解反應的耦合建模技術與對流段機理建模技術,完成了裂解爐爐膛與爐管的耦合模擬,通過人工神經網絡和智能優化技術,實現了乙烯裝置的協同優化控制,應用于國內某乙烯裝置,實現雙烯收率增加0.55%,乙烯裝置綜合能耗降低6.65%.

1.4 石化企業經營管理決策

能源市場需求瞬息萬變、國內外市場競爭日益激烈以及環境日益復雜化,使得石化企業經營管理面臨著嚴峻的挑戰.如何充分運用信息技術,完善石化行業企業制度,突出經營主線,把握市場需求,優化生產方案,降低采購成本,提高企業經營科學決策水平,提升企業競爭力,是石化企業和研究者迫切需要解決的關鍵問題.從目前關于石化企業經營決策方面的研究進展來看,經營決策主要包括物料采購決策、管理決策、營銷決策和生產決策.

1.4.1 石化企業的管理及營銷決策

以銷定產是石化企業營銷的重要法則.運用何種企業營銷決策,優化產品銷售價格、營銷費用投入、產品質量、銷售渠道配置及售后服務等決策,是獲得企業經營目標利潤最大化需要解決的問題.研究者在價格營銷手段、非價格營銷手段、營銷手段組合等優化決策上展開了研究.文獻[39]認為利用產品自身的價格彈性和交叉彈性對產品定價有幫助.文獻[40]提出灰色局勢決策理論是多產品價格優化決策的一種有效方法.文獻[41]通過評估價格決策的有效性等指標,運用數學建模的方法,結合案例進行定量決策研究.文獻[42]研究了雙寡頭競爭市場中的最優廣告投入問題.文獻[43]建立對包含多樣化顧客的非對性的雙頭壟斷的定價優化進行了研究.文獻[44]針對促銷活動選擇,通過遺傳算法進行優化,實現投資總額的最小化.

1.4.2 石化企業的生產決策

生產決策優化主要包括生產計劃優化,線性規劃是制定生產計劃過程中運用最多的方法.通過分析出產品工藝結構、企業設備生產能力、產品預期市場銷量,建立生產計劃決策模型,為企業實現利潤最大化的產品品種組合決策提供依據.具體來說,早在1998年,文獻[45]就將物性非線性關系引入計劃中,結合各裝置的線性產率對柴油非線性調和生產計劃.文獻[46]提出集成常減壓裝置和催化裂化裝置工藝條件到煉油企業生產計劃優化模型,獲得更好的全廠利潤和裝置收率分布.文獻[47]通過數據驅動的數學建模和全局優化,建立了包含產品收率和性質預測的大規模、非凸性混合整數非線性優化的全廠計劃優化模型.

1.4.3 石化企業的采購決策

物料采購決策是石化行業企業經營活動中的另一項重要的經營活動.物料采購是石化企業產品增值過程的起點,處于企業與供應商的連接界面,是材料、半成品、產成品的生產合作交流的紐帶.采購決策的主要內容分為物料需求計劃制訂[48]、供應商選擇[49]和訂貨優化決策[50].其中,物料需求計劃制訂研究較為成熟,而供應商評價和選擇、基于供應鏈的訂貨優化正在成為研究熱點.

1.5 石化生產過程異常工況診斷和風險評估

石化行業生產規模大,生產條件苛刻,過程中直接或間接使用了大量有毒、易燃易爆的危險化學品,安全和環保貫穿了整個石化生產過程.化工過程安全經過多年發展,已經形成了較為完備的安全設計和管理體系[51],包括本質安全設計、危險和可操作性分析(Hazard and operability analysis,HAZOP)、變更管理、報警管理、保護層設計、安全完整性等級評估[52]等.本節介紹近年來新的技術在石化安全環保方面的發展現狀與應用前景.

1.5.1 異常工況診斷

化工事故往往起源于生產過程中的異常狀態,故障診斷是對生產異常行為的第一反應,是保障化工過程安全、平穩運行的重要工具.故障診斷可以分為基于歷史數據的方法,基于定性模型的方法和基于定量模型的方法[53].隨著化工事故數量的增加,分析歷史化工安全生產事故對安全管理和技術發展顯得尤為重要.數據挖掘是安全生產事故數據分析的主要手段[54],常用的事故安全數據分析方法包括聚類分析、決策樹、關聯規則分析等.這些研究大都以建立高效的事故信息檢索系統為目標,分析工藝、事故類型、涉及物質在化工過程事故中的比重[55],建立知識庫.結合HAZOP和其他安全分析手段,指導化工生產過程中危險辨識、預警和實時操作[56].對于定性故障診斷,模糊C聚類分析,偏最小二乘和貝葉斯推理是常用的分析方法[57].近來,機器學習算法,包括基于主成分分析(Principle component analysis,PCA)故障診斷[58]支持向量機、k最近鄰域法、高斯樸素貝葉斯網絡等被用于觀測數據缺失情況下的故障診斷[59].

1.5.2 事故應急響應

應急響應決策系統由多個部分構成,涉及到擴散模型、泄漏源預測、火災爆炸評估、人員行動預測、地理信息系統以及相關數據庫等多個子系統.事故后果評估是依據泄漏源和氣象、地表信息,借助氣體擴散模型預測泄漏事故的影響范圍,為人員疏散和應急處置提供決策支持.大氣擴散模型經過近百年的發展,形成了跨越多個尺度,適合不同泄漏情景的模型[60].適合化工園區使用的主要有高斯模型和在高斯模型基礎上開發的各類重氣擴散模型[61],以及主要用于事故調查分析的計算流體動力學(Computational fluid dynamics,CFD)模型[62].傳統的氣體擴散模型在計算精度和計算速度之間存在難以調和的矛盾,影響了這類氣體擴散模型在事故應急響中的應用.近來,研究人員嘗試借助機器學習方法,依靠數據建立能夠快速預測氣體擴散的模型[63].泄漏源定位是借助氣體擴散模型,從已有的傳感器網絡的觀測值反推泄漏源位置和泄漏速率等參數的技術,本質上是一種軟測量方法.常規的泄漏源定位可以分為確定性方法(包括直接定位方法、優化定位方法)和概率隨機方法.通過構造模擬值與觀測值差別的最小二乘目標函數,使用規則化方法求解[64].

1.5.3 風險評估與布局優化

園區布局是在考慮各類事故發生風險的前提下,對工藝裝置布局進行科學、統籌安排,目的是降低各類事故發生后對人員造成的風險.合理安排的園區、裝置能夠降低毒氣泄漏、火災或爆炸對現場人員和園區外居民的危害.由于布局問題涉及到整個園區從建設到使用的整個生命周期,需要綜合考慮首輪投資、運行費用和風險因素.現有研究成果集中在針對各類風險,結合經濟和法規約束實現園區的合理布局,如考慮多米諾效應、毒氣擴散范圍、火災爆炸情景下的園區布局.方法以建立單目標或多目標的混合整數線性/非線性優化模型為主.這類布局問題沒有考慮裝置之間的工藝聯系,尚不具有實用價值.在園區布局的基礎上還引申出一類傳感器布局優化問題.其核心思想是在考慮泄漏風險的前提下,通過合理優化布局傳感器網絡使之對泄漏事件的探測時間最短.這類問題最早應用于市政給水管網的水質監測[65?66],后來擴展到化工園區.方法主要是通過風險識別和氣體擴散模擬,以泄漏后造成的損失最小為目標函數建立混合整數線性規劃模型[67]以及混合整數非線性規劃模型[68].

2 石化行業智能優化制造的愿景目標和新方向

2.1 石化行業智能優化制造愿景目標

目前,對于石化行業智能優化制造,國內相關企業已經開展了一些前沿的工作.中石化九江石化和鎮海煉化是被國家工業和信息化部列為國家智能制造試點示范項目的石化單位.鎮海煉化圍繞提高企業經濟效益的目標,以業務為驅動,以工廠的角度規劃和建設智能工廠,力爭實現全過程優化、全生命周期管理、全業務領域覆蓋及基礎設施虛擬化.利用這些先進的智能技術,鎮海煉化效益在系統內多年保持領先位置,并獲得了全國石油和石化行業兩化融合創新示范獎的殊榮[69].九江石化于2012年即確立建立智能工廠的發展目標,構建了信息集成化的發展思路,體現了“感知、預測、優化、協同”能力[70].通過信息集成構建的煉油全流程一體化優化平臺,已經實現了顯著的經濟效益.使用信息集成技術構建的先進檢測監控技術,提升了安全環保水平,達到全國領先水平.

從已有的研究進展看,相比于國際石化企業,我國石化行業智能優化制造仍有一定的差距,在一些方面仍需要提升內涵.因此,石化行業智能優化制造的愿景目標是:依托現有信息物理制造系統,通過大數據、云計算、物聯網、虛擬制造等信息集成和處理技術,融合過程機理和數據信息,深刻貫徹安全環保為主旨,以知識自動化為主線,實現裝備智能檢測和傳感,推動全流程精準建模和分析,打造貫穿生產、管理以及營銷全流程的一體化控制和決策平臺.實現以高端化、智能化、綠色化、安全化為目標的石化行業智能優化制造,提升企業經濟效益和社會效益,最終實現石化行業升級轉型.

2.2 石化行業智能優化制造研究方向

2.2.1 智能檢測、傳感和信息集成

在檢測方面,石化企業生產過程優化調控和經營管理優化決策需要大量的實時信息,目前面臨的難點就是如何實現從原料供應、生產運行到產品銷售全流程與全生命周期資源屬性和特殊參量的快速獲取與信息集成.在信息傳感和集成方面,石化物聯網將吸取物聯網在國內外石油石化行業實施的成功經驗,注重先進性、統一性、集成性和開放性相結合,充分利用現有資源,結合物聯網、數據挖掘分析、優化模型、交換共享、移動應用等技術,建立以優化節能、健康、安全與環境管理(Health safety and enviromen management system,HSE)預警、智能感知、集中集成為核心應用的平臺,打造綠色低碳、高效可靠的物流,從而提升企業管理水平.

2.2.2 過程機理與數據融合的全流程建模和分析

在建模方法的研究中,未來的工作需要在確保建模魯棒性、精確性的前提下,同時必須結合機理建模和數據驅動建模的優點,降低模型的計算復雜度,提升模型的魯棒性,從而實現模型的合理簡化.針對石化生產優化運行,進一步考慮針對全局、計劃調度、過程控制、優化等不同需求模型的融合性、一致性和實時性等問題.最后進一步引入虛擬制造等新技術,降低生產運營的成本,實現數字化工廠和智能工廠是未來的研究方向之一[7].

2.2.3 全流程控制與決策一體化

石化生產過程一般都存在多個相互耦合關聯的過程,其整體運行的全局最優是一個混合、多目標、多測度的動態沖突優化命題,因此如何針對生產運行中的關鍵問題建立合理的模型、選擇合適的優化方法進行求解,實現石化行業中工業過程回路控制與設定值優化一體化的控制系統理論與技術是一項具有極大挑戰性的工作[71].實現全流程控制與決策一體化,可以有效提升石化行業全流程優化與控制的性能,提升自動化、智能化水平.同時,人工智能的興起,對于全流程一體化控制和優化都有著重要意義,可以通過人工智能技術,提升控制系統的智能化以及自主化,通過深度學習等人工智能技術挖掘機理不清的流程系統中的關聯知識以及因果知識等,實現人機自然交互決策[69,71?72].

2.2.4 知識自動化驅動的企業經營決策優化

現代工業中機器已經基本取代體力勞動,其管理、調度和運行的核心是知識型工作.例如,如何將市場規律轉化為知識,瞄準企業經營決策主要內容,采用先進管理理念信息技術,融合企業生產內在本質,構建企業經營決策優化模型,開展企業經營優化研究,從而提高企業經營決策水平、經濟效益和市場競爭能力的有效手段.圍繞智能化生產、網絡化協同、個性化定制、制造型服務4大重點,融合生產過程機理,將生產本質特性和技術創新形成知識,以知識自動化為主導[73],深入滲透到石化企業生產經營管理各個層面,通過知識自動化,重塑制造業產業鏈、供應鏈和價值鏈,改造提升傳統動能,使之煥發新的生機與活力.

2.2.5 安環指標溯源和應急響應

安全和環保涵蓋了石化從工藝設計、選址到生產運行的各個方面,涉及的過程復雜,需要考慮的因素眾多,是橫跨公共安全、自動控制、系統工程、化學工程、環境工程等多專業的交叉學科.提高化工園區選址的科學性,提升生產過程的安全等級,增強事故應急處置能力是智能制造未來的發展方向.其中,故障診斷需要依靠機理和數據相結合的分析方法,充分利用多種信息,使用不同的方法對異常進行分析,提高結果的可靠性和魯棒性[74];在事故應急響應,尤其是涉及到大氣和水體污染的應急處置過程,未來的發展方向是建立機理–數據相結合的,具有一定普適性的定量后果評估模型,以提高模型的計算速度和可靠性為最終目的,提升事故應急處置的輔助能力;化工園區布局應綜合考慮安全、經濟和工程倫理等因素,提高過程安全分析和定量后果評估手段在布局模型中的可靠性,嘗試新的布局模式(多層布局)以及三維建模[75].

3 結束語

“十三五”我國石化行業面臨的資源、能源和環境制約依然嚴重,部分產能過剩嚴重,部分企業生產經營困難,正處于新舊動能迭代更替的過程.中石化九江石化和鎮海煉化等國內先進石化企業在信息技術幫助下,推動了生產過程智能檢測、全流程優化,降低了管理難度,提升了管理效率,從而有效提高了企業生產效益與核心競爭力.我國石化行業應深入貫徹《中國智能制造2025》,加強統籌協調,完善政策措施,將智能生產和智慧決策作為制造轉型升級的主攻方向,實現石化行業智能優化制造.

1 China Petroleum and Chemical Industry Federation.2016 China petroleum and chemical industries economy and oper-ation report.China Petroleum and Chemical Industry,2017,2017(3):64?68(中國石油和化學工業聯合會.2016年中國石油和化工行業經濟運行報告.中國石油和化工,2017,2017(3):64?68)

2 Qian F,Zhong W M,Du W L.Fundamental theories and key technologies for smart and optimal manufacturing in the process industry.Engineering,2017,3(2):154?160

3 Yang Ji-Gang.Smart manufacturing plus petroleum and chemical industries,upgrading China petroleum and chemical industries.China Industry Review,2016,(6):79(楊繼剛.“智能制造+”石化行業,打造中國石化行業升級版.中國工業評論,2016,(6):79)

4 Qin Wei-Zhong.Intelligent process manufacturing―an efficient way to upgrade traditional re fineries.Petroleum&Petrochemical Today,2016,24(6):1?4(覃偉中.積極推進智能制造是傳統石化企業提質增效轉型升級的有效途徑.當代石油石化,2016,24(6):1?4)

5 Zeng Tian-Shu.Jiujiang petrochemical:selected as ministry of industry and information technology smart manufacturing pilot project.China Petroleum and Chemical Industries,2015,(8):32(曾天舒.九江石化:入選工信部智能制造試點.中國石油和化工,2015,(8):32)

6 Li De-Fang,Suo Han-Sheng.Accelerate the process of smart plant,promote ecological civilization construction.CIESC Journal,2014,65(2):374?380(李德芳,索寒生.加快智能工廠進程,促進生態文明建設.化工學報,2014,65(2):374?380)

7 Wang Ji-Ming.Challenges facing China0s petrochemical industry and their countermeasure suggestions.Petroleum&Petrochemical Today,2015,23(11):1?7(王基銘.我國石化產業面臨的挑戰及對策建議.當代石油石化,2015,23(11):1?7)

8 Gui Wei-Hua,Yang Chun-Hua,Chen Xiao-Fang,Wang Ya-Lin.Modeling and optimization problems and challenges arising in nonferrous metallurgical process.Acta Automatica Sinica,2013,39(3):197?207(桂衛華,陽春華,陳曉方,王雅琳.有色冶金過程建模與優化的若干問題及挑戰.自動化學報,2013,39(3):197?207)

9 Chai Tian-You.Challenges of optimal control for plant-wide production processes in terms of control and optimization theories.Acta Automatica Sinica,2009,35(6):641?649(柴天佑.生產制造全流程優化控制對控制與優化理論方法的挑戰.自動化學報,2009,35(6):641?649)

10 Zhang Y,Qian F,Zhang Y,Schietekat C M,van Geem K M,Guy,Marin G B.Impact of flue gas radiative properties and burner geometry in furnace simulations.AIChE Journal,2015,61(3):936?954

11 Wei M,Yang M L,Qian F,Du W L,Zhong W M.Integrated dual-production mode modeling and multiobjective optimization of an industrial continuous catalytic naphtha reforming process.Industrial&Engineering Chemistry Research,2016,55(19):5714?5725

12 Joseph B,Brosilow C B.Inferential control of process:Part I.steady state analysis and design.AIChE Journal,1978,24(3):485?492

13 Zhou P,Lu S W,Chai T Y.Data-driven soft-sensor modeling for product quality estimation using case-based reasoning and fuzzy-similarity rough sets.IEEE Transactions on Automation Science and Engineering,2014,11(4):992?1003

14 Dote Y,Ovaska S J.Industrial applications of soft computing:a review.Proceedings of the IEEE,2001,89(9):1243?1265

15 Gao X Y,Shang C,Jiang Y H,Huang D X,Chen T.Re finery scheduling with varying crude:a deep belief network classi fication and multimodel approach.AIChE Journal,2014,60(7):2525?2532

16 Luan Guo-Hong,He Kai-Xun,Cheng Hui,Qian Feng.Octane model based on neural network by near-infrared spectroscopy and its application.Computers and Applied Chemistry,2014,31(1):63?68(欒郭宏,賀凱迅,程輝,錢鋒.基于神經網絡的近紅外光譜辛烷值模型的研究及應用.計算機與應用化學,2014,31(1):63?68)

17 Sun Fan,Qian Feng.The soft-sensing measurement of ethylene oxide concentration in ethylene glycol production process.Computers and Applied Chemistry,2010,27(1):6?10(孫帆,錢鋒.乙二醇生產過程中環氧乙烷濃度的軟測量研究.計算機與應用化學,2010,27(1):6?10)

18 Li Zhi.Research on modeling,control and process monitoring for industrial terephthalic acid hydropuri fication process[Ph.D.dissertation],East China University of Science and Technology,China,2017(李智.對苯二甲酸加氫精制過程建模、控制與監控研究[博士學位論文],華東理工大學,中國,2017)

19 Zhao Heng-Ping,Yu Jin-Shou.Chemical data pretreatment and its application in modeling.Journal of East China University of Science and Technology(Natural Science Edition),2005,31(2):223?226(趙恒平,俞金壽.化工數據預處理及其在建模中的應用.華東理工大學學報(自然科學版),2005,31(2):223?226)

20 Zhang Zi-Yi,Hu Yi,Shi Hong-Bo.Multi-stage batch process monitoring based on a clustering method.CIESC Journal,2013,64(12):4522?4528(張子羿,胡益,侍洪波.一種基于聚類方法的多階段間歇過程監控方法.化工學報,2013,64(12):4522?4528)

21 Jin Y K,Li J L,Du W L,Qian F.Adaptive sampling for surrogate modelling with arti ficial neural network and its application in an industrial cracking furnace.The Canadian Journal of Chemical Engineering,2016,94(2):262?272

22 Wang Hai-Ning,Xia Lu-Yue,Zhou Meng-Fei,Zhu Peng-Fei,Pan Hai-Tian.Multi-model fusion modeling method for process industries soft sensor.Chemical Industry and Engineering Progress,2014,33(12):3157?3163(王海寧,夏陸岳,周猛飛,朱鵬飛,潘海天.過程工業軟測量中的多模型融合建模方法.化工進展,2014,33(12):3157?3163)

23 Chen T,Ren J H.Bagging for Gaussian process regression.Neurocomputing,2009,72(7?9):1605?1610

24 Chen Gui-Hua,Wang Xin,Wang Zhen-Lei,Qian Feng.Multiple DE-LSSVM modeling of ethylene cracking severity based on fuzzy kernel clustering.CIESC Journal,2012,63(6):1790?1796(陳貴華,王昕,王振雷,錢鋒.基于模糊核聚類的乙烯裂解深度DE-LSSVM 多模型建模.化工學報,2012,63(6):1790?1796)

25 Qian F,Tao L L,Sun W Z,Du W L.Development of a free radical kinetic model for industrial oxidation ofp-xylene based on arti ficial neural network and adaptive immune genetic algorithm.Industrial&Engineering Chemistry Research,2012,51(8):3229?3237

26 Duan Bin,Liang Jun,Fei Zheng-Shun,Yang Min,Hu Bin.Nonlinear semi-parametric modeling method based on GAANN.Journal of Zhejiang University(Engineering Science),2011,45(6):977?983(段斌,梁軍,費正順,楊敏,胡斌.基于GA-ANN 的非線性半參數建模方法.浙江大學學報工學版,2011,45(6):977?983)

27 Xi Yu-Geng,Li De-Wei,Lin Shu.Model predictive control–status and challenges.Acta Automatica Sinica,2013,39(3):222?236(席裕庚,李德偉,林姝.模型預測控制–現狀與挑戰.自動化學報,2013,39(3):222?236)

28 Wang Xiao-Qiang.Research on integration of real-time optimization and predictive control for chemical processes[Ph.D.dissertation],East China University of Science and Technology,China,2017(王曉強.化工過程實時優化與預測控制集成研究[博士學位論文],華東理工大學,中國,2017)

29 Zanin A C,de Gouv?ea M T,Odloak D.Integrating real-time optimization into the model predictive controller of the FCC system.Control Engineering Practice,2002,10(8):819?831

30 Adetola V,Guay M.Integration of real-time optimization and model predictive control.Journal of Process Control,2010,20(2):125?133

31 Marchetti A G,Ferramosca A,González A H.Steady-state target optimization designs for integrating real-time optimization and model predictive control.Journal of Process Control,2014,24(1):129?145

32 Lawryńczuk M,Marusak P M,Tatjewski P.Cooperation of model predictive control with steady-state economic optimisation.Control and Cybernetics,2008,37(1):133?158

33 Wang X,Mahalec V,Li Z,Qian F.Real-time optimization and control of an industrial Ethylbenzene Dehydrogenation process.Chemical Engineering Transactions,to be published.

34 Kadam J V,Marquardt W,Schlegel M,Backx T,Bosgra O H,Brouwer P J,Dnnebier G,van Hessem D,Tiagounov A,de Wolf S.Towards integrated dynamic real-time optimization and control of industrial processes.In:Proceedings of Foundations of Computer-Aided Process Operations(FOCAPO2003).Florida,USA:FOCAPO,2003.593?596

35 Kadam J V,Marquardt W.Integration of Economical Optimization and Control for Intentionally Transient Process Operation.Berlin Heidelberg:Springer,2007.

36 Wang X Q,Mahalec V,Qian F.Globally optimal dynamic real time optimization without model mismatch between optimization and control layer.Computers&Chemical Engineering,2017,104:64?75

37 Castro P M.Normalized multiparametric disaggregation:an efficient relaxation for mixed-integer bilinear problems.Journal of Global Optimization,2016,64(4):765-784

38 The project of energy saving innovation demonstration project in Jilin petrochemical plant is approved by the state.Fine Chemical Industrial Raw Materials&Intermediates,2015,(6):46?47(吉林石化乙烯裝置節能創新示范項目通過國家驗收.乙醛醋酸化工,2015,(6):46?47)

39 Reibstein D J,Gatignon H.Optimal product line pricing:the in fluence of elasticities and cross-elasticities.Journal of Marketing Research,1984,21(3):259?267

40 Zhang Xue-Ning,Liang Wei-Xi.Price decision of multiproducts for multi-targets.Journal of Wuhan University of Technology(Information&Management Engineering),2004,26(5):162?165(張雪寧,梁唯溪.企業多產品多目標的價格決策.武漢理工大學學報(信息與管理工程版),2004,26(5):162?165)

41 Zhao Jiang-An.Price decision based on the buyer0s market environment.Statistics and Decision,2004,(12):53?55(趙江安.基于買方市場環境下的價格決策.統計與決策,2004,(12):53?55)

42 Prasad A,Sethi S P.Competitive advertising under uncertainty:a stochastic differential game approach.Journal of Optimization Theory and Applications,2004,123(1):163?185

43 Sinitsyn M.Technical note-price promotions in asymmetric duopolies with heterogeneous consumers.Management Science,2008,54(12):2081?2087

44 Herrera F,López E,Rodrguez M A.A linguistic decision model for promotion mix management solved with genetic algorithms.Fuzzy Sets and Systems,2002,131(1):47?61

45 Moro L F L,Zanin A C,Pinto J M.A planning model for re finery diesel production.Computers&Chemical Engineering,1998,22(S1):S1039?S1042

46 Zhao Hao,Rong Gang,Feng Yi-Ping.Integrating re finery unit operations with production planning optimization.Control Theory&Applications,2014,31(6):773?778(趙浩,榮岡,馮毅萍.煉油企業生產計劃與重點裝置工藝條件集成優化.控制理論與應用,2014,31(6):773?778)

47 Li J,Xiao X,Boukouvala F,Floudas C A,Zhao B G,Du G M,Su X,Liu H W.Data-driven mathematical modeling and global optimization framework for entire petrochemical planning operations.AIChE Journal,2016,62(9):3020?3040

48 Wang He.Design and implementation order-oriented manufacturing enterprise mrp subsystem[Master dissertation],Harbin Institute of Technology,China,2013(王賀.面向訂單式生產企業物料需求計劃子系統的設計與實現[碩士學位論文],哈爾濱工業大學,中國,2013)

49 De Boer L,Labro E,Morlacchi P.A review of methods supporting supplier selection.European Journal of Purchasing&Supply Management,2001,7(2):75?89

50 Xia W J,Wu Z M.Supplier selection with multiple criteria in volume discount environments.Omega,2007,35(5):494?504

51 Mannan S.Lees0Loss Prevention in the Process Industries:Hazard Identi fication,Assessment and Control.(4th edition).Burlington,MA:Butterworth-Heinemann,2012.

52 Kim G H,Spafford E H.The design and implementation of tripwire:a file system integrity checker.In:Proceedings of the 2nd ACM Conference on Computer and Communications Security.Fairfax,Virginia,USA:ACM,1994.18?29

53 Venkatasubramanian V,Rengaswamy R,Yin K W,Kavuri S N.A review of process fault detection and diagnosis:Part I:quantitative model-based methods.Computers&Chemical Engineering,2003,27(3):293?311

54 Sengul H,Santella N,Steinberg L J,Cruz A M.Analysis of hazardous material releases due to natural hazards in the United States.Disasters,2012,36(4):723?743

55 Veltman L M.Incident data analysis using data mining techniques[Master dissertation],Texas A&M University,USA,2008

56 Qu Yan-Guang,Zhang Qin,Zhu Qun-Xiong.Application of dynamic uncertain causality graph to dynamic fault diagnosis in chemical processes.CAAI Transactions on Intelligent Systems,2015,10(3):354?361(曲彥光,張勤,朱群雄.動態不確定因果圖在化工系統動態故障診斷中的應用.智能系統學報,2015,10(3):354?361)

57 Peng K X,Zhang K,You B,Dong J,Wang Z D.A qualitybased nonlinear fault diagnosis framework focusing on industrial multimode batch processes.IEEE Transactions on Industrial Electronics,2016,63(4):2615?2624

58 Dai Y Y,Zhao J S.Fault diagnosis of batch chemical processes using a dynamic time warping(DTW)-based arti ficial immune system.Industrial&Engineering Chemistry Research,2011,50(8):4534?4544

59 Askarian M,Escudero G,Graells M,Zarghami R,Jalali-Farahani F,Mostou fiN.Fault diagnosis of chemical processes with incomplete observations:a comparative study.Computers&Chemical Engineering,2016,84:104?116

60 De Visscher A.Air Dispersion Modeling:Foundations and Applications.New Jersey,USA:John Wiley&Sons,2013.

61 Hanna S,Dharmavaram S,Zhang J,Sykes I,Witlox H,Khajehnaja fiS,Koslan K.Comparison of six widely-used dense gas dispersion models for three recent chlorine railcar accidents.Process Safety Progress,2008,27(3):248?259

62 Tauseef S M,Rashtchian D,Abbasi S A.CFD-based simulation of dense gas dispersion in presence of obstacles.Journal of Loss Prevention in the Process Industries,2011,24(4):371?376

63 Lauret P,Heymes F,Aprin L,Johannet A.Atmospheric dispersion modeling using Arti ficial Neural Network based cellular automata.Environmental Modelling&Software,2016,85:56?69

64 Kanevce G H,Kanevce L P,Andreevski I B,Dulikravich G S.Inverse approaches in improvement of air pollution plume dispersion models for regulatory applications.In:Proceeding of Inverse Problems,Design and Optimization Symposium.Miami,Florida,USA:Taylor&Francis,2007.

65 Berry J W,Fleischer L,Hart W E,Phillips C A,Watson J P.Sensor placement in municipal water networks.Journal of Water Resources Planning and Management,2005,131(3):237?243

66 Berry J,Hart W E,Phillips C A,Uber J.A general integerprogramming-based framework for sensor placement in municipal water networks.In:Proceedings of the 2004 World Water and Environmental Resources Congress.Salt Lake City,Utah,USA:American Society of Civil Engineers,2004,DOI:10.1061/40737(2004)455

67 Legg S W,Wang C,Benavides-Serrano A J,Laird C D.Optimal gas detector placement under uncertainty considering conditional-value-at-risk.Journal of Loss Prevention in the Process Industries,2013,26(3):410?417

68 Benavides-Serrano A J,Legg S W,Vázquez-Román R,Mannan M S,Laird C D.A stochastic programming approach for the optimal placement of gas detectors:unavailability and voting strategies.Industrial&Engineering Chemistry Research,2014,53(13):5355?5365

69 Mei Liao-Ying,Chen Bin.Sinopec Zhenhai re fining&chemical company:insert the wings to smart.China Petrochem,2016,(11):54?55(梅遼穎,陳彬.鎮海煉化:插上智能的翅膀.中國石油石化,2016,(11):54?55)

70 Lin Jing.Jiujiang petrochemical smart manufacturing 4.0.China Petroleum Enterprise,2016,(1):36?37(林鏡.九江石化智能制造4.0.中國石油企業,2016,(1):36?37)

71 Chai Tian-You.Industrial process control systems:research status and development direction.Scientia Sinica Informationis,2016,46(8):1003?1015(柴天佑.工業過程控制系統研究現狀與發展方向.中國科學:信息科學,2016,46(8):1003?1015)

72 Pan Y H.Heading toward arti ficial intelligence 2.0.Engineering,2016,2(4):409?413

73 Gui Wei-Hua,Chen Xiao-Fang,Yang Chun-Hua,Xie Yong-Fang.Knowledge automation and its industrial application.Scientia Sinica Informationis,2016,46(8):1016?1034(桂衛華,陳曉方,陽春華,謝永芳.知識自動化及工業應用.中國科學:信息科學,2016,46(8):1016?1034)

74 Tidriri K,Chatti N,Verron S,Tiplica T.Bridging datadriven and model-based approaches for process fault diagnosis and health monitoring:a review of researches and future challenges.Annual Reviews in Control,2016,42:63?81

75 Jung S.Facility siting and plant layout optimization for chemical process safety.Korean Journal of Chemical Engineering,2016,33(1):1?7