乙苯/苯乙烯生產過程操作優(yōu)化知識庫設計

嚴耀西 陳伏兵 王昕

摘 要 結合乙苯/苯乙烯實際生產工藝特點和需求，將引入本體、知識規(guī)則推理、專家經驗和貝葉斯概率算法的智能優(yōu)化方法應用到乙苯/苯乙烯操作優(yōu)化知識庫中。該知識庫系統(tǒng)整合知識本體層、解析存儲層、算法層、應用層等相關技術，實現(xiàn)了乙苯/苯乙烯生產過程操作優(yōu)化知識庫系統(tǒng)。在實際工業(yè)應用中，初步驗證了該知識庫能夠提高乙苯/苯乙烯生產過程的產品收率、降低原材料和動力能源消耗。

關鍵詞 知識庫 本體 貝葉斯概率算法 操作優(yōu)化系統(tǒng) 乙苯/苯乙烯

中圖分類號 TP391? ?文獻標識碼 B? ?文章編號 1000?3932（2023）03?0336?07

基金項目：2021年第二批產學合作協(xié)同育人項目（202102326010）。

作者簡介：嚴耀西（1990-），助教，從事機器學習和知識圖譜的研究，yxyan@hytc.edu.cn。

引用本文：嚴耀西，陳伏兵，王昕.乙苯/苯乙烯生產過程操作優(yōu)化知識庫設計［J］.化工自動化及儀表，2023，50（3）：336-342.

乙苯/苯乙烯生產是石油化工領域的支柱產業(yè)，但在能源消耗和環(huán)境污染方面卻對我國經濟具有不利影響［1］，因此，石油化工領域迫切需要借助智能化技術突破其發(fā)展局限。傳統(tǒng)信息檢索方法盡管信息豐富但缺乏知識表達和知識推理，隨著大數(shù)據(jù)時代的到來，急需對海量信息進行語義處理和發(fā)掘隱性知識?；诒倔w智能化知識庫的推理檢索方法能夠有效進行自動推理、語義揭示和發(fā)掘隱性知識［2］，知識表示是智能化知識庫的核心部分，本體具有信息共享、傳遞和重用性的優(yōu)點，因此在推理和數(shù)據(jù)挖掘方面有著廣泛應用［3，4］。

乙苯/苯乙烯生產過程中普遍存在產品方案調整頻繁、反應機理復雜、加工工藝參數(shù)時變等問題［5］，導致乙苯/苯乙烯生產數(shù)據(jù)沒有得到充分有效的復用。乙苯/苯乙烯生產過程的操作參數(shù)與現(xiàn)場實際工況有著密切聯(lián)系，因此，如何運用知識表達、歷史生產數(shù)據(jù)和專家知識來推薦優(yōu)化工況方案，提高乙苯/苯乙烯工藝產能和降低能耗已成為該領域研究的焦點。

筆者將機理模型、知識規(guī)則推理、專家經驗等智能優(yōu)化方法應用到乙苯/苯乙烯操作優(yōu)化知識庫中，通過構建乙苯/苯乙烯知識庫以實現(xiàn)生產數(shù)據(jù)的有效復用，提高生產效率。

1 知識庫的架構設計

基于知識庫的操作優(yōu)化系統(tǒng)（圖1）包含知識層、解析存儲層、算法層和應用層。知識系統(tǒng)框架各層之間采用自底向上結構，每一層都為上一層提供技術支撐，該架構設計具有良好的結構性和可擴展性。

知識層。利用Protégé軟件工具，對乙苯/苯乙烯裝置的參數(shù)變量構建乙苯/苯乙烯參數(shù)本體庫，利用參數(shù)變量之間的共性和相互的依賴關系，建立具有邏輯關系的規(guī)則庫。

解析存儲層。系統(tǒng)數(shù)據(jù)庫是知識庫系統(tǒng)的核心，將已建立的乙苯/苯乙烯本體庫和規(guī)則庫解析上傳到系統(tǒng)數(shù)據(jù)庫，專家領域知識、工廠實時DCS數(shù)據(jù)、模型數(shù)據(jù)上傳到系統(tǒng)數(shù)據(jù)庫，為算法層提供數(shù)據(jù)支持。

算法層。設計基于貝葉斯概率的匹配算法，通過對訓練的樣本集合進行統(tǒng)計，計算每個類別出現(xiàn)的概率和后驗概率，通過數(shù)據(jù)樣本訓練得到貝葉斯概率的模型分類器，然后用分類器的概率結果對操作優(yōu)化參數(shù)進行排序。

應用層。運用JavaWeb技術，前端使用JSP編寫，系統(tǒng)后臺主要基于Servlet和JavaBean編寫［6］，通過前、后端開發(fā)技術為用戶提供數(shù)據(jù)輸入搜索功能并將優(yōu)化結果返回界面中，保證系統(tǒng)具有良好的交互性。

2 乙苯/苯乙烯生產過程知識本體構建

2.1 本體知識庫

本體知識庫主要由概念、屬性、關系和實例組成。本體是構建知識庫系統(tǒng)的基礎，本體優(yōu)劣取決于本體構建方法，目前較為成熟的主流構建方法有TOVE法、METHONTOLOGY法、循環(huán)獲取法、骨架法及七步法等［7］。其中七步法最具有代表性，七步法構建包括類層、屬性層和實例層，但是七步法缺乏本體更新維護和本體評價兩個階段，傳統(tǒng)七步法缺乏系統(tǒng)的全面性。因此筆者采用劉樹明提出的三階六步法［8］。三階六步法是指本體構建3個階段6個步驟，其具體描述如圖2所示［6］。第1個階段是本體規(guī)劃設計階段，該階段是構建本體的前期準備工作，主要包含確定本體設計目標范圍、是否復用現(xiàn)有本體兩個步驟。第2個階段是本體構建階段，也是構建整個本體的核心階段，該階段包含獲取核心領域本體術語和創(chuàng)建本體類、屬性、實例兩個步驟。第3個階段是本體評價更新階段，該階段需要專家全程參與和指導，主要包含本體評價和本體更新兩個步驟，其中本體評價包括機器評價（即本體一致性檢驗）和專家評價，本體更新包含知識更新和需求更新。三階六步法的優(yōu)點在于降低了本體構建難度，縮短了本體構建時間，豐富了實例層構建，保證了本體的準確性和專業(yè)性。

2.2 乙苯/苯乙烯操作優(yōu)化本體類構建

基于三階六步法，乙苯/苯乙烯操作優(yōu)化本體概念層構建采用重構方式擴展構建，在楊宇和馬建新已建立的S?ESKBS本體庫［9］之上進行完善和補充，將其設備選型本體添加和完善到乙苯/苯乙烯操作優(yōu)化本體庫中，從而快速高效構建乙苯/苯乙烯操作優(yōu)化本體概念層模型。

構建乙苯/苯乙烯操作優(yōu)化本體概念層，首先需明確乙苯/苯乙烯操作優(yōu)化本體概念層構建的目標，通過查找相關文獻和已有本體知識體系尋找乙苯/苯乙烯生產過程操作優(yōu)化描述內容。乙苯/苯乙烯生產過程操作優(yōu)化描述［10，11］可分為5部分：設備信息、物料信息、單元操作信息、操作條件信息、上下游關系信息。設備信息包含設備名稱、設備設計溫度、設備設計壓力等，物料信息包含物料熔點、物料沸點等，單元操作信息包含操作溫度、操作壓力、進料量等，上下游關系信息包含前后設備生產流程關系等。

本體依靠專家和完備資料做支撐，根據(jù)不同需求調整、補充、完善本體知識庫，從而為后續(xù)的乙苯/苯乙烯操作優(yōu)化本體知識庫實例層構建提供應用基礎。

2.3 本體知識庫規(guī)則

知識表示以知識具體化結果為目的，產生式知識表示法、語義表示法和一階謂詞邏輯表示法等都是常用的知識表示方法。本體使用語義網(wǎng)規(guī)則語言SWRL，它是一種產生式知識表示法［12］，采用if…then…的表達方式，這種表達方式與日常習慣推理方式類似，容易被理解和接受。本體規(guī)則庫是一種邏輯規(guī)則方法，通過本體規(guī)則庫可以推理本體隱含知識和挖掘潛在知識。推理規(guī)則構建完成后，底層本體知識庫需要推理機將隱含知識和數(shù)據(jù)推理到本體中，Protégé4.1內置有pellet推理機［13］，其作用是對已建立本體庫進行一致性檢驗和對隱含知識發(fā)現(xiàn)推理。由于本體庫推理和應用不利于在客戶端展示和搜索查詢［14］，因此需要將本體解析到MySQL數(shù)據(jù)庫中［15］。

3 基于貝葉斯乙苯/苯乙烯的操作優(yōu)化算法

3.1 監(jiān)督式機器學習算法

目前，經典的監(jiān)督式機器學習技術［16］包括支持向量機、貝葉斯算法［17］、決策樹算法及人工神經網(wǎng)絡算法等。其中，貝葉斯算法是一種運用概率分類的方法，其核心是算法利用有限的訓練樣本集的先驗概率p（c）和類條件概率p（x|c）盡可能準確地估計出后驗概率p（c|x）。貝葉斯算法與其他監(jiān)督式機器學習算法相比有4方面的優(yōu)勢：

a. 樸素貝葉斯分類算法是以貝葉斯定理為基礎的概率分類算法，具有堅實、完善的理論體系，并且分類準確性高；

b. 該算法對待處理數(shù)據(jù)的類型沒有嚴格限制，可以用來分析各種類型的數(shù)據(jù)集，對新數(shù)據(jù)集也有很強的適應能力；

c. 該算法在結構上是較為清晰簡單的星形結構，使得其計算效率高，可以在開銷較低的前提下處理數(shù)據(jù)量較大的集合；

d. 樸素貝葉斯在一定程度上可以被視為一種動態(tài)分類模型，隨著原數(shù)據(jù)集中新數(shù)據(jù)的加入，訓練過程可以增量進行。

3.2 基于貝葉斯機器學習算法的思想

樸素貝葉斯分類器［18］適用于含有較多變量的大數(shù)據(jù)集，并且可以處理連續(xù)數(shù)據(jù)。除了離散化的方法外，處理連續(xù)的屬性主要有參數(shù)化方法、非參數(shù)估計方法、半?yún)?shù)估計法和連續(xù)屬性離散化方法。

本課題采用參數(shù)化方法中較為高效的概率密度函數(shù)方法，即基于高斯分布概率密度函數(shù)方法的連續(xù)屬性樸素貝葉斯分類器，它基于屬性的獨立性假設-屬性間的相互獨立，簡化了聯(lián)合概率密度的計算，雖然減少了計算量、提高了效率，但損失了屬性間的依賴信息，其結構如圖3所示。

3.3 基于貝葉斯乙苯/苯乙烯的操作優(yōu)化算法

經典樸素貝葉斯機器學習算法分為3個階段［20］：準備工作階段、分類器訓練階段、應用階段。其優(yōu)點在于：通過生成式模型，計算概率來進行分類，可以用來處理多分類問題；分類過程中時間、空間開銷小；適合增量式訓練，高效且易于實現(xiàn)；算法性能穩(wěn)定，對于不同的數(shù)據(jù)特點其分類性能差別不大。但也存在一定的缺陷，如算法缺乏健全性，沒有具體評估驗證方案；算法未檢測分類器的準確率；對輸入數(shù)據(jù)的表達形式很敏感。基于貝葉斯操作優(yōu)化的匹配算法包括以下6個步驟。

Step1 篩選設定階段

工業(yè)生產中有大量繁雜的工業(yè)數(shù)據(jù)，獲得有效的數(shù)據(jù)是處理數(shù)據(jù)的第一步。因此首先篩選需要研究的乙苯/苯乙烯生產過程操作變量和目標變量DCS數(shù)據(jù)，接著根據(jù)數(shù)據(jù)各屬性度量的量綱進行處理使之符合工業(yè)生產單位標準，剔除掉異常的工業(yè)數(shù)據(jù)。然后選取若干組數(shù)組作為數(shù)據(jù)樣本集。篩選出數(shù)據(jù)樣本集之后，根據(jù)各個屬性特征提取劃分各序列的結果，并進行類別標注，構成后續(xù)的訓練樣本集。不同的劃分類別樣本集有不同的判定結果。因此該階段需要專家參與和討論來設定優(yōu)化值。

Step2 訓練階段

該階段的任務是生成分類器的數(shù)學模型，計算估計類先驗概率p（c）和高斯分布最大似然估計參數(shù)μ和σ2。

Step3 分類階段

運用樸素貝葉斯決策表達式對訓練的樣本集合進行統(tǒng)計計算，得到每個類別的出現(xiàn)概率和后驗概率，從而獲得模型分類器。

Step4 測試階段

將已經學習得到的分類器用于測試集，對測試集中未知類別的數(shù)據(jù)進行分類和預測，并同時測試其分類的準確性。

Step5 評估階段

分類學習方法的泛化性涉及它在測試數(shù)據(jù)上的預測能力。評價指標（表1）［21］是評估階段直觀快速地得出誤差的計算方法。

正確率是評價指標之一，表示被分類器分對的比重，即正確率越高，分類器越好。正確率計算式為：

精度是表示被分類器分為正例中實際為正例的比重，它是精確度的量度，其計算式為：

Step6 算法排序階段

系統(tǒng)數(shù)據(jù)庫中存在大量的數(shù)據(jù)信息，面對大量的、不確定的模型信息，如何快速尋找到生產工藝需要的信息，其中最重要的也是最困難的問題就是排序，為此筆者提出了一種基于貝葉斯方法的排序算法，該算法運用測試階段貝葉斯判定準則方法，將訓練集和測試集中特定分類結果進行逐個計算，最終對計算概率密度值進行由大到小的排序。

4 乙苯/苯乙烯生產過程知識庫系統(tǒng)應用與案例分析

4.1 知識庫應用

筆者以某石化項目為依托，開發(fā)了一整套基于知識庫乙苯/苯乙烯生產過程全流程操作優(yōu)化知識庫軟件。乙苯/苯乙烯生產過程操作優(yōu)化知識庫結構如圖4所示，首先用戶登錄后進入知識庫主界面，該軟件包含兩個流程4個單元：乙苯生產工藝流程有100#制乙苯單元和200#乙苯精餾單元，苯乙烯生產工藝流程有300#乙苯脫氫單元和400#苯乙烯精餾單元。每個單元包含6個功能模塊，分別是工藝流程（圖5）、設備信息、關鍵參數(shù)靈敏度顯示（圖6）、操作優(yōu)化（圖7、8）、專家知識和診斷異常處理。

4.2 案例分析

基于知識庫的乙苯/苯乙烯生產過程操作優(yōu)化系統(tǒng)操作優(yōu)化模塊共有4種優(yōu)化方式，分別是貝葉斯優(yōu)化、產量能耗優(yōu)化、產量優(yōu)化、能耗優(yōu)化。表2是分別利用這4種方式得到的現(xiàn)場優(yōu)化對比數(shù)據(jù)。

從表2可以看出，產量優(yōu)化中，100#單元裝置粗乙苯產量增加了2.03 t/h，但裝置單耗增加了3.99 kg（標油）/t。能耗優(yōu)化中，100#單元裝置單耗減少了4.53 kg（標油）/t，但粗乙苯產量卻減少了1.03 t/h。產量能耗優(yōu)化與產量優(yōu)化相比，基本沒有較為明顯的優(yōu)化效果。在貝葉斯優(yōu)化中，從全流程效果來看，整體優(yōu)化目標明顯優(yōu)于其他3種優(yōu)化方式。貝葉斯優(yōu)化中，盡管產量和能耗都沒有實現(xiàn)最大優(yōu)化，但由于專家設定優(yōu)化類別既考慮了產量、裝置能耗又兼顧了純度綜合指標，因而在綜合優(yōu)化上具有優(yōu)越性。

5 結束語

筆者以乙苯/苯乙烯實際生產過程為背景，將本體知識庫、監(jiān)督式貝葉斯算法引入乙苯/苯乙烯操作優(yōu)化知識庫系統(tǒng)中，通過JavaWeb開發(fā)前后臺管理技術，實現(xiàn)了知識庫系統(tǒng)界面（包含工藝流程實時監(jiān)控、關鍵參數(shù)靈敏度分析、操作優(yōu)化和工況預測、專家知識錄入和查詢、故障診斷異常處理等），為現(xiàn)有生產裝置進行工況預測和優(yōu)化推薦提供了乙苯/苯乙烯生產的智能推薦方案。后續(xù)將在深度研究貝葉斯網(wǎng)以及貝葉斯網(wǎng)屬性依賴關系方面開展下一步工作。

參 考 文 獻

［1］? ?曹駿.智能化控制閥在石油化工中的應用設計探究［J］.價值工程，2022，41（13）：47-49.

［2］? ?周琦.基于本體的智能化信息檢索研究［J］.農業(yè)網(wǎng)絡信息，2013（5）：24-25.

［3］? ?肖宇，鄭翔文，宋偉，等.新型冠狀病毒肺炎領域本體構建及應用［J］.軍事醫(yī)學，2022，46（4）：263-268.

［4］? ?吳明明，馬溪駿，彭張林.基于本體的智能化知識檢索模型［J］.微計算機信息，2012，28（2）：159-161.

［5］? ?張峰，郭學云，王磊，等.一種乙苯脫氫制苯乙烯的尾氣處理裝置：CN212818969U［P］.2021-03-30.

［6］? ?YANG D Z，ZHU S F，ZHOU S L，et al.The Design and Implement of Web MIS of Students Based on Servlet+JDBC［C］//2009 First International Workshop on Education Technology and Computer Science.IEEE，2009.DOI：10.1109/ETCS.2009.233.

［7］? ?TENGKU ADIL TENGKU IZHAR，TORAB TORABI，ISHAQ BHATTI M，et al.Recent developments in the organization goals conformance using ontology［J］.Expert Systems with Application，2013，40（10）：4252-4267.

［8］? ?劉樹明.苯乙烯設備選型知識庫系統(tǒng)構建研究［D］.上海：華東理工大學，2017.

［9］? ?楊宇，馬建新.乙醇水蒸氣重整制氫反應條件的優(yōu)化［J］.華東理工大學學報（自然科學版），2006，32（9）：1081-1085.

［10］? ?李嘉銳.本體知識庫構建研究——以水稻領域為例［D］.北京：中國農業(yè)科學院，2015.

［11］? ?鄧濤.石油化工行業(yè)節(jié)能策略及在間歇式本體法聚丙烯工藝中的應用［J］.廣東化工，2011，38（5）：22-23.

［12］? ?ZHAO W，LIU J K.OWL/SWRL representation meth?odology for EXPRESS?driven product information model：Part Ⅰ.Implementation methodology［J］.Compu?ters in Industry，2008，59（6）：580-589.

［13］? ?GRAU B C.Pellet：A Practical OWL DL Reasoner［J］.Journal of Web Semantics，2007，5：51-53.

［14］? ?KO Y M，SONG M S，LEE S J.Construction of the structural definition?based terminology ontology system and semantic search evaluation［J］.Library Hi Tech，2016，34（4）：705-732.

［15］? ?GIACOMO M D.MySQL：Lessons Learned on a Digi?tal Library［J］.IEEE Software，2005，22（3）：10-13.

［16］? ?FRIEDL M A，BRODLEY C E.Decision tree classifi?cation of land cover from remotely sensed data［J］.Remote Sensing of Environment，1997，61（3）：399-409.

［17］? ?DOMINGOS P，PAZZANI M.On the Optimality of the Simple Bayesian Classifier under Zero?One Loss［J］.Machine Learning，1997，29（2?3）：103-130.

［18］? ?胡學鋼，郭亞光.一種基于粗糙集的樸素貝葉斯分類算法［J］.合肥工業(yè)大學學報（自然科學版），2006，29（2）：169-172.

［19］? ?周志華.機器學習［M］.北京：清華大學出版社，2016.

［20］? ?EL HINDI K，ALSALMAN H，QASEM S，et al.Build?ing an ensemble of fine?tuned naive Bayesian classi?fiers for text classification［J］.Entropy，2018，20（11）：857.

［21］? ?ZHANG Y Y，YANG S S，DONG P.The construction of index system and comprehensive evaluation model based on improved genetic algorithm and fuzzy neural network［J］.Applied Mechanics & Materials，2010，20?23：1229-1235.

（收稿日期：2022-09-30，修回日期：2023-02-14）

Knowledge Base? Design for the? Optimization of?Ethylbenzene/Styrene Production

YAN Yao?xia，b， CHEN Fu?binga，b， WANG Xina，b

（a. School of Computer Science and Technology； b. Huaian Key Laboratory of Big Data Intelligent?Computing and Analysis， Huaiyin Normal University）

Abstract? ?Considering the characteristics and requirements of the actual production process of ethylbenzene/styrene， an intelligent optimization method was proposed， in which， the ontology， knowledge rule inference， expert experience and Bayesian probability algorithm were applied to the knowledge base of ethylbenzene/styrene operation optimization. The knowledge base system integrates relevant technologies of knowledge ontology layer， analytic storage layer， algorithm layer and application layer to realize the knowledge base system of the ethylbenzene/styrene production optimization. The industrial application verifies that this knowledge base can improve the product yield of ethylbenzene/yrene production， reduce the consumption of raw materials and power energy.

Key words? ?knowledge base， ontology， Bayesian probability algorithm， operating system optimization，ethylbenzene/styrene