石化智能工廠建設關鍵場景與技術

趙學良，賈夢達，王顯鵬，蘇麗杰，劉東慶

（1 中國石油化工集團有限公司，北京 100728；2 石化盈科信息技術有限責任公司，北京 100007；3 東北大學工業智能與系統優化國家級前沿科學中心，遼寧 沈陽 110819；4 東北大學智能工業數據解析與優化教育部重點實驗室，遼寧 沈陽 110819）

隨著大數據、云計算、物聯網、信息物理系統和人工智能等技術的蓬勃發展，基于新一代信息技術的各種生產模式陸續被提出，并與制造業深度融合，為世界范圍的制造業帶來了新的發展機遇[1-2]。美國推出“先進制造業國家戰略計劃”優先突破“工業互聯網”技術。德國圍繞智能生產和智能工廠提出“2030 愿景”并指出自主化、互操作和可持續是未來制造的特征。歐盟提出“工業5.0”強調以人為本、可持續發展和富有韌性的供應鏈，以確保其在制造領域的全球領先地位[3]。為抓住當前機遇并積極應對挑戰，我國適時提出了“十四五”智能制造發展規劃，將智能制造作為主攻方向，以促進我國制造業邁向全球價值鏈中高端。

智能制造是基于新一代信息通信技術與先進制造技術深度融合，貫穿于設計、生產、管理、服務等制造活動的各個環節，具有自感知、自決策、自執行、自適應、自學習等功能，旨在提高制造業質量、效益和競爭力的先進生產方式[4]。不同于傳統制造范式，智能制造強調盡可能減少制造系統中的人力比重，并將人的知識和經驗固化在制造系統中，以實現從人全盤控制到人不在現場的完全自主運行的愿景[5-6]。為適應制造業的新發展格局，提高企業自身核心競爭力，汽車、電子、船舶和石化等國內企業紛紛向智能制造轉型，通過引入智慧物流倉儲、智能生產調度、工業機器人等技術與裝備助力企業發展[7]。其中石化制造本質上是一個流程規模龐大、結構復雜，由多個緊密聯系并相互作用的操作單元所組成系統，使得流程工業的智能制造面臨諸多難點和和挑戰[8-9]。因此，石化企業通過數字化技術，可以從產品鏈、資產鏈和價值鏈上在數據和業務兩方面打破各個獨立子系統以及數據源之間的壁壘，完成跨越價值鏈的數據融合和協同，從而達到降本增效的目的。

智能工廠是實現工業智能制造的載體。國際上入選燈塔工廠的企業被認為是具有榜樣意義的“數字化制造”和“全球化4.0”示范者。石化方面有沙特阿美等5家企業入選。沙特阿美將大數據和人工智能技術應用于設備監測和工藝操作，成功降低設備維修費用，提高了生產率和能源效率。土耳其STAR 煉油廠將系統優化與數字孿生技術應用于生產和能源管控，實現了柴油和航空煤油產量大幅提升，同時降低二氧化碳的排放量[10]。

國內石化智能工廠的建設經歷了規劃設計、試點建設、提升建設和推廣建設階段后，在效益優化、生產運行、倉儲管理、安全管理和環保管理等方面，應用新一代物聯網和人工智能技術開展實踐，經濟效益等指標上取得了顯著成效。基于現有的智能化基礎，石化企業還可以在系統集成、復雜過程建模、智能化技術深入應用方面進一步深化和提升[11]。

因此，本文針對石化企業的智能工廠建設，從業務和技術兩個方面出發，重點探討了未來石化智能工廠場景規劃的研究路線，進而提出智能工廠建設中邊緣云平臺規劃和需要構建的關鍵業務場景，并結合數據解析與人工智能設計了各場景的技術方法。最后，分析了這些建設場景在石化行業應用中的挑戰，為實現石化生產管控智能化、質量管控智能化、設備管控智能化等核心能力的提升提供指導建議。

1 石化智能工廠建設的關鍵場景規劃

針對石化智能工廠的建設，從業務視角看，主要聚焦在生產計劃與調度優化、生產過程建模與操作優化、生產設備智能監測與診斷等業務環節，通過人工智能與系統優化技術，進一步提升全局優化、業務協同、安全預測和運行預警等能力。從技術視角看，需要進一步提升智能感知與信息融合、融合過程機理和工業大數據的混合建模與分析、全流程協同優化控制、知識驅動的智能化操作和智能化決策等能力[12]。石化智能工廠中的關鍵場景建設的總體規劃如圖1所示。

圖1 石化智能工廠關鍵場景的總體規劃

首先，基于石化智能云平臺，構建集成邊緣計算、物聯網等技術的邊緣云平臺，從提升石化工業邊緣物聯感知能力、邊緣網絡安全水平兩個角度進行建設，進而通過基于智能優化的數據預處理技術，形成石化生產大數據。其次，基于石化生產大數據，構建機理模型、數據模型、機理與數據融合模型、業務模型、優化模型等面向中石化智能工廠未來建設目標的關鍵模型。最后，基于所構建的優化模型、算法，針對生產計劃與調度、過程建模與操作優化、設備運行監測與診斷、安全環保、倉儲配送、能源管理等重點建設內容中的場景進行研究。

2 石化邊緣云平臺的智能感知與檢測

邊緣云平臺是一種集成了邊緣計算、物聯網等技術的智能化工業解決方案，旨在為企業提供全面的數據采集、監測、分析和應用服務。石化企業通過該平臺能夠進一步實現智能化、高效化、安全化的生產運營，提高企業競爭力。石化智能工廠將從提升石化工業邊緣物聯感知能力、邊緣網絡安全水平進行規劃。

2.1 石化邊緣云平臺物聯感知

邊緣計算將數據處理和分析的任務從云端移至離用戶更近的設備邊緣進行處理，以實現更高效的數據傳輸和更低的延遲[13]。然而，石化生產設備工控協議往往存在差異性，并缺乏統一的格式標準，這阻礙了邊緣云平臺下設備之間實時互通和聯動能力。因此，石化智能工廠需要解決差異化協議系統之間的信息融合問題，以提升邊緣云平臺的感知能力。

為解決這一問題，提出了基于多任務深度學習的協議識別模型，該模型通過硬參數共享將不同已知協議數據映射到不同中心點和不同半徑的超球內，將未知協議數據映射到超球外，并以最大化不同超球之間的距離作為輔助損失來提高模型識別的準確度，如圖2所示。該模型的輸入為向量化的協議數據，輸出為不同類型協議數據的分類。其中，向量化的協議數據分布在d維實數空間，記作χ，協議分類為不同中心點和半徑的超球種類，超球維數為p，所在空間記作?。在此基礎上，邊緣云平臺能夠對不同協議進行有效解析，進而為實現數據的互通提供支撐。具體實施步驟為：首先，通過語義分詞將原始的協議數據進行切分，劃分為不同的語義單元，為模型訓練提供數據基礎；接著，將這些劃分好的語義單元進行詞向量化，將其轉換成機器可理解的向量表示，這其中包括詞匯表構建、單元編碼與向量化等操作；最后，在邊緣云平臺上進行模型訓練，獲得模型參數以及每種協議類別閾值。

圖2 石化邊緣云平臺協議識別模型

2.2 石化邊緣云平臺安全檢測

當前的石化工業控制設備在設計時缺乏安全性考慮，容易受到攻擊，從而威脅整個石化工業互聯網的安全，而傳統的防火墻技術很難應對設備眾多、網絡通信多元等復雜環境挑戰[14]。入侵檢測技術能夠成為防火墻技術的一種補充，有助于提高邊緣云平臺的安全性[15]。

在石化工業邊緣云平臺中，通過監控設備的數據流量、網絡通信等，實現實時的入侵檢測和預警，從而保護邊緣節點設備和數據的安全。基于機器學習的入侵檢測模型具有較強的自適應性和泛化能力[16]，可以對復雜的攻擊進行檢測，并能夠快速適應新的攻擊方式。本文提出基于知識驅動的差分演化支持向量機（SVM）智能入侵檢測模型及部署方式如圖3所示。具體技術方案包括：首先，將訓練的入侵檢測模型部署在邊緣設備或邊緣節點上，模型訓練根據數據敏感性選擇在邊緣云平臺；在線監測時通過實時采集網絡流量數據，并對數據進行預處理和特征提取；接著將經過預處理的數據傳輸到入侵檢測模型中，如果模型檢測到網絡流量中存在異常或入侵行為，可以觸發相應的安全措施，例如發送警報、封鎖、通知等。

3 石化智能工廠關鍵建設場景與技術方法

基于石化智能工廠關鍵場景的總體規劃，下面將從生產計劃與調度、操作優化、設備管控三方面提出關鍵建設場景，并依據石化場景的智能化需求，提出基于數據與機理融合的解析與優化方法。

3.1 基于數據與機理融合建模的石化生產計劃與調度優化

石化生產計劃與調度是生產管控的重要環節，生產計劃模型的時滯和線性近似、生產調度方案與裝置物料平衡的沖突是當前生產管控存在的問題，導致計劃與調度方案的不準確以及可執行性差[17-19]。利用石化智云平臺的數據，進一步從數據驅動、融合機理模型和系統優化視角，提升石化智能生產管控模型。基于數據與機理融合建模的石化生產計劃與調度方法框架如圖4所示。

首先，建立基于數據與機理的裝置模型以及外部需求與供應預測。針對石化生產設備和能耗的機理模型，采用數據與機理融合的建模方法，利用統計非線性擬合方法，建立石化設備的更加精準非線性機理模型。針對外部石化市場數據，采用統計與機器學習混合的預測方法，獲得實時動態的市場需求和原料供應數據，作為生產計劃和調度模型中重要的約束參數。通過充分利用石化企業內部和外部數據，改進生產計劃中的機理模型和外部參數，可以有效提升生產計劃模型的精確性和可執行性[20]。

其次，建立石化全流程生產的計劃與調度模型。針對石化生產計劃中的加工原油種類、設備生產模式以及調和方案選擇等決策，利用整數變量進行決策描述；將非線性機理模型嵌入到石化生產計劃與調度模型；再考慮能耗和排放的限制約束。因此，基于數據驅動建立的計劃與調度模型為混合整數非線性規劃模型。針對石化生產計劃與調度的復雜數學模型，既包含大量整數變量，又包含復雜的非線性約束條件，設計數學優化與智能優化的混合求解策略，先基于拉格朗日分解算法，將問題松弛，再分解成子問題，通過求解松弛子問題獲得原問題的下界[21]，再基于松弛解，利用智能優化算法進行解的可行性修復和改進，獲得問題的上界，通過迭代優化最終獲得石化全流程生產的計劃與調度最優方案。將生產計劃與調度方案實施到石化生產全流程，評價方案的實施效果和經濟指標，工藝流程和市場發生變化時，進行相關模型的實時更新，同時更新生產計劃與調度方案。

以煉廠全流程生產過程為例，基于數據驅動的石化全流程生產計劃與調度模型應用過程如下：首先，收集煉廠主要生產裝置的生產數據，如常減壓蒸餾裝置，基于裝置的機理模型，利用生產數據進行裝置的收率模型校正，如果裝置的機理模型缺少，利用裝置的實際數據通過非線性擬合獲得收率模型。同時收集產品市場的需求數據和原油供應數據，選擇合適的預測方法進行產品需求預測和原油供應預測。其次，建立煉廠范圍的生產計劃與調度模型，嵌入裝置模型以及預測的產品需求和原油供應參數，同時決策各時間段原油的加工種類和數量、各類成品油的產出量、各類產品的庫存量、各裝置的工況設置和能耗以及原油的加工順序，最大化煉廠整體的生產凈利潤[22]，考慮滿足市場需求、裝置和庫存平衡、原油供應能力以及能耗指標等約束。再次，針對煉廠生產計劃與調度的大規模問題，設計基于拉格朗日的松弛與分解優化算法，能夠有效求解實際生產計劃與調度問題，并且可以進行模型的靈敏度分析，為進一步挖掘煉廠的利潤空間提供理論依據。基于數據驅動的智能石化生產計劃與調度模型，通過解析生產裝置與外部市場數據，提升企業智能生產管控能力，實現企業的按需生產和零庫存管理目標，優化產品結構布局，實現石化定制化產品的精準拓展。

3.2 石化生產過程多目標進化學習建模與操作優化

石化生產過程由于包含大量復雜的化學反應，通常難以構建嚴格的機理模型，使得機理模型雖然具有泛化能力強的特點，但精度還難以滿足對生產過程建模的高精度需求。工業大數據模型不依賴化學反應機理知識，通過構建端到端的映射來實現生產過程的數據驅動建模，通常具有較高的精度，但是由于對數據的依賴性，導致數據驅動模型通常難以獲得良好的泛化能力。

因此，需要在石化智云平臺的基礎上，通過機理知識與工業大數據的融合，構建基于機理與數據的石化生產過程的高精度在線模型，進而在此基礎上構建生產過程的多目標操作優化模型與算法，以實現對生產過程的實時管控與動態優化[23]。所提出的石化生產過程進化學習建模與操作優化方法流程如圖5所示。

圖5 石化智能工廠生產過程進化學習建模與操作優化方法流程

首先，基于石化大數據，以生產過程化學反應機理模型的參數設定作為決策變量，以機理模型的預測誤差與泛化能力作為優化目標，使用多目標差分進化等智能優化算法對模型參數進行自主辨識與優化，以獲得具有較高精度與泛化能力的生產過程機理模型。

其次，基于生產過程數據，以深度學習神經網絡的架構與超參數為決策變量，以模型精度與復雜性為優化目標，構建基于數據驅動的多目標進化學習建模方法[24]，實現石化生產過程的數據驅動建模。該方法的整體架構如圖6所示，主要包括神經網絡的編碼與解碼、基于多目標進化的子學習機訓練、子學習機選擇與非線性集成等幾個階段；其中，神經網絡的編碼與解碼是指將深度神經網絡的架構進行編碼，通常可以使用一個向量來表示，按照深度神經網絡的架構特點，向量中的每一個值通常表示一個功能單元（例如深度卷積網絡中的卷積層所使用的卷積核類型、池化層所使用的池化操作類型，以及相應的權重初始化參數等），解碼是指將這個向量轉變為一個完整的神經網絡以進行訓練；基于多目標進化的子學習機訓練是指使用多目標進化算法對這些編碼進行尋優，以獲得不同精度與復雜度的網絡結構，這些網絡就是子學習機，通過多目標優化最終將會得到一個Pareto 最優解集；子學習機的選擇與非線性集成是指從所獲得的Pareto解集中選擇合適的子學習機，然后將它們的輸出作為特征，再訓練一個傳統的神經網絡實現對這些子學習機的非線性集成，從而獲得具有更高精度與泛化能力的數據模型，以滿足實際生產的需求。這種基于進化學習的建模方法的優勢在于神經網絡的設計不依賴人工經驗，實現了自主訓練，特別適用于不同業務場景的建模需求。

圖6 石化智能工廠基于多目標進化學習的建模方法

最后，基于機理模型與數據模型，使用進化集成方法構建基于進化學習的數據與機理融合模型，提出石化生產過程的多目標操作優化模型，并基于現場生產過程信息實現工況變化的智能識別，進而通過智能預測機制構建高效的動態多目標操作優化算法，實現對生產過程各工藝控制參數的動態優化設定，提升石化生產過程操作優化的智能化水平，實現全流程產品質量的協同優化。

以石化生產中的石腦油熱裂解制乙烯生產過程操作優化為例[25]，上述方法的實施過程可以描述如下。首先，由于不同石腦油的物性參數不同，需要獲得對應的機理模型，因此需要將傳統的石腦油熱裂解機理模型中的參數作為決策變量，以機理模型針對乙烯收率和丙烯收率的預測誤差與泛化能力作為優化目標，使用多目標差分進化算法對這些參數進行優化擬合，從而獲得具有較高性能的機理模型；其次，使用圖6所示的多目標進化學習建模方法，構建出乙烯和丙烯收率預測的深度學習模型；再次，將機理模型與深度學習模型進行集成，以融合機理模型泛化能力強、數據模型精度高的優勢，進一步提升乙烯和丙烯收率的預測效果；最后，以乙烯收率和丙烯收率最大化這兩個相互沖突的目標作為優化目標，建立熱裂解生產過程的多目標操作優化模型，其中優化目標的計算使用之前所建立的兩個集成學習模型，進而使用多目標進化算法對操作條件進行尋優，實現乙烯與丙烯收率的多目標優化。因此，基于所提出的多目標進化學習與多目標操作優化方法，將可以實現石腦油熱裂解生產過程建模與操作優化的自主化與智能化，從而為石化智能工廠的操作智能管控提供技術支撐。

3.3 石化生產設備智能運行監測與故障診斷

石化生產設備的穩定運行是產品質量和安全生產的有效保障，石化生產過程具有數據多源異構、高通量、強非線性等特點，使得傳統設備運行狀態的分析與診斷方法容易出現誤報警和故障根因難以診斷等不足[26]。因此，需要在石化智云平臺的基礎上，構建基于大數據的關鍵設備運行狀態智能分析與診斷，實現關鍵生產設備運行狀態的智能分析、監測與管控，對于可能出現的生產波動進行預警，對生產波動或故障進行快速診斷，如圖7所示。

圖7 石化智能工廠設備運行智能監測與診斷模型構建

首先，在石化智云平臺的基礎上，實現關鍵設備運行狀態的實時感知和數據匯總，通過工藝機理與數據解析，實現數據清洗等預處理工作，為運行狀態分析與監測診斷奠定數據基礎。

其次，由于實際生產中通常為時序數據，傳統的結構化數據提取方法難以獲得高質量特征，因此以工藝機理與數據模型為基礎，通過將時序數據轉換為圖像等方式[27]，分別從時序特征、空間特征等多個視角構建生產設備的高維運行數據樣本，再通過進化數據融合方法對樣本進行深度解析，挖掘出這些特征自身在時序上的變化規律、特征前后變化的空間關系、特征之間的拓撲影響關系等，這些信息是傳統結構化數據提取方法難以獲得的，進而通過多源數據融合和多目標進化集成學習方法，構建關鍵設備運行狀態的融合特征，為運行監測和故障診斷模型的構建奠定數據基礎，其流程如圖8所示。

圖8 石化智能工廠設備運行融合特征構建方法

最后，基于所挖掘的時間、空間、拓撲影響關系等多源知識，以深度神經網絡的架構和超參數為決策變量，通過多目標進化算法構建關鍵設備運行故障的預警與快速診斷模型，該方法的建模思路與圖5所示多目標進化學習的方法類似，實現對生產過程中關鍵設備運行異常工況的預警和快速故障診斷，提升石化生產設備運行監測與診斷的智能化水平，為關鍵設備的安全和穩定運行提供有效保障。

從石化智能工廠建設的關鍵場景中選擇基于數據與機理融合建模的石化生產計劃與調度優化、石化生產過程多目標進化學習建模與操作優化和石化生產設備智能運行監測與故障診斷三個重要場景，針對現有場景的智能化水平，對標國際先進石化智能工廠的生產場景，利用最新的數據解析與系統優化技術進行智能場景的結構性改進與提升，提高場景的智能化水平。

基于數據與機理融合的解析與優化方法還可以擴展應用到能源管控中的瓦斯系統調度優化[28]、蒸汽管網優化，以及產品質量在線監測等場景。以瓦斯系統優化為例，基于數據與機理融合構建瓦斯系統發生量與消耗量預測模型，針對裝置生產工況調整的非平穩階段，利用瓦斯系統的模型和動態優化策略實現系統的實時平衡優化，提高瓦斯的利用率，從而實現企業能效的提升。

4 結語

石化企業的邊緣云平臺感知與檢測、生產管控、操作優化、設備監測與診斷等技術方法對于提升石化制造過程的智能化水平具有重要作用。本文通過分析石化智能工廠建設的現狀，面向未來石化工業智能制造的需求，規劃石化智能工廠的關鍵場景以及邊緣云平臺的技術，提煉了基于數據與機理融合建模的石化生產計劃與調度優化、石化生產過程多目標進化學習建模與操作優化和石化生產設備智能運行監測與故障診斷的關鍵場景，并依據各場景的需求與特征，提出了基于數據與機理融合的技術方法，從而為石化未來智能工廠的建設提供參考和指導。