石化智能工厂建设关键场景与技术

赵学良，贾梦达，王显鹏，苏丽杰，刘东庆

（1 中国石油化工集团有限公司，北京 100728；2 石化盈科信息技术有限责任公司，北京 100007；3 东北大学工业智能与系统优化国家级前沿科学中心，辽宁 沈阳 110819；4 东北大学智能工业数据解析与优化教育部重点实验室，辽宁 沈阳 110819）

随着大数据、云计算、物联网、信息物理系统和人工智能等技术的蓬勃发展，基于新一代信息技术的各种生产模式陆续被提出，并与制造业深度融合，为世界范围的制造业带来了新的发展机遇[1-2]。美国推出“先进制造业国家战略计划”优先突破“工业互联网”技术。德国围绕智能生产和智能工厂提出“2030 愿景”并指出自主化、互操作和可持续是未来制造的特征。欧盟提出“工业5.0”强调以人为本、可持续发展和富有韧性的供应链，以确保其在制造领域的全球领先地位[3]。为抓住当前机遇并积极应对挑战，我国适时提出了“十四五”智能制造发展规划，将智能制造作为主攻方向，以促进我国制造业迈向全球价值链中高端。

智能制造是基于新一代信息通信技术与先进制造技术深度融合，贯穿于设计、生产、管理、服务等制造活动的各个环节，具有自感知、自决策、自执行、自适应、自学习等功能，旨在提高制造业质量、效益和竞争力的先进生产方式[4]。不同于传统制造范式，智能制造强调尽可能减少制造系统中的人力比重，并将人的知识和经验固化在制造系统中，以实现从人全盘控制到人不在现场的完全自主运行的愿景[5-6]。为适应制造业的新发展格局，提高企业自身核心竞争力，汽车、电子、船舶和石化等国内企业纷纷向智能制造转型，通过引入智慧物流仓储、智能生产调度、工业机器人等技术与装备助力企业发展[7]。其中石化制造本质上是一个流程规模庞大、结构复杂，由多个紧密联系并相互作用的操作单元所组成系统，使得流程工业的智能制造面临诸多难点和和挑战[8-9]。因此，石化企业通过数字化技术，可以从产品链、资产链和价值链上在数据和业务两方面打破各个独立子系统以及数据源之间的壁垒，完成跨越价值链的数据融合和协同，从而达到降本增效的目的。

智能工厂是实现工业智能制造的载体。国际上入选灯塔工厂的企业被认为是具有榜样意义的“数字化制造”和“全球化4.0”示范者。石化方面有沙特阿美等5家企业入选。沙特阿美将大数据和人工智能技术应用于设备监测和工艺操作，成功降低设备维修费用，提高了生产率和能源效率。土耳其STAR 炼油厂将系统优化与数字孪生技术应用于生产和能源管控，实现了柴油和航空煤油产量大幅提升，同时降低二氧化碳的排放量[10]。

国内石化智能工厂的建设经历了规划设计、试点建设、提升建设和推广建设阶段后，在效益优化、生产运行、仓储管理、安全管理和环保管理等方面，应用新一代物联网和人工智能技术开展实践，经济效益等指标上取得了显著成效。基于现有的智能化基础，石化企业还可以在系统集成、复杂过程建模、智能化技术深入应用方面进一步深化和提升[11]。

因此，本文针对石化企业的智能工厂建设，从业务和技术两个方面出发，重点探讨了未来石化智能工厂场景规划的研究路线，进而提出智能工厂建设中边缘云平台规划和需要构建的关键业务场景，并结合数据解析与人工智能设计了各场景的技术方法。最后，分析了这些建设场景在石化行业应用中的挑战，为实现石化生产管控智能化、质量管控智能化、设备管控智能化等核心能力的提升提供指导建议。

1 石化智能工厂建设的关键场景规划

针对石化智能工厂的建设，从业务视角看，主要聚焦在生产计划与调度优化、生产过程建模与操作优化、生产设备智能监测与诊断等业务环节，通过人工智能与系统优化技术，进一步提升全局优化、业务协同、安全预测和运行预警等能力。从技术视角看，需要进一步提升智能感知与信息融合、融合过程机理和工业大数据的混合建模与分析、全流程协同优化控制、知识驱动的智能化操作和智能化决策等能力[12]。石化智能工厂中的关键场景建设的总体规划如图1所示。

图1 石化智能工厂关键场景的总体规划

首先，基于石化智能云平台，构建集成边缘计算、物联网等技术的边缘云平台，从提升石化工业边缘物联感知能力、边缘网络安全水平两个角度进行建设，进而通过基于智能优化的数据预处理技术，形成石化生产大数据。其次，基于石化生产大数据，构建机理模型、数据模型、机理与数据融合模型、业务模型、优化模型等面向中石化智能工厂未来建设目标的关键模型。最后，基于所构建的优化模型、算法，针对生产计划与调度、过程建模与操作优化、设备运行监测与诊断、安全环保、仓储配送、能源管理等重点建设内容中的场景进行研究。

2 石化边缘云平台的智能感知与检测

边缘云平台是一种集成了边缘计算、物联网等技术的智能化工业解决方案，旨在为企业提供全面的数据采集、监测、分析和应用服务。石化企业通过该平台能够进一步实现智能化、高效化、安全化的生产运营，提高企业竞争力。石化智能工厂将从提升石化工业边缘物联感知能力、边缘网络安全水平进行规划。

2.1 石化边缘云平台物联感知

边缘计算将数据处理和分析的任务从云端移至离用户更近的设备边缘进行处理，以实现更高效的数据传输和更低的延迟[13]。然而，石化生产设备工控协议往往存在差异性，并缺乏统一的格式标准，这阻碍了边缘云平台下设备之间实时互通和联动能力。因此，石化智能工厂需要解决差异化协议系统之间的信息融合问题，以提升边缘云平台的感知能力。

为解决这一问题，提出了基于多任务深度学习的协议识别模型，该模型通过硬参数共享将不同已知协议数据映射到不同中心点和不同半径的超球内，将未知协议数据映射到超球外，并以最大化不同超球之间的距离作为辅助损失来提高模型识别的准确度，如图2所示。该模型的输入为向量化的协议数据，输出为不同类型协议数据的分类。其中，向量化的协议数据分布在d维实数空间，记作χ，协议分类为不同中心点和半径的超球种类，超球维数为p，所在空间记作ℱ。在此基础上，边缘云平台能够对不同协议进行有效解析，进而为实现数据的互通提供支撑。具体实施步骤为：首先，通过语义分词将原始的协议数据进行切分，划分为不同的语义单元，为模型训练提供数据基础；接着，将这些划分好的语义单元进行词向量化，将其转换成机器可理解的向量表示，这其中包括词汇表构建、单元编码与向量化等操作；最后，在边缘云平台上进行模型训练，获得模型参数以及每种协议类别阈值。

图2 石化边缘云平台协议识别模型

2.2 石化边缘云平台安全检测

当前的石化工业控制设备在设计时缺乏安全性考虑，容易受到攻击，从而威胁整个石化工业互联网的安全，而传统的防火墙技术很难应对设备众多、网络通信多元等复杂环境挑战[14]。入侵检测技术能够成为防火墙技术的一种补充，有助于提高边缘云平台的安全性[15]。

在石化工业边缘云平台中，通过监控设备的数据流量、网络通信等，实现实时的入侵检测和预警，从而保护边缘节点设备和数据的安全。基于机器学习的入侵检测模型具有较强的自适应性和泛化能力[16]，可以对复杂的攻击进行检测，并能够快速适应新的攻击方式。本文提出基于知识驱动的差分演化支持向量机（SVM）智能入侵检测模型及部署方式如图3所示。具体技术方案包括：首先，将训练的入侵检测模型部署在边缘设备或边缘节点上，模型训练根据数据敏感性选择在边缘云平台；在线监测时通过实时采集网络流量数据，并对数据进行预处理和特征提取；接着将经过预处理的数据传输到入侵检测模型中，如果模型检测到网络流量中存在异常或入侵行为，可以触发相应的安全措施，例如发送警报、封锁、通知等。

3 石化智能工厂关键建设场景与技术方法

基于石化智能工厂关键场景的总体规划，下面将从生产计划与调度、操作优化、设备管控三方面提出关键建设场景，并依据石化场景的智能化需求，提出基于数据与机理融合的解析与优化方法。

3.1 基于数据与机理融合建模的石化生产计划与调度优化

石化生产计划与调度是生产管控的重要环节，生产计划模型的时滞和线性近似、生产调度方案与装置物料平衡的冲突是当前生产管控存在的问题，导致计划与调度方案的不准确以及可执行性差[17-19]。利用石化智云平台的数据，进一步从数据驱动、融合机理模型和系统优化视角，提升石化智能生产管控模型。基于数据与机理融合建模的石化生产计划与调度方法框架如图4所示。

首先，建立基于数据与机理的装置模型以及外部需求与供应预测。针对石化生产设备和能耗的机理模型，采用数据与机理融合的建模方法，利用统计非线性拟合方法，建立石化设备的更加精准非线性机理模型。针对外部石化市场数据，采用统计与机器学习混合的预测方法，获得实时动态的市场需求和原料供应数据，作为生产计划和调度模型中重要的约束参数。通过充分利用石化企业内部和外部数据，改进生产计划中的机理模型和外部参数，可以有效提升生产计划模型的精确性和可执行性[20]。

其次，建立石化全流程生产的计划与调度模型。针对石化生产计划中的加工原油种类、设备生产模式以及调和方案选择等决策，利用整数变量进行决策描述；将非线性机理模型嵌入到石化生产计划与调度模型；再考虑能耗和排放的限制约束。因此，基于数据驱动建立的计划与调度模型为混合整数非线性规划模型。针对石化生产计划与调度的复杂数学模型，既包含大量整数变量，又包含复杂的非线性约束条件，设计数学优化与智能优化的混合求解策略，先基于拉格朗日分解算法，将问题松弛，再分解成子问题，通过求解松弛子问题获得原问题的下界[21]，再基于松弛解，利用智能优化算法进行解的可行性修复和改进，获得问题的上界，通过迭代优化最终获得石化全流程生产的计划与调度最优方案。将生产计划与调度方案实施到石化生产全流程，评价方案的实施效果和经济指标，工艺流程和市场发生变化时，进行相关模型的实时更新，同时更新生产计划与调度方案。

以炼厂全流程生产过程为例，基于数据驱动的石化全流程生产计划与调度模型应用过程如下：首先，收集炼厂主要生产装置的生产数据，如常减压蒸馏装置，基于装置的机理模型，利用生产数据进行装置的收率模型校正，如果装置的机理模型缺少，利用装置的实际数据通过非线性拟合获得收率模型。同时收集产品市场的需求数据和原油供应数据，选择合适的预测方法进行产品需求预测和原油供应预测。其次，建立炼厂范围的生产计划与调度模型，嵌入装置模型以及预测的产品需求和原油供应参数，同时决策各时间段原油的加工种类和数量、各类成品油的产出量、各类产品的库存量、各装置的工况设置和能耗以及原油的加工顺序，最大化炼厂整体的生产净利润[22]，考虑满足市场需求、装置和库存平衡、原油供应能力以及能耗指标等约束。再次，针对炼厂生产计划与调度的大规模问题，设计基于拉格朗日的松弛与分解优化算法，能够有效求解实际生产计划与调度问题，并且可以进行模型的灵敏度分析，为进一步挖掘炼厂的利润空间提供理论依据。基于数据驱动的智能石化生产计划与调度模型，通过解析生产装置与外部市场数据，提升企业智能生产管控能力，实现企业的按需生产和零库存管理目标，优化产品结构布局，实现石化定制化产品的精准拓展。

3.2 石化生产过程多目标进化学习建模与操作优化

石化生产过程由于包含大量复杂的化学反应，通常难以构建严格的机理模型，使得机理模型虽然具有泛化能力强的特点，但精度还难以满足对生产过程建模的高精度需求。工业大数据模型不依赖化学反应机理知识，通过构建端到端的映射来实现生产过程的数据驱动建模，通常具有较高的精度，但是由于对数据的依赖性，导致数据驱动模型通常难以获得良好的泛化能力。

因此，需要在石化智云平台的基础上，通过机理知识与工业大数据的融合，构建基于机理与数据的石化生产过程的高精度在线模型，进而在此基础上构建生产过程的多目标操作优化模型与算法，以实现对生产过程的实时管控与动态优化[23]。所提出的石化生产过程进化学习建模与操作优化方法流程如图5所示。

图5 石化智能工厂生产过程进化学习建模与操作优化方法流程

首先，基于石化大数据，以生产过程化学反应机理模型的参数设定作为决策变量，以机理模型的预测误差与泛化能力作为优化目标，使用多目标差分进化等智能优化算法对模型参数进行自主辨识与优化，以获得具有较高精度与泛化能力的生产过程机理模型。

其次，基于生产过程数据，以深度学习神经网络的架构与超参数为决策变量，以模型精度与复杂性为优化目标，构建基于数据驱动的多目标进化学习建模方法[24]，实现石化生产过程的数据驱动建模。该方法的整体架构如图6所示，主要包括神经网络的编码与解码、基于多目标进化的子学习机训练、子学习机选择与非线性集成等几个阶段；其中，神经网络的编码与解码是指将深度神经网络的架构进行编码，通常可以使用一个向量来表示，按照深度神经网络的架构特点，向量中的每一个值通常表示一个功能单元（例如深度卷积网络中的卷积层所使用的卷积核类型、池化层所使用的池化操作类型，以及相应的权重初始化参数等），解码是指将这个向量转变为一个完整的神经网络以进行训练；基于多目标进化的子学习机训练是指使用多目标进化算法对这些编码进行寻优，以获得不同精度与复杂度的网络结构，这些网络就是子学习机，通过多目标优化最终将会得到一个Pareto 最优解集；子学习机的选择与非线性集成是指从所获得的Pareto解集中选择合适的子学习机，然后将它们的输出作为特征，再训练一个传统的神经网络实现对这些子学习机的非线性集成，从而获得具有更高精度与泛化能力的数据模型，以满足实际生产的需求。这种基于进化学习的建模方法的优势在于神经网络的设计不依赖人工经验，实现了自主训练，特别适用于不同业务场景的建模需求。

图6 石化智能工厂基于多目标进化学习的建模方法

最后，基于机理模型与数据模型，使用进化集成方法构建基于进化学习的数据与机理融合模型，提出石化生产过程的多目标操作优化模型，并基于现场生产过程信息实现工况变化的智能识别，进而通过智能预测机制构建高效的动态多目标操作优化算法，实现对生产过程各工艺控制参数的动态优化设定，提升石化生产过程操作优化的智能化水平，实现全流程产品质量的协同优化。

以石化生产中的石脑油热裂解制乙烯生产过程操作优化为例[25]，上述方法的实施过程可以描述如下。首先，由于不同石脑油的物性参数不同，需要获得对应的机理模型，因此需要将传统的石脑油热裂解机理模型中的参数作为决策变量，以机理模型针对乙烯收率和丙烯收率的预测误差与泛化能力作为优化目标，使用多目标差分进化算法对这些参数进行优化拟合，从而获得具有较高性能的机理模型；其次，使用图6所示的多目标进化学习建模方法，构建出乙烯和丙烯收率预测的深度学习模型；再次，将机理模型与深度学习模型进行集成，以融合机理模型泛化能力强、数据模型精度高的优势，进一步提升乙烯和丙烯收率的预测效果；最后，以乙烯收率和丙烯收率最大化这两个相互冲突的目标作为优化目标，建立热裂解生产过程的多目标操作优化模型，其中优化目标的计算使用之前所建立的两个集成学习模型，进而使用多目标进化算法对操作条件进行寻优，实现乙烯与丙烯收率的多目标优化。因此，基于所提出的多目标进化学习与多目标操作优化方法，将可以实现石脑油热裂解生产过程建模与操作优化的自主化与智能化，从而为石化智能工厂的操作智能管控提供技术支撑。

3.3 石化生产设备智能运行监测与故障诊断

石化生产设备的稳定运行是产品质量和安全生产的有效保障，石化生产过程具有数据多源异构、高通量、强非线性等特点，使得传统设备运行状态的分析与诊断方法容易出现误报警和故障根因难以诊断等不足[26]。因此，需要在石化智云平台的基础上，构建基于大数据的关键设备运行状态智能分析与诊断，实现关键生产设备运行状态的智能分析、监测与管控，对于可能出现的生产波动进行预警，对生产波动或故障进行快速诊断，如图7所示。

图7 石化智能工厂设备运行智能监测与诊断模型构建

首先，在石化智云平台的基础上，实现关键设备运行状态的实时感知和数据汇总，通过工艺机理与数据解析，实现数据清洗等预处理工作，为运行状态分析与监测诊断奠定数据基础。

其次，由于实际生产中通常为时序数据，传统的结构化数据提取方法难以获得高质量特征，因此以工艺机理与数据模型为基础，通过将时序数据转换为图像等方式[27]，分别从时序特征、空间特征等多个视角构建生产设备的高维运行数据样本，再通过进化数据融合方法对样本进行深度解析，挖掘出这些特征自身在时序上的变化规律、特征前后变化的空间关系、特征之间的拓扑影响关系等，这些信息是传统结构化数据提取方法难以获得的，进而通过多源数据融合和多目标进化集成学习方法，构建关键设备运行状态的融合特征，为运行监测和故障诊断模型的构建奠定数据基础，其流程如图8所示。

图8 石化智能工厂设备运行融合特征构建方法

最后，基于所挖掘的时间、空间、拓扑影响关系等多源知识，以深度神经网络的架构和超参数为决策变量，通过多目标进化算法构建关键设备运行故障的预警与快速诊断模型，该方法的建模思路与图5所示多目标进化学习的方法类似，实现对生产过程中关键设备运行异常工况的预警和快速故障诊断，提升石化生产设备运行监测与诊断的智能化水平，为关键设备的安全和稳定运行提供有效保障。

从石化智能工厂建设的关键场景中选择基于数据与机理融合建模的石化生产计划与调度优化、石化生产过程多目标进化学习建模与操作优化和石化生产设备智能运行监测与故障诊断三个重要场景，针对现有场景的智能化水平，对标国际先进石化智能工厂的生产场景，利用最新的数据解析与系统优化技术进行智能场景的结构性改进与提升，提高场景的智能化水平。

基于数据与机理融合的解析与优化方法还可以扩展应用到能源管控中的瓦斯系统调度优化[28]、蒸汽管网优化，以及产品质量在线监测等场景。以瓦斯系统优化为例，基于数据与机理融合构建瓦斯系统发生量与消耗量预测模型，针对装置生产工况调整的非平稳阶段，利用瓦斯系统的模型和动态优化策略实现系统的实时平衡优化，提高瓦斯的利用率，从而实现企业能效的提升。

4 结语

石化企业的边缘云平台感知与检测、生产管控、操作优化、设备监测与诊断等技术方法对于提升石化制造过程的智能化水平具有重要作用。本文通过分析石化智能工厂建设的现状，面向未来石化工业智能制造的需求，规划石化智能工厂的关键场景以及边缘云平台的技术，提炼了基于数据与机理融合建模的石化生产计划与调度优化、石化生产过程多目标进化学习建模与操作优化和石化生产设备智能运行监测与故障诊断的关键场景，并依据各场景的需求与特征，提出了基于数据与机理融合的技术方法，从而为石化未来智能工厂的建设提供参考和指导。