文章快速检索     高级检索
  北京化工大学学报(自然科学版)  2018, Vol. 45 Issue (5): 143-152   DOI: 10.13543/j.bhxbzr.2018.05.017
0

引用本文  

朱群雄, 耿志强, 徐圆, 贺彦林, 韩永明. 数据和知识融合驱动的智能过程系统工程研究进展[J]. 北京化工大学学报(自然科学版), 2018, 45(5): 143-152. DOI: 10.13543/j.bhxbzr.2018.05.017.
ZHU QunXiong, GENG ZhiQiang, XU Yuan, HE YanLin, HAN YongMing. Progress in intelligent process system engineering driven by data and knowledge fusion[J]. Journal of Beijing University of Chemical Technology (Natural Science), 2018, 45(5): 143-152. DOI: 10.13543/j.bhxbzr.2018.05.017.

基金项目

国家自然科学基金(61533003/61573051/61473026/61703027/61603025/61603024/61374166/61104131/61074153等);国家"863"计划(2007AA04Z170/2006AA04Z184)

第一作者

朱群雄, 男, 1960年生, 教授, 博士生导师.

通信联系人

徐圆, E-mail:xuyuan@mail.buct.edu.cn

文章历史

收稿日期:2018-07-17
数据和知识融合驱动的智能过程系统工程研究进展
朱群雄 , 耿志强 , 徐圆 , 贺彦林 , 韩永明     
北京化工大学 信息科学与技术学院 智能过程系统工程教育部工程研究中心, 北京 100029
摘要:智能过程系统工程教育部工程研究中心建设十余年来,开展了一系列卓有成效的基于数据和知识融合驱动的智能化过程系统工程(PSE)科学研究、技术创新和工程应用。本文重点介绍过程工业节能减排降耗和安全运行相关的关键技术——建模与优化、报警管理与故障诊断以及能效分析与评价三大应用的研究进展,最后结合大数据、云计算、工业4.0、智能制造、人工智能等技术展望了PSE的未来发展方向。
关键词数据和知识融合    建模与优化    报警管理    故障诊断    能效分析与评价    
Progress in intelligent process system engineering driven by data and knowledge fusion
ZHU QunXiong , GENG ZhiQiang , XU Yuan , HE YanLin , HAN YongMing     
Engineering Research Center of Intelligent Process Systems Engineering, Ministry of Education, College of Information Science & Technology, Beijing University of Chemical Technology, Beijing 100029, China
Abstract: Since the establishment of the Engineering Research Center of Intelligent Process System Engineering (PSE) of the Ministry of Education of China, a number of highly effective intelligent PSE scientific studies, technological innovations and engineering applications driven by data and knowledge fusion have been developed over the past decade. In this paper, some key technologies such as modeling and optimization, alarm management and fault diagnosis, energy efficiency analysis and evaluation, and relevant research progress related to energy-saving, emission reduction, energy consumption and safety operation are introduced. Finally, by combining the deep integration of information technology and industrialization and the transition and upgrading of enterprises based on big-data, cloud computing, Industry 4.0, intelligent manufacturing, and artificial intelligence, future development directions of PSE are predicted.
Key words: data and knowledge fusion    modeling and optimization    alarm management    fault diagnosis    energy efficiency analysis and evaluation    
引言

“过程系统工程是一门综合性的边缘学科,它以处理物料―能量―资金―信息流的过程系统为研究对象,其核心功能是过程系统的组织、计划、协调、设计、控制和管理。它广泛地用于化学、冶金、制药,建材、食品等过程工业中,目的是在总体上达成技术上及经济上的最优化,以符合可持续发展的要求”[1]。过程系统工程(process system engineering,PSE)为石油和化学工业持续发展和转型升级提供有力的方法和工具,随着科学技术快速进步,过程工业得到快速发展。企业的规模越来越大,生产工艺、生产设备和生产过程越来越复杂,节能减排降耗与安全运行理论研究、技术创新及工程应用工作任重道远。党的十五大首次从国家战略高度提出信息化,十六大提出“以信息化带动工业化、以工业化促进信息化,走新型工业化的道路”,十七大提出“大力推进信息化与工业化融合,促进工业由大变强”战略部署,十八大又进一步提出两化深度融合,《中国制造2025》强调两化深度融合是制造强国建设的主线。工业4.0、智能制造、大数据、人工智能为PSE的发展提出了新的挑战,同时也提供了新的发展机遇[2-4]。结构模拟―功能模拟―行为模拟的人工智能研究近几年快速发展,数据―信息―知识―智能转换的本质机制研究得到重视。本团队在国内较早开展了工业过程的数据挖掘、神经网络建模应用、报警管理与优化、能效分析与评价等学术研究与工程应用。智能过程系统工程教育部工程研究中心建设十余年来,十分重视开展基于数据和知识融合驱动的智能化PSE理论―技术―工程创新研究与应用工作,“基于数据挖掘等技术的乙烯裂解炉在线优化操作”、“PTA生产溶剂系统智能优化控制”分别获得中国石油和化学工业协会科技进步一等奖和二等奖,“基于数据驱动的大型石化装置智能优化运行技术及工程应用”获得中国石油和化工自动化应用协会科技进步一等奖,“石化企业虚拟现实应急救援演练与安全教育网络化智能系统”2017年通过中国石油和化学工业联合会科学技术成果鉴定,鉴定委员会认为该技术达到国内领先、国际先进水平。本文将重点介绍与过程工业节能减排降耗和安全运行相关的关键技术——建模与优化、报警管理与故障诊断以及能效分析与评价三大应用研究进展。

1 复杂过程建模与优化

石化行业是我国经济的支柱产业之一,其长流程、复杂工艺、非线性、时变性、不确定性、强耦合等特征致使影响生产过程的各因素及其相互关系极为复杂,构成一个多层次、多功能的复杂过程系统。建立对象的数学模型可以描述对象的因果关系或对象间的相关关系,因此数学建模工作很重要。在过程工程领域(如石油化工过程),建立过程模型的方法一般有机理建模、数据建模及混合的集成建模,其中数据和领域知识融合驱动的集成化智能建模是重要的热点研究方向。数据驱动建模质量首先依赖于数据的数量和质量,数量不足难以覆盖对象实际特征空间,数据分布性不佳则不能完好表征实际对象特征。在大数据时代,小样本问题依然是一个突出问题,“小”表面指的是数据样本少,其本质则是指现存样本对特征空间刻画能力的不足。用不充足、不完备、不平衡、不能完全覆盖整个有效空间的数据进行建模,所建模型、所作决策肯定是不合适的,因此解决小样本问题十分重要。解决小样本问题的常用方法有两种,一种是采用灰色理论和机器学习的方法,另外一种是通过小样本产生虚拟样本进行补充、完善。本团队在研究虚拟样本生成方法方面取得了一定进展,提出了一种基于优化技术的多分布整体趋势扩散技术[5]和一种基于Monte Carlo方法与粒子群优化算法的新的虚拟样本生成方法[6],利用新方法能有效填充样本间的信息间隔。得到有效样本后,研究模型的结构和算法是关键,本文将重点介绍神经网络建模方法。

1.1 神经网络建模

结构化神经网络一直是人工智能领域研究的重点,无论是单个神经网络结构算法或改进单一网络局限性的神经网络集成,还是深度学习神经网络,都各有特色,能在不同的领域解决不同的问题,在诸如分类、建模等方面都取得了显著的研究与应用成果[7-9]。神经网络建模主要是研究其网络结构和网络参数的确定方法,本质上是属于数据驱动的统计建模。事实上,数据驱动方法并不排斥已有的机理驱动的建模方法,因为基于已知机理知识可以指导数据驱动建模的模型结构和参数的确定。此外,神经网络结构与算法又是相互关联的,结构的设计一定要考虑相应的算法,同样,算法的设计也与结构有关。这就是数据与领域知识融合驱动的一种新的智能建模方法。

当得到一批输入-输出数据集时,就应该了解这个数据集所表征的对象特征知识,例如,哪些输入数据的大小对输出的影响作用是一致的,哪些输入数据是属于同类性质的。显然,一个反应器内不同层面的温度和同一层面不同位置的温度对反应的作用方向是一致的,因此在构建神经网络结构时可以考虑对输入-输出数据集进行分类、聚类及相关性等分析,据此构建基于知识和数据驱动的网络结构模型,这样的结构模型不仅符合对象机理,还有利于网络快速向着正确的方向训练收敛。本团队研究设计了一种基于输入属性空间可拓聚类的子网构造方法,提出一种简单有效的递阶神经网络建模方法[10];借鉴递阶神经网络中自联想滤波子网去噪降维功能,设计了一种具有消除噪声不利影响性能的递阶极限学习机(HELM)模型[11],提高了网络模型用于复杂化工生产过程建模的可行性;借鉴双并行网络结构,增加了输入层与输出层的连接权值,从而使得网络输出节点不仅可以接收来自隐含层节点的输出信息,还可以直接接收来自源输入的信息,构建了一种具有改进双并行结构的极限学习机模型[12]。为解决双并行结构增加网络复杂性的问题,构造了基于输入输出相关系数导向的改进双并行网络结构[13],该改进结构一方面可以提高原模型的精度,另一方面能够实现网络的简化,从而加快模型的响应速度;有效解决了极限学习机(ELM)隐含层节点输出数据间的共线性问题并巧妙地避免了选取最优隐含层节点数目的难题,提出了基于偏最小二乘学习算法的双并行ELM模型[14-16],大大增强了模型的鲁棒性和适用性。同时根据实际过程特点,还进一步提出基于偏最小二乘学习算法和ELM结构与算法的函数连接神经网络建模新方法[17-19]、基于可拓理论的径向基函数(RBF)神经网络模型[20]、改进的选择性神经网络集成方法[21]、基于移动窗的过程神经网络模型[22]和基于生物神经胶质相互作用原理的新型自组织ELM模型[23],为复杂化工生产过程提供了简单、有效、稳定性好、鲁棒性强的多种神经网络建模解决方案。

1.2 智能优化方法与应用

工业生产过程节能减排降耗与安全运行是国策,建模与优化是解决企业面临问题的主要途径和关键措施。由于石油化工过程数据的海量和复杂,能流、物流、信息流和价值流逻辑复杂以及分层递阶结构复杂等特点,使建模优化成为一个多层次、多目标、大规模的高维非线性运行优化问题,不仅涉及过程物质转化机制、多单元过程控制与优化协同,还涉及经济、环境与安全等复杂约束与协调。多目标优化问题是一类较难解决的问题,因为待优化的多个目标之间往往可能是相互矛盾的,一个目标的最优化往往牺牲了其他一个或多个目标,因而要找到一个优化解同时满足所有的目标,从数学原理的角度来看是非常困难的。为了解决实际多目标优化问题,需要使用折中方法,根据实际生产经验或操作相关的专家知识来获取其最终优化解。其中折中方法包括先验法、交互法、Pareto支配法以及一些新的支配方法。文献[24]给出了当前多目标优化问题求解中存在的难点,对未来的进一步研究提出了展望。

乙烯生产是石化行业的龙头,针对乙烯裂解炉特点,结合乙烯生产领域知识,研究了乙烯裂解炉物流、能流、信息流的交互行为与复杂逻辑关系。为有效解决乙烯裂解炉的多目标操作优化问题,研究和设计了一种多目标操作优化策略和解集的综合评价方法;基于动态层次分析法,提出了一种自适应多目标粒子群优化算法[25],该算法采用模糊一致矩阵来选择全局最优解以确保粒子进化的正确方向,并且度量进化状态来自适应调节权重和学习因子。将自适应多目标粒子群优化算法应用于固定裂解周期和非固定裂解周期的乙烯裂解炉的操作优化,决策者可以从Pareto最优解集中选择合适的操作优化条件,为乙烯裂解炉的多目标操作优化提供切实可行的解决方案。

针对常用的粒子群优化(PSO)算法易早熟和局部搜索精度低的不足,提出将其与混沌映射和传统梯度算法相结合的方案,并针对无约束(界约束)、有约束和动态优化问题,分别提出了基于序贯二次规划(SQP)、内点法(IPM)和信赖域映射法(TRR)的混沌PSO方法[26-28],并成功应用于高密度聚乙烯(HDPE)串级反应过程乙烯单体单耗优化、产品质量软测量模型参数优化及牌号切换优化。同时基于可拓理论提出了过程工业智能操作优化方法[29];利用蒙特卡罗模拟提出了基于约束的关键路径(CPM)动态优化算法[30],并分别成功应用于石化工业生产与管理优化。

2 工业报警管理与故障诊断

安全生产是企业永恒的主题,没有安全就没有效益。生产安全关系到国家财产和人民生命的安全,关系到社会的稳定与健康发展。作为现代工业过程运行的首道保护层,报警系统对保障过程的安全、可靠和高效生产起着举足轻重的作用。然而,由于报警管理不善,目前投入使用的工业报警系统性能低下,最为常见也是最棘手的问题便是“报警泛滥”,报警数量大大超过控制台操作员的处理能力和应对能力。工业过程报警管理引起了我国政府的高度重视,2016年3月出台的《国家十三五规划纲要》重点强调了过程安全监控和报警管理的必要性和目标,国内外学术界、各大行业组织以及众多生产厂商纷纷对此展开了广泛和深入研究。本文作者结合工业过程特点、报警管理生命周期以及团队研究成果,在文献[31]中总结了导致报警泛滥的主要原因,并依据这些原因,从报警建模与报警根源分析、报警阈值设计、报警优先级划分、报警类型识别与处理以及报警系统性能评估等方面展开分类综述,包括报警管理关键技术的研究进展、报警管理框架以及工业报警规范、报警管理软件与应用现状;最后探讨了报警管理领域存在的难题和新挑战。作为安全工程领域重要的研究方向,故障诊断也是本团队应用研究的主题内容之一,因此本文将重点介绍报警系统建模、报警泛滥分析与溯源、报警阈值设计和故障诊断等新方法。

2.1 过程工业报警多维层次模型与报警优先级划分

从过程复杂本质特征出发,研究建立过程工业报警多维层次模型,在该层次模型的基础上进行报警阈值优化、报警根源诊断、报警优先级划分等一系列基础研究,构建了一套解决报警泛滥问题的系统性框架,并展开工业实例应用验证。文献[32]提出了基于数据驱动和知识融合的过程工业报警多维层次模型,该模型在宏观时间维度、微观时间维度、宏观空间维度和微观空间维度共4个维度上实现了过程拓扑结构可视化。时间维度特征代表了过程变量之间的关联性和因果性,空间维度特征代表了过程单元的地域分布性,层次划分可以明显表征过程中的能流、物流、信息流的走向,为工业报警研究提供了可靠的基础。为实现多变量分析,提出了一种前向稀疏主元成分分析算法,建立了基于该算法的报警多维层次稀疏模型——稀疏空间解释结构模型[33],该模型能够去除一些冗余连接路径,保留直接关联路径。实例验证表明,所提出的两种模型不仅都可以有效地挖掘出过程变量之间的重要关联性和因果性,还可实现时间和空间递阶层次划分,清晰明了地展示过程拓扑结构,帮助实现异常传播路径诊断和报警根源分析。

针对报警优先级划分不合理的问题,以报警多维层次模型为基础,利用改进的李克特量表方法对处于报警传播路径上的报警变量关键性能指标(KPI)进行打分、排序(排名越靠前的变量优先级越高),在此基础上构建了一种基于改进李克特量表的报警优先级划分方法[34]。该方法不仅可以正确识别处于最高优先级的报警变量,即报警根源,也可以在保障过程安全的同时大大降低报警数量和操作员处理报警的盲目性,提升报警系统的性能水平。

2.2 多变量报警阈值优化

产生报警的最直接方法是比较实时过程变量值与预先设计好的报警阈值,若超出报警阈值就会产生报警信号,阈值设计不合理就会导致大量误报、漏报等严重错误发生。误报警扰乱操作员工作,加重报警泛滥程度;漏报警则遗漏关键报警,影响过程安全。

传统的报警阈值优化方法通常以单个变量作为研究对象,忽略了工业系统中某些潜在的过程信息。本团队通过系统研究,提出了一种综合考虑误报、漏报和关联一致性的多变量报警阈值优化方法[35]。首先,分析过程变量相关性信息,运用时滞估计算法计算过程测量数据间的相关系数来获取报警传播路径,并选择待优化的过程变量;其次,综合考虑误报率、漏报率及报警信息与过程信息之间的关联度来建立优化目标函数;最后,利用遗传算法对报警阈值进行优化计算。实例应用分析结果表明,相比三倍标准差方法和基于误报率、漏报率的单变量阈值优化方法,本团队所提出方法有效减少了误报量。

另外,大多数情况下过程的正常数据和异常数据难以精确区分,若在报警阈值优化时以误报率和漏报率作为目标函数,则会有一定的局限性和不精确性,为此提出了一种基于非参数核密度估计法的多变量动态报警阈值优化方法[36]。该方法仅基于过程变量的相关一致性进行报警阈值优化,步骤为:①在某一异常工况下,首先利用基于数据驱动的解释结构模型选择需要优化的关键变量;②分别计算过程变量和报警变量的相关系数,采用皮尔逊相关系数对连续的过程变量量化关联强度,引入非参数的核密度估计方法将离散的报警变量转化为伪连续序列,再采用皮尔逊相关系数进行计算;③以过程变量相关系数与报警变量相关系数之差的绝对值作为目标函数,采用粒子群优化算法使得目标函数值达到最小,在此基础上找出最优报警阈值。该动态优化方法能在不同的异常工况下优化出不同的报警阈值,从而实现了动态优化。实例应用分析说明,相比单变量优化方法和三倍标准差方法,动态优化方法得到的报警数据更加符合变量之间的相关关系。且相比工业中的三倍标准差方法也减少了误报警和漏报警的次数。

2.3 报警泛滥分析与系统可视化监控

报警泛滥序列聚类分析有助于对报警根源的分析预警。针对目前报警泛滥序列相似度测量方法存在的诸如对报警序列长度限制、计算复杂、依赖参数等缺陷,通过采用基于离散傅里叶变换的方法,在频域对报警泛滥序列进行相似性分析,提出了基于离散傅里叶功率谱欧氏距离的报警泛滥序列相似度的计算方法,再通过非加权组平均法获得报警泛滥序列的聚类树状图,根据相似度距离确定报警泛滥的模式,帮助操作员确定异常根源,做出快速响应;由此形成了一种适合解决过程工业报警泛滥的聚类分析方法[37],解决了报警泛滥模式匹配问题,在一定程度上抑制了报警泛滥现象。该方法计算简单、实现方便、不依赖其他参数,在不同干扰下的应用实例验证了该方法的有效性和准确性。

合理有效的可视化监控技术及工具有助于操作员及时理解报警信息并采取响应措施。为此设计并构建了4种新型可视化工具[38],包括基于信息融合的解释结构模型(静态和动态)、层次高密度报警图、层次优先级色彩图和性能水平趋势图,并分别实现了过程递阶模型建立、报警根源分析、滋扰报警识别、报警优先级划分以及报警系统性能常规评估等目的。实例验证证明上述可视化工具不仅可以展示报警全貌原始信息,还可快速识别报警根源、关键报警、滋扰报警以及报警系统性能水平,从而实现了高效监控,并从一定程度上解决了报警泛滥问题。

2.4 基于模块化贝叶斯网络的工业报警根源分析

面对报警泛滥,最关键的解决途径就是快速找出报警根源,并采用有效的应对措施消除报警、处理异常,使生产运行快速恢复到正常状态。本团队以报警多维层次模型为基础,首先划分多个诊断子模块,利用极限学习机算法分别建立监控模型,实现分布式监控;然后提出一种基于基本概率分配函数和改进的层次分析(BPA-IAHP)方法的数据融合算法[32],来完成多个诊断模块有效融合,从而确定最终报警根源,实现报警传播路径可视化。实例证明该诊断策略具有较强的鲁棒性、较高的诊断精度和较短的诊断延迟,可以帮助操作员快速准确地识别报警根源。

对于复杂的过程工业流程,基于简单过程知识和数据分析方法并结合传递熵计算方法和贝叶斯网络结构中“家族”的概念,提出了家族传递熵来准确评价各变量与其父节点变量之间整体因果关系的强度,基于此研究制定了流程工业贝叶斯网络结构的学习流程;结合贝叶斯网络推理,提出了报警状态平均后验概率最大化的报警溯源分析方法,并以概率的形式输出分析结果。实例验证了所提出的基于改进传递熵的工业报警系统因果网络建模方法的有效性和报警溯源的正确性[39]

2.5 工业过程故障诊断

针对报警泛滥问题,传统的一维自适应顺序形态变换方法可能会因过度的数据降维而遗漏掉关键信息,因此提出了一种基于多核独立元分析(MKICA)和自适应顺序形态变换(AROMF)的多维特征故障诊断方法[40]。首先,运用MKICA方法提取非线性特征,获取得到每一模态的特征;其次,运用AROMF方法对多维信息进行分类以实现数据变换,并增大模版信号与相同故障模式检测信号间特征数据的相似度;最后,定义多维特征信号的平均误差,实现故障诊断。仿真实验验证表明,所提方法诊断精度显著提高。

在实际工业系统运行过程中,往往可能多种故障同时发生,且多故障并发会比单故障带来更大的灾害。针对此问题,首先运用时延互信息量(TDMI)方法确定过程变量和过程状态之间的时间滞后、相关系数以及系统变量之间的信息流方向等参数;然后引入扩展有限状态机(EFSM),通过控制依赖和数据依赖实现复杂模型的分解、约简和依赖分析,构建报警变量EFSM模型,并根据关联度结果建立变量依赖图和状态依赖图;最后运用相关向量机(RVM)建立预测模型,并根据模型预测结果,结合构建的状态依赖图和应用对象的状态迁移规则,通过状态的迁移与转化进行故障推理与识别,最终完成多故障预测。在此基础上提出了一种基于时间序列扩展的有限状态机(TS-EFSM)和RVM的多故障预测方法[41];同时还提出基于ELM、核主元分析(KPCA)、符号有向图(SDG)和粗糙集等的故障诊断方法[42-46]

3 乙烯装置能效分析与评价

能源是国民经济发展的源泉,是现代经济发展的重要支柱,石化行业则为我国经济的支柱产业之一,同时又是高耗能、高污染行业,其能耗总量占全国工业能源消费总量的20%左右。无论从市场和客户的要求、国家和国际节能减排的硬性指标来看,还是从民众需求以及对环境和民生影响出发,石化行业的高耗能、高污染已对我国的可持续发展提出了严峻的考验和挑战,如何提高能源利用率、降低能耗成本、提高生产效率成为石化行业迫切需要解决的问题。能效评价与系统优化是石化行业节能降耗的关键技术之一,对落实国家节能降耗目标具有重要的指导意义和现实意义。针对复杂乙烯生产过程中的物流、能流、信息流和价值流等各种交互行为和逻辑关系,本团队开展了数据和乙烯生产过程领域知识融合的能效评价与系统优化应用研究工作。

3.1 能效分析与评价

当前工业生产过程受到较多复杂操作环境的影响,因此基于机理模型和领域知识来监控操作变量并评估性能具有较大难度。为提高过程性能分析的自适应性,基于核函数和模糊层次融合,提出了一种新的评估过程能力的方法和一种有效的性能评价准则[47]。结合乙烯生产投入产出能流和物流数据,基于高斯数据模糊化方法得到了乙烯生产投入的最大、日均和最小能耗数据,然后基于模糊层次融合方法对不同装置不同配置下的能效情况进行融合,由此提出了一种基于模糊层次融合方法的乙烯装置能效分析方法[48]

为了分析技术管理水平和生产结构对能效和节能潜力的影响,提出了将指标分解(IDA)与节能潜力相结合的新型能效综合分析框架[49]。基于数据驱动的IDA方法可以有效获取能源活动水平、能源等级和能源强度,以反映能源消耗的影响因素和程度;同时该方法能减少输入指标的影响,提高数据包络分析(DEA)模型评价的区分度和ELM的预测精度[50]。依据提出的框架能够直观发现提高能源效率、降低能源消耗的渠道;将所提方法应用到乙烯生产流程中,能够使最差月份的能效指数和节能潜力分别提高6.7%和7.4%,碳排放量减少7.4%~8.2%。

乙烯生产装置具有技术不同、规模不同以及过程能效数据高维、多重相关等特点。已有的能效评价方法只考虑综合能耗或单耗为评价标准,没有考虑技术、规模和原料等的影响,客观性较差,对装置的评价有失公平。为了更好地分析乙烯装置的能效价值,提出了基于模糊C均值聚类的多变量时序数据线性优化融合算法[51],直观地揭示不同技术、不同规模下各乙烯装置的运行状态和操作水平,准确找出产生能耗的主要原因,指明提高能效的主要方向。

能源和环境效益评估对于实现石化行业的可持续发展具有极其重要的意义,为此提出了一种基于环境数据包络分析的能源和环境效率分析和评价方法[52],应用于不同规模乙烯工厂的能源和环境效率分析与评价,提供了提高石化行业乙烯装置能源利用效率和二氧化碳减排的操作指导;提出了基于改进的环境DEA交叉模型(DEA-CM)的效率评价方法[53],通过该方法能够挖掘乙烯装置节能减排的潜力,从而提高能效,减少碳排放量。

3.2 能效预测与优化

在能效分析与评价的基础上,结合实际生产流程,开展能效预测与优化具有重要的现实意义。本团队基于投入产出生产数据提出了一种基于DEA的神经网络(DEA-ANN)能效预测与优化方法[54],减少了乙烯生产系统的能耗;提出了一种基于主元分析法的模糊C均值径向基神经网络能效预测建模方法[55],将其应用于乙烯生产装置能得到不同技术下最佳的原油、水、电、蒸汽和燃料的分配;进一步提出了一种基于模糊关联层次分析的极限学习机(FAHP-ELM)预测建模方法[56]、基于ELM和函数连接神经网络的智能鲁棒建模软测量方法[57]、基于解释结构模型的极限学习机(ISM-ELM)节能减排优化与预测方法[58];为有效解决乙烯裂解炉的多目标操作优化问题,研究和设计了一种基于多目标操作优化策略和解集的乙烯裂解炉多目标操作综合评价方法[59],为实际操作提供了切实可行的解决方案;同时提出了一种基于层次融合算法的DEA交叉模型乙烯裂解炉温度分析与优化方法[60],提高了乙烯裂解炉的收率。

4 总结与展望

本文简要介绍了智能过程系统工程教育部工程研究中心近几年来在智能建模、优化及安全与能效应用方面的研究进展。随着大数据、云计算、工业4.0、智能制造、人工智能等新概念、新理论、新技术的风起云涌,以及现代过程工业新要求的不断提出,智能PSE面临着更新更高的挑战和前所未有的发展新机遇,因此在实现我国工业过程节能减排降耗、安全与优化运行中,智能PSE大有可为。

(1) 大数据时代小样本问题不容忽视,基于数据的特征提取方法、虚拟样本生成方法研究,从数据到信息、信息到知识、知识到智能的过程转化方法的研究,以及知识表达、知识提取、知识更新、知识应用的知识自动化方法的研究,将是今后PSE的重要研究方向。

(2) 单元、装置和系统级模型化与模拟是PSE不可或缺的重要基础,基于数据与领域知识融合驱动的智能建模是重要的研究方向,模型的动态适应性是其重要的指标。

(3) 全流程大规模多尺度集成优化模型,实时多层次、多尺度、多目标和多约束的动态协同优化问题求解与全局优化运行,以及全局运行性能评价是企业可持续发展的关键技术。

(4) 报警管理系统优化、故障预测、故障诊断是保障安全运行的核心技术,要充分运用人工智能理论和技术,基于数据与领域知识融合驱动建立完善的企业生产系统安全保障体系是刻不容缓的工作。

(5) 实现智能能效分析与评价、资源配置动态优化,保障企业效益最大化。

(6) 基于设计+管理+控制一体化和产品全生命周期思想,推进信息化与工业化深度融合,深化PSE应用,为企业转型升级、建设智能工厂提供理论指导,研制建模与优化平台工具,开发PSE专用软件,实现云管理、云控制和智能生产。

团队简介

智能过程系统工程教育部工程研究中心获批始建于2007年,主任为朱群雄教授。朱群雄教授现任北京市科协常委、北京自动化学会理事长、中国自动化学会常务理事、中国化工学会理事、中国自动化学会过程控制专业委员会副主任、中国化工学会信息技术应用专业委员会副主任、中国人工智能学会不确定性人工智能专业委员会委员等。本团队在国内外较早开展了人工智能驱动的过程系统工程研究与应用,重点研发智能系统与数据挖掘、智能过程建模与优化、能效评价与系统优化、故障诊断与报警管理、信息融合与系统集成、虚拟现实与应急救援、食品安全与大数据工程等先进技术及实用型软件系统。2018年7月12日教育部科技司委托组织了建设项目验收会,包含4位国内外院士在内的7名学术界、企业界专家组成的专家组一致同意通过验收,认为我中心围绕流程工业生产过程系统的研究开发、产品创新、技术辐射和成果产业化等方面开展了卓有成效的工作,解决了流程工业生产过程建模、优化、生产安全与智能控制等产业化关键技术问题,建设了智能过程系统工程的技术创新平台和产业孵化基地,建成了智能过程系统工程的高技术成果转化与人才培养的重要基地,为我国流程工业的智能制造提供了重要的技术支撑。

参考文献
[1]
杨友麒, 成思危. 现代过程系统工程[M]. 北京: 化学工业出版社, 2003.
YANG Y L, CHENG S W. Modern process system engineering[M]. Beijing: Chemical Industry Press, 2003. (in Chinese)
[2]
BOGLE I D L. A perspective on smart process manufacturing research challenges for process systems engineers[J]. Engineering, 2017, 3(2): 161-165. DOI:10.1016/J.ENG.2017.02.003
[3]
ZHONG R Y, XU X, KLOTZ E, et al. Intelligent manufacturing in the context of industry 4.0:a review[J]. Engineering, 2017, 3(5): 616-630. DOI:10.1016/J.ENG.2017.05.015
[4]
DAVIS J, EDGAR T, PORTER J, et al. Smart manufacturing, manufacturing intelligence and demand-dynamic performance[J]. Computers & Chemical Engineering, 2012, 47(12): 145-156.
[5]
CHEN Z S, ZHU B, HE Y L, et al. A PSO based virtual sample generation method for small sample sets:applications to regression datasets[J]. Engineering Applications of Artificial Intelligence, 2017, 59: 236-243. DOI:10.1016/j.engappai.2016.12.024
[6]
GONG H F, CHEN Z S, ZHU Q X, et al. A Monte Carlo and PSO based virtual sample generation method for enhancing the energy prediction and energy optimization on small data problem:an empirical study of petrochemical industries[J]. Applied Energy, 2017, 197: 405-415. DOI:10.1016/j.apenergy.2017.04.007
[7]
ZHU Q X, LI C F. Dimensionality reduction with input training neural network and its application in chemical process modelling[J]. Chinese Journal of Chemical Engineering, 2006, 14(5): 597-603. DOI:10.1016/S1004-9541(06)60121-3
[8]
XU Y, ZHU Q X. A new design method for energy saving and consumption reducing of process industry based on extension theory[J]. International Journal of Innovative Computing, Information and Control, 2010, 6(4): 1571-1582.
[9]
ZHU Q X, ZHAO N W, XU Y. A new selective neural network ensemble method based on error vectorization and its application in high-density polyethylene (HDPE) cascade reaction process[J]. Chinese Journal of Chemical Engineering, 2012, 20(6): 1142-1147. DOI:10.1016/S1004-9541(12)60599-0
[10]
HE Y L, GENG Z Q, XU Y, et al. A hierarchical structure of extreme learning machine (HELM) for high-dimensional datasets with noise[J]. Neurocomputing, 2014, 128(5): 407-414.
[11]
HE Y L, XU Y, GENG Z Q, et al. Soft sensor of chemical processes with large numbers of input parameters using auto-associative hierarchical neural network[J]. Chinese Journal of Chemical Engineering, 2015, 23(1): 138-145. DOI:10.1016/j.cjche.2014.10.004
[12]
HE Y L, GENG Z Q, ZHU Q X. A data-attribute-space-oriented double parallel (DASODP) structure for enhancing extreme learning machine:applications to regression datasets[J]. Engineering Applications of Artificial Intelligence, 2015, 41(C): 65-74.
[13]
HE Y L, GENG Z Q, ZHU Q X. Positive and negative correlation input attributes oriented subnets based double parallel extreme learning machine (PNIAOS-DPELM) and its application to monitoring chemical processes in steady state[J]. Neurocomputing, 2015, 165: 171-181. DOI:10.1016/j.neucom.2015.03.007
[14]
HE Y L, GENG Z Q, YUAN X, et al. A robust hybrid model integrating enhanced inputs based extreme learning machine with PLSR (PLSR-EIELM) and its application to intelligent measurement[J]. ISA Transactions, 2015, 58: 533-542. DOI:10.1016/j.isatra.2015.06.007
[15]
HE Y L, GENG Z Q, ZHU Q X. Soft sensor development for the key variables of complex chemical processes using a novel robust bagging nonlinear model integrating improved extreme learning machine with partial least square[J]. Chemometrics and Intelligent Laboratory Systems, 2016, 151: 78-88. DOI:10.1016/j.chemolab.2015.12.010
[16]
HE Y L, XU Y, ZHU Q X. Soft-sensing model development using PLSR-based dynamic extreme learning machine with an enhanced hidden layer[J]. Chemometrics and Intelligent Laboratory Systems, 2016, 154: 101-111. DOI:10.1016/j.chemolab.2016.03.014
[17]
HE Y L, XU Y, GENG Z Q, et al. Hybrid robust model based on an improved functional link neural network integrating with partial least square (IFLNN-PLS) and its application to predicting key process variables[J]. ISA Transactions, 2016, 61: 155-166. DOI:10.1016/j.isatra.2015.11.019
[18]
HE Y L, ZHU Q X. A novel robust regression model based on functional link least square (FLLS) and its application to modeling complex chemical processes[J]. Chemical Engineering Science, 2016, 153: 117-128. DOI:10.1016/j.ces.2016.07.018
[19]
ZHU B, CHEN Z S, HE Y L, et al. A novel nonlinear functional expansion based PLS (FEPLS) and its soft sensor application[J]. Chemometrics and Intelligent Laboratory Systems, 2017, 161: 108-117. DOI:10.1016/j.chemolab.2016.12.012
[20]
徐圆, 冯晶, 朱群雄. 基于可拓理论的RBF神经网络研究及其应用[J]. 控制与决策, 2011, 26(11): 1721-1725.
XU Y, FENG J, ZHU Q X. Research and application of extension theory-based radial basis function neural network[J]. Control and Decision, 2011, 26(11): 1721-1725. (in Chinese)
[21]
ZHU Q X, ZHAO N W, XU Y. A new selective neural network ensemble method based on error vectorization and its application in high-density polyethylene (HDPE) cascade reaction process[J]. Chinese Journal of Chemical Engineering, 2012, 20(6): 1142-1147. DOI:10.1016/S1004-9541(12)60599-0
[22]
朱群雄, 甄玉山. 用于化工软测量的基于移动窗的过程神经网络[J]. 清华大学学报(自然科学版), 2012, 52(9): 1165-1170.
ZHU Q X, ZHEN Y S. The process neural network based on moving windows and the application of chemical soft sensor[J]. Journal of Tsinghua Univercity(Sience and Technology), 2012, 52(9): 1165-1170. (in Chinese)
[23]
GENG Z Q, LI Y A, HAN Y M, et al. A novel self-organizing cosine similarity learning network:an application to production prediction of petrochemical systems[J]. Energy, 2018, 142: 400-410. DOI:10.1016/j.energy.2017.10.017
[24]
CUI Y F, GENG Z Q, ZHU Q X, et al. Multi-objective optimization methods and application in energy saving[J]. Energy, 2017, 125: 681-704. DOI:10.1016/j.energy.2017.02.174
[25]
GENG Z Q, WANG Z, ZHU Q X, et al. Multi-objective operation optimization of ethylene cracking furnace based on AMOPSO algorithm[J]. Chemical Engineering Science, 2016, 153: 21-33. DOI:10.1016/j.ces.2016.07.009
[26]
徐文星, 耿志强, 朱群雄, 等. 基于SQP局部搜索的混沌粒子群优化算法[J]. 控制与决策, 2012, 27(4): 557-561.
XU W X, GENG Z Q, ZHU Q X, et al. Chaos particle swarm optimization algorithm integrated with sequential quadratic programming local search[J]. Control and Decision, 2012, 27(4): 557-561. (in Chinese)
[27]
XU W X, GENG Z Q, ZHU Q X, et al. Optimal grade transition for polyethylene reactors based on simultaneous strategies and trust region particle swarm optimization[J]. Industrial & Engineering Chemistry Research, 2013, 52(9): 3363-3372.
[28]
XU W X, GENG Z Q, ZHU Q X, et al. A piecewise linear chaotic map and sequential quadratic programming based robust hybrid particle swarm optimization[J]. Information Sciences, 2013, 218(1): 85-102.
[29]
XU Y, ZHU Q X. A new extension theory-based production operation method in industrial process[J]. Chinese Journal of Chemical Engineering, 2013, 21(1): 44-54. DOI:10.1016/S1004-9541(13)60440-1
[30]
朱群雄, 曹雷, 顾祥柏. 基于约束的CPM动态优化算法[J]. 控制与决策, 2010, 25(2): 166-170.
ZHU Q X, CAO L, GU X B. Dynamic CPM optimal algorithm based on contraints[J]. Control and Decision, 2010, 25(2): 166-170. (in Chinese)
[31]
朱群雄, 高慧慧, 徐圆. 工业过程报警管理研究进展[J]. 自动化学报, 2017, 43(6): 955-968.
ZHU Q X, GAO H H, XU Y. A survey on alarm management for industrial processes[J]. Acta Automatica Sinica, 2017, 43(6): 955-968. (in Chinese)
[32]
GAO H H, XU Y, ZHU Q X. Spatial interpretive structural model identification and AHP-based multimodule fusion for alarm root-cause diagnosis in chemical processes[J]. Industrial & Engineering Chemistry Research, 2016, 55(12): 3641-3658.
[33]
GAO H H, GAJJAR S, KULAHCI M, et al. Process knowledge discovery using sparse principal component analysis[J]. Industrial & Engineering Chemistry Research, 2016, 55(46): 12046-12059.
[34]
GAO H H, XU Y, ZHU Q X, et al. Systematic rationalization approach for multivariate correlated alarms based on interpretive structural modeling and Likert scale[J]. Chinese Journal of Chemical Engineering, 2015, 23(12): 1987-1996. DOI:10.1016/j.cjche.2015.11.009
[35]
GAO H H, LIU F F, ZHU Q X. A correlation consistency based multivariate alarm thresholds optimization approach[J]. ISA Transactions, 2016, 65: 37-43. DOI:10.1016/j.isatra.2016.09.014
[36]
HAN L, GAO H H, XU Y, et al. Combining FAP, MAP and correlation analysis for multivariate alarm thresholds optimization in industrial process[J]. Journal of Loss Prevention in the Process Industries, 2016, 40(10): 471-478.
[37]
陈忠圣, 高慧慧, 徐圆, 等. 基于离散傅立叶变换的过程工业报警泛滥序列聚类分析及应用[J]. 化工学报, 2016, 67(3): 788-796.
CHEN Z S, GAO H H, XU Y, et al. Discrete Fourier transform-based alarm flood sequence cluster analysis and applications in process industry[J]. CIESC Journal, 2016, 67(3): 788-796. (in Chinese)
[38]
高慧慧, 徐圆, 朱群雄. 过程工业报警系统可视化监控技术及应用[J]. 化工学报, 2015, 66(1): 215-221.
GAO H H, XU Y, ZHU Q X. Visualization monitoring techniques and applications in process industry alarm systems[J]. CIESC Journal, 2015, 66(1): 215-221. (in Chinese)
[39]
ZHU Q X, MENG Q Q, WANG P J, et al. Novel causal network modeling method integrating process knowledge with modified transfer entropy:a case study of complex chemical processes[J]. Industrial & Engineering Chemistry Research, 2017, 56: 14282-14289.
[40]
ZHU Q X, MENG Q Q, HE Y L. Novel multidimensional feature pattern classification method and its application to fault diagnosis[J]. Industrial & Engineering Chemistry Research, 2017, 56: 8906-8916.
[41]
ZHOU Z Q, ZHU Q X, XU Y. Time series extended finite-state machine-based relevance vector machine multi-fault prediction[J]. Chemical Engineering Technology, 2017, 40(4): 639-647. DOI:10.1002/ceat.v40.4
[42]
YUAN X, ZHOU Z Q, ZHU Q X. A new feedback DE-ELM with time delay-based EFSM approach for fault prediction of non-linear processes[J]. The Canadian Journal of Chemical Engineering, 2015, 93(9): 1603-1612. DOI:10.1002/cjce.v93.9
[43]
XU Y, YE L L, ZHU Q X. A new DROS-extreme learning machine with differential vector-KPCA approach for real-time fault recognition of nonlinear processes[J]. Journal of Dynamic Systems, Measurement and Control, 2015, 137(5): 051011. DOI:10.1115/1.4028716
[44]
PENG D, GENG Z Q, ZHU Q X. A multilogic probabilistic signed directed graph fault diagnosis approach based on Bayesian inference[J]. Industrial & Engineering Chemistry Research, 2014, 53(23): 9792-9804.
[45]
GENG Z Q, ZHU Q X. Rough set-based heuristic hybrid recognizer and its application in fault diagnosis[J]. Expert Systems with Applications, 2009, 36(2): 2711-2718. DOI:10.1016/j.eswa.2008.01.020
[46]
GENG Z Q, ZHU Q X. Rough set-based fuzzy rule acquisition and its application for fault diagnosis in petrochemical process[J]. Industrial & Engineering Chemistry Research, 2009, 48(2): 827-836.
[47]
GENG Z Q, WANG Z, PENG C L, et al. A new fuzzy process capability estimation method based on kernel function and FAHP[J]. IEEE Transactions on Engineering Management, 2016, 63(2): 177-188. DOI:10.1109/TEM.2016.2517337
[48]
HAN Y M, GENG Z Q, ZHU Q X, et al. Energy consumption analysis and evaluation of petrochemical industries using an improved fuzzy analytic hierarchy process approach[J]. Journal of Intelligent & Fuzzy Systems, 2017, 32(6): 4183-4195.
[49]
GENG Z Q, GAO H C, WANG Y Q, et al. Energy saving analysis and management modeling based on index decomposition analysis integrated energy saving potential method:application to complex chemical processes[J]. Energy Conversion and Management, 2017, 145: 41-52. DOI:10.1016/j.enconman.2017.04.087
[50]
GENG Z Q, XIAO Y, HAN Y M, et al. Energy optimization and analysis modeling based on extreme learning machine integrated index decomposition analysis:application to complex chemical processes[J]. Energy, 2017, 120: 67-78. DOI:10.1016/j.energy.2016.12.090
[51]
HAN Y M, GENG Z Q, QU Y X, et al. Linear optimization fusion model based on fuzzy C-means:case study of energy efficiency evaluation in ethylene product[J]. Journal of Analytical and Applied Pyrolysis, 2017, 125: 347-355. DOI:10.1016/j.jaap.2017.03.007
[52]
CHEN Y X, HAN Y M, ZHU Q X. Energy and environmental efficiency evaluation based on a novel data envelopment analysis:an application in petrochemical industries[J]. Applied Thermal Engineering, 2017, 119: 156-164. DOI:10.1016/j.applthermaleng.2017.03.051
[53]
GENG Z Q, DONG J G, HAN Y M, et al. Energy and environment efficiency analysis based on an improved environment DEA cross-model:case study of complex chemical processes[J]. Applied Energy, 2017, 205: 465-476. DOI:10.1016/j.apenergy.2017.07.132
[54]
HAN Y M, GENG Z Q, ZHU Q X. Energy optimization and prediction of complex petrochemical industries using an improved artificial neural network approach integrating data envelopment analysis[J]. Energy Conversion and Management, 2016, 124: 73-83. DOI:10.1016/j.enconman.2016.07.002
[55]
GENG Z Q, CHEN J, HAN Y M. Energy efficiency prediction based on PCA-FRBF model:a case study of ethylene industries[J]. IEEE Transactions on Systems, Man, and Cybernetics:Systems, 2017, 47(8): 1763-1773. DOI:10.1109/TSMC.2016.2523936
[56]
GENG Z Q, QIN L, HAN Y M, et al. Energy saving and prediction modeling of petrochemical industries:a novel ELM based on FAHP[J]. Energy, 2017, 122: 350-362. DOI:10.1016/j.energy.2017.01.091
[57]
ZHU Q X, WANG X, HE Y L, et al. An improved extreme learning machine integrated with nonlinear principal components and its application to modeling complex chemical processes[J]. Applied Thermal Engineering, 2018, 130: 745-753. DOI:10.1016/j.applthermaleng.2017.11.061
[58]
HAN Y M, ZHU Q X, GENG Z Q, et al. Energy and carbon emissions analysis and prediction of complex petrochemical systems based on an improved extreme learning machine integrated interpretative structural model[J/OL]. Applied Thermal Engineering, 2016. [2018-07-20]. http://dx.doi.org/10.1016/j.applthermaleng.2016.12.081.
[59]
GENG Z Q, WANG Z, ZHU Q X, et al. Multi-objective operation optimization of ethylene cracking furnace based on AMOPSO algorithm[J]. Chemical Engineering Science, 2016, 153: 21-33. DOI:10.1016/j.ces.2016.07.009
[60]
HAN Y M, GENG Z Q, WANG Z, et al. Performance analysis and optimal temperature selection of ethylene cracking furnaces:a data envelopment analysis cross-model integrated analytic hierarchy process[J]. Journal of Analytical and Applied Pyrolysis, 2016, 122: 35-44. DOI:10.1016/j.jaap.2016.10.025