基于神经网络算法对DCC装置的大数据高阶优化.docx

    基于神经网络算法对DCC装置的大数据高阶优化    李　王国庆　邹丽摘      要： 结合集团公司提出的加快建设数字化工厂的设想，利用过程工业大数据高阶优化对DCC装置进行诊断分析，搭建软件模型，论述现有数据建模方法，提升潜力并优化工艺控制，达到降本增效的目的最后，探讨过程工业大数据高阶优化的特点和挑战，实现业务价值的提升关  键  词：大数据;神经网络;过程工业;高阶优化：TE319       ： A       ： 1671-0460（2020）06-1162-04High-order Optimization of Big Data in DCC Device Based on Neural Network AlgorithmLI Chuan-zhen， WANG Guo-qing， ZOU Li（CNOOC Dongfang Petrochemical Co.， Ltd.， Dongfang Hainan 572600， China）Abstract： Combined with the idea of accelerating the construction of a digital factory proposed by the group company， high-order optimization of process industry big data was used to diagnose and analyze DCC devices， and a software model was built， existing data modeling methods were discussed to reduce costs and increase efficiency. Finally， the characteristics and challenges of high-level optimization of process industry big data were analyzed in order to realize the improvement of business value.Key words： Big data; Neural network; Process industry; High-order optimization當今社会信息技术飞速发展，衍生出A（artificial intelligence）、B（blockchain）、C（cloud Computing）、D（big Data）4大热门专业。

在过去十几年，自动化及石油化工领域的专家学者已经开发出适用于石油化工的排产软件，用来优化全厂加工流程，判断产品结构的影响，进而提高企业经济效益原有排产软件一般都基于线性算法，适用于分析全厂简单、清晰的流程本课题尝试通过使用Python3.0编程，利用神经网络算法处理过程工业大规模数据，将计算机学科和大数据学科融合，继而从海量数据中挖掘实际业务潜在问题，并通过建立优化模型，找到现存问题突破口，实现业务价值提升1  项目背景和实现目标1.1  项目背景某公司设计以海南岛周边原油、凝析油和天然气资源为依托，按照循环经济、清洁生产和绿色低碳的原则，采用催化裂解（DCC）技术生产乙烯、丙烯和碳四等重要化工原料，坚持走精细化工道路，下游延伸发展高技术含量、高附加值的化工新材料和高端精细化学品一期为炼油装置，二期为化工装置，但由于二期工程丙烯腈工艺包转让受阻，二期项目仅有乙苯、苯乙烯装置建成投产现有流程是围绕以DCC装置为核心的燃油-化工型炼厂，炼油规模偏小，下游产业链延伸不够，油品比重偏大，后续又新建两套产品质量升级项目，造成了成本能耗进一步上升，抗风险能力不强在丙烯腈项目建成投产前如何取得最大经济效益为公司急需解决的根本问题。

1.2     预期实现目标经对全厂的经济利润进行了分析，通过测算，汽柴油产品亏损严重，而提升经济效益主要依靠丙烯、苯乙烯和MTBE产品，能否提高丙烯、苯乙烯和MTBE 3种高价值产品的产量，主要取决全厂的核心——DCC装置DCC为国内首套增强型催化裂解 （DCC-plus） 装置，采用北京石油化工研究院开发的多产丙烯的专利技术（Deep Catalytic Cracking），是以重质烃为原料、以丙烯为主产品、轻芳烃为副产品的化工型炼油工艺技术与常规催化裂化最大的不同就是采取较高反应深度，使得乙烯、丙烯和异丁烯类高附加值产品收率大幅升高，最大限度地减少汽柴油产品产量，研究DCC装置低碳烯烃产品收率的影响因素是项目的关键点1.3  效益可行性分析在保证装置负荷相同，同时原油成本没有增加的前提下，分别将干气中乙烯、液化气中丙烯质量分数以提高1%为单位目标进行效益分析通过化验分析，目前干气中乙烯质量分数平均为35%，液化气中丙烯含量平均为44%，提高1%后分别约为36%、45%当前DCC装置进料量约3 300 t·d-1，干气产量约为300 t·d-1，乙烯产量约105 t·d-1;液化气产量约为1 300 t·d-1，丙烯产量约573 t·d-1。

在保证进料量相同的前提下，提升收率后乙烯理论产量应达到300×36%=108 t·d-1，丙烯产量应达到1 300×45%=585 t·d-1;丙烯每吨可盈利为1 000元，增加效益为（585-573）×1 000=12 000元·d-1每吨乙烯可以生产乙苯约3.5 t，乙苯为中间产品后续继续加工生产苯乙烯，每吨苯乙烯可盈利1 500元，苯乙烯增加效益约为3.5×（108-105）×94%×1 500=14 800元·d-1全年总计盈利（12 000 +   14 800）×360=9 648 000元2  神经网络机器算法的大数据高阶优化原理在机器学习和认知科学领域，神经网络（neural network）是一种模仿人的大脑结构和功能的数学模型或计算模型，用于对函数进行估计或近似其方法是将使用大量的神经元构成神经网络，模拟思考图1、图2为感知器和反应器感知器模拟示意图图1、图2的圆圈就代表一个感知器它接受多个输入（x1，x2，x3...），生成输出（output），如同人体神经末梢感受各种外部环境的变化进而产生电信号，达到控制相应的身体组织器官的效果基于本课题的研究，可以将干气中乙烯、液化气中丙烯含量建立一个神经网络运算，其神经元就是影响其收率的各项操作指标。

为了简化模型，我们约定每种输入只有两种可能：1 或 0如果所有输入可满足干气乙烯、液化气丙烯质量分数达到36%、45%，表示各种条件都成立，输出就是1;如果所有输入为0，则表示条件不成立，输出就是0除上述影响收率的各项操作指标外，其产品还会受到一些因素的影响，例如催化剂活性、催化剂加注量、原油成分改变等这些因素对产品收率都或多或少产生影响，但影响程度各不相同某些因素是决定性因素，另一些因素是次要因素因此，可以给这些因素指定权重（weight），代表它们不同的重要性如：催化剂活性权重为4，催化剂加注量权重为2，原油成分权重为23个权重总和即为4+4+2=10这时，还需要指定一个阈值（threshold）阈值的高低代表了影响的强烈，阈值越低就表示收率越低，越高表示就收率越高上面的决策过程，使用数学表达如下：式中，x表示各种外部因素，w表示对应的权重单个的感知器构成了一个简单的决策模型，已经可以拿来用了石油化工加工过程中，实际的决策模型则要复杂得多，是由多个感知器组成的多层网络图3图3中，左侧底层感知器首先接收外部输入信号，做出计算判断后，传递给上层感知器作为输入信号，上层感知器继续计算判断，直至得到最后的结果。

為了方便后面的讨论，需要对上面的模型进行一些数学处理外部因素x1、x2、x3写成矢量，简写为x权重w1、w2、w3 也写成矢量（w1， w2， w3），简写为w定义运算w?x = ∑wx，即w和x的点运算，等于因素与权重的乘积之和定义b等于负的阈值b = -threshold，感知器模型就变成了下面这样：其中，最困难的部分就是确定权重（w）和阈值（b）目前为止，这两个值都是主观给出的，但现实中很难估计它们的值，必须有一种方法，可以找出答案这种方法就是试错法其他参数都不变，w（或b）的微小变动，记作Δw（或Δb），然后观察输出有什么变化不断重复这个过程，直至得到对应最精确输出的那组w和b[1]，这个过程称为模型的训练而最终训练出达到我们所需的输出值（output）的各项输入项（inputs），就是我们期望得到的生产工况图43  工业大数据高阶优化3.1  数据基础和来源工业大数据的高阶优化工作基础是收集数据，石油化工企业都会部署了集散控制系统（DCS）、实验室管理系统（LIMS）、制造执行系统（MES）等系统，这些系统配备了历史数据服务器，储存了至少一个生产运行周期的工况数据，足以提供大量的数据供进行分析计算。

我们通过收集包括DCS装置位点数据、LIMS化验数据、调度生产数据等相关历史数据，以干气乙烯、液化气丙烯质量分数达到36%、45%为目标，实际生产工况数据为主，辅以流程数据、实验室数据、业务数据清理原始数据，按工况将不同来源数据进行匹配整合初步分析数据，发现、诊断装置现存问题3.2  分析建模建模阶段工作围绕搭建符合某公司DCC实际运行工况和进料性质的大数据高阶分析预测和优化模型，以尽量准确拟合DCC装置产率并寻找以目标优化为导向的参数调优方案持续对项目准备阶段所收集到的装置及物料历史数据进行深入研究和分析，探讨生产环境所受各项限制条件对目标产率的影响，识别关键参数搭建可行的收率预测的高阶模型，利用神经网络机器算法搭建装置感知器、权重和阈值基于大数据模型寻优结果，初步验证方案可行性与调优效果在准确度达标的情况下，初步实施优化模型，并评估优化效果3.3  模型评价与优化模型评价是指对于已经建立的一个或多个模型，根据其模型的类别，使用不同的指标评价其性能优劣的过程模型的优化则是指模型性能在经过模型评价后已经达到了要求，但在实际生产环境应用过程中，发现模型的性能并不理想，继而对模型进行重构与优化的过程[2]。

模型评价和优化阶段工作旨在持续优化大数据高阶分析预测和优化模型的调优能力，并完成产品化基于初步实施阶段结果，进一步与DCC装置的生产、技术、设备、工艺等专家共同探讨过程中的各类问题，设计并进行一系列参数调优试验，并将新生成数据投入到模型优化和迭代过程中，由此不断提高模型预测准确性与优化能力最终将根据实际模型使用员工的操作和应用需求设计软件系统操作界面，并针对后续使用及维护过程编写操作手册，并提供对应的培训4  大数据高阶优化的特点及挑战4.1  大数据高阶优化的特点4.1.1  数据分析工具的选择本课题大数据高阶分析预测和优化模型选择使用Python3.0编写编程脚本使用Python自带的标准库与众多第三方库Python3.0软件和标本库可从互联网上免费获得和正常使用，不会造成模型开发与维护的额外成本Python是一种广泛使用的解释型、跨平台的通用型高级编程语言，拥有动态类型系统和垃圾回收功能，能够自动管理内存使用，并且支持多种编程范式，且拥有一个巨大而广泛的标准库Python解释器本身几乎可以在所有的操作系统中运行4.1.2  使用过程工业大数据目前互联网公司的大数据技术，基本通过很简单的统计分析即可揭示部分信息。

而工业大数据建模是面向过程工业决策、优化、故障诊断、控制等应用，解决相对复杂数据建模问题，需要更深入的数据建模方法[3]。