论文部分内容阅读
化工行业渗透国民生活的方方面面,2018年化工行业实现利润总额超过6000亿元。精馏塔是石油化工生产过程中非常常见并且非常重要的分离设备之一,占化工、石化项目设备总投资的30%~40%,其性能直接关系到生产装置的投资、产能、质量、能耗及成本[1]。然而,化工行业大部分子行业都存在产能过剩,产品竞争力,技术提升慢的现象。距离实现经济转型,生产智能化仍有较远的路要走。核心问题是化工设备的特性复杂多变,难以对其进行准确描述,更不论定制准确有效的优化控制方法。由于化工行业的工艺复杂,产品繁多,并且设备特性在运行时会随着众多因素的改变而改变,导致目前建立的化工设备数学模型通常都不完善,存在不能提前预测,效果不佳、诊断滞后等缺陷。如何对复杂的现实问题进行系统建模,一直是当前控制领域研究的热点问题[2]。本文针对传统精馏塔建模存在的如建模周期长,预测准确率低,跟踪性能差等诸多缺陷,结合大数据,深度学习以及迁移学习技术,对海量的工业数据进行高效处理,提出了一个能精准建模与动态更新的精馏塔建模方案。具体的研究工作如下:(1)针对传统的特征选择方法在处理填料式精馏塔高维时间序列数据难以兼顾计算复杂度和性能、受噪声干扰严重的问题,提出了一种基于多维度注意力的时序数据特征选择方法(mAFS)。mAFS由两个并行的注意力生成模块和一个学习模块组成,对每个时序特征进行打分,得到特征重要度评分排序。针对不同问题及不同环境,可以灵活的选择特征子集,在保证建模精度的同时能有效解决维数灾难问题,降低模型的复杂度从而降低部署成本。另外,通过观察特征在时间维度上的权重分布获得系统时延,可帮助工程人员加深对于系统机理的理解。(2)由于精馏塔设备庞大,人工对每个测点单独建模的工作量巨大且需要大量背景知识和专家支持。同时,不同产物的生产流程相似但又有各自的特性,单独建模存在大量重复工作,效率低下。针对上述问题,本文提出了基于特征迁移的自动化设备建模方法。当有生产环境发生变化时,在不改变底层模型结构的前提下加载保存的模型参数,使用新的数据与特征,通过微调实现快速、资源友好的模型构建。(3)针对生产过程中原料及设备随时间演化,固定模型的预测精度随时间而下降的问题,提出了基于样本迁移的动态更新模型构建技术,当系统检测模型精度下降到达设定阈值时,使用最新的数据更新模型,并实现新模型与正在服务的旧模型的流畅切换,以保证持续服务,有效跟踪精馏塔设备的演化。本文所述工作已经被部署在了国内两家化工企业中,用于对精馏塔多个关键参数进行建模和预测。整个工作流程已被拟写成行业标准。实验结果表明该方法实现的系统能长期稳定运行,并在精馏塔的各个工况下均能保持较高的预测精度,已经为工厂的实际操作调度提供了有效的指导,验证了本方法的可行性,为精馏塔建模提供了新途径。