炼化企业数字化、模型化与智能化建设的简单认识
本人自大学毕业后便一直服务于中国石油，期间无论是集团公司的总体项目还是某个炼化企业的项目，都参与了其中建设实施、技术支持以及后期运维。而在经历过这些大大小小的项目后，一个最大感触便是我们的炼化企业在信息化方面与欧美先进炼化企业相比还具有很大的差距，例如在当前的工业化阶段还没有完全做到100%的自动化，有些企业或者有些装置的自控程度甚至还远低于100%。如此，想要完全实现所谓的“智慧工厂”，难度不小。个人认为，就目前各炼化企业所面临的压力而言，如何加快实现信息化已变得非常的重要和关键，不重视企业的信息化建设，不通过进一步的将信息化技术与工业化生产技术相集成、融合以提升企业的管理水平、盈利水平，很难在以后的发展中继续保持一席之地，也就只能更加依赖于政策性的保护。尤其是国家工业互联网概念的提出，这会对整个行业的发展带来不同于以往的压力，甚至是冲击。目前炼化企业的信息化程度还主要停留在上世纪九十年代处所提出的模式下，大致情况如下图所示：
围绕着这一模式，各炼化企业均建设了非常非常多的系统，最典型的就有集散型控制系统（DCS）、先进控制系统（APC）、实时优化系统（RTO）、MES系统、实验室信息管理系统（LIMS）、作业排产和调度系统（APS）以及企业资源计划系统（ERP）等等。但这些信息化系统间却是相对独立的，并未完全打通集成，尤其是对于DCS、MES及LIMS这三个生产系统，并未实现有效的数据融合，导致从整体上看，指挥性系统并没有很有效的与生产性系统对接，更多的还是依赖于工程师（人）作为其中的桥梁，这也导致了信息化与工业化未能充分的融合集成，没有完全的发挥出二者的作用。
所以在目前竞争愈加剧烈的情况下，企业是否能够快速的由工业化转变到信息化，再由信息化提升至智能化变得至关重要。我们目前经常耳濡目染的一些信息科技技术例如大数据、云计算、人工智能、物联网等等确实在迅猛的发展中，这些信息技术必然会强烈的影响到行业的未来发展，而这也既是我国炼化企业所面临的挑战，但也更是难得的机遇。我们知道，个人的发展既要依靠自身的努力，但更要顺应时代，逆势而为，徒劳无功。就工业互联网概念而言，目前发达国家例如美国、日本、德国等均已提出了相应的战略规划，意图进一步的提升自己的工业化水平，也就是所谓的“再工业化”。而我国政府相应的也提出了自己的“中国制造2025”等国家战略，试图打造自己的工业4.0，实现智能化制造。这便是当下之势，这将对我们炼化企业未来的生产模式、计划模式、管理模式、销售模式等会带来革命性的改变。也正是这一机遇，势必让炼化企业能够有机会实现自身的大力发展，甚至是扬长避短，改头换面。
建设智慧型炼化企业，就是需要在现有的信息化基础上做到从原料购买到产品销售这一系列环节充分的应用大数据、物联网、人工智能等新技术，让企业能够根据市场的变化而准确、及时、安全的实现调整，从而真正的实现炼化企业全局的操作最优、计划最优和生产最优，而这些最优化也将做到真正的在线闭环。若要完成这一目标，我认为当前最为重要、也是最为关键的便是生产过程的数字化和自动化。其中数字化是核心基础，没有数字化，一切都是空谈。如果没有充分的数据来描述生产过程，那就如同盲人摸象。但实话实话，就我所看到的现状而言，我们很多的炼化企业在数字化建设方面做得并不是非常的好，尤其是对于某些非关键生产环节则是能简则简，能省则省。那么解决这一问题的办法除了上更多的仪表等硬件措施外，个人认为还应该充分的结合流程模拟等技术，实现模型化，以扩展出更多的“软仪表”，让数据描述的更加清晰、完整。其次，虽然建设智慧型炼化企业是一个整体性的概念，但是我认为在实施过程中，最为关键的一环便是生产环节。无论想要加工什么样的原料，还是想要如何调整产品分布，都离不开生产装置本身的能力。而炼化企业的生产却不像其它离散型加工制造行业，它的生产流程相对固定，生产过程却是连续性的，上游装置的生产势必会影响到下游装置的生产，一处波动可能会导致处处波动。更具有挑战性的是，很多加工过程的较为复杂，并未完全搞清其中的机理。因此对生产装置进行模型化建立挑战不小。那解决这一问题的关键，个人认为就是机理模型与数学模型的相结合。单靠机理模型，并不能完全准确的反映实际生产的所有情况，而如果只依靠数学模型又很难具有更为广泛的预测能力（它对没有完全见过的情况判断不够，需要特别考虑），二者需要相互补充。
举个栗子，某炼化企业受市场环境影响，迫切的需要降低全厂柴汽比，那么可能首先想到的方案就是是否可以通过调整FCC装置的ROT来改变催化汽油的收率，因为FCC是汽油的主要生产装置。对于该问题，装置可能会采取以下措施来进行可行性的验证：
①执行工业试验。一般情况下提高ROT会使得裂解深度加强，部分柴油可能会进一步裂解为汽油，此时必然会提高汽油收率。但实际情况又如何呢？因为我们知道，产品收率的改变既跟装置的操作条件有关系，还与催化剂性能、装置负荷、进料性质等等均有密切的关系。这时候装置便需要通过工业试验来观察本装置的实际收率变化情况到底如何，也许此时便需要做出多组标定试验来进行分析，最终得出结论，到底改不改变ROT温度，如果改变的话，那它的边界在哪里？因为过度提高ROT后会导致催化柴油和催化汽油的收率均下降，干气之类的低附加值产品收率提高，造成很大的经济浪费。很明显，工业试验的代价是比较大的，试验之前你要保证上下游装置能够平稳生产，其次工业试验只能做几组，试验点的选择更多的需要依赖于装置工程师的经验。也正因为如此，工业试验得出的预测性结论比较模糊。而且试验所产生的宝贵数据并没有完全充分的利用，甚为可惜。
②机理模型计算。基于工业试验的限制，如果本装置建立了机理模型例如AspenHysysFCC模型，则可以直接通过模型计算来分析ROT变化对产品收率的影响，如此获得的结论就比较清晰。而且严格机理模型所涉及到的自变量较多，因此分析时可以考虑到的变量也就更加广泛，这对装置的生产调整更加具有指导意义。但必须要指出的是，如果想要获得可靠的结论，该模拟模型必须要与当前生产情况相匹配。我见过太多的企业，由于本身一些其它条件和因素的影响，模型很少被日常性地使用和维护，这便造成了在想要应用的时候对模型的使用要求变得较高，导致其可用性不强。而如果将复杂的模拟模型进行在线部署，则对其收敛性、数据预处理等要求较高，想要获得很好的效果则实施难度比较大。
③数学模型计算。要说明的一点是，该数学模型是指例如神经网络之类的AI模型。它的建立更多的依赖于对装置已有数据的分析、拟合和学习。我们可以想象一下，从原料进罐到产品出料，除了介质在不同的环境下输送、反应、分离等，与其相关的数据也在无时无刻的产生。这些相关的数据就是企业另一笔非常宝贵的财富！倘若企业建立了自己装置的AI模型，那么在装置每时每刻的运行过程中AI模型也在每时每刻的学习，它就如同我们的装置工程师一样，观察和学习装置在各种变化情况下的实际状况。这些学习经验里包括了内在机理的表现、包括了设备效率的表现，甚至说包括了事故的表现。虽然我们很难去解释AI内在的经验（也就是解释性较差），但是就如同经验丰富的工程师一样，“反正如果这么做，那它就会是这个样子”。好了，在我们拥有了一个时刻都在学习的AI工程师，这时候我们所要做的就是问问它，如果改变ROT后效果如何？可以期望的是，它会非常迅速的告诉你，如果调整后，产品收率将会发生什么样的变化，而且除此之外，那些你还想知道的甚至是不想知道的它也会一同告诉你（站在更高的层面上），如果你的AI模型建立的足够完整、强大的话。什么是“智慧型”生产，我认为这就是其中的一点。我可以随时随地的线上问、线下问，它也可以随时告诉我尽可能全面的结论，而不仅限于某一个生产环节。进一步的，我若告诉它我想要的结论时，它便自主地去分析、去计算各个环节又该怎么做。如果你对你的AI模型表现非常的认可，那尝试着逐步让它去接管某些生产指挥系统又有什么问题呢？永远要知道一点，你的AI模型是在无时无刻的自助学习中！它会随着企业的生老病死所有过程！
现在我们假设该装置具有一个AI模型，那它将根据实际情况来学习。我用Python建立了下图这个简单的模型，如果你认真观察这幅图的话你会发现AI学习数据并没有像一个多项式一样非常光滑、完美的去拟合工厂数据，而是总会有些歪歪扭扭的样子，那这就是它与常规数学拟合的区别，它是在学习这一规律。
如此以来，如果我们建立的AI模型很强壮的话，那它将会学习关于FCC装置输入变量的所有因素。这样，我们将获得一个高维度数据关系，例如相关的输入变量有20个，相关的输出变量有15个。这种情况下，AI模型将变得更加的实用和有价值。
这里还是需要再次说明一点，AI模型一般可解释性差，也就是它到底是怎样学习的内因我们很难去分析。还有就是数据的高维度也会造成直观分析的难度，就如下面的这个三维图，我们可以直接做图观察的也就止步于三维了，更高维的图形需要降维。
好了，上面只是一种非常简单的应用示例。现在我们再来设想另一种略微复杂的情况：
某炼化企业的常减压装置想要进行节能优化，在这里我们假设它可以调整的输入变量有柴油汽提蒸汽流量、煤油流量、AGO中段回流流量、AGO汽提蒸汽流量、塔底蒸汽流量、柴油流量、AGO流量、石脑油流量、煤油中段回流流量、柴油中段回流流量，而相应的输出变量有柴油闪点、石脑油5%、石脑油95%、煤油5%、煤油95%、柴油倾点、AGO倾点、AGO闪点、塔顶负荷、塔底负荷。输出的产品指标是可以根据装置的生产方案进行调整的，而负荷则是装置的制约因素。我们此时便需要将这些因素关联起来，对该常减压装置进行数学描述。描述完成后，我们便可以通过改变某一个或几个变量来观察产品性质的变化情况，从而确定更优的操作条件。如果要建立它的AI模型则需要完成以下步骤：
以上五个步骤，每一个步骤实际上都并不简单，它们都需要相应的数学分析方法和工具来完成，限于篇幅，我就不再逐一展开说明。OK，假设我们完成了该AI模型的部署，那剩下的事情就变得非常简单了，我们可以非常快速、灵活、自由的来分析装置的性能。而这里的分析结果几乎包括了装置的所有影响因素。同时，该AI模型可以真正的做到在线部署，实现闭环优化——因为它不会存在不收敛！如果你对它还有点疑惑的话，同样，我也使用Python编写了该示例的模型，你可以将其下载后把自己当作MES输入数据即可。需要说明的是，编写的模型跳过了数据提取、数据预处理部分，实际装置是以一个AspenHysys的精馏塔模型作为替代。还有一点就是，因为它只是一个简单的示例，因为我并没有对该AI模型做更多的泛化处理。
由于打包至没有Python环境的Windows平台，因此该EXE文件比较大，初次启动时需要30s左右的加载时间。
链接: https://pan.baidu.com/s/1pxNbbI-pU90wWRrBubBtUg 密码: f1di
现在我们通过两个简单的示例了解了所谓AI模型的大致情况，虽然它们是基于生产装置的，但我们同样可以将其扩展到企业更多的环节，而且也不一定啥都用AI模型，最重要的是高效的技术整合，万事无绝对。通过这些演示我想你也一定发现了，基础数据对于建立所谓AI模型的重要性了。实际上确实如此，数据就是米，所谓巧妇难为无米之炊。但我们也不一定非要强行要很多很多的数据，有些数据确实很难采集到，或者是数据的可靠性太低了，完全没法用，那这个时候就是通过流程模拟等其它技术手段来整合处理了。
总体来说，所谓炼化企业的数字化、模型化及智能化建设，也就是通过应用人工神经网络、智能优化算法、降维可视化等等信息技术手段，在生产数据中发现规律，揭示数据空间的超几何特性，从而确定出我们需要的全局层面的最优点或最优区域，让企业在取得更为突出的经济效益，让生产与决策变得更加的透明。同时，部署的自主学习AI模型也将势必过渡到企业安全领域，让AI发挥更大的作用。可以看到，我们在现有条件下建立智慧型炼化企业这一愿景确实是挺美好的，但道路应该要比国外先进炼化企业更加曲折些。
这些就是我对所谓炼化企业智慧型建设的简单、初步的认识，也希望也对大家有所帮助。
谢谢楼主分享 非常感谢楼主 感谢分享！非常好的思路！ 感谢分享，很有用。 {:524:}{:525:}{:526:} 好东西,谢谢分享 厉害了，动态的资料。 说是这么说，现在很多软件商都在努力实现这一目标，已经有相关产品，有多少客户真正在用就难说了。实施起来困难很多，甚至走向相反方向。
比如无纸办公，现在公司里打印机的耗纸量那个低了。
感謝分享！！！ 楼主非常有思想 必须点赞分享 厉害厉害 期待进一步分享 学习了 楼主很用心 很不错的文章，干货！{:1106_362:} 谢谢楼主分享 thanks foyr your sharing 楼主辛苦了 先见之明，楼主现在实践到什么程度了？再发一贴谈谈高见。{:1110_549:}
页:
[1]