CN113420500B - 智能常减压系统 - Google Patents

Abstract

本发明属于石油炼化领域，公开了一种智能常减压系统，实现了常减压装置从计划到生产操作的数字化、自动化、智能化和闭环操作优化。该系统主要包括：常减压AI模型、计划模块，通盘优化模块和智能执行模块。本发明综合应用人工智能、大数据、数学建模和优化及过程集成等技术，以生产过程的历史数据为基础，建立能精确描述常减压动态生产过程的常减压AI模型。在此模型基础上建立计划模块，提供可行的物料分配决策；同时，在此模型基础上建立通盘优化模块，提供最佳操作方案决策；智能执行模块自动执行上述决策，实现装置的闭环运行。从计划到操作优化再到智能执行，实现系统的智能一体化运行。

Description

智能常减压系统

技术领域

本发明涉及石油炼化技术领域，尤其是涉及一种智能常减压系统。

背景技术

炼化行业生产决策方式，从以往的依靠经验发展到目前的工艺专家建立机理模型测算，主要经历了两个阶段的变化。

凭经验决策阶段：缺乏测算工具和模型，计划人员依据统计数据和经验来为生产计划分配物流走向；操作员根据自己的操作经验和操作手册，结合现场的生产情况给出操作参数调整方向，并通过化验分析结果一步步小幅度调整。

工艺专家用机理模型测算指导阶段：通过工况标定，建立和校正机理模型，再由工艺专家根据专业知识提出的优化思路，利用机理模型模拟测算或者设置简单的优化策略进行测算来验证，最后得到生产计划和操作方案用于指导生产。流程模拟软件20世纪50年代问世，经过几十年的发展，在业界得到了广泛的应用，并培养了一批优秀的建模和工艺优化专家。这些工艺专家利用机理模型和专业知识测算装置加工方案和生产计划，为生产提供指导，取得了一定的经济效益。

但是，常减压装置掺炼3～5种原油混合加工是普遍现象，受原油采购、运输、储存等环节时间和空间的双重维度影响，装置加工的混合原油性质不断变化，而且生产方案频繁调整，生产工况处于动态调整过程中，目前依赖专家和模拟软件的工艺优化远远跟不上变化的需求。

操作人员依据自身经验进行操作调优很难达到理想的效果，同时，受化验分析频次较少的影响，操作调优过程延迟较大。一边是变动极繁的工况，而另一边是长期不动的模型，模型与工况不匹配。迫切需要一套智能常减压系统，能够快速、全面的捕捉装置工况信息，及时完成各系统的整体调优和智能化控制，是目前需要解决的技术问题。

发明内容

针对现有技术中存在的上述问题，本发明的目的是提供一种建立智能常减压系统的方法，所述系统为常减压装置生产提供了原油加工配方或产品分配决策和实现该产品分配的优化操作决策，并通过智能执行系统自动执行所述决策，实现常减压装置生产的数字化、自动化、智能化和闭环操作优化。

所述系统根据计划加工原油和二次装置需求采用常减压AI模型测算每月和每周常减压装置侧线产品最佳收率，提供产品最佳分配决策；参考计划测算方案和生产装置的实时数据，采用常减压AI模型，根据设定频次实时优化操作条件，产生实现产品分配的最佳操作决策；由智能执行系统根据调整策略自动执行上述决策。使用同一模型为经营、计划、管理、操作提供决策依据，奠定了企业实现经营目标和操作目标统一、计划排产和生产调整统一、以及高效运行和长周期统一的重要基础。实施闭环操作优化，提升了高价值产品收率、降低能耗的同时确保了装置安全平稳运行。

为解决上述技术问题，本发明采用的技术方案如下：

所述系统主要包括常减压AI模型、计划模块、物理逻辑重建模块、通盘优化模块、智能执行模块，其中，

所述常减压AI模型，是对常减压动态生产过程的实时精确数学描述，是计划模块、物理逻辑重建模块和通盘优化模块的基础。常减压AI模型是以考虑了原料、加工量、操作条件、产品分布、设备和装置性能以及工艺流程等变化产生的十亿机理模型数据为基础，利用人工智能技术建立的由数百万模型参数和数百个神经网络群组成的模型。它能实时感知数千个运行参数，包括原油馏程、关键产品指标和馏程、塔板水力学、塔段板效、换热器污垢热阻、转油线/塔段压降等；

所述计划模块，提供最佳且可行的物料分配决策。它以建立的常减压AI 模型为基础，考虑生产设备实际限制和二次装置加工要求的情况下，可对每月和每周计划加工原油进行常减压产品收率测算，还可根据产品分配要求优化原油配方；

所述物理逻辑重建模块，预测装置实时特性和当前加工原油性质，并对当前运行工况进行数字化表征，它以建立的常减压AI模型为基础，以采集得到的稳态工况数据为输入，对生产过程进行物理逻辑重建，获得表征生产工况的数据，既用于消除仪表的数据误差，又对没有测量但能表征生产工况和设备性能的数据进行预测；

所述通盘优化模块，提供最佳操作方案决策，它以常减压AI模型为基础，综合考虑现场的实际可行性约束，通过所述物理逻辑重建模块的计算获得当前装置特性、加工原油性质和变量初值，在设定可控的优化策略下，根据目标方程，利用数学规划算法，优化求解得到操作条件变化的方向和大小，作为生产调整的目标；

所述智能执行模块，执行通盘优化后的操作方案。

进一步地，所述系统还包括数据处理模块和智能软仪表模块，其中，

所述数据处理模块，连接企业实时数据库，获取生产装置的实时数据，并对数据进行预处理和稳态分析后，输出稳态工况数据，并发送给物理逻辑重建模块；

所述智能软仪表模块，以所述数据处理模块预处理之后形成的有效数据为基础，利用事先训练好的ANN模型或回归的模型，快速测算原油和产品性质，发送给智能执行模块，所述智能执行模块根据测算出的原油和产品性质自动设置产品流量，协同多个多变量模型预测控制器稳定生产操作，其中，执行过程产生的运行数据进入实时数据库，作为数据处理模块的数据输入。

进一步地，所述系统还包括：数据挖掘模块和模型自学习模块，其中，

所述数据挖掘模块，基于所述数据处理模块的输出结果、物理逻辑重建模块的输出结果、历史数据变化趋势和事先通过大数据挖掘所得的模型，自动判断仪表及设备的性能变化，分析得出生产装置存在的瓶颈信息；其中，该数据挖掘模块的结果用于计划、物理逻辑重建和通盘优化模块的约束条件，以及常减压装置AI模型的自学习；

所述模型自学习模块，以所述数据处理模块的输出结果为输入，判断输入数据是否超出现有模型的使用范围，若没有，则无需模型校正和更新，可直接运行所述物理逻辑重建模块，否则补充样本数据，覆盖已有的输入数据，利用补充样本对AI模型进行校正，并将计划模块、物理逻辑重建模块和通盘优化模块中所应用的所述常减压AI模型进行更新；另一方面通过物理逻辑重建结果获得装置实时特性，将此特性数据更新至模型。

进一步地，所述数据处理模块包括数据预处理模块和稳态分析模块，其中，

所述数据预处理模块，以间隔采样的现场实时数据和实验室分析数据为数据输入，利用从历史数据学习的模型和规则，对异常数据进行清洗，然后输出数据给所述稳态分析模块分析进一步处理；

所述稳态分析模块，利用事先学习的稳态模型和规则，对预处理后的数据进行稳态判断和分析，提取数据隐含的有用信息，之后将最新一段时间的稳态数据合并成一个稳态数据样本供所述物理逻辑重建模块、数据挖掘模块，以及模型自学习模块分析或使用。

进一步地，所述常减压AI模型建模模块包括工况增强模块和AI建模模块，其中，

所述工况增强模块，用于对样本数据缺失的区域或数据质量不高的区域进行数据增强，将样本区域从历史操作区域扩展到其它需要覆盖的区域；

所述AI建模模块，用于在收集所有可行的样本后，确定神经网络的输入、输出变量，构建神经网络结构，利用样本数据训练输入变量和输出变量的关系，从而获得AI模型。

进一步地，所述通盘优化模块，通过最近一次物理逻辑重建的计算获得装置当前特性和原油当前性质以及优化变量初值，制定优化策略对优化模型进行求解，使优化值跳出局部最优，最终获得目标方程全局最优解及对应的优化变量的调整方向和幅度，其中，在每一步的优化方向搜索中，对选取的可调变量对整个装置优化目标和潜在瓶颈产生的影响统一进行测算。

进一步地，所述智能执行模块，根据预先指定的执行步骤、调整步长以及等待时间自动将新操作参数匹配写入多变量模型预测控制器，并根据反馈结果动态调整下一步方向及步长，其中，所述智能执行模块根据优化的操作方案分步骤进行。

进一步地，所述通盘优化模块对变量的优化按照属性进行调整频率分类，根据变量类别来决定不同的调整级别时是否需要调整。

进一步地，所述智能执行模块对优化方案按照如下调整策略进行：

按照产品线的先后顺序，从前往后调整；

每个塔从下往上进行调整；

在产品运行初期或测试期中，每一步先选择一个主调变量，若调整过程中产品超标、或设备达到瓶颈，则再同时进行多个主调变量的调整。

本发明的另一方面，还提供了一种智能常减压系统在过程工业控制管理中的应用。

与现有技术相比，本发明所述的一种智能常减压系统，达到了如下技术效果：

1、本发明实现了从计划到生产的自动化，助力企业实现经营目标和操作目标的统一、计划排产和生产调整的统一、及装置实现高效运行和长周期的统一。

2、本发明的优化工艺为闭环操作，确保装置安全平稳运行，提升高价值产品收率，降低能耗。

3、本发明贴近实际的常减压AI模型支撑决策测算，权衡能耗与分离性能、长周期运行与当前效益，充分考虑现场各类约束和设备性能现状，自动给出操作调整步骤，分解成控制指令自动执行，达到生产与计划的协同。

4、本发明操作调整由智能执行系统转化成控制指令自动执行，控制策略确保操作指令平稳快速执行，并确保调整期间质量合格。

5、本发明支撑各层次测算的模型具备自主学习能力，随生产变化持续更新，实时精确描述常减压动态生产过程，提高测算结果的可靠性。

6、本发明深层感知表观可测量的温度、压力、流量，和体现装置特征的非直接可测参数，如塔板水力学、装置瓶颈、设备性能变化趋势。

7、本发明基于大数据技术对装置深度分析和挖掘，提炼从仪表、智能常减压设备、子系统到全装置不同层次的信息，同时形成异常分析和判断模型，提供异常预警、瓶颈和潜力分析，对装置运行过程中的风险(液泛、干板、填料结焦等)进行评估，做到提前预警，主动预防。

附图说明

图1为本发明实施例所述的智能常减压系统的系统架构图。

图2为本发明实施例中的智能执行模块的调整步骤示意图。

具体实施方式

以下结合附图对本发明作进一步详细说明，但不作为对本发明的限定。

参照图1所示，本发明实施例所公开的一种智能常减压系统，基于大数据、人工智能、神经网络技术，实时精确描述常减压动态生产过程，深层次感知装置变化，实现闭环操作优化，确保装置安全平稳运行，提升高价值产品收率，降低能耗，产品使用同一模型为经营、计划、管理、操作提供决策依据。智能常减压系统包括：计划模块、数据处理模块、物理逻辑重建模块、通盘优化模块、智能执行模块、智能软仪表模块、数据挖掘模块和模型自学习模块。计划模块和通盘优化模块主要负责提供最佳产品分配和生产操作的决策方案，智能执行模块负责自动执行决策方案，其它模块为三大模块运行提供数据和模型支撑。

其中，计划模块，以常减压AI模型为基础，在考虑生产设备实际限制和二次装置加工要求的情况下，对每月和每周计划加工原油进行常减压产品收率测算，获得排产计划。

数据处理模块，连接企业实时数据库，获取装置实时数据，并检查是否存在异常数据、剔除异常值，对处理后的数据进行稳态分析，输出稳态数据，稳态数据进入物理逻辑重建模块和模型自学习模块。

物理逻辑重建模块，以常减压AI模型为基础，以数据处理模块处理后的稳态数据为输入，对生产过程进行物理逻辑重建，获得装置在此生产工况下的主要表征数据。该表征数据为通盘优化提供了变量初值、原油性质和装置性能参数，为数据挖掘模块提供了数据依据。

通盘优化模块，以常减压AI模型为基础，综合考虑现场的实际可行性约束，以所述物理逻辑重建模块的结果为变量初值，在一定可控的优化策略下，以提高装置经济效益为目标，利用数学规划算法，优化求解得到操作条件变化的方向和大小，作为生产调整的目标，由所述智能执行模块执行。

智能执行系统，执行通盘优化后的操作方案，根据产品性质软仪表自动设置产品流量、协同多个多变量模型预测控制器稳定生产操作。执行过程产生的运行数据进入实时数据库，作为数据处理模块的数据输入。

智能软仪表模块，基于数据处理模块剔除异常数据后的数据，利用事先训练的ANN模型或回归的模型，快速测算原油和产品性质。分钟级的软仪表为智能执行模块提供了必要的实时参数变量。

数据挖掘模块，基于数据处理模块的输出结果、物理逻辑重建模块数据结果、历史数据变化趋势和事先通过大数据挖掘所得的模型，自动判断仪表是否存在异常、设备是否超限，分析分馏塔的液泛、干板、漏液，减压系统结焦，换热器结垢等相关情况。

模型自学习模块，以数据处理模块的输出为输入，判断输入数据是否超出现有模型的使用范围，若没有，则运行物理逻辑重建模块，否则补充样本数据，覆盖输入数据，利用补充样本数据对模型进行校正，并将计划模块、物理逻辑重建模块和通盘优化模块中的装置模型进行更新。

常减压AI模型是计划测算、物理逻辑重建和通盘优化的共同基础。其中，建立常减压AI模型的方法包括：获取生产装置历史数据，采用数据处理方法剔除或替换异常数据，对处理后的数据进行稳态分析，获得稳态工况；根据稳态工况数据建立装置的严格机理模型，确定装置特性参数；利用所述严格机理模型，采用样本增强方法，对样本进行扩增；采用机器学习方法学习扩增后的样本特征，获得常减压AI模型。在常减压AI模型基础上分别实现计划测算、物理逻辑重建和通盘优化，从而实现经营目标和操作目标的统一、计划排产和生产调整的统一、及高效运行和长周期的统一。

下面来对前述各个模块进行进一步的详述。

一、计划模块

计划模块用于对每月或每周计划加工原油进行常减压产品收率测算。

它与通盘优化模块采用相同的模型，包括目标方程和常减压AI模型与现场的实际可行性约束形成的约束条件，同时考虑二次装置加工需求，从最近一次物理逻辑重建模块输出中获取装置性能参数，以每月或每周计划加工原油的加工量和性质为输入，采用非线性优化器对优化模型进行优化求解。从而获得满足需求的最佳排产计划。计划测算时考虑了装置实际情况，可提高计划的可行性。计划测算和通盘优化共同采用常减压AI模型，可有效降低计划和运行结果之间的偏差。

二、数据处理模块

数据处理模块用于采集的生产数据进行处理和稳态分析。

从企业实时数据库中获取装置生产数据，再通过多个数据筛板发现和剔除异常数据，并对处理后的数据进行稳态工况判断和分析。系统后台还间隔采集来自装置信息系统的数据，包括实时操作数据、质量平衡数据(MES)和实验室分析数据(LIMS)。

由于生产运行数据不可避免存在错误、缺失、异常等问题，需要经过处理才能进一步使用。数据处理模块包括：数据预处理模块和稳态分析模块，分别执行数据预处理操作和稳态分析操作。

其中，数据预处理模块，采样间隔1分钟的现场实时数据以及实验室分析数据为数据输入，利用从历史数据学习的模型和规则，对错误、缺失、异常和冗余等数据进行清洗，输出数据供稳态分析进一步处理。

数据预处理过程首先要检测出异常数据，然后对异常数据进行适当的处理，比如剔除、填充。要检测出异常，必须事先建立判断规则，预处理使用了两个主要模块来实现这两个功能：

(1)参数估计模块：通过历史数据统计出在预处理过程中需要使用的各种参数；

(2)数据筛板：按照预先设置的规则和估计出的参数，对实时数据进行处理，区分正常数据和异常数据，正常数据送往稳态判断，异常数据送往数据挖掘模块。

对于常减压装置，现场仪表在500～700个，产品中使用的仪表一般在200～ 400个，数据异常原因很多。数据筛板可以识别多种数据异常，包括：仪表异常、开停工等异常、数值异常。数据筛选依赖于预先设置的规则，每个数据都要经过各个模型的检验，剔除缺陷及异常数据后筛选出正常数据，才能进入物理逻辑重建模块或通盘优化模块。

稳态分析模块，利用事先学习的稳态模型和规则，对预处理后的数据进行稳态判断和分析，提取数据隐含的有用信息，比如操作是否稳定，稳定时长，装置性能是否发生变化。之后将最新一段时间的稳态数据合并成一个稳态数据样本供后续步骤做进一步处理。

装置操作稳态数据对于描述装置原料、操作条件、产品分布和性质之间的关系具有重要意义。通过对装置关键仪表位号的数据进行时间序列分析，利用统计学指标设计合适的稳态判据，可以从数据筛板过滤之后的数据中提取出稳态工况。

三、物理逻辑重建模块

物理逻辑重建模块用于消除仪表的数据误差、同时对没有测量但能表征生产工况和设备性能的数据进行预测，构建装置当前生产工况的数字孪生。

在实际装置中，由于现场仪表受到成本、精度、安装等各种限制和影响，部分仪表数据存在偏离甚至错误的情况，另外还存在着受限于测量技术的限制，数据现场无法测量的情况。物理逻辑重建过程以经过数据处理之后的数据为基础，当稳态判断结果为系统稳定时，利用常减压AI模型，考虑装置和设备的实际运行性能，采用数学规划求解算法，对其数据进行校正。目标是测量值和计算值误差最小，使其满足物料平衡、能量平衡，相平衡、热量传递、设备性能约束五大现场约束，消除仪表的数据误差，同时对没有测量的数据进行预测。

物理逻辑建立依赖于三大基础：其一是数据处理之后的数据，其主要是现场仪表数据和实验室分析数据，这部分随着时间变化而变化；其二是装置的工艺流程，主要包括分离流程和换热流程，不同装置有着不同的工艺流程；其三是物理本质，体现了装置运行所遵循的自然规律，其主要包括物料平衡、能量平衡、分离遵循的相平衡、换热所遵循的传热理论，最终以数学模型的方式表现，即常减压AI模型。

本实施例中，物理逻辑重建的简化数学模型如下：

y_j＝f_j(x_cal，i，y_j′)j，j′∈J，j≠j′

x_cal，i＝f_i(x_cal，i′，_yj)i，i′∈I，i≠i′

y_j，L≤y_j≤y_j，U

x_i，L≤x_i，cal≤x_i，U

其中，x_msd,i为经过数据处理之后的现场测量仪表数据；x_syserr,i为仪表i系统误差；x_cal,i为最后计算输出的数据；x_cal,i’为除了x_cal,i之外的最后计算输出的数据；w_i为仪表i的权重；M_axi为仪表i最大值；Min_i为仪表i最小值，y_j为其他变量；包括除了有现场测量之外的输出变量和中间变量；y_j’为其他变量，包括除了有现场测量和y_j之外的输出变量和中间变量；函数f代表所有x和y的关系，主要反映物料平衡、能量平衡、相平衡、压力平衡、热量传递等物理模型；J 表示1到J的集合，即1,2,3,…,J；I表示1到I的集合，即1,2,3,…,I；y_j,L和y_j,U分别为y_j的下限和上限，x_i,L和x_i,U分别为x_i的下限和上限。

输入信息主要分为流量、温度、压力和流股物性数据，一般涉及几百个DCS 仪表和实验分析数据。经过逻辑重建之后，输出变量中除了对这些现场的仪表和实验室分析数据进行校正之外，还包含了现场没有仪表的数据，主要包括：原油TBP蒸馏曲线；产品馏程性质；流股单位焓值；关键塔板的气相、液相、净气相和净液相的流量；关键塔板的气液相流股的密度；进料压力、塔底压力；减压塔喷淋密度；减压塔转油线压降和温降；减压炉出口压力；加热炉加热负荷；换热器的进出口流量、进出口温度、有效换热面积、污垢系数。

物理逻辑重建是优化问题，本实施例优选采用商业化的GAMS(General AlgebraicModelling System)建模平台，商业非线性求解器CONOPT4来实现物理逻辑重建的优化求解。其本质是将物理现实利用数学语言表达出来，其结果是变量、模型(方程)、约束、目标函数等，而GAMS建模是把前面的内容使用符合GAMS语法规则表达出来。其模型规模为总变量数目12～18万，约束方程12～18万。模型采用数学规划求解方法，利用CONOPT4，一次求解时间控制在5分钟以内。

四、通盘优化模块

通盘优化模块用于提供当前工况最优操作方案的决策。

装置通盘优化以最近一次物理逻辑重建的结果为基础，综合考虑常减压AI 模型和现场的实际可行性约束，在可控的优化策略下，以提高装置经济效益为目标(不限于该目标方式)，利用数学规划算法，对模型进行优化求解，使优化值跳出局部最优，优化求解得到操作条件变化的方向和大小，从而为生产操作调整提供目标。其中，在每一步的优化方向搜索中，对选取的可调变量对整个装置优化目标和潜在瓶颈产生的影响统一进行测算。

常减压装置非常复杂，电脱盐、数个分馏塔、数十台换热器的操作相互关联，相互影响，加上装置内在运行状态(例如是否会液泛、干板)缺少直观的仪表测量，很难考虑多个操作变量同时调整对整个装置各个方面造成的影响。因此常规调优思路通常一次仅考虑单个操作变量产生的影响。但通盘优化技术在常减压AI模型的帮助下，可实现同时考虑数十个现场操作变量的变化对优化目标和复杂现场约束的影响，在可控的优化策略下产生优化方向和幅度。

基于高精度常减压AI模型和广义既约梯度(GeneralizedReduced Gradient，GRG)算法，通盘优化技术在每一步操作变量调整时都综合评估所有可调变量的变化对系统所有潜在瓶颈的影响，确保优化方案的可行性。在每一步优化方向搜索中，数十个常减压系统可调变量，包括各个塔的处理量、常压炉和减压炉出口温度、各处汽提蒸汽流量、各处回流量等对整个系统优化目标和潜在瓶颈产生的影响都统一进行测算，评估产生满足装置操作可行条件下的最佳优化方向和幅度。

通盘优化技术不仅能针对装置当前状态提出经过全局考虑的优化方案，还能够放眼整个装置运行周期，对装置的长周期稳定运行进行优化。例如：短期来看，减压塔洗涤油量减少有利于提高减压塔拔出率。然而，长期来看过小的洗涤油量容易造成减压塔下部结焦，降低减压塔设备性能，从而导致更大的经济损失。通盘优化以数据挖掘所得设备高温位结焦倾向结果为约束，确定最佳洗涤油用量既保证当前效益又避免因过分挖掘短期优化效益而影响长周期运行的重大操作风险。

本实施例中，通盘优化的一个简化数学模型如下：

y_n＝f_n(F，T，P，y_p)n，p∈N，n≠p

Prop_m＝f_m(F，T，P，y_n)

y_n，L≤y_n≤y_n，U

ΔF_min≤ΔF≤ΔF_max

ΔT_min≤ΔT≤ΔT_max

ΔP_min≤ΔP≤ΔP_max

Prop_m，minspec+Prop_m，accuracy≤Prop_m≤Prop_m，maxspec-Prop_m，accuracy

其中，p是价格，F_i为产品i的产量，F_j为原料j加工量，F_k为公用工程k用量。 F、T、P分别表示的是在优化中的流量、温度和压力可调自变量，y_n表示除了侧线产品中工艺指标要求的物性和可调自变量以外的变量，y_p表示除了侧线产品中工艺指标要求的物性、可调自变量和y_n以外的变量；f代表了物料平衡、能量平衡、相平衡、压力平衡、热量传递多个物理模型；N表示1到N的集合，即 1，2，3……N；Prop_m表示的是侧线产品中工艺指标要求的物性，Prop_m，minspec， Prop_m，maxspec分别表示指标要求的上下限，Prop_m，accuracy表示这个物性的模型预测精度；ΔF，ΔT，ΔP是变量变化幅度，相关不等式是对优化幅度的约束。

把优化变量根据调整的频次分为低、中、高频3类，如表1所示，根据变量类别来决定不同的调整级别的时候是否要调整。如本表中，对变量的频率分为高频次、中频次和低频次三类，调整级别分为三级，3级调整包括所有变量，2 级调整包括中、低频次变量，1级调整包括低频次变量，根据调整级别涉及的变量类别确定优化变量，不在调整级别内的变量则固定为常量。

表1变量优化类别

表2优化变量调整策略

针对需要调整的参数，每一次的调整幅度控制在20％以内较佳。针对不同变量，进行不同频次的调整以及不同的调整策略，确保优化方案可行性和装置运行工况平稳迁移。

五、智能执行模块

智能执行模块的主要任务是执行通盘优化后的操作方案、根据产品性质软仪表自动设置产品流量、协同多个多变量模型预测控制器稳定生产操作。智能执行模块根据预先指定的执行步骤、调整步长以及等待时间自动将新操作参数匹配写入多变量模型预测控制器，并根据反馈结果动态调整下一步方向及步长。

智能执行模块将优化方案实施分步骤进行，而不是同时将所有的操作参数一次性赋值给控制系统。路线框图见图2所示，x_i为主调变量，为装置可独立调整的操作参数(或控制系统中的控制变量CVs)，包括：加热炉出口温度设置、塔釜汽提蒸汽流量比例设置、中段回流返塔温度、塔顶石脑油干点设置等。除此之外，作为控制系统中操作变量的MVs在产品实施初期也可做为主调变量(如中段回流流量)。控制系统采用优化结果改变MVs上下限并同时修改塔板温度 CVs上下限。调整步骤基本思路为：

1.按照产品线，从前往后调整，从初馏塔调整开始，然后常压塔，至减压塔，尽可能减少整个系统的扰动。

2.每个塔调整策略为从下到上，从塔进料汽化段开始调整，每一塔段建立新的气液相平衡之后再往塔上部继续进行。

3.在产品运行初期/或测试期每一步尽量只选择一个主调变量，如果调整过程中容易出现产品超标、或者设备达到瓶颈(如塔顶冷凝器不足)，则需要同时进行2～3个主调变量的调整。

其中，需要对不同的新操作工况定义不同的调整策略，对整个调整路径进行设计及计算中间结果。为最小化操作波动、确保调整过程中产品质量合格，调整次序及步长的选择非常重要。验证调整次序及步长可行之后，得到的中间结果包括温度变化、产品流量变化等将用于对比智能执行模块的操作调整反馈结果，动态判断是否已调整到位。

智能执行模块可改变包括常减压装置中初馏塔、常压炉、常压塔、减压炉、减压塔三塔两炉各生产参数及换热网络分流率。

六、智能软仪表模块

智能软仪表模块用于分钟级预测原油和产品性质。

采用ANN模型和现场数据回归相结合的方式预测性质，能够根据初馏塔、常压塔和减压塔的不同操作条件，迅速地计算出原油的TBP曲线、初馏塔塔顶干点、常压塔塔顶干点、常一线干点、常一线闪点、常一线冰点、常二线干点、常二线凝点、常三线95％点、常渣5％点、减一线95％点、轻蜡油97％点、重蜡油97％点，以及减渣520℃馏出量，分钟级的软仪表为过程控制提供必要的实时参数变量。

智能软仪表模型采用ANN模型，训练ANN模型时设置合适隐含层数、神经元个数、最大训练次数、训练精度要求、最小确认失败次数。训练数据采用一段时间内LIMS数据以及与其对应的采样前一小时的平均操作数据，共上千个样本点。测试数据采用训练样本时段外的数据，近百个测试点。

基于现场数据的软仪表模型开发和使用过程中需要结合模拟样本数据判断数据可靠性并且填充未知及稀疏区域。模型参数更新次数尽可能少，仅在必要时进行模型更新，如过去出现误差大于阀值的个数大于指定个数时才更新，或指定时间长度更新。

核心软仪表ANN模型的精度如下：

1.初顶石脑油干点标准偏差：2.2℃；

2.常顶石脑油干点标准偏差：1.4℃；

3.常一线闪点标准偏差：1.5℃；

4.常一线冰点标准偏差：1.7℃。

七、数据挖掘模块

利用大数据挖掘，以7～10亿现场数据点为驱动，结合时间序列特性，综合利用统计模型、机器学习(如分类算法、聚类算法等)、专家经验和可视化技术等方法进行分析。挖掘出1500～3000个从仪表、设备、局部到全局等不同层次的性能变化信息，同时挖掘出用于异常判断的50～200个规则和参数，分析得到装置异常预警、瓶颈或潜力分析信息，为装置改造提供依据。数据挖掘获得的装置瓶颈、性能变化等信息可作为装置模型的一部分，从而用于计划、物理逻辑重建、通盘优化和模型自学习模块。

关于数据挖掘模块的分析方法，示意如下：

1、仪表精度统计方法：

随机误差的大小和正负都不固定，但多次测量就会发现，绝对值相同的正负随机误差出现的概率大致相等，因此它们之间常能互相抵消，所以可以通过增加平行测定的次数取平均值的办法减小随机误差。一般情况下，可以用如下的高斯函数来描述。

其中，x为测量变量，μ是均值，σ²为方差，σ为标准差。

2、转油线压降神经网络模型挖掘：

从减压炉出口到减压塔入口的管线称为转油线，减压塔操作中压力是一个非常重要和敏感的参数，对于分离效果有着至关重要的影响，因此需要比较准确的计算出转油线的压降。由于转油线压降在一般流程模拟软件中准确模拟困难，所以采用历史数据开发模型更合适。模型开发考虑常渣组成、粘度、气化率和流量以及减压炉进、出口温度对转由线压降影响。根据历史数据，建立上述变量之间的模型。

本发明中的数据挖掘模块可用于以下三个方面分析：

1.稳态工况下不同层次的数据挖掘，包括：(1)主要仪表性能变化的统计分析：范围、精度、系统误差；(2)主要设备性能变化：塔设备、泵设备、加热炉、换热器结垢、转油线压降神经网络模型挖掘；(3)局部：初馏塔、常压塔、减压塔(压降模型挖掘)、换热网络；(4)全局：工况的聚类分析、操作变化统计分析、产品分布统计分析、装置性能变化统计分析(分离效率、能耗效率)。

2.异常分析，包括：(1)初馏塔和常压塔液泛指示分析；(2)初馏塔和常压塔塔板异常关联分析；(3)减压塔结焦指示分析；

3.装置瓶颈和潜力分析，包括：(1)设备余量统计分析；(2)换热网络潜力统计分析；(3)分离效率潜力统计分析。

八、常减压AI模型及模型自学习模块

所述常减压AI模型，是对常减压动态生产过程的实时精确数学描述，是计划模块、物理逻辑重建模块和通盘优化模块的基础。常减压AI模型是以考虑了原料、加工量、操作条件、产品分布、设备和装置性能以及工艺流程等变化产生的十亿机理模型数据为基础原型，以机理模型数据为驱动，利用机理模拟采用云平台增强至10～30万的扩展工况样本，采用机器自学习和经验机理混合算法，建立500～800个、具有8～12万个神经元、300～400万参数的神经元网络群。它能实时感知数千个运行参数，包括原油馏程、关键产品指标和馏程、塔板水力学、塔段板效、换热器污垢热阻、转油线/塔段压降等，并且其不断学习和完善，涵盖可能的操作工况，保证精度需求。

本实施例中，常减压AI模型的建模包括：样本增强模块和AI建模模块两部分，分别用于在历史样本基础上扩充样本和建立常减压AI模型。

由于装置操作变化较小，且数据分布不均衡，存在大量样本数据缺失或数据质量不高的区域，需要进行样本增强。样本增强模块的目的是将样本区域从历史操作区域扩展到所有可能的操作区域，以确保模型覆盖可能的最优操作区域。扩展的变量包括如下几类：

1)分馏塔操作条件：进料温度、压力、汽提蒸汽流量、中段回流量、塔顶回流量、产品流量、塔板温度等；

2)分馏塔设备效率相关：如板效、雾沫夹带量；

3)原料性质及流量：原料性质通过产品反推得到，流量范围由装置设计加工量，结合设备正常使用范围决定，如60～120％设计负荷范围；

4)换热网络相关变量：如分流器分流率，换热有效使用面积(污垢热阻) 等。

在收集了所有可行的样本以后，采用人工智能技术和经典的经验机理建模技术对装置进行建模，其中分馏塔及换热网络部分模型为人工神经元网络模型 (ArtificialNeural Network，简称ANN)，质量和能量平衡以及减压塔塔内压降采用经验机理模型。ANN模型模拟人脑神经元网络结构以及对信息的处理方式，采用大量的神经元之间相互联接构成的多层方程结构实现对输入信息的计算输出，是一种结构复杂但计算速度快速的模型，可模拟非常复杂并且参数众多的各种过程。

本实施例中，AI建模模块的建模过程分为两大阶段：

1)输入输出的确定：通过主成分分析，进行若干轮选择输入输出、深度学习训练、现场工况测试，保证神经网络的输入能够准确预测输出；

2)模型预测精度提升：改善样本分布，使样本密度均匀，误差平坦，提升整体预测精度。样本分布和密度分析采用t-SNE技术进行降维可视化，在样本稀疏区进行了数次样本补充和增强。

ANN模型的搭建是由包含输入输出的大量样本数据训练得到。与人脑学习过程类似，ANN模型学习大量样本中输出与输入之间的关系，从而实现对背景过程中各参数的复杂关系的掌握。由于具备自学习功能，ANN模型非常适用于本身工况多变的常减压装置。当工况出现较大变化时，随着现场新数据的输入， ANN模型具备自我校正功能，可逐步对模型参数进行调整以适应新工况，模拟精度也能得到逐步改善。

若来自数据处理模块的输出数据超出了当前模型的覆盖范围，则需对未覆盖范围利用样本增强的方法补充样本，补充样本覆盖当前工况数据，且均匀分布在当前工况数据和历史数据之间。将补充样本与训练当前模型的样本合并形成新的样本集，在此样本集下采用所述常减压AI模型训练方法重新训练常减压 AI模型。将计划模块、物理逻辑重建模块和通盘优化模块中使用的常减压AI模型进行更新，进一步提高各模块结果的精度。另外通过物理逻辑重建模拟当前工况从而获得当前装置特性如塔板效率、转油线压降等，将该信息更新至通盘优化和计划模块的模型中，使这两模块的模型自适应装置实时特性变化。

本发明的智能常减压系统的建立方法可用于过程工业控制管理，过程工业(process industry)也称流程工业，是指通过物理变化和化学变化进行的生产过程。石化、电力、冶金、造纸、医药、食品等工业，他们的特征是过程具有一定的连续性。常减压装置作为过程工业中的炼化行业的原油加工的第一道工序，该装置运行水平对炼化行业绩效提升起到重要的推动作用。但本领域技术人员应当可以理解的是，本发明的常减压系统所采用的智能控制方法还能够应用到其它领域，如制氢、冶金、电力等行业。

本发明综合应用人工智能、大数据、数学建模和优化、工艺理论和机理建模技术，通过从生产过程的历史数据出发，采用人工智能技术和机理建模技术，建立装置AI模型，再结合数学优化技术实时测算，给出排产计划、操作参数和调整步骤，通过智能执行模块自动进行方案执行。应用该系统，在工厂的所有装置建立AI模型之后可以集成起来形成全厂智能优化模型，可以同时支持经营、计划、调度层面的测算，使各层面模型达到同样的精度，缩小测算与实际生产的差距。在生产计划阶段可以实现物料分配与装置操作参数同步优化，计划与调度整体测算，从而大大提高生产方案的可执行性，使炼化行业向精准的企业资源计划更进一步。

上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (9)

1.一种智能常减压系统，其特征在于，该系统包括：常减压AI模型、计划模块、数据处理模块、物理逻辑重建模块、通盘优化模块、智能执行模块、数据挖掘模块、模型自学习模块，其中，

所述计划模块，以建立的常减压AI模型为基础，考虑生产设备实际限制和二次装置加工要求的情况下，对计划加工原油进行常减压产品收率测算，或者根据产品分配要求优化原油配方；

所述数据处理模块，连接企业实时数据库，获取生产装置的实时数据，并对数据进行预处理和稳态分析后，输出稳态工况数据，并发送给物理逻辑重建模块；

所述物理逻辑重建模块，以建立的常减压AI模型为基础，以采集得到的稳态工况数据为输入，对生产过程进行物理逻辑重建，预测装置实时特性和当前加工原油性质，并对当前运行工况进行数字化表征；

所述通盘优化模块，以常减压AI模型为基础，综合考虑现场的实际可行性约束，通过所述物理逻辑重建模块的计算获得当前装置特性、加工原油性质和变量初值，在设定可控的优化策略下，根据目标方程，利用数学规划算法，优化求解得到操作条件变化的方向和大小，作为生产调整的目标；

所述智能执行模块，执行通盘优化后的操作方案；

所述数据挖掘模块，基于所述数据处理模块的输出结果、物理逻辑重建模块的输出结果、历史数据变化趋势和事先通过大数据挖掘所得的模型，自动判断仪表及设备的性能变化，分析得出生产装置存在的瓶颈信息；

所述模型自学习模块，以所述数据处理模块的输出结果为输入，判断输入数据是否超出现有模型的使用范围，若没有，则无需模型校正和更新，可直接运行所述物理逻辑重建模块，否则补充样本数据，覆盖已有的输入数据，利用补充样本对AI模型进行校正，并将计划模块、物理逻辑重建模块和通盘优化模块中所应用的所述常减压AI模型进行更新；另一方面通过物理逻辑重建结果获得装置实时特性，将此特性数据更新至AI模型。

2.根据权利要求1所述的智能常减压系统，其特征在于，所述系统还包括智能软仪表模块，其中，

所述智能软仪表模块，以所述数据处理模块预处理之后形成的有效数据为基础，利用事先训练好的ANN模型或回归的模型，快速测算原油和产品性质，发送给智能执行模块，所述智能执行模块根据测算出的原油和产品性质自动设置产品流量，协同多个多变量模型预测控制器稳定生产操作，其中，执行过程产生的运行数据进入实时数据库。

3.根据权利要求1所述的智能常减压系统，其特征在于，所述数据处理模块包括数据预处理模块和稳态分析模块，其中，

所述数据预处理模块，以间隔采样的现场实时数据和实验室分析数据为数据输入，利用从历史数据学习的模型和规则，对异常数据进行清洗，然后输出数据给所述稳态分析模块分析进一步处理；

所述稳态分析模块，利用事先学习的稳态模型和规则，对预处理后的数据进行稳态判断和分析，提取数据隐含的有用信息，之后将最新一段时间的稳态数据合并成一个稳态数据样本供所述物理逻辑重建模块、数据挖掘模块，以及模型自学习模块分析或使用。

4.根据权利要求1或2所述的智能常减压系统，其特征在于，所述常减压AI模型建模模块包括工况增强模块和AI建模模块，其中，

所述工况增强模块，用于对样本数据缺失的区域或数据质量不高的区域进行数据增强，将样本区域从历史操作区域扩展到其它需要覆盖的区域；

所述AI建模模块，用于在收集所有可行的样本后，确定神经网络的输入、输出变量，利用样本数据训练输入变量和输出变量的关系，从而获得AI模型。

5.根据权利要求1～3任一权利要求所述的智能常减压系统，其特征在于，所述通盘优化模块，通过最近一次物理逻辑重建的计算获得装置当前特性和原油当前性质以及优化变量初值，并制定优化策略对优化模型进行求解，使优化值跳出局部最优，最终获得目标方程全局最优解及对应的优化变量的调整方向和幅度，其中，在每一步的优化方向搜索中，对选取的可调变量对整个装置优化目标和潜在瓶颈产生的影响统一进行测算。

6.根据权利要求1所述的智能常减压系统，其特征在于，所述智能执行模块，根据预先指定的执行步骤、调整步长以及等待时间自动将新操作参数匹配写入多变量模型预测控制器，并根据反馈结果动态调整下一步方向及步长，其中，所述智能执行模块根据优化的操作方案分步骤进行。

7.根据权利要求5所述的智能常减压系统，其特征在于，所述通盘优化模块对变量的优化按照属性进行调整频率分类，根据变量类别来决定不同的调整级别时是否需要调整。

8.根据权利要求6所述的智能常减压系统，其特征在于，所述智能执行模块对优化方案按照如下调整策略进行：

按照产品线的先后顺序，从前往后调整；

每个塔从下往上进行调整；

在产品运行初期或测试期中，每一步先选择一个主调变量，若调整过程中产品超标、或设备达到瓶颈，则再同时进行多个主调变量的调整。

9.根据权利要求1～8任一项所述的智能常减压系统在炼油厂的过程控制管理中的应用。

Images