慧聪化工网讯：随着先进自控系统和数据采集系统的应用，石油和化工企业获取的数据量与日俱增。如何把这些数据科学地利用起来，指导生产运营?清华大学化学工程系过程系统工程研究所袁志宏博士日前在接受记者采访时表示，将大数据、机器学习、人工智能融入到智能制造的核心技术中，实现石油和化工企业生产经营的敏捷、柔性、高效、安全，是智能制造的重要发展方向。
“当前，随着自动化、数字化设备的应用，石油和化工企业数据量急剧增加。以国内某大型石化集团为例，旗下每个装置平均有600~1000个数据采集点，数据每3分钟要上传到集团总部相关部门。目前该集团炼油装置数据量已经有70TB，并以每年18TB的速度在增长。”袁志宏告诉记者，“以前，我们苦于缺乏相关的数据，现在如何应用这些海量数据，是行业智能制造的重要课题。”
袁志宏表示，大数据技术应用于石油化工行业前景广阔，其中最关键的应用就是优化生产，也就是用大数据技术来提升石油和化工企业的经济效益。对石化企业而言，由于市场行情的变化，对产品类型和产量的需求是波动的。很多潜在的效益，可以利用大数据工具挖掘出来。
一方面，可以利用大数据等技术，建立智能混合模型。把单元操作优化和全流程优化操作结合起来，利用系统工程的理论和技术，建立精度可控的数据驱动代理模型，实现自适应，提升操作精度。“要在整个生产管理协同优化，兼顾库存、市场等各个因素，来指导调度和生产计划，确定操作条件、产品类型、装置负荷，实现柔性生产，进而实现效益最优化。”袁志宏说。
另一方面，可以利用大数据预测市场需求和行情，进而指导生产调度。比如，石化企业可以利用积累的海量数据进行评估，用大数据来预测市场对汽油柴油需求量的变化情况;在精细化工行业，则可以利用大数据预判市场行情、指导生产。一旦预判市场行情会不好时，企业可以减少生产负荷应对市场变化;预判市场需求会提升的时候，提前提升生产负荷，调整产品的产量、品种，确保利润的最大化。
据介绍，清华大学陈丙珍院士团队针对针对催化裂化装置敏捷、优化运行的问题，开发案例库匹配驱动的寻优策略，对装置的历史优化加工方案以及相关模拟优化数据进行结构化的知识整理和数据挖掘，使得企业在一体化优化方案制订和实施过程所产生的经验进行积累和重用，实现装置更敏捷地响应加工原料变化，捕捉了常规运营操作中可能忽略掉的那些潜在优化机会。
此外，大数据在行业应用的场景还有很多。“首先，可以应用于设备的预知性维护。利用大数据技术，通过设备使用频次、维修频次、使用时间、运行参数以及更换设备备件等情况，进行数据统计、归类、趋势分析，从而为制订设备预防性维护频次、设备备件控制计划、购置设备及购置设备备件厂家等提供依据。”袁志宏介绍说。
利用大数据方法还可实现报警管理。袁志宏表示：“现在石油和化工企业的DCS等，都安装各种各样的报警系统。有时候为了确保工艺设备的安全性，报警软件就装多了，或者报警点设置多了，系统就会出现乱报或者多报的情况，给操作人员带来了很大的麻烦。利用大数据技术，可以开发自动执行程序，通过机器自动识别，将一些虚假报警，或者不构成安全威胁的报警过滤掉。”
针对催化裂化装置报警多的问题，清华大学化学工程系系统工程研究所赵劲松教授团队应用大数据技术与理念，对催化裂化装置的海量数据进行深层次的数据挖掘，找到问题的关联因子，建立预测模型，通过对试点装置的验证后，形成可供推广的风险评估技术，开创了应用大数据技术解决催化裂化装置生产问题的新途径。
在应用大数据的同时，对数据的处理和校正同样重要。袁志宏认为，现在的石化大数据中，有一些是无效数据。很多数据是来自于ERP、DCS、MES等系统，可能受到某些因素的干扰，某一个值出现大幅瞬时波动，要利用数据处理技术，剔除到一些无效数据，让数据利用更快速、准确。此外，石油和化工行业还有很多非结构化的数据，比如视频、图像等，要利用先进的数学方法，或者是数据机器学习方法，把这些数据价值开发出来。
