实时工业设备生产预测和操作优化制造技术

技术编号:20881658 阅读:16 留言:0更新日期:2019-04-17 13:07
复杂化学车间中的化学产品的实时生产率的直接测量和模拟是复杂的。基于使用历史传感器数据和生产数据的机器学习算法而开发的预测模型提供了对化学车间中的化学产品的生产的准确实时预测。基于使用聚类的历史传感器数据和生产数据的机器学习算法的优化模型为生产最大化提供了可控制参数的最优值。

【技术实现步骤摘要】
【国外来华专利技术】实时工业设备生产预测和操作优化
本公开涉及基于机器学习算法的化学车间中的化学产品的生产控制。
技术介绍
诸如化学车间的工业设备是具有成百上千个用于监测车间的操作状态的分布式传感器的复杂系统。化学车间的操作者常常期望实时了解车间的化学产品的生产率。然而,在许多情况下,即使传感器参数可以被实时地测量和记录,也可能难以或不可能实时地对生产数据进行直接并且准确的测量。针对化学车间的最优预测控制,准确的数据很重要。由于化学车间的复杂性和混乱性质,使用所测量的传感器参数并且基于模拟技术来对生产数据进行预测可能是不准确的,甚至是不实际的。附图说明图1A示出了化学车间的示意图;图1B示出了在图1A的化学车间的操作期间可以被收集的各种传感器参数;图2示出了对化学车间进行预测性生产建模和最优控制的系统;图3是对化学车间中的化学产品的生产的预测建模的实施例的处理流程图和数据图;图4示出了未经过处理的化学车间的历史生产数据;图5是用于对历史生产数据进行插值的方法的流程图;图6示出了经插值的历史生产数据;图7是基于卡尔曼滤波来减少经插值的历史生产数据的噪声和异常的流程图;图8示出了在未经滤波的、经插值的历史生产数据与经卡尔曼滤波的、经插值的历史生产数据之间的比较;图9是用于对经采样的历史传感器数据进行降维的方法的流程图;图10是用于主成分分析的方法的流程图;图11图示了对苯乙烯车间中的苯乙烯生产进行预测建模的传感器参数选择;图12图示了基于机器学习算法而将数据分段成训练、测试和验证用数据集合以用于预测建模;图13是基于机器学习算法进行产品指数建模的流程图;图14图示了基于各种数据处理和机器学习算法开发的生产指数模型的预测准确度;图15是针对最大化化学车间中的化学产品的生产而优化可控制参数的处理流程图和数据图;图16图示了历史生产数据的聚类;以及图17示出了针对图16的簇中的一个簇、使用模拟退火算法确定的最优控制参数的示例。具体实施方式化学车间是具有难以以准确方式来控制的动态性的复杂系统。化学车间的操作者可能仅能够经由诸如流量阀和加热器的多个控制设备对该车间内的化学过程施加有限的控制。由于化学反应过程的混乱性质,可以基于传统的域模型、使用与这些控制设备相关联的可控制参数来预测化学产品的生产率,但准确度较低。即使典型的化学车间被另外安装有大量的传感器来监测该车间的操作,仍然难以基于这些实时传感器数据来确切地建立用于大型反应器中的复杂化学过程的模拟模型。如下面将详细描述的,基于通过使用历史生产数据和对应的历史传感器数据的机器学习算法而建立的模型来更准确地预测化学品的生产率。虽然下面的实施例使用了苯乙烯车间中的苯乙烯生产作为示例,但根本原理不限于此并且旨在适用于其它化学车间和其它复杂的工业过程。图1A示出了用于苯乙烯生产的示例性化学车间100的简化示意图,其包括热交换器102、反应器104、水/油分离器106、蒸馏系统108、储存塔110、和缓冲罐111。可以将乙烯、苯、或其它烃原料泵入热交换器102中,热交换器102可以包括用于加热烃混合物的加热元件103。例如,加热元件可以是穿过约束烃混合物的热交换腔的蛇形线或管的形式。反应器104包括用于从烃混合物或烃原料生产苯乙烯的反应腔。可以将其它材料(诸如各种催化剂)添加到反应器中以加速和最大化从烃化合物到苯乙烯的化学转换。可以通过水/油分离器106来引导含有苯乙烯和其它副产物的反应产品混合物,其中水从剩余的反应产物混合物被去除。可以在回路中进行水/油分离,其中包含苯乙烯的油组合物被收集到缓冲罐111中。然后,水从其分离的油组合物可以在蒸馏系统108中被蒸馏(水已经与其分离开)。油组合物中的各种成分可以进一步被分离并且被储存在储存塔110中。具体地,苯乙烯可以是蒸馏产物中的一个并且可以被储存在储存塔110中的储存罐中的一个储存罐中。化学车间(诸如图1A中的100所示的化学车间)是复杂的系统并且通常被安装有数百个(如果不是数千个)用于整体地监测车间的各种子系统和设备的操作状态以及车间的传感器。这些传感器(例如,在苯乙烯车间中)可以包括但不限于热电偶(或其它温度感测设备)、压力传感器、和流量计。它们可以在整个车间的各种位置处被安装。例如,在图1A中,反应器104可以在该反应器不同的位置处被安装有热电偶118和120。流量计可以安装在车间各处,沿着由具有箭头的线所表示的化学流径,位于例如作为圆点示出的位置。本领域的普通技术人员理解,图1A的图示被极大地简化了,并且仅示出了成百或上千个传感器中的一些传感器作为示例。出于图示的目的,在图1B中示出了真实苯乙烯车间中记录的传感器参数子集的快照。这些传感器中的每个传感器测量一种参数。该测量可以按照各种预定频率(或时间间隔)而被自动进行和记录。然而,参数中的一些可能需要手动测量,而不是自动测量。因此,这些参数可能不会实时地获得。尽管上述传感器为设备操作者提供了各种成分的状态的视图或快照,但可以安装其它装置以向操作者提供对设备操作的控制。例如,可以通过被安装在系统中的各种阀门(诸如图1A的118和120)来控制气态或液体材料的流动。可以通过调谐例如热交换器102中的加热元件的加热功率来直接控制局部温度。传感器中的一些传感器接近于控制设备被安装,并且因此直接测量控制设备的效果。通过这些传感器测量的参数可以被称为可控制参数。例如,热电偶可以被安装在热交换器中靠近加热元件所在的位置。因此,通过该热电偶测量的参数可以是通过热交换器的加热元件而可控制的。针对另一示例,流量计可以被直接安装在调节某种化学品的流量的阀门后面。该流量计因此测量可控制参数,因为该参数与操作者所控制和调节的阀门直接相关。通过其它传感器测量的其它参数可以被称为不可控制参数,这是因为,虽然可能会受到可控制设备的影响,但它们不是靠近可控制设备,因此它们与可控制设备的调节最不相关。某种化学品的实时生产通常是车间操作者期望了解的最关键数据之一。然而,可能无法容易地从任何直接测得的传感器参数实时地获得实时生产数据,诸如苯乙烯车间中苯乙烯的生产率。苯乙烯生产的准确估计可能涉及劳动密集地手动测量以及(仅可能被稀疏地进行的)产品的实验室分析。例如,在连续操作期间,在一些车间中每天仅手动估计几次苯乙烯的生产力(与“生产率”互换地使用)。进一步地,化学车间(诸如图1A的苯乙烯车间)是复杂的系统,涉及到通常是混乱的、并且不易被确切的数学描述的处理。例如,苯乙烯的生产力甚至可能不受全面得足以捕获设备中的必要动态以给出有意义的预测的模拟模型的影响。因此,准确的实时苯乙烯生产力估计无法依赖于直接测量或模拟。在下面描述的实施例中,基于使用历史数据(该化学产品的历史传感器数据和手动测量的稀疏历史生产数据两者)的机器学习算法以及产生的预测模型(在本文被称为生产指数(PI)模型),可以将化学产品(诸如,苯乙烯)的生产准确估计为传感器参数的函数。使用PI模型,可以基于传感器参数子集实时地准确预测化学产品的生产力。车间操作者因此可以保持实时跟踪化学品(诸如苯乙烯)的生产。如本领域的普通技术人员将清楚的,整个传感器参数集合不是完全独立的。传感器参数也不是完全相关的。传感器参数中的一些传感器参数可能具有一定的相关性。例如,本文档来自技高网...

【技术保护点】
1.一种用于基于参数集合之中的子集来预测车间中的化学产品的实时生产的系统,所述参数集合中的每个参数由对应的传感器集合中的一个传感器按照对应的测量频率集合中的一个频率来监测,所述系统包括:存储器;通信接口;与所述存储器和所述通信接口通信的电路系统,所述电路系统被配置为:经由所述通信接口获取带有时间戳的历史传感器数据的多个系列,每个系列对应于通过所述传感器集合之中的对应传感器在时间段期间按照所述测量频率集合中的对应测量频率取得的所述参数集合中的一个参数;在具有间接测量频率的所述时间段期间,获得针对所述化学产品的带有时间戳的、并且经间接测量的历史生产数据的系列,所述间接测量频率小于与所述参数集合对应的所述测量频率集合;对所述参数集合的所述带有时间戳的历史传感器数据的多个系列进行采样,以获得所述参数集合中的具有公共采样时间戳系列的对应的、经采样的历史传感器数据的多个系列;基于局部平滑算法对历史生产数据的所述系列进行插值,以获得具有时间戳系列的经修改的生产数据系列,所述时间戳序列对应于所述公共采样时间戳序列;对所述经修改的生产数据系列进行滤波,以减少所述经修改的生产数据系列中的噪声或异常,并且获得经滤波的生产数据系列;使用所述经滤波的生产数据系列对所述经采样的历史传感器数据的多个系列应用至少一个降维算法,以从所述参数集合中选择参数的所述子集以及对应选择的、经采样的历史传感器数据系列;将用于所述化学产品的生产的预测模型开发为所选择的参数的所述子集和所述对应选择的、经采样的历史传感器数据序列的函数;将所述预测模型存储在所述存储器中;在所述化学产品的生产期间,从与参数的所述子集对应的传感器的子集获得实时读数;以及基于所述预测模型和来自所述传感器的子集的参数的所述子集的所述实时读数,预测所述化学产品的生产。...

【技术特征摘要】
【国外来华专利技术】1.一种用于基于参数集合之中的子集来预测车间中的化学产品的实时生产的系统,所述参数集合中的每个参数由对应的传感器集合中的一个传感器按照对应的测量频率集合中的一个频率来监测,所述系统包括:存储器;通信接口;与所述存储器和所述通信接口通信的电路系统,所述电路系统被配置为:经由所述通信接口获取带有时间戳的历史传感器数据的多个系列,每个系列对应于通过所述传感器集合之中的对应传感器在时间段期间按照所述测量频率集合中的对应测量频率取得的所述参数集合中的一个参数;在具有间接测量频率的所述时间段期间,获得针对所述化学产品的带有时间戳的、并且经间接测量的历史生产数据的系列,所述间接测量频率小于与所述参数集合对应的所述测量频率集合;对所述参数集合的所述带有时间戳的历史传感器数据的多个系列进行采样,以获得所述参数集合中的具有公共采样时间戳系列的对应的、经采样的历史传感器数据的多个系列;基于局部平滑算法对历史生产数据的所述系列进行插值,以获得具有时间戳系列的经修改的生产数据系列,所述时间戳序列对应于所述公共采样时间戳序列;对所述经修改的生产数据系列进行滤波,以减少所述经修改的生产数据系列中的噪声或异常,并且获得经滤波的生产数据系列;使用所述经滤波的生产数据系列对所述经采样的历史传感器数据的多个系列应用至少一个降维算法,以从所述参数集合中选择参数的所述子集以及对应选择的、经采样的历史传感器数据系列;将用于所述化学产品的生产的预测模型开发为所选择的参数的所述子集和所述对应选择的、经采样的历史传感器数据序列的函数;将所述预测模型存储在所述存储器中;在所述化学产品的生产期间,从与参数的所述子集对应的传感器的子集获得实时读数;以及基于所述预测模型和来自所述传感器的子集的参数的所述子集的所述实时读数,预测所述化学产品的生产。2.根据权利要求1所述的系统,其中所述局部平滑算法是基于局部加权散点图平滑。3.根据权利要求1所述的系统,其中对所述经修改的生产数据系列进行滤波以减少噪声或异常是基于卡尔曼滤波。4.根据权利要求3所述的系统,其中所述卡尔曼滤波是一维的。5.根据权利要求1所述的系统,其中所述至少一个降维算法包括随机森林算法(RFA)。6.根据权利要求5所述的系统,其中所述至少一个降维算法还包括主成分分析(PCA)。7.根据权利要求1所述的系统,其中所述至少一个降维算法包括PCA。8.根据权利要求6所述的系统,其中所述RFA和所述PCA被分离地执行,并且参数的所述子集基于所述RFA和所述PCA两者而被选择。9.根据权利要求1所述的系统,其中开发所述化学产品的生产的所述预测模型是基于广义线性回归。10.一种用于基于参数集合之中的子集来预测车间中化学产品的实时生产的方法,所述参数集合中的每个参数由对应的传感器集合中的一个传感器按照对应的测量频率集合中的一个频率来监测,所述方法包括:获取带有时间戳的历史传感器数据的多个系列,每个系列对应于通过所述传感器集合之中的对应传感器在时间段期间按照所述测量频率集合中的对应测量频率取得的所述参数集合中的一个参数;在具有间接测量频率的所述时间段期间,获得针对所述化学产品的带有时间戳的、并且经间接测量的历史生产数据的系列,所述间接测量频率小于与所述参数集合对应的所述测量频率集合;对所述参数集合的所述带有时间戳的历史传感器数据的多个系列进行采样,以获得所述参数集合中的具有公共采样时间戳系列的对应的、经采样的历史传感器数据...

【专利技术属性】
技术研发人员:侯芳武义凯任可心沈晖闵新勇程晓培
申请(专利权)人:埃森哲环球解决方案有限公司
类型:发明
国别省市:爱尔兰,IE

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1