大数据技术在炼化生产领域中的应用介绍

分类
通过分析示例数据库中 的数据，为每个类别做 出准确的描述或建立分 析模型或挖掘出分类规 则，然后用这个分类规 则对其它数据库中的记 录进行分类。 3
关联
寻找在同一个事件中出 现的不同项的相关性， 比如在一次购买活动中 所买不同商品的相关性。 本质是要在数据库中发 现强关联规则。
预测
根据时间序列型数据， 由历史的和当前的数据 去推测未来的数据。基 于初步的神经网络预测 模型加入再训练方法持 续改进模型精准度。
计算欧式距离
整理不同原料类别下由待优化 变量值为坐标组成的样本点
参数寻优
按照欧式距离的大小排序
建立优化变量、原料类别及对应操作变量集合
实现 过程
形成多目标优化操作样本库
确立每类原料条 件下各优化目标 的最优值
计算样本点 与理论最优点 的欧式距离
操作参数推荐

完成原料的聚类分析， 确定每天对应的原料类 别。将原料类别、所有 优化变量及其强相关操 作参数按天为单位写入 操作样本库中。
算法说明
应用背景 业务设计
目录
工业验证 未来发展建议
4
大数据应用方案-茂名石化重整装置案例
（1）相关性分析
相关性分析是大数据分析中比较重要的一个分支，它可以在杂乱无章的数据中发现变量之间的 关联。因此利用相关性分析算法可以挖掘传统经验之外的潜在因素，最终实现挖潜增效。
研究 方法
数据采集
数据整定和标准化

利用原料的聚类结果， 建 立 SVM 分 类 模 型 ， 并对模型的分类效果进 行评估。当有了新的批 次原料的性质数据，可 以自动进行分类。
将原料的类别和其 对应的强相关的操 作参数导入操作样 本库中，以此作为 参数寻优的样本。
在操作样本库中，搜索不 同类别原料条件下目标参 数的最优值，以及对应的 强相关的操作变量的取值。 进而可以实现基于原料性 质和优化目标，推荐操作 参数。
数据整定和标准化 相关性分析和特性选择 预测模型搭建 单一指标异常判断
异常指标报警
研究 方法
原始数据
皮尔逊相关系数法 正相关系数
SVM预测模型
整定算法
计算预警红线
实现 过程
相关数据

负相关系数

模型校验

参数查询 原因分析 问题处理


整理操作数据、质量数据、 腐蚀数据、设备运行数据、 成本数据、物料平衡数据 和能耗数据等多维度数据； 按照时间维度对齐，然后 进行异常值剔除和标准化。
10
单一指标异常侦测应用效果

以企业实时数据为基础，基于SVM预测模型，进行数据的输入、输出，并以 箱线图进行展示。
异常点
七 个 指 标 异 常 值 判 断
计算数据时间范围为：2014年10月至2015年5月
大数据应用方案-茂名石化案例
（3）多维数据异常侦测
实际生产过程中，可能所有监测指标都在正常范围内，但整体上会偏离正常。比如：某个人体 检的所有指标都正常，但总体上处于亚健康的状态。因此有必要进行多维数据的异常侦测。
16
多目标优化应用效果

在操作样本库中，搜索不同类别原料条件下欧式距离的最小值，以及对应的强相 关的操作变量的取值。进而可以实现基于原料性质和优化目标，推荐操作参数。
1
样本点
对欧式距离按从小到大排序，确定最小距离样本作为优化样本。
原料类别 2a 3a 4a 1a 6a 7a 5a 8a 9a 纯氢产率 低硫液化气收率 燃料气单耗 重整汽油收率 欧式距离 4.0362139 0.408051453 0.050288315 90.23035255 0.479166783 3.9697842 0.340080972 0.051629265 90.18622053 0.578984526 3.9121334 0.356683345 0.051493443 90.15026447 0.635410454 3.830809 0.311651179 0.050302572 90.46376459 0.647438127 4.1264003 0.503603403 0.054528679 89.81878764 0.70938834 4.0945915 0.57745754 0.052688831 89.76294647 0.769286569 3.9398124 0.494639028 0.048057041 89.84640457 0.783815043 4.1276415 0.50393138 0.05783485 89.70752919 0.810905065 4.4172044 0.530840676 0.056266014 88.80308645 1.657665121
14
单一目标优化应用效果
在操作样本库中使用查询语句，搜索某类原料条件下，目标参数最优时，强 相关操作条件的取值。比如：在e类原料条件下，最优的纯氢收率为3.392%， 其对应的强相关的操作参数的取值见下表。 2、基于原料类别和 优化目标，推荐强相 关操作参数

1、根据原料类别，确定搜索条件，在操 作样本库中搜索目标参数最优时，强相关 操作参数的取值。
相关性分析计算
原始数据
皮尔逊相关系数法 正相关系数
整定算法
相关数据
负相关系数
实现 过程


导入操作数据、质量数据、 腐蚀数据、成本数据、物 料平衡数据和能源数据等 所有历史数据到阿里云平 台； 完成相关系统与阿里云的 接口，实现数据的实时导 入。


整定操作数据、质量数据、 腐蚀数据、设备运行数据、 成本数据、物料平衡数据 和能耗数据等多维度数据； 按照时间维度对齐，然后 进行数据滤波、异常值剔 除和标准化。
研究 方法
数据整定和标准化
抽取特征变量和降维
聚类分析
异常预测预警
指标数据
主成分分析法
聚类法
聚类法异常点监测
箱线图算法 多维度、趋势化分析异常
实现 过程
指标异常点判断 抽离主要的、无关联指标
K-mens算法 聚类结果及优度
目标评估 方案制定 系统优化

进行七个指标的数据集 整理，并按照时间作为 统一维度对齐，然后进 行标准化处理，以消除 量纲和数量级的影响
2
生产运行
经营分析
异常处理


数据 知识 决策！
有指 导意 义
发现隐藏问题， 定性问题定量 化，预测未来 发展

大数据 分析技术
与业 务相 关 可行 度高 可持 续优 化
大数据应用方案

解决方案：
数据管理
原始数据 原始数据 原始数据
预测需求
分析预测
决策调控
流程优化
有效数据
异常预警 趋势预测
跨业务 域关联 分析
操作条件和 原料性质对 馏出口质量 的影响 操作条件和 原料性质对 单位成本的 影响 操作条件及 原料性质对 设备腐蚀的 影响
6
相关性分析的应用效果
1
操作条件和原料性质对产品收率的影响
2
操作条件和原料性质对设备运行的影响
7
相关性分析的应用效果
3
操作条件、原料性质和馏出口质量对设备腐蚀的影响

在操作样本库中搜索某 类原料条件下，各优化 变量的最优值，并将这 些值作为多维空间中理 论最优点的坐标。

计算某类原料条件 下多维空间中的优 化样本点与理论最 优点的欧式距离。

在操作样本库中，搜索不 同类别原料条件下欧式距 离的最小值，以及对应的 强相关的操作变量的取值。 进而可以实现基于原料性 质和优化目标，推荐操作 参数。
1 2 3
结论：可见单变量的异常侦测和多维变量的异常侦测在分析装置异常方面，互为补充，互为验证。
大数据应用方案-茂名石化案例
（4）单一目标参数优化分析
在操作样本库中，搜索某类原料条件下目标的最优值及其对应的强相关的操作变量。可以挖掘历史上最 好的操作经验，比如挖掘经验丰富的操作人员的经验并固化下来，且可与RSIM等优化软件互补使用。


利用皮尔逊相关系数 算法，计算各个指标 的相关系数矩阵； 提取与关键指标强相 关的变量，包括正相 关的变量和负相关的 变量。
5
相关性分析的应用效果
精细化管理越来越需要协同管理，而协同管理必定带来大量关联性分析需求。 这种需求可以是企业内部不同专业之间，也可能是不同企业跨专业之间。
操作条件和 原料性质对 产品收率的 影响 操作条件和 原料性质对 环保排放的 影响 操作条件和 原料性质对 设备运行的 影响；
12
多维数据异常侦测应用效果
计算每个样本与其所属类别的聚类中心的欧式距离，当某个样本的距离大于 11/9，配炼埃 阈值时，即可判断该样本为异常样本。 斯坡油
1

3
2
注：+(加号)代表异常点 ❈ (星号)代表聚类中心
异 常 指 标
3/24，配炼 巴西卢拉油
3/8，E717内漏
样本 1 ：单指标无 异常，但多维分析 存在异常趋势 样本2、3：单指 标异常，多维分析 同样存在异常趋势
4
操作条件和馏出口质量对单位成本的影响
8
相关性分析的应用效果
5
操作条件、馏出口质量对环保排放的影响
6
操作条件和原料性质对馏出口质量的影响
9
大数据应用方案-茂名石化重整装置案例
（2）单一指标异常侦测
紧扣总部“能效倍增计划”和“碧水蓝天计划”两大主题，并结合企业重点关注的指标，选取 了七个关键指标作为异常侦测的对象，其中辛烷值桶、能耗及芳差综合指标、纯氢收率和热效 率是炼油达标考核指标，烟气SO2排放量和污水COD是环保指标，单位成本是效益指标。
利用皮尔逊相关系数 算法，计算各个指标 的相关系数矩阵，提 取与七个关键指标强 相关的变量，实现特 性选择。
筛选出与预测指标强 相关且可调的操作变 量 作 为 SVM 预 测 模 型的输入，建立 SVM 预 测 模 型 ， 实 现对七个关键指标的 实时计算。
使用箱线图算法对 每个指标的值域进 行计算，计算出每 个指标的异常限。 超过异常限的值， 即判断该指标异常。
结构调整
决策/执行者
异常处理
在大量数据中系统化的发现有用的关系， 即实现经验规律的可重复性。

算法分类：
通过建立拟合不同模型研究不同关系， 直到发现有用信息，即用于分析原因 解决问题
发现潜在价值，预见可能发生的某种 “坏的未来”并给出建议，即预测并提 供解决方案
算法分类
聚类
将数据库划分为不同组 群，群与群之间差别很 明显，而同一个群之间 的数据尽量相似。与分 类不同，聚集前不清楚 要把数据分成几组，也 不清楚如何分。
研究 方法
重整原料数据
原料聚类分析
建立原料分类模型
分类模型的数据源
形成操作样本库
待优化目标强相关变量整理
参数寻优
不同类别原料目标参数最优值计算
主成分降维 聚类结果输出
SVM分类器
实现 过程
分类结果评估

操作样本库生成

操作参数推荐

整理重整原料性质的历 史数据，首先经过预处 理和标准化，然后用主 成分降维，最后采用 Kmeans 聚类，并输出聚 类结果
大数据技术在炼化生产领域中的 应用介绍
2016年3月
智能工厂大数据项目组
应用背景
业务设计
目录
工业验证 未来发展建议
1
企业关注点

现状：炼化企业在现有良好精细化管理水平上 为深度解决经济效益和生产安全，决策层需要 以最接近真实的数据预测未来以做出正确的生 产经营决策，生产层需要对生产运行安全性预 测预警落实到装置粒度到实时，以信息化手段 提升企业核心竞争力。 基础：中石化炼化企业的信息化建设进入集成 与 深 化 应 用 阶 段 ， DCS （ 集 散 控 制 系 统 ） +MES（生产制造执行管理系统）+ERP（企业 资源计划管理系统）的高度集成。 问题：炼化企业的规模大、流程多、集中度高、 管理体系复杂等特点造成结构、半结构及非结 构生产经营数据庞大，如何发现内在规律，优 化业务流程。炼化企业在整合各类独立的应用 信息系统，建设智能工厂打破信息孤岛基础上， 如何筛联价值数据，挖掘潜在需求，全局化展 现业务趋势。 解决方法：利用大数据技术进行数据抽取、转 换、分析和模型化处理，从中提取辅助生产决 策的关键性数据，实现关系的挖掘和预测。

利用主成分算法抽取特 征变量，以实现用较少 的变量去解释大部分的 变量，达到降维的目的。

提取主成分作为聚 类的数据源，采用 K-mens 算法进行聚 类，以 寻找异 常值 。

计算某个每个观察样本与 其所在的聚类中心的欧式 距离，当该距离大于某个 阈值时，即可判断该样本 异常。阈值根据历史数据 统计选定。
30
大数据应用方案-茂名石化案例
（5）多目标参数优化分析
根据选择的多个优化目标及其优化方向，确定某类原料条件下每个目标的最优值，并以这些最 优值和历史实际值分别作为多维空间中理论最优点和实际点的坐标。选择离理论最优点最近的
百度文库
实际点作为优化结果。
研究 方法
建立操作样本库
确定理论最优点
选择多个优化目标及优化方向