趙躍東，郭警中

(安徽中科維德數(shù)字科技有限公司，安徽 合肥 230001）

0 引言

化工行業(yè)作為國(guó)家經(jīng)濟(jì)支柱產(chǎn)業(yè)之一，總產(chǎn)值占我國(guó)GDP 的12%以上，但普遍存在“大而不強(qiáng)”的問題，行業(yè)急需改變現(xiàn)狀，促進(jìn)高質(zhì)量發(fā)展。現(xiàn)代化工生產(chǎn)過程多屬典型流程型，因生產(chǎn)節(jié)奏快、前后生產(chǎn)工序銜接緊密、過程不透明、依賴人工經(jīng)驗(yàn)等原因，生產(chǎn)中往往存在質(zhì)量波動(dòng)、產(chǎn)能不穩(wěn)定等問題，生產(chǎn)工藝優(yōu)化成為行業(yè)共性問題。但是化工生產(chǎn)過程封閉復(fù)雜、關(guān)聯(lián)因素多、生產(chǎn)設(shè)備多樣化、生產(chǎn)及產(chǎn)品狀態(tài)采集難，常規(guī)的技術(shù)難以對(duì)生產(chǎn)工藝進(jìn)行有效的優(yōu)化及控制。隨著人工智能技術(shù)的發(fā)展，筆者認(rèn)為，人工智能與化工生產(chǎn)場(chǎng)景的融合應(yīng)用是實(shí)現(xiàn)化工行業(yè)生產(chǎn)工藝優(yōu)化的最佳選擇之一。

1 國(guó)內(nèi)外發(fā)展

國(guó)外現(xiàn)代化工行業(yè)智能化水平較高。投產(chǎn)前，通過模擬技術(shù)應(yīng)用，模擬、分析優(yōu)化整個(gè)化工生產(chǎn)工藝；生產(chǎn)中，進(jìn)行全要素?cái)?shù)采、大數(shù)據(jù)分析、反向控制等智能化應(yīng)用實(shí)現(xiàn)實(shí)時(shí)采集、融合互通，進(jìn)行工業(yè)機(jī)理模型優(yōu)化、工藝參數(shù)（工序）的優(yōu)化控制；事后根據(jù)生產(chǎn)特征與發(fā)展趨勢(shì)，開展行業(yè)機(jī)理模型、交叉機(jī)理模型優(yōu)化、隨動(dòng)優(yōu)化控制、動(dòng)態(tài)優(yōu)化領(lǐng)域研究，進(jìn)而反饋事前設(shè)計(jì)和模擬階段，形成閉環(huán)的良性發(fā)展。

我國(guó)現(xiàn)代化工[2]企業(yè)大多具有DCS、ERP、MES、PLM、SIS、能耗監(jiān)測(cè)檢測(cè)、污染源、危險(xiǎn)源的監(jiān)測(cè)與報(bào)警等系統(tǒng)，但僅限于對(duì)生產(chǎn)前、過程控制以及生產(chǎn)結(jié)果的監(jiān)測(cè)與遠(yuǎn)程控制，大多關(guān)聯(lián)性差，孤島效應(yīng)嚴(yán)重。對(duì)于如何降低質(zhì)量波動(dòng)、提升產(chǎn)能及優(yōu)化污染排放等問題沒有有效控制手段，難以做到協(xié)同優(yōu)化以及隨動(dòng)優(yōu)化，與國(guó)外同行有一定的差距。

2 應(yīng)用需求分析

為突破關(guān)鍵設(shè)備與技術(shù)的瓶頸，實(shí)現(xiàn)我國(guó)化工行業(yè)關(guān)鍵技術(shù)與卡脖子工程突破，需要借助大數(shù)據(jù)分析以及AI人工智能等手段，對(duì)已采集的生產(chǎn)數(shù)據(jù)、工況數(shù)據(jù)以及過程質(zhì)量等工業(yè)現(xiàn)場(chǎng)數(shù)據(jù)，進(jìn)行聯(lián)動(dòng)與協(xié)同分析、篩選與解析融合，最終形成以生產(chǎn)工藝優(yōu)化為目標(biāo)的數(shù)據(jù)集、模型庫以及機(jī)理模型，為工藝優(yōu)化提供可靠的AI算法與分析基礎(chǔ)。

一是全要素?cái)?shù)據(jù)采集需求。生產(chǎn)工藝優(yōu)化分析需要以與生產(chǎn)相關(guān)的各類工業(yè)現(xiàn)場(chǎng)數(shù)據(jù)為基礎(chǔ)，利用AI工業(yè)大數(shù)據(jù)挖掘技術(shù)找出數(shù)據(jù)之間的邏輯關(guān)系，進(jìn)而實(shí)現(xiàn)工藝建模與工藝尋優(yōu)。

二是數(shù)據(jù)共享與聯(lián)動(dòng)需求。除全要素的數(shù)據(jù)采集外，數(shù)據(jù)之間的共享與互通，是作為完整數(shù)據(jù)鏈的首要條件。

三是AI智能數(shù)據(jù)分析與工藝優(yōu)化[3]需求。部分化工企業(yè)利用人工核對(duì)、數(shù)據(jù)比對(duì)、量化展示等方式可實(shí)現(xiàn)數(shù)據(jù)淺層的分析功能，但是對(duì)于企業(yè)而言，帶來的管理效益、生產(chǎn)效益以及經(jīng)濟(jì)效益有限，不能解決企業(yè)技術(shù)突破以及優(yōu)化升級(jí)的根本問題，因此利用采集到的數(shù)據(jù)，進(jìn)行數(shù)據(jù)價(jià)值挖掘、聯(lián)動(dòng)分析，最終形成具有自學(xué)習(xí)、自分析、自優(yōu)化的AI智能分析算法與機(jī)理模型，成為企業(yè)與行業(yè)的迫切需求。

3 功能實(shí)現(xiàn)

3.1 生產(chǎn)異常AI智能偵測(cè)分析

3.1.1 應(yīng)用場(chǎng)景

生產(chǎn)異常往往通過工藝卡片或操作規(guī)程中報(bào)警上下限來判斷。當(dāng)某個(gè)參數(shù)的數(shù)值超出上限范圍時(shí)，即可判斷為生產(chǎn)異常并發(fā)出報(bào)警。一旦報(bào)警產(chǎn)生，一定程度上會(huì)引起工藝參數(shù)或產(chǎn)品質(zhì)量波動(dòng)。如果報(bào)警處置不及時(shí)，更有可能釀成生產(chǎn)事故。因此提前預(yù)警，對(duì)保障生產(chǎn)安全和提升產(chǎn)品質(zhì)量具有重要的意義。

在化工實(shí)際生產(chǎn)場(chǎng)景中，生產(chǎn)工藝參數(shù)繁多、指標(biāo)復(fù)雜，并且參數(shù)與指標(biāo)之間存在強(qiáng)相關(guān)性，因此對(duì)于異常的發(fā)現(xiàn)需逐步推進(jìn)、逐層解析。首先需要完成以指標(biāo)為核心的數(shù)據(jù)檔案，根據(jù)關(guān)鍵指標(biāo)及核心參數(shù)進(jìn)行建模，形成單一目標(biāo)的數(shù)據(jù)模型，并對(duì)單一指標(biāo)進(jìn)行降噪處理，以決策樹為核心，以回歸算法為基礎(chǔ)，建立單一指標(biāo)的黃金曲線，并根據(jù)指標(biāo)允許范圍設(shè)置上下閾值，在出現(xiàn)預(yù)警或異常趨勢(shì)時(shí)，系統(tǒng)自動(dòng)將預(yù)警內(nèi)容及演變趨勢(shì)推送至工藝、操作以及DCS操控人員，操控人員通過輔助知識(shí)庫及人工經(jīng)驗(yàn)進(jìn)行提前干預(yù)，保持生產(chǎn)平穩(wěn)。

同時(shí)，實(shí)際生產(chǎn)執(zhí)行過程中，需考慮多指標(biāo)及多指標(biāo)之間邏輯關(guān)系，控制層或生產(chǎn)執(zhí)行層需要完成多指標(biāo)的平衡與權(quán)重匹配，否則會(huì)出現(xiàn)單一指標(biāo)正常，而生產(chǎn)系統(tǒng)出現(xiàn)報(bào)警或波動(dòng)等現(xiàn)象，因此需要同時(shí)對(duì)多個(gè)指標(biāo)進(jìn)行全局場(chǎng)景下的檢測(cè)與預(yù)測(cè)。由于多指標(biāo)之間的邏輯關(guān)系，很難迅速做出合理判斷，故需從生產(chǎn)系統(tǒng)本身進(jìn)行數(shù)據(jù)挖掘，比如單一參數(shù)的輕微波動(dòng)，經(jīng)過多工序的疊加、滾動(dòng)則會(huì)造成整體生產(chǎn)裝置系統(tǒng)的異常，因此需要對(duì)單一參數(shù)的波動(dòng)進(jìn)行實(shí)時(shí)采集，并且利用相關(guān)性分析算法對(duì)所關(guān)聯(lián)的指標(biāo)及后續(xù)參數(shù)進(jìn)行歸檔、建模，最終實(shí)現(xiàn)預(yù)測(cè)分析，同時(shí)將預(yù)測(cè)結(jié)果推送至相關(guān)操作人員，由操作人員、工藝專家綜合判定是否進(jìn)行優(yōu)化調(diào)整。

3.1.2 單指標(biāo)異常偵測(cè)

對(duì)全裝置的工藝報(bào)警點(diǎn)進(jìn)行異常偵測(cè)，包括監(jiān)控其實(shí)時(shí)值和狀態(tài)（正常、離群或者報(bào)警）。單指標(biāo)異常偵測(cè)根據(jù)所選位號(hào)的值所處的范圍，分為正常、離群和報(bào)警三種狀態(tài)。其中判斷是否報(bào)警的標(biāo)準(zhǔn)是根據(jù)用戶提供的報(bào)警上下限指標(biāo)，超過報(bào)警上下限指標(biāo)的即判斷為報(bào)警狀態(tài)。離群的標(biāo)準(zhǔn)根據(jù)箱線圖算法計(jì)算的上下限判斷。當(dāng)指標(biāo)的數(shù)據(jù)既未離群又未報(bào)警時(shí)，即判斷該指標(biāo)處于正常狀態(tài)。報(bào)警則用紅色圓圈顯示，報(bào)警狀態(tài)具有最高的優(yōu)先級(jí)，當(dāng)判斷某個(gè)指標(biāo)既離群又報(bào)警時(shí)，則顯示報(bào)警的狀態(tài)。當(dāng)判斷某個(gè)指標(biāo)只離群未報(bào)警時(shí)，則顯示離群狀態(tài)。在單指標(biāo)異常監(jiān)控界面中，從上到下優(yōu)先顯示報(bào)警點(diǎn)、離群點(diǎn)和正常點(diǎn)。（圖1）

圖1 單指標(biāo)異常偵測(cè)示意圖

3.1.3 多指標(biāo)異常偵測(cè)

選取裝置部分關(guān)鍵指標(biāo)進(jìn)行多指標(biāo)異常偵測(cè)，包括異常開始的時(shí)間、各指標(biāo)的觸發(fā)值和持續(xù)時(shí)間等。

建立一張多維數(shù)據(jù)的數(shù)據(jù)源表作為異常偵測(cè)的數(shù)據(jù)庫，該表中包含選取的多個(gè)關(guān)鍵指標(biāo)和時(shí)間字段，該表按最小數(shù)采周期為單位存儲(chǔ)每個(gè)指標(biāo)的數(shù)據(jù)。在儲(chǔ)存之前，數(shù)據(jù)需要經(jīng)過清洗，將異常值去除。

針對(duì)多維數(shù)據(jù)源表中的各類指標(biāo)數(shù)據(jù)，利用均值、方差以及標(biāo)準(zhǔn)差等工具對(duì)數(shù)據(jù)進(jìn)行辨識(shí)分析，精確識(shí)別主成分，同時(shí)利用相關(guān)性分析、泊松分布以及權(quán)重分析等算法，抽取相應(yīng)的主成分?jǐn)?shù)據(jù)作為分析對(duì)象，同時(shí)利用因果分析、回歸分析以及游程檢驗(yàn)等算法建立聚類分析模型。

利用游程檢驗(yàn)以及灰度預(yù)測(cè)模型對(duì)數(shù)據(jù)進(jìn)行分布判斷以及數(shù)據(jù)完整性校驗(yàn)，同時(shí)利用K相鄰回歸、SVR回歸以及決策樹回歸等算法對(duì)聚類中心數(shù)、中心曲線進(jìn)行判斷與選取。根據(jù)數(shù)據(jù)分布，利用距離計(jì)算算法如皮爾森相關(guān)距離、斯皮爾曼相關(guān)距離等算法，對(duì)指標(biāo)數(shù)據(jù)與中心數(shù)據(jù)或中心曲線的距離進(jìn)行相關(guān)判定及隨機(jī)判定，并按照距離的大小進(jìn)行降序排列。根據(jù)企業(yè)生產(chǎn)經(jīng)驗(yàn)及歷史數(shù)據(jù)，選取某個(gè)閾值作為異常偵測(cè)的依據(jù)，在實(shí)時(shí)生產(chǎn)過程中出現(xiàn)指標(biāo)數(shù)據(jù)偏離閾值范圍則系統(tǒng)做出異常判定。（圖2）

圖2 多指標(biāo)異常偵測(cè)示意圖

3.2 過程質(zhì)量AI智能預(yù)測(cè)（軟測(cè)量）

3.2.1 應(yīng)用場(chǎng)景

在生產(chǎn)裝置中，產(chǎn)品的質(zhì)量往往是通過化驗(yàn)室取樣化驗(yàn)分析，分析周期各不相同，通常為4～8個(gè)小時(shí)。當(dāng)產(chǎn)品質(zhì)量檢測(cè)出不合格時(shí)，實(shí)際生產(chǎn)通常已經(jīng)延遲了4～8 個(gè)小時(shí)，操作調(diào)整滯后嚴(yán)重，導(dǎo)致了不合格產(chǎn)品量的增加，增大了企業(yè)的生產(chǎn)成本。因此對(duì)產(chǎn)品質(zhì)量進(jìn)行在線監(jiān)測(cè)和智能預(yù)測(cè)，對(duì)提升產(chǎn)品質(zhì)量和降低生產(chǎn)成本具有重要的意義。

當(dāng)前，部分裝置一方面建有實(shí)時(shí)數(shù)據(jù)庫系統(tǒng)，對(duì)生產(chǎn)裝置的工藝參數(shù)、能耗參數(shù)以及環(huán)保排放參數(shù)等進(jìn)行實(shí)時(shí)采集和存儲(chǔ)，另一方面建有質(zhì)量系統(tǒng)，對(duì)生產(chǎn)裝置的產(chǎn)品質(zhì)量數(shù)據(jù)進(jìn)行監(jiān)測(cè)和存儲(chǔ)。通過對(duì)質(zhì)量系統(tǒng)中產(chǎn)品質(zhì)量數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)庫系統(tǒng)中的操作數(shù)據(jù)進(jìn)行建模[4]，進(jìn)而通過與產(chǎn)品質(zhì)量指標(biāo)強(qiáng)相關(guān)的實(shí)時(shí)操作數(shù)據(jù)對(duì)產(chǎn)品質(zhì)量進(jìn)行軟測(cè)量，操作人員可根據(jù)產(chǎn)品質(zhì)量的實(shí)時(shí)值的波動(dòng)進(jìn)行操作調(diào)整，進(jìn)而提升產(chǎn)品質(zhì)量。

3.2.2 數(shù)據(jù)整定和對(duì)齊

數(shù)據(jù)清洗后，按照一定規(guī)則寫入軟測(cè)量建模的數(shù)據(jù)源表中。數(shù)據(jù)源表主要由質(zhì)量數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)庫系統(tǒng)數(shù)據(jù)中的相關(guān)變量的數(shù)據(jù)組成。此數(shù)據(jù)源表作為軟測(cè)量建模的數(shù)據(jù)源。質(zhì)量數(shù)據(jù)源表包括采樣時(shí)間、操作參數(shù)和產(chǎn)品質(zhì)量等字段。

質(zhì)量系統(tǒng)中主要包含采樣時(shí)間和對(duì)應(yīng)的產(chǎn)品質(zhì)量數(shù)據(jù)。把質(zhì)量系統(tǒng)中的數(shù)據(jù)經(jīng)過清洗之后寫入軟測(cè)量建模的數(shù)據(jù)源表。數(shù)據(jù)源表以產(chǎn)品采樣批次為單元寫入產(chǎn)品質(zhì)量數(shù)據(jù)和操作數(shù)據(jù)。寫入規(guī)則如下：質(zhì)量系統(tǒng)中產(chǎn)品質(zhì)量數(shù)據(jù)要與產(chǎn)品采樣時(shí)間一一對(duì)應(yīng)。

把實(shí)時(shí)數(shù)據(jù)庫系統(tǒng)中的數(shù)據(jù)經(jīng)過數(shù)據(jù)清洗之后寫入軟測(cè)量建模的數(shù)據(jù)源表中。寫入規(guī)則如下：對(duì)每一個(gè)點(diǎn)位號(hào)的數(shù)據(jù)按產(chǎn)品采樣批次為單位寫入數(shù)據(jù)源表中。將對(duì)應(yīng)采樣時(shí)間的操作數(shù)據(jù)的瞬時(shí)值，按照一定的滯后時(shí)間與產(chǎn)品質(zhì)量數(shù)據(jù)進(jìn)行對(duì)齊。滯后時(shí)間需要根據(jù)業(yè)務(wù)知識(shí)和經(jīng)驗(yàn)進(jìn)行估算。

3.2.3 R語言讀取、計(jì)算和結(jié)果輸出

用R語言讀取軟測(cè)量建模數(shù)據(jù)源表，選取3/4的數(shù)據(jù)用來訓(xùn)練模型，選取1/4的數(shù)據(jù)來測(cè)試模型。當(dāng)測(cè)試結(jié)果的相對(duì)誤差滿足某個(gè)閾值時(shí)，則測(cè)試通過。否則需要重新調(diào)整模型參數(shù)，直至測(cè)試通過為止。

接入在線的操作數(shù)據(jù)到模型中，即可實(shí)時(shí)計(jì)算出當(dāng)前時(shí)刻的產(chǎn)品質(zhì)量，從而實(shí)現(xiàn)產(chǎn)品質(zhì)量在線監(jiān)測(cè)和異常分析的功能。

3.3 生產(chǎn)工藝AI優(yōu)化建模分析

3.3.1 應(yīng)用場(chǎng)景

化工生產(chǎn)工藝存在多個(gè)工序，并且每個(gè)工序均存在單獨(dú)的生產(chǎn)工藝與控制策略，因此需要將完整的生產(chǎn)工藝進(jìn)行拆分，形成多個(gè)優(yōu)化分析目標(biāo)。首先完成單一目標(biāo)的優(yōu)化分析，然后將多個(gè)單一目標(biāo)進(jìn)行聯(lián)動(dòng)分析，形成多目標(biāo)協(xié)同與聯(lián)動(dòng)分析，才能夠完成對(duì)整體生產(chǎn)工藝的智能分析與優(yōu)化。

優(yōu)化分析模型分為單一目標(biāo)優(yōu)化分析模型和多目標(biāo)優(yōu)化分析模型。

單一目標(biāo)優(yōu)化模型，可以挖掘歷史上最好操作進(jìn)行固化，實(shí)現(xiàn)操作經(jīng)驗(yàn)傳承?？膳c其他基于機(jī)理模型的優(yōu)化軟件互補(bǔ)使用。通過采集工業(yè)裝置或者設(shè)備的原材料及關(guān)鍵變量的歷史數(shù)據(jù)，將生產(chǎn)過程或者運(yùn)行過程劃分為多種操作模式。一方面，分別計(jì)算每種生產(chǎn)模式下，目標(biāo)參數(shù)最優(yōu)時(shí)強(qiáng)相關(guān)變量的取值。另一方面，基于操作模式的變化，實(shí)時(shí)推薦最佳的操作參數(shù)。

在生產(chǎn)優(yōu)化的應(yīng)用場(chǎng)景中，優(yōu)化的目標(biāo)往往是多維的。因此，多目標(biāo)優(yōu)化與單目標(biāo)優(yōu)化模型相比更具有價(jià)值，能為企業(yè)帶來更大的收益。多目標(biāo)優(yōu)化模型可同時(shí)選取多個(gè)目標(biāo)進(jìn)行優(yōu)化計(jì)算，可以挖掘歷史上最好的操作經(jīng)驗(yàn)進(jìn)行固化，實(shí)現(xiàn)操作經(jīng)驗(yàn)的傳承。

由于是對(duì)歷史上操作經(jīng)驗(yàn)的挖掘，通過機(jī)理模型將優(yōu)化值進(jìn)一步提升，優(yōu)化分析模型會(huì)自動(dòng)更新優(yōu)化方案，并在下一次的優(yōu)化計(jì)算中，推送新優(yōu)化方案。所以優(yōu)化分析模型具有自學(xué)習(xí)功能，能夠不斷學(xué)習(xí)新優(yōu)化方法，持續(xù)豐富針對(duì)每種生產(chǎn)模式的優(yōu)化方案庫，給用戶帶來經(jīng)濟(jì)效益的持續(xù)性提高。

3.3.2 實(shí)現(xiàn)過程

優(yōu)化分析是指在操作樣本庫中，搜索某類工況條件下目標(biāo)[5]的最優(yōu)值及其對(duì)應(yīng)的強(qiáng)相關(guān)的操作變量。其實(shí)現(xiàn)過程包括以下六個(gè)步驟：數(shù)據(jù)辨識(shí)、主成分分析、參數(shù)化建模、建立操作樣本庫、在線滾動(dòng)優(yōu)化、模型仿真與尋優(yōu)。

1）數(shù)據(jù)辨識(shí)

從數(shù)據(jù)源的角度出發(fā)，對(duì)單體設(shè)備的數(shù)據(jù)進(jìn)行數(shù)據(jù)本身的辨識(shí)、分析，找出數(shù)據(jù)本身的迭代方式、數(shù)據(jù)之間的相關(guān)性以及數(shù)據(jù)出現(xiàn)的概率、頻率，并校驗(yàn)是否有數(shù)據(jù)遺漏造成模型不可用的情況。

2）主成分分析

由于工藝參數(shù)、指標(biāo)參數(shù)等的多樣化，并且對(duì)應(yīng)海量的工況因素，因此需要對(duì)辨識(shí)后的數(shù)據(jù)進(jìn)行主成分分析，并且主成分分析執(zhí)行的過程中需要利用權(quán)重、相關(guān)性分析等對(duì)主成分的耦合性進(jìn)行綜合判定與建模。

3）參數(shù)化建模

根據(jù)工藝及優(yōu)化目標(biāo)的要求，對(duì)數(shù)據(jù)進(jìn)行主成分分析，完成降維建模，然后對(duì)數(shù)據(jù)進(jìn)行聚類、分類以及權(quán)重影響分析，同時(shí)再次利用灰色預(yù)測(cè)模型對(duì)不確定數(shù)據(jù)、變量進(jìn)行預(yù)測(cè)分析，保證模型的可靠性。

4）建立操作樣本庫

建立中間過程質(zhì)量、工藝參數(shù)以及關(guān)鍵指標(biāo)的操作邏輯及數(shù)據(jù)矩陣，利用矩陣模型形成全要素的數(shù)據(jù)鏈條，其字段除時(shí)間、工況類型和過程質(zhì)量字段，其他字段均為與該優(yōu)化變量強(qiáng)耦合的操作變量。

5）在線滾動(dòng)優(yōu)化

輸入歷史數(shù)據(jù)，對(duì)模型進(jìn)行檢驗(yàn)，跟蹤運(yùn)算過程及結(jié)果，利用決策樹回歸、K回歸、非線性SVR回歸以及神經(jīng)網(wǎng)絡(luò)回歸等機(jī)器學(xué)習(xí)算法，對(duì)模型進(jìn)行滾動(dòng)、持續(xù)優(yōu)化。

6）模型仿真與尋優(yōu)

模型優(yōu)化完成后，再次利用歷史數(shù)據(jù)進(jìn)行檢驗(yàn)分析，檢驗(yàn)完成后對(duì)接生產(chǎn)控制系統(tǒng)，對(duì)實(shí)時(shí)生產(chǎn)優(yōu)化進(jìn)行預(yù)測(cè)分析，但是不直接控制生產(chǎn)，將優(yōu)化結(jié)果與真實(shí)操控結(jié)果進(jìn)行對(duì)比分析，找出仍存在誤差的內(nèi)容，反饋至在線滾動(dòng)優(yōu)化模型中進(jìn)行真實(shí)數(shù)據(jù)滾動(dòng)優(yōu)化及持續(xù)在線尋優(yōu)。

4 效果

生產(chǎn)異常偵測(cè)按照實(shí)際生產(chǎn)工藝、裝置及指標(biāo)要求，可分為單一指標(biāo)及多個(gè)指標(biāo)異常分析，同時(shí)根據(jù)用戶需求可將兩種分析算法進(jìn)行結(jié)合使用。根據(jù)實(shí)際需求，用戶可選取關(guān)鍵指標(biāo)、關(guān)鍵參數(shù)作為監(jiān)測(cè)對(duì)象，同時(shí)對(duì)于異常的影響范圍、調(diào)優(yōu)時(shí)間需求以及出現(xiàn)頻率等進(jìn)行歸檔以記錄操作，形成標(biāo)準(zhǔn)化生產(chǎn)流程以及操作指導(dǎo)庫，相關(guān)部門可根據(jù)崗位職責(zé)、工藝規(guī)范等要求，及時(shí)有效處理報(bào)警及異常，并對(duì)某些需要時(shí)間進(jìn)行綜合調(diào)整的異常進(jìn)行提前消除。通過異常偵測(cè)模型的分析計(jì)算以及指導(dǎo)庫的建立，生產(chǎn)工藝的報(bào)警數(shù)量可降低20%～25%，操作調(diào)優(yōu)時(shí)間節(jié)省15%。

產(chǎn)品質(zhì)量軟測(cè)量通過融合機(jī)理模型、專家模型、統(tǒng)計(jì)學(xué)模型、大數(shù)據(jù)模型，采用數(shù)據(jù)清洗、降維、關(guān)聯(lián)分析、構(gòu)建因果鏈路等手段，連續(xù)獲取間歇性結(jié)果，為生產(chǎn)和監(jiān)測(cè)提供在線檢測(cè)手段。利用前置參數(shù)和過程變量可以在線即時(shí)甚至提前知道中間關(guān)鍵參數(shù)的情況以及產(chǎn)品和中間產(chǎn)品的質(zhì)量情況，可以做到提前參與以增加良品率，對(duì)于提高生產(chǎn)效率、合理安排生產(chǎn)是非常有意義的。