大数据在化工厂的应用解决方案(化工大数据)课件

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,大数据在化工厂的应用解决方案,(,化工大数据,),大数据在化工厂的应用解决方案 (化工大数据),大数据在化工厂的应用解决方案(化工大数据)课件,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。,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,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,大数据应用方案,预测需求,?,解决方案：,数据管理,原始数据,原始数据,原始数据,分析预测,决策调控,流程优化,有效数据,异常预警,趋势预测,结构调整,决策,/,执行者,异常处理,?,算法分类：,在大量数据中系统化的发现有用的关系，,通过建立拟合不同模型研究不同关系，,即实现经验规律的可重复性。,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。,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,预测,算法说明,?,根据时间序列型数据，,?,寻找在同一个事件中出,由历史的和当前的数据,现的不同项的相关性，,去推测未来的数据。基,比如在一次购买活动中,于初步的神经网络预测,所买不同商品的相关性。,模型加入再训练方法持,本质是要在数据库中发,续改进模型精准度。,现强关联规则。,大数据应用方案 预测需求 ?解决方案： 数据管理 原始数据,大数据在化工厂的应用解决方案(化工大数据)课件,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,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。,?,?,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,大数据应用方案-茂名石化重整装置案例 （1）相关性分析 ?相,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；,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 精细化管理越来越需要协同管理，而协同管,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 1 操作条件和原料性质对产品收率的影响,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,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 3 操作条件、原料性质和馏出口质量对设,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,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,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,SO,2,排放量和污水,COD,是环保指标，单位成本是效益指标。,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,SVM,预测模型,整定算法,正相关系数,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。,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。,10,大数据应用方案-茂名石化重整装置案例 （2）单一指标异常,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,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,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。,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,?,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。,12,大数据应用方案-茂名石化案例 （3）多维数据异常侦测,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,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。,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,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。,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,K-,means,聚类，并输出,聚,类结果,?,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。,14,大数据应用方案-茂名石化案例 （4）单一目标参数优化分,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。,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。,2,、基于原料类别和,优化目标，推荐强相,关操作参数,30,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,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,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,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。,?,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。,16,大数据应用方案-茂名石化案例 （5）多目标参数优化分析 ?根,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。,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。,优化样本,1,样本点,原料类别,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,2,a,4.0362139,0.408051453,0.050288315,90.23035255,0.479166783,3,a,3.9697842,0.340080972,0.051629265,90.18622053,0.578984526,4,a,3.9121334,0.356683345,0.051493443,90.15026447,0.635410454,1,a,3.830809,0.311651179,0.050302572,90.46376459,0.647438127,6,a,4.1264003,0.503603403,0.054528679,89.81878764,0.70938834,7,a,4.0945915,0.57745754,0.052688831,89.76294647,0.769286569,5,a,3.9398124,0.494639028,0.048057041,89.84640457,0.783815043,8,a,4.1276415,0.50393138,0.05783485,89.70752919,0.810905065,9,a,4.4172044,0.530840676,0.056266014,88.80308645,1.657665121,2,推荐,A,类原料条件下，目标的最优值及对应的操作参数。,目标参数最优值,纯氢产率,低硫液化气收率,燃料气单耗,重整汽油收率,4.03621391,0.408051453,0.050288315,90.23035255,推,荐,操,作,参,数,换热器,E701,石脑油流量调节,重整反应温度,R704,第四反应器入口压力,换热器,E701,石脑油流量调节,T701,稳定塔塔顶温度,T701,稳定塔塔底压力,F701,炉出口温度,F704,炉出口温度,175.0105814,525.1799787,0.36949156,175.0105814,58.26197232,0.80265751,527.4304937,535.8905265,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,大数据应用方案,-,茂名石化案例,（,6,）非结构化数据分析,?,对调度交接班日志进行文本挖掘分析，并关联重整汽油收率、产氢量和重整汽油芳含等结构化,数据，挖掘出原油油种对重整汽油收率等技术经济指标的影响规律，指导原油采购。,研究,方法,导出调度交接班日志,文本特征分析,非结构化数据转化为结构数据,提取原油油种和加工量数据,关联结构化数据,提取汽油收率等数据,计算及结果展示,计算出每种原油对应汽油收率等,指标的加权值,实现,过程,文本特征确定,1,、按天为单位，找出每套常减压对,应的油种，肯能有重复，需要保留。,2,、对于同一天有两个夜班日志的记,录，取有加工量的文本提取。,3,、对于按班配炼量的文本，按照两,班计算,。,将提取信息导入数据库中,关联原油油中和汽油收率等数据,结果展示,?,导出历史的调度交际班,日志，分析,5,套常减压的,原油油种及加工量的文,本特征，确定提取关键,信息的规则。,?,按照天为单位，根据前,面确定的文本特征，提,取加工原油的油种及对,应的加工量，并存储到,数据库中。,?,按,天,为,单,位,，,从,MES,和,LIMS,系统中,提取汽油收率,、产,氢量和重整汽油芳,含等,数据,，,并,与原,油油种关联后存入,数据库中。,?,计算每种原油对应汽油收,率等指标的加权值，并按,照从大到小的顺序列，以,此结果指导原油的采购。,18,大数据应用方案-茂名石化案例 （6）非结构化数据分析,非结构化数据分析应用效果,对,13,年,-15,年的所有调度,交接班日志进行文本挖掘，,统计出茂名加工原油的油,种及其所占的比重并与结,构化数据关联分析。,汽油收率最高的前,10,个油种,产氢量最大的前,10,个油种,重整汽油芳含最高的前,10,个油种,非结构化数据分析应用效果 对13年-15年的所有调度 交接班,大数据应用方案,-,茂名石化案例,（,7,）基于原料性质的预测分析,?,在历史数据的基础上，建立原料性质与汽油收率、产氢量、汽油干点、烷烃转化率和环烷烃转,化率的预测模型。输入原料性质数据，即可准确的预测上述,5,个指标的值以指导生产。,研究,方法,数据采集,原始数据,模型训练,模型预测,模型输入,模型输出,输入原料性质数据,SVM,模型训练,结果预测,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。,?,?,从原始数据中导出原料性,质数据以及汽油收率等预,测指标数据分别作为,SVM,模型训练的输入和输出。,每天都要用新增的输入和,输出对模型进行再训练，,以保证模型的预测精度。,?,?,输入重整原料的,31,个,主要的化验分析数据；,预测投用该批次原料,后的重整汽油收率、,产氢量和转化率等技,术经济指标。,20,大数据应用方案-茂名石化案例 （7）基于原料性质的预测分,基于原料性质的预测分析应用效果,?,在投入原料之前，输入原料的化验分析数据到预测模型中，模型自动计算出投用,该批次原料后，汽油收率、产氢量、汽油干点、烷烃转化率以及环烷烃转化,5,个,技术经济指标。参考预测结果，技术人员可以根据生产计划调整相关的操作参数，,比如重石脑油的配炼量。此举可以节约宝贵的重石脑油资源。,基于原料性质的预测分析应用效果 ?在投入原料之前，输入原料的,大数据在化工厂的应用解决方案(化工大数据)课件,传统提高汽油收率的方法,2,、调整重整反,应器温度和压力,1,、调整原料结构,3,、调整稳定塔参数,提高汽油,收率,23,传统提高汽油收率的方法 2、调整重整反 应器温度和压力 1、,大数据分析的新发现,分析指标,单元名称,大数据分析的相关参数名称,企业经验调优参数,（填写“用”）,预加氢单元,重整单元,F602,出口支管温度,F602,汽提塔重沸炉出口温度,T602,第三十八层塔盘温度,F602,出口温度调节,T601,汽提塔底温度,F602,出口支管温度,F602,重沸炉支路流量调节,E604,管程出口温度,F701-F704,对流段温度,F703,炉管表面温度,换热器,E701,反应产物出口温度,C701,透平机蒸汽入口温度,T701,稳定塔塔顶温度,液化石油气出装置流量调节,用,用,用,连续重整,装置汽油,收率,H751,电加热管表面温度（下）,再生单元,再生氮气氢,/,烃分析,除尘风机出口流量调节,再生气去再生气加热器,分离料斗料位,中压给水流量调节,过热蒸汽出口温度,3.5MPa,蒸汽锅炉自产流量,0.9MPa,凝结水出装置流量指示,密度,初馏点,50%,馏出温度,芳潜,重石脑油配炼量,大数据分析可调优参数,（填写“用”）,用,用,用,用,用,用,用,用,用,用,用,用,用,用,用,用,用,用,用,公用工程单元,原料性质,用,用,大,数,据,分,析,出,来,而,企,业,忽,视,了,的,可,调,参,数,24,大数据分析的新发现 分析指标 单元名称 大数据分析的相关参数,工业验证的参数,因为传统的汽油收率调优参数中不包含预加氢单元的参数，所以本次工业验证可,选,取与汽油收率强相关的预加氢单元的操作参数进行调整,与,分析指标,单元名称,大数据分析的相关参数名称,DCS,位号,相关系数,汽,TI6901,0.5662,T602,第三十八层塔盘温度,油,TC6028,0.5661,F602,出口温度调节,连续重整,TI6026,0.5648,T601,汽提塔底温度,收,装置汽油,预加氢单元,TI6027C,0.5756,F602,出口支管温度,收率,率,FIC6011A,0.5635,F602,重沸炉支路流量调节,TI6024,0.6066,正,E604,管程出口温度,相,关,?,根据第一次工业验证的经验，因为装置目前超负荷，上表中,5,个,温度参数调整之后容易导致汽提塔顶冷后温度超标等一系列的,问题。因此本次验证选取,FIC6011A,这个参数进行微调，观察汽,油收率是否能够提高。,25,工业验证的参数 因为传统的汽油收率调优参数中不包含预加氢单元,工业验证方案,通过与车间技术人员详细对接，制定了针对,FIC6011A,的为期一个月的验证方案,1,2,3,26,工业验证方案 通过与车间技术人员详细对接，制定了针对FIC6,4,、三种验证方式对比,对汽油收率与操作参数之间的相关性进行验证，通常有以下三种方式：,瞬时值验证,?,瞬时值验证，可以,看出汽油收率的瞬,时值与验证变量的,瞬时值之间的相关,性。这种方式要考,虑时滞的因素，因,为操作参数调整之,后，汽油收率不可,能立即发生变化，,需要一个时间过程,。,因此可以将瞬时值,验证作为验证结果,的一个参考。,MES,数据验证,?,MES,数据验证是通,过,MES,系统中,24,小时内的汽油出装,置量除以重整的进,料量计算的汽油收,率，与此期间验证,变量的平均值的对,比分析，来验证相,关性。这种方式消,除了时滞的影响，,且计算汽油收率相,对准确。,流程模拟验证,?,由于工业装置不可,能单独调整某个变,量而保持原料性质,和其它操作参数不,变，因此可以采用,流程模拟的方法，,保持原料性质和其,它参数不变，仅改,变验证参数，观察,汽油收率的变化。,可以选择,MES,数据验证来对调整结果进行验证，将瞬时值,验证和流程模拟验证作为辅助参考。,27,4、三种验证方式对比 对汽油收率与操作参数之间的相关性进行验,验证环境,验证过程中，应该尽可能保证影响汽油收率的关键参数相对平稳。,这样的验证结果才能真实反映出汽油收率受验证变量的影响情况。,影,响,汽,油,收,率,的,关,键,参,数,在实际操作中，操作参数一般不会有较大调整,，而原料芳潜和重石脑油的配炼量变化较大,。,因此应该选择原料芳潜和重石脑油配炼量,相近,的样本进行比较。,28,验证环境 验证过程中，应该尽可能保证影响汽油收率的关键参数相,（一）瞬时值验证,-,验证环境,原料芳潜变化不大。,重石配炼量变化不大。,29,（一）瞬时值验证-验证环境 原料芳潜变化不大。 重石配炼量变,（一）瞬时值验证,-,验证结果,FI7016,平,均,增大,0.,99t/h,代表均值,汽油收率平均增大,0.42%,30,（一）瞬时值验证-验证结果 FI7016 平 均 增大0,（二）,MES,验证,-,验证思路,在相同验证环境下（原料芳潜和重石配炼量相近），对比调优前后,的汽油收率。具体步骤如下：,按天为单位采集最新一,个生产周期的数据（原,料芳潜、重石配炼量和,汽油收率。,对每天的原料芳潜和重,石配炼量数据做聚类分,析，将相近的样本聚成,一类，同一类别中每个,样本的验证环境一致。,将调优后的汽油收率与,同一类别中历史收率的,均值进行比较，观察汽,油收率是否提高。,31,（二）MES验证-验证思路 在相同验证环境下（原料芳潜和重石,（二）,MES,验证,-,聚类分析,重整装置于,2013,年,10,月大修，,2013,年,11,月开工后进入第三个运行周期。本,次验证采集,2013,年,12,月之后的数据作为分析的对象。,采集,2,0,1,3,年,1,2,月以来,的原料芳潜和重石配,炼量数据,K-m,e,a,n,s,聚类分析，,共聚成,7,8,类,原料芳潜和重石配炼量,相近的聚为一类，可认,为验证环境相同。,其它类别,32,（二）MES验证-聚类分析 重整装置于2013年10月大修，,（二）,MES,验证,-,结果分析,2015,年,12,月,3,日,采集相同验证环境下的数据,DATE,重石配炼量,原料芳潜,汽油收率,2014/4/17,1123,36.48,89.97,2014/5/26,1155,36.03,86.37,2014/11/22,1123,36.34,90.52,2015/6/4,1186,36.14,90.54,2015/7/13,1151,36.69,90.14,2015/7/18,1197,36.38,90.35,2015/7/19,1147,36.11,90.20,2015/9/4,1188,36.69,90.90,2015/10/31,1173,36.03,91.23,2015/11/4,1143,36.90,91.08,2015/11/6,1140,36.40,91.26,2015/11/12,1130,36.30,91.24,2015/11/17,1120,36.20,89.95,2015/11/22,1120,36.50,90.83,2015/11/23,1183,36.30,91.19,2015/11/24,1171,36.90,91.31,2015/11/26,1112,36.20,91.67,2015/12/3,1117,36.78,91.29,类别,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,FIC6011A,TI7001,60.00,523.98,60.00,523.98,60.01,523.98,60.00,525.44,59.99,526.19,60.00,527.77,60.00,527.79,60.00,523.67,59.99,526.50,59.99,527.89,60.03,527.90,60.00,526.68,59.97,527.17,60.00,527.64,59.99,527.65,59.99,527.66,60.00,527.88,64.45,527.90,该验证环境下历史收率的分布,相近重整反应温度下的历史收率的数,学期望（均值）,=90.87%,汽油收率提高,0.42%,33,（二）MES验证-结果分析 2015年12月3日 采集相同验,（二）,MES,验证,-,结果分析,2015,年,12,月,4,日,采集相同验证环境下的数据,DATE,2014/2/26,2014/9/25,2014/10/7,2014/10/11,2014/10/12,2014/11/14,2014/11/26,2014/11/27,2014/11/28,2015/1/3,2015/1/26,2015/1/29,2015/9/14,2015/10/13,2015/10/20,2015/12/4,重石配炼量,1079,1005,1004,1067,1055,1041,1036,1064,1049,1023,1074,1058,1068,1009,1043,1074,原料芳潜,35.02,35.90,35.54,35.94,35.68,35.81,35.30,35.41,35.16,35.43,35.16,35.58,35.19,35.85,35.67,35.30,汽油收率,89.84,89.54,89.69,89.83,89.72,90.49,90.39,90.33,90.19,90.01,89.90,90.04,90.86,90.50,91.15,90.98,类别,15,15,15,15,15,15,15,15,15,15,15,15,15,15,15,15,FIC6011A,60.00,60.00,59.99,60.00,60.00,60.00,59.99,60.00,60.00,60.00,60.00,60.00,60.01,60.00,60.00,66.00,TI7001,518.04,526.18,525.17,523.70,524.07,523.62,523.22,522.85,522.67,521.97,523.40,522.89,525.00,525.62,525.20,528.54,该验证环境下历史收率的分布,相近重整反应温度下历史收率的数学,期望（均值）,=90.83%,汽油收率提高,0.15%,34,（二）MES验证-结果分析 2015年12月4日 采集相同验,（二）,MES,验证,-,结果分析,2015,年,12,月,5,日,采集相同验证环境下的数据,DATE,2014/2/26,2014/9/25,2014/10/7,2014/10/11,2014/10/12,2014/11/14,2014/11/26,2014/11/27,2014/11/28,2015/1/3,2015/1/26,2015/1/29,2015/9/14,2015/10/13,2015/10/20,2015/12/5,重石配炼量,1079,1005,1004,1067,1055,1041,1036,1064,1049,1023,1074,1058,1068,1009,1043,1079.44,原料芳潜,35.02,35.90,35.54,35.94,35.68,35.81,35.30,35.41,35.16,35.43,35.16,35.58,35.19,35.85,35.67,35.70,汽油收率,89.84,89.54,89.69,89.83,89.72,90.49,90.39,90.33,90.19,90.01,89.90,90.04,90.86,90.50,91.15,91.10,类别,15,15,15,15,15,15,15,15,15,15,15,15,15,15,15,15,FIC6011A,60.00,60.00,59.99,60.00,60.00,60.00,59.99,60.00,60.00,60.00,60.00,60.00,60.01,60.00,60.00,66.00,TI7001,518.04,526.18,525.17,523.70,524.07,523.62,523.22,522.85,522.67,521.97,523.40,522.89,525.00,525.62,525.20,528.04,该验证环境下历史收率的分布,相近重整反应温度下历史收率的数学,期望（均值）,=90.83%,汽油收率提高,0.27%,35,（二）MES验证-结果分析 2015年12月5日 采集相同验,（二）,MES,验证,-,结果分析,2015,年,12,月,6,日,采集相同验证环境下的数据,DATE,重石配炼量,2014/11/11,967,2014/12/31,964,2015/7/31,981,2015/8/14,980,2015/9/12,961,2015/10/5,959,2015/10/7,995,2015/12/6,982,原料芳潜,35.92,36.13,36.26,36.33,35.76,35.92,36.20,36.10,汽油收率,89.72,90.06,90.97,90.97,90.44,90.88,90.64,91.31,类别,23,23,23,23,23,23,23,23,FIC6011A,60.01,60.00,60.00,59.99,59.98,59.89,60.35,66.00,TI7001,524.74,517.51,526.88,526.43,525.78,513.34,521.03,527.89,该验证环境下历史收率的分布,相近重整反应温度下历史收率的数学,期望（均值）,=90.97%,汽油收率提高,0.34%,36,（二）MES验证-结果分析 2015年12月6日 采集相同验,（二）,MES,验证,-,结果分析,2015,年,12,月,7,日,采集相同验证环境下的数据,DA,T,E,重石配炼量,原料芳潜,汽油收率,类别,2014/2/27,1060,36.39,90.36,41,2014/4/17,1123,36.48,89.97,41,2014/7/3,1088,36.52,90.58,41,2014/9/18,1077,36.05,89.77,41,2014/10/3,1077,36.72,89.91,41,2014/10/8,1099,36.09,89.77,41,2014/10/10,1066,36.64,89.81,41,2014/10/11,1067,35.94,89.83,41,2014/11/22,1123,36.34,90.52,41,2014/11/24,1092,36.44,90.46,41,2015/1/28,1092,36.30,90.25,41,2015/9/18,1095,36.46,91.13,41,2015/11/17,1120,36.20,89.95,41,2015/11/22,1120,36.50,90.83,41,2015/12/7,1067,36.00,91.04,41,FIC6011A,59.99,59.99,59.99,59.99,59.99,60.01,60.00,60.00,60.01,60.00,60.00,60.00,59.97,60.00,66.00,TI7001,517.20,517.20,517.20,517.20,524.67,525.07,524.01,523.70,523.98,521.77,523.43,524.84,527.17,527.64,526.82,该验证环境下历史收率的分布,相近重整反应温度下历史收率的数学,期望（均值）,=90.83%,汽油收率提高,0.21%,37,（二）MES验证-结果分析 2015年12月7日 采集相同验,（二）,MES,验证,-,结果分析,2015,年,12,月,8,日,采集相同验证环境下的数据,DATE,2014/2/26,2014/9/25,2014/10/7,2014/10/11,2014/10/12,2014/11/14,2014/11/26,2014/11/27,2014/11/28,2015/1/3,2015/1/26,2015/1/29,2015/9/14,2015/10/13,2015/10/20,2015/12/8,重石配炼量,1079,1005,1004,1067,1055,1041,1036,1064,1049,1023,1074,1058,1068,1009,1043,1021,原料芳潜,35.02,35.90,35.54,35.94,35.68,35.81,35.30,35.41,35.16,35.43,35.16,35.58,35.19,35.85,35.67,35.60,汽油收率,89.84,89.54,89.69,89.83,89.72,90.49,90.39,90.33,90.19,90.01,89.90,90.04,90.86,90.50,91.15,90.83,类别,15,15,15,15,15,15,15,15,15,15,15,15,15,15,15,15,FIC6011A,60.00,60.00,59.99,60.00,60.00,60.00,59.99,60.00,60.00,60.00,60.00,60.00,60.01,60.00,60.00,66.00,TI7001,518.04,526.18,525.17,523.70,524.07,523.62,523.22,522.85,522.67,521.97,523.40,522.89,525.00,525.62,525.20,523.26,该验证环境下历史收率的分布,相近重整反应温度下历史收率的数学,期望（均值）,=90.44%,汽油收率提高,0.39%,38,（二）MES验证-结果分析 2015年12月8日 采集相同验,（二）,MES,验证,-,重整进料量对汽油收率的影响,为了储备,2016,年,1,月预加氢单元检修期间的加氢石脑油以保证重整单元的正,常运行，重整车间于,2015,年,12,月,8,日,10:54,开始降低重整进料量（,FIC7002),。,重整进料量降低,16t/h,大数据分析，汽油收率与重整进料量正相关，重整进料量降低会对降低汽油收,率。经过与车间沟通，车间也认同重整进料的降低会对汽油收率有影响。因此,对,12,月,8,号的数据验证，选取历史上重整进料量也降低的样本进行比较,39,（二）MES验证-重整进料量对汽油收率的影响 为了储备201,（二）,MES,验证,-,重整进料量降低后的验证,DATE,2014/3/2,2015/12/12,2015/12/14,2015/12/15,2015/12/17,2015/12/18,重石配炼量,1091.3,1050.6,1091.8,1080.47,1123.73,1121.67,原料芳潜,汽油收率,类别,34.39,34.80,33.87,34.94,34.82,35.83,89.92,89.97,90.00,90.25,90.18,90.15,FIC6011,A,21,165,21,165,21,165,21,165,21,165,21,165,汽油收率提高,0.05%,汽油收率提高,0.08%,汽油收率提高,0.33%,汽油收率提高,0.26%,汽油收率提高,0.23%,40,（二）MES验证-重整进料量降低后的验证 DATE 2014,（三）流程模拟,-,验证思路,验证,FIC6011A,对汽油收率的影响，需要在包括原料性质和其它关键操作,参数保持不变的情况下，单独调整,FIC6011A,，观察汽油收率是否有变化。,但在实际工业装置中不可能实现。因此通过流程模拟验证是比较理想的,验证方式。查找资料发现：中石油和,KBC,公司做过相关的流程模拟分析，,分馏塔底温度提高,6,，重整进料初馏点提高,4.3,，汽油收率提高,0.75%,。,因此可以分析在,FIC6011A,调整期间，分馏塔底温度（,TI6032),和重整进料初馏点,的变化，并结合,KBC,公司的流程模拟的结果进行验证。,41,（三）流程模拟-验证思路 验证FIC6011A对汽油收率的影,（三）流程模拟,-,验证情况,FIC6,011A,对分馏塔底温,度（,TI6032,）的影响,TI6032,平均提高,0.74,FIC6,011A,对重整进料初,馏点的影响,重整进料初馏点提高,1,FIC6,011A,对汽油收率的,影响,汽油收率提高,0.14%,42,（三）流程模拟-验证情况 FIC6011A对分馏塔底温 度（,（三）流程模拟,-,验证结论,指标,FIC6011A,分馏塔底温度,重整进料初馏点,汽油收率,Petro-SIM,流程模拟,提高,6,提高,4.3,提高,0.75%,工业验证,提高,6t/h,提高,0.74,提高,1,提高,0.14%,提高,FIC6011A,，间接的提高了分馏塔底温度，进而提高了重整进料的初馏点。此,次,工,业,验,证,的,结,果,与,Petro-SIM,流,程,模,拟,的,结,果,一,致,，,进,而,验,证,了,适,当,增,加,FIC6011A,，可以提高汽油收率。,43,（三）流程模拟-验证结论 指标 FIC6011A 分馏塔底温,（三）流程模拟,-,机理解释,提高分馏塔底温度，可以有效脱除,C6,链烷烃，,C6,链烷烃环化脱氢生成芳烃的速率很慢，,转化率也很低。,-,催化重整装置原料优化对反应收率和能耗的影响的研究,大数据的分析结果表明，重整进料的,C6,烷烃的质量分数与汽油收率具有,较,强的负相关性，相关系数为,-0.71,，即重整进料的,C6,烷烃越低，汽油收,率越,高。可见，大数据的分析结果与机理模型的分析结果完全吻合。,44,（三）流程模拟-机理解释 提高分馏塔底温度，可以有效脱除C6,5,、工业验证结论,验证点,瞬时值验证,12,月,3,日,12,月,4,日,12,月,5,日,12,月,6,日,12,月,7,日,12,月,8,日,12,月,12,日,12,月,14,日,12,月,15,日,12,月,17,日,12,月,18,日,流程模拟验证,汽油收率提高值,0.42,0.42,0.15,0.27,0.34,0.21,0.39,0.05,0.08,0.33,0.26,0.23,0.14,?,一个月的工业验证表明：在验证环境相近的前提下，,FIC6011A,提高,6t/h,，汽油,收率平均提高,0.25%,。按照,160t/h,的重整进料量计算，,年增效,2803,万元,。,45,5、工业验证结论 验证点 瞬时值验证 12月3日 12月4日,大数据在化工厂的应用解决方案(化工大数据)课件,未来发展的建议,?,提升连续重整装置的分析深度，总结相关知识,将目前的设计用在其他类型装置上，例如：催化裂化、加氢重整、,乙烯装置，尽快产生效益,开展多业务领域数据的分析，如工艺波动对设备状态的影响,深入预研有业务价值的难点，如预警预测,加入其他领域的知识，如机理模型、模式识别、系统辨识等，使,模型灰箱化,按照装置类型，构建实用的算法库，建立行业分析模型库,工程实施,?,?,?,业务研发,?,?,47,未来发展的建议 ?提升连续重整装置的分析深度，总结相关知识,谢谢！,谢谢！,