作者：孫為軍 謝勝利 汪谷銀 刁俊武 阮航
雲計算、大數據、物聯網等新一代信息技術和工業化的“深度融合”，正在加速傳統制造企業的轉型升級。智能工廠作為智能製造的重要實踐模式，核心在於工業大數據的智能化應用。煉化企業是製造業的重要組成部分，工業大數據處理技術成為提升煉化企業核心競爭力的關鍵力量。
1 工業大數據的需求
1.1 工業大數據的概念和特徵
《工業大數據白皮書（2017）》將工業大數據定義為：在工業領域中，圍繞典型智能製造模式，從客戶需求到銷售、訂單、計劃、研發、設計、工藝、製造、採購、供應、庫存、發貨和交付、售後服務、運維、報廢或回收再製造等整個產品全生命週期各個環節
所產生的各類數據及相關技術和應用的總稱。工業大數據具有一般大數據的數據體量大、數據類型多、價值密度低和處理速度快的特徵（4V特徵），還有區別於其他行業大數據的自身特點和挑戰：(1)非結構化數據比例大，數據來源廣泛且分散：工業大數據有來源於產品生產現場工業控制網絡的監控數據，有來源於企業現有的信息化系統的數據，也有來源於互聯網的供應商、消費者數據；(2)數據相關性強，既存在關聯關係，也存在因果關係：工業大數據的產生和應用都圍繞產品全生命週期、優化生產線、改善供應鏈等，數據之間存在很強的關聯性，並且分析準確性要求高；(3)時空序列特性：工業大數據來源於工業控制網絡和各種傳感設備，具有產生頻率快、嚴重依賴採集時間、測點多、信息量大和穩定性要求高等特點，需要採用可靠的數據採集、高效的數據存儲、快速的海量數據處理工具進行管理；(4)面向具體工業領域，專業性強：工業大數據需要解決面向智能設備和智能產品的全生命週期、故障檢測、健康預測等深層次分析和應用的問題。
1.2 煉化企業的工業大數據
煉化企業作為典型流程製造模式，生產過程極其複雜，具有原料物性、生產工藝、生產裝備複雜和安全環境要求高等特點。煉化企業工業大數據應用的難點是打通企業數據採集、集成、管理、分析和應用的產業鏈條，採用數據驅動業務的數據思維方式來進行生產過程管理和創新業務活動。以數據採集為例，煉化企業石油加工生產過程不僅涉及多變量協調，不同工藝路線、工藝參數會產出不同目標產品及收率，而且涉及塔類、罐區、機泵、管線、換熱設備等類型眾多的複雜生產裝備，此外，生產計劃多變、技術人員經驗不足等都是導致數據採集困難的主要原因。
煉化企業智能工廠建設將以統一工業大數據雲平臺為中心，提高工廠對不同設備收集的海量信息進行梳理的能力，提高企業信息系統的計算能力和數據消化能力，實現對企業的產品數據、運營數據、銷售數據、客戶數據的實時而有針對性的分析，對企業的研發、生產、運營、營銷和管理方式進行智能化創新，實現信息流、物流、資金流、知識流、服務流的高度集成與融合，使得企業持續創新，並不斷開發新產品、新服務。
2 工業大數據雲平臺
統一的工業大數據雲平臺能提供雲計算和大數據能力，建立數據共享集群、計算服務集群、數據倉庫集群，實現PB級數據存儲。平臺使用OpenStack實現硬件資源虛擬化，使用內存計算和內存數據庫技術解決性能問題，以有效地支撐各類資源和數據實現面向煉化企業智能工廠的按需聚合應用，支撐海量數據的分析處理，統一的大數據雲平臺物理結構如圖1所示。
圖1
平臺基於Lambda架構搭建支持多計算模式的大數據系統，整合離線、實時和流計算，可集成Hadoop、Kafka、Storm、Spark、HBase、MPP數據庫等各類大數據組件。平臺使用新一代的MPP並行數據庫集群作為大數據處理平臺的核心，實現對海量數據的存儲、集成和分析等操作，支持在線查詢、實時交互分析、異構數據處理、高頻歷史數據融合探索、可視化數據展現，支撐煉化業務大數據分析應用。使用基於Hadoop的數據處理技術管理非/半結構化大數據，並用事務型數據庫支撐智能工廠在線業務系統，為平臺提供數據支撐，構建智能工廠大數據分析和處理平臺。
3 煉化企業工業大數據採集
3.1 數據採集範圍
煉化企業工業大數據種類繁多，數據採集的範圍包括：生產經營相關的業務數據，來自於企業內部高度集成的各類信息化系統，企業信息化系統如圖2所示；設備物聯數據，來自於煉化企業自動化控制程度相對較高的DCS、PLC等系統的感知數據；外部數據，來自於互聯網的行業、市場和競爭對手等數據。
3.2 數據採集技術
3.2.1 現場數據採集
融合各種物聯網感知技術，以溫度、光敏、視覺等傳感器為主要採集工具，結合RFID、條碼掃描器、生產監測設備、PDA、智能終端等手段採集多源、異構數據信息，全面感知工廠的生產過程要素（物料物性參數、工藝參數、設備運行等）和安全環境（可燃有毒有害氣體、汙染物、空氣質量等），通過互聯網或現場總線等技術進行實時準確傳輸，存儲於實時數據庫。
3.2.2 業務數據採集
融合Sqoop、Flume、Fluentd、Logstash、Chukwa、Scribe和並行ETL等多種大數據採集技術和工具，從MES、ERP、PDM、PLM、SAP和CRM等信息化系統採集生產經營相關業務數據，提取系統間共享數據，實現煉化企業主數據管理。
3.2.3 外部數據採集
融合Nutch、Snoopy等搜索引擎和Web爬蟲技術，從電商、WEB、自媒體、微信、微博、博客等採集用戶的全網接觸數據，全網全流程數據採集示意圖如圖3所示。
4 大數據分析與處理
4.1 多層次的分析方案
大數據分析提供多層次多場景的數據分析方案：即席查詢、統計分析、數據挖掘和知識自動化決策，以滿足不同級別的需求。(1)即席查詢(AdHoc)：用戶根據特定的需求，靈活地選擇或組合查詢條件，系統能夠快速生成相應的統計報表；(2)統計分析：運用數據統計分析方法及與分析對象有關的知識，將定量分析與定性分析相結合，適用於上層應用具有明確的業務目標的場景；(3)數據挖掘：基於人工智能、深度學習和統計學等技術，高度自動化地對數據做出歸納性的推理演繹分析，挖掘出數據的潛在價值，適用於預測預警；(4)知識自動化決策：集成一系列知識自動化算法模型，包括知識表示、知識獲取、知識關聯、知識重組和知識推理等，適用於發現和解決生產、管理、調度流程中的關鍵決策點的決策問題。藉助於可視化工具進行即席查詢、多維分析、鑽取溯源和推理演繹等數據分析活動。
4.2 基礎算法模型庫
在關聯分析、分類算法、聚類算法、時序分析和決策樹等通用分析挖掘算法的基礎上，構建煉化流程製造領域專業的基本算法模型庫。利用統計分析、深度學習等理論方法，設計領域專業知識的獲取、表示、關聯方法，深度挖掘領域相關的物理化學原理、工藝、製造等知識，使得工業大數據的分析結果能夠滿足高置信度的要求。算法模型庫提供常用的適合R語言和Spark Mlib的分析模型，如Copula（風險分析常用）、ExpSmooth（指數平滑模型，是比較通用的預測模型）、MovingAVG（移動平均模型，產品需求增速預測常用）和Trend（趨勢分析）等，此外還有預警預測、滾動預測等服務。利用可視化技術和工具進行多維分析、鑽取溯源和推理演繹，可視化展現分析結果，可根據不同場景可以選擇不同的分析框架，支持包括SQL、Restful服務等通用分析接口。研發基本算法模型庫，可對數據挖掘分析程序和模型算法進行維護，將模型和算法靜態化保存以供隨時調用。
5 工業大數據智能化應用
5.1 智能生產
利用煉化企業生產線實時感知的熱能、溫度、壓力、振動和噪聲數據，可以實現設備診斷、能耗分析、實時環境分析、質量事故分析（包括違反生產規定、零部件故障）等很多形式的分析。通過對生產線和生產設備配備的傳感器進行數據感知和抓取，對生產本身進行實時監控（視頻監控、可燃及有毒有害氣體報警等）。實時生產數據經過大數據平臺快速處理後，反饋到生產過程中，實現智能網絡管理和自適應調整，使工業控制和管理最優化，最大限度使用有限資源，降低工業和資源的配置成本，使生產過程能夠高效地進行。
5.1.1 產品故障診斷與預測
設備運行過程中的自然磨損會導致產品品質發生一定的變化。通過實時數據感知，監控系統運行狀態和異常情況，診斷故障類型、故障部位及原因，預測產品的不良概率，預測評估故障風險水平，提前更換配件，從而避免發生生產故障，實現產品質量控制和生產風險控制。通過生產過程中故障相關因素的精確控制，真正實現智能化生產。
5.1.2 生產計劃與排程
生產計劃與排程是生產管理之核心。大數據幫助發現歷史預測與實際的偏差概率，在有限產能的基礎上，綜合考慮人員市場約束、技能約束、物料約束、工序流程約束、員工行為約束等對生產的影響，通過智能優化算法，得到合理有效的計劃排產，並監控計劃與實際偏差，現場動態調整計劃排產。
5.1.3 生產設備參數最優化
基於產品生產中各個環節的大量運行數據的挖掘，如生產中的各個生產設備數據、外部環境數據和產品自身數據（如掃描的圖像數據、參數數據等）等，根據各設備的屬性數據和生產連續監測數據，實現生產設備參數最優化（見圖4）。
5.1.4 實時優化能耗
從生產能耗角度看，通過監控生產流程中的耗電、耗水、耗氣（天然氣或者煤氣）、集中供熱耗熱、集中供冷耗冷的實時數據，能夠發現能耗的異常或峰值情況，對所有流程的大數據進行分析，實時優化生產過程中的能源消耗，會整體上大幅降低生產能耗。
5.2 網絡化協同製造
利用互聯網技術，通過製造過程與信息化系統的深度集成，與產業鏈各環節緊密協同，構建網絡化協同製造服務平臺（見圖5）。
從消費者需求開始，到接受產品訂單、尋求合作、採購原材料或零部件、共同進行產品生產、物流、分銷和零售，整個環節都通過互聯網聯接起來並進行實時通信，從而確保煉化企業的最終產品滿足大規模客戶的差異化、個性化定製需求。
5.2.1 縱向集成：企業內部的協同製造
縱向集成實現企業內部各種信息化系統之間進行網絡協同、實時通信和數據共享。PLM、ERP、MES、SCM的協同集成實現一個產、銷、研、用深度結合於一體的協同製造，有效地解決煉化企業產品結構與工藝的設計問題，制定合適的企業資源計劃。PLM和ERP的集成主要是通過產品結構的傳遞完成，而ERP與MES的集成則主要通過生產計劃的傳遞完成。
5.2.2 橫向集成：企業間的協同製造
煉化企業通常設置有不同的生產基地及多個工廠，橫向集成不但包括不同工廠之間的網絡協同，也包括產業鏈上、下游企業之間的網絡協作。一方面，消費者與煉化企業通過網絡化協同共同進行石油化工產品設計與研發，消費者介入產品的設計生產過程，滿足個性化定製需求；另一方面，原材料、資本、設備等生產資源通過網絡化協同進行合理配置，組織動態的石油加工過程。通過供應鏈上各個環節的大數據採集和分析，消費者數據、煉化企業業務數據、供應商數據被融合到供應鏈體系中，使供應鏈改進和優化能夠持續進行，保證了煉化企業對消費者的敏捷響應，滿足差異化市場需求。
6 結束語
隨著煉化行業信息化和工業化的深度融合，煉化企業智能工廠將成為煉化行業的發展願景。煉化企業為應對解決生產和經營所亟需解決的難題，利用統一的大數據雲平臺支撐智能生產、網絡化協同製造等智能化應用，實現產供銷存一體化運營，是建設煉化企業智能工廠的有益探索。
閱讀更多 智科雲達 的文章
