基于工业大数据和工业物联网的化工工艺建模处理系统技术方案

本发明专利技术涉及一种基于工业大数据和工业物联网的化工工艺建模处理系统，包括设置于化工厂区的数据采集单元，数据采集单元上设置数据统计模块；工业大数据处理单元，工业大数据处理单元包括数据分析模块，建模模块，报表模块；数据统计模块的数据传输至工业大数据处理单元的数据分析模块，数据分析模块对数据统计模块的数据通过绘制各项数据的时序曲线，统计各个数据分布情况，再通过数据散点图分析或者线性相关性分析供建模模块建模；建模模块包括数据清洗子模块和数据关联子模块，数据清洗子模块对不合理数据清洗和缺失值填充；工业大数据处理单元利用建模模块数据建模后进行算法建模。

Chemical process modeling and processing system based on industrial big data and industrial Internet of things

【技术实现步骤摘要】
基于工业大数据和工业物联网的化工工艺建模处理系统
本专利技术涉及智能工厂
，具体涉及一种基于工业大数据和工业物联网的化工工艺建模处理系统。
技术介绍
智能工厂是基于物联网技术与工业大数据的新型工厂。现在基于物联网技术与工业大数据的支撑，通过物联网产生、收集海量的数据存储于云平台，再通过利用云计算大数据分析并通过AI创作为新一轮工业的生产活动提供更好的服务，而现在对这三者的结合应用产生了工业大脑。工业大脑的目标是把人工智能与大数据技术接入到传统的生产线中，帮助生产企业实现数据流、生产流与控制流的协同，提高生产效率，降低生产成本，以自主可控的路径实现自主可控的智能制造。其中，ET工业大脑(即阿里云ET工业大脑)让机器能够感知、传递和自我诊断问题，通过分析工业生产中收集的数据，优化机器的产出和减少废品成本。通过并不昂贵的传感器、智能算法和强大的计算能力，ET工业大脑的部署原理可以分为以下四个步骤：1、数据采集：对企业系统数据、工厂设备数据、传感器数据、人员管理数据等多方工业企业数据进行采集。2、数据预处理：包括过滤脏数据与噪音、解决数据的多源异构、找回丢失的数据以及修正错误的数据等。同时，还要根据用途，对数据进行分割、分解、分类，为下一步的算法建模做好准备。3、算法建模：通过ET工业大脑AI创作间内置的算法引擎或算法市场提供的算法，对所收集并预处理完成的历史数据进行快速建模，该模型可以是描述模型、预测模型或优化模型。4、模型应用：将已经建立的算法模型，发布成服务并集成到生产系统中，作用到业务，完成数据智能应用的闭环。而为了实现化工智能制造大数据项目增量实时数据持续上云、以及满足可能存在的实时数据展示、实时数据计算以及部分数据复制分流等需求，需要构建一套高性能的数据上云的化工数据分析系统。即根据化工企业系统的信息规划及业务规划，结合大数据建设一个优化生产、管理和服务的化工工业基础及环境大数据平台。如位于化工企业系统拟建立起一个面向现有复合肥的生产、管理和服务的工业基础及环境大数据平台，以优化复合肥养分含量，并降低粉尘和氨气的排放，通过连接人和设备，加强数据洞察能力和促进数据驱动决策，构建快速业务响应能力，全面加速化工企业的数字化转型。通过数字化转型主要能够带来两方面的价值，1)优化复合肥生产过程，使养分等指标在满足行业标准的同时，降低其不确定性，从而达到降低物料成本的目的；2)通过优化工艺参数，降低排放，降低减排等措施对生产的影响，并且同时提高原料的利用率。具体的目标是复合肥生产工艺的参数优化，通过对历史数据进行分析建模，给出各环节工艺参数及物料量的优化建议。就复合肥产线来讲，环保优化的主要目标降低粉尘和氨气的排放，从而达到减排和减少物料成本的双重目的。而构建一套数据上云的化工数据分析系统中最难攻克的问题就是建模环节。
技术实现思路
本专利技术目的是提供一种基于工业大数据和工业物联网的化工工艺建模处理系统，通过该建模处理系统建立一套数据上云的化工数据分析系统，从而优化生产、管理和服务的化工工业基础及环境。为了实现以上目的，本专利技术采用的技术方案为：一种基于工业大数据和工业物联网的化工工艺建模处理系统，包括设置于化工厂区的数据采集单元，所述的数据采集单元上设置数据统计模块；工业大数据处理单元，所述的工业大数据处理单元包括数据分析模块，建模模块，报表模块；所述的数据采集单元采集业务系统数据，所述的业务系统数据包括化工生产过程DCS数据和化工生产品类计划生产报表数据；所述的DCS数据包括化工生产中各个过程相应的参数，包括流量类数据、压力类数据、温度类数据、风量数据、电流数据、优化目标类数据，所述的优化目标类数据包括成品量、尾气含尘量、尾气含氨量数据，所述的DCS数据导出后对获取到的数据进行基本情况筛查，将不属于化工生产过程相应的参数范围的数据剔除，并将筛查后的数据传输至数据统计模块中；数据统计模块的数据传输至工业大数据处理单元的数据分析模块，所述的数据分析模块对数据统计模块的数据通过绘制各项数据的时序曲线，统计各个数据分布情况，再通过数据散点图分析或者线性相关性分析供所述的建模模块建模；所述的建模模块包括数据清洗子模块和数据关联子模块，所述的数据清洗子模块对不合理数据清洗和缺失值填充；所述的工业大数据处理单元利用建模模块数据建模后进行算法建模；所述的建模模块首先利用历史数据进行推荐算法模块建模；最后进行推荐算法实地验证并迭代。进一步的，推荐算法模块建模的模型为时序预测模型或者取最优模型。再进一步的，推荐算法实地验证的基本步骤：1)、根据经验，结合决策树优化结果，挑选合理可控的工艺优化方案，形成优化规则进行实施；2)、根据经验，选择较差样本的节点，识别出不良产品的工艺参数，形成规避规则进行实施；3)、选择其中一条产线进行为期一周的实验；4)、选择AB法交替实验，互为验证，选取综合最优。再进一步的，所述的DCS数据包括管式反应系统、洗涤系统、造粒系统、干燥系统、冷却系统、成品量、尾气的数据。再进一步的，绘制各项数据的时序曲线前通过时间序列及滑动平均分析步骤：对历史数据进行相关的统计分析，分析的数据包括管式反应系统，造粒系统、干燥系统、冷却系统及洗涤和排放系统。进一步的，DCS数据导出后对获取到的数据进行基本情况筛查的步骤为：获取多段时间的DCS历史数据，针对DCS数据，数据通过行业软件导出成csv的格式来分析，再对获取到的数据进行基本情况筛查。再进一步的，所述的算法模块建模包括粉尘和氨气排放预测：使用机器学习算法利用复合肥的管反数据、造粒系统数据、干燥系统数据及冷却和洗涤系统数据，建立排放预测模。再进一步的，模型的建立依赖历史数据，历史数据会根据时间段和产品做具体的归类和划分，算法数据经过关联与特征工程化后的数据，输出粉尘和氨气的排放预测，包括关键因素原理介绍和特征选择。再进一步的，所述的关键因素原理介绍采用：随机森林法：进行特征的重要性度量，选择重要性较高的特征；或者最大信息系数(MIC)法：基本的重要特征量识别可计算参数与优化目标坚的线性相关和非线性相关性。再进一步的，所述的特征选择：采用去掉取值变化小的特征法，或者Pearson相关系数法，或者最大信息系数(MIC)法，或者随机森林法。本专利技术的技术效果在于：通过本专利技术建模处理系统建立一套数据上云的化工数据分析系统，从而优化生产、管理和服务的化工工业基础及环境。从而实现具体的应用：1)优化复合肥生产过程，使养分等指标在满足行业标准的同时，降低其不确定性，从而达到降低物料成本的目的；2)通过优化工艺参数，降低排放，降低减排等措施对生产的影响，并且同时提高原料的利用率。附图说明图1为数据上云的化工数据分析系统的结构简图；图2为数据链路架构即实时上云数据架构结构图；图3为数据链路流程图；图4-图11为本专利技术具体实施应用在化工复合肥领域的附图，其本文档来自技高网...

【技术保护点】
1.一种基于工业大数据和工业物联网的化工工艺建模处理系统，包括设置于化工厂区的数据采集单元(20)，所述的数据采集单元(20)上设置数据统计模块(21)；工业大数据处理单元(30)，所述的工业大数据处理单元(30)包括数据分析模块(33)，建模模块(34)，报表模块(35)；其特征在于：/n所述的数据采集单元(20)采集业务系统数据，所述的业务系统数据包括化工生产过程DCS数据和化工生产品类计划生产报表数据；所述的DCS数据包括化工生产中各个过程相应的参数，包括流量类数据、压力类数据、温度类数据、风量数据、电流数据、优化目标类数据，所述的优化目标类数据包括成品量、尾气含尘量、尾气含氨量数据，所述的DCS数据导出后对获取到的数据进行基本情况筛查，将不属于化工生产过程相应的参数范围的数据剔除，并将筛查后的数据传输至数据统计模块(21)中；/n数据统计模块(21)的数据传输至工业大数据处理单元(30)的数据分析模块(33)，所述的数据分析模块(33)对数据统计模块(21)的数据通过绘制各项数据的时序曲线，统计各个数据分布情况，再通过数据散点图分析或者线性相关性分析供所述的建模模块(34)建模；所述的建模模块(34)包括数据清洗子模块和数据关联子模块，所述的数据清洗子模块对不合理数据清洗和缺失值填充；所述的工业大数据处理单元(30)利用建模模块(34)数据建模后进行算法建模；/n所述的建模模块(33)首先利用历史数据进行推荐算法模块建模；最后进行推荐算法实地验证并迭代。/n...

【技术特征摘要】
1.一种基于工业大数据和工业物联网的化工工艺建模处理系统，包括设置于化工厂区的数据采集单元(20)，所述的数据采集单元(20)上设置数据统计模块(21)；工业大数据处理单元(30)，所述的工业大数据处理单元(30)包括数据分析模块(33)，建模模块(34)，报表模块(35)；其特征在于：
所述的数据采集单元(20)采集业务系统数据，所述的业务系统数据包括化工生产过程DCS数据和化工生产品类计划生产报表数据；所述的DCS数据包括化工生产中各个过程相应的参数，包括流量类数据、压力类数据、温度类数据、风量数据、电流数据、优化目标类数据，所述的优化目标类数据包括成品量、尾气含尘量、尾气含氨量数据，所述的DCS数据导出后对获取到的数据进行基本情况筛查，将不属于化工生产过程相应的参数范围的数据剔除，并将筛查后的数据传输至数据统计模块(21)中；
数据统计模块(21)的数据传输至工业大数据处理单元(30)的数据分析模块(33)，所述的数据分析模块(33)对数据统计模块(21)的数据通过绘制各项数据的时序曲线，统计各个数据分布情况，再通过数据散点图分析或者线性相关性分析供所述的建模模块(34)建模；所述的建模模块(34)包括数据清洗子模块和数据关联子模块，所述的数据清洗子模块对不合理数据清洗和缺失值填充；所述的工业大数据处理单元(30)利用建模模块(34)数据建模后进行算法建模；
所述的建模模块(33)首先利用历史数据进行推荐算法模块建模；最后进行推荐算法实地验证并迭代。


2.根据权利要求1所述的基于工业大数据和工业物联网的化工工艺建模处理系统，其特征在于：推荐算法模块建模的模型为时序预测模型或者取最优模型。


3.根据权利要求2所述的基于工业大数据和工业物联网的化工工艺建模处理系统，其特征在于：推荐算法实地验证的基本步骤：
1)、根据经验，结合决策树优化结果，挑选合理可控的工艺优化方案，形成优化规则进行实施；
2)、根据经验，选择较差样本的节点，识别出不良产品的工艺参数，形成规避规则进行实施；
3)、选择其中一条产线进行为期一周的实验；
4)、选择AB法交替实验，...

【专利技术属性】
技术研发人员：潘明，芮强，
申请(专利权)人：合肥力拓云计算科技有限公司，
类型：发明
国别省市：安徽;34