云計算、大數據、物聯網等新一代信息技術和工業(yè)化的“深度融合”，正在加速傳統(tǒng)制造企業(yè)的轉型升級。智能工廠作為智能制造的重要實踐模式，核心在于工業(yè)大數據的智能化應用。煉化企業(yè)是制造業(yè)的重要組成部分，工業(yè)大數據處理技術成為提升煉化企業(yè)核心競爭力的關鍵力量。

1 工業(yè)大數據的需求

1.1 工業(yè)大數據的概念和特征

《工業(yè)大數據白皮書（2017）》將工業(yè)大數據定義為：在工業(yè)領域中，圍繞典型智能制造模式，從客戶需求到銷售、訂單、計劃、研發(fā)、設計、工藝、制造、采購、供應、庫存、發(fā)貨和交付、售后服務、運維、報廢或回收再制造等整個產品全生命周期各個環(huán)節(jié)

所產生的各類數據及相關技術和應用的總稱。工業(yè)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征（4V特征），還有區(qū)別于其他行業(yè)大數據的自身特點和挑戰(zhàn)：(1)非結構化數據比例大，數據來源廣泛且分散：工業(yè)大數據有來源于產品生產現場工業(yè)控制網絡的監(jiān)控數據，有來源于企業(yè)現有的信息化系統(tǒng)的數據，也有來源于互聯網的供應商、消費者數據；(2)數據相關性強，既存在關聯關系，也存在因果關系：工業(yè)大數據的產生和應用都圍繞產品全生命周期、優(yōu)化生產線、改善供應鏈等，數據之間存在很強的關聯性，并且分析準確性要求高；(3)時空序列特性：工業(yè)大數據來源于工業(yè)控制網絡和各種傳感設備，具有產生頻率快、嚴重依賴采集時間、測點多、信息量大和穩(wěn)定性要求高等特點，需要采用可靠的數據采集、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(yè)領域，專業(yè)性強：工業(yè)大數據需要解決面向智能設備和智能產品的全生命周期、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(yè)的工業(yè)大數據

煉化企業(yè)作為典型流程制造模式，生產過程極其復雜，具有原料物性、生產工藝、生產裝備復雜和安全環(huán)境要求高等特點。煉化企業(yè)工業(yè)大數據應用的難點是打通企業(yè)數據采集、集成、管理、分析和應用的產業(yè)鏈條，采用數據驅動業(yè)務的數據思維方式來進行生產過程管理和創(chuàng)新業(yè)務活動。以數據采集為例，煉化企業(yè)石油加工生產過程不僅涉及多變量協(xié)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(qū)、機泵、管線、換熱設備等類型眾多的復雜生產裝備，此外，生產計劃多變、技術人員經驗不足等都是導致數據采集困難的主要原因。

煉化企業(yè)智能工廠建設將以統(tǒng)一工業(yè)大數據云平臺為中心，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(yè)信息系統(tǒng)的計算能力和數據消化能力，實現對企業(yè)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(yè)的研發(fā)、生產、運營、營銷和管理方式進行智能化創(chuàng)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(yè)持續(xù)創(chuàng)新，并不斷開發(fā)新產品、新服務。

2 工業(yè)大數據云平臺

統(tǒng)一的工業(yè)大數據云平臺能提供云計算和大數據能力，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(yè)智能工廠的按需聚合應用，支撐海量數據的分析處理，統(tǒng)一的大數據云平臺物理結構如圖1所示。

圖1

平臺基于Lambda架構搭建支持多計算模式的大數據系統(tǒng)，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并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(yè)務大數據分析應用。使用基于Hadoop的數據處理技術管理非/半結構化大數據，并用事務型數據庫支撐智能工廠在線業(yè)務系統(tǒng)，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(yè)工業(yè)大數據采集

3.1 數據采集范圍

煉化企業(yè)工業(yè)大數據種類繁多，數據采集的范圍包括：生產經營相關的業(yè)務數據，來自于企業(yè)內部高度集成的各類信息化系統(tǒng)，企業(yè)信息化系統(tǒng)如圖2所示；設備物聯數據，來自于煉化企業(yè)自動化控制程度相對較高的DCS、PLC等系統(tǒng)的感知數據；外部數據，來自于互聯網的行業(yè)、市場和競爭對手等數據。

3.2 數據采集技術

3.2.1 現場數據采集

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采集工具，結合RFID、條碼掃描器、生產監(jiān)測設備、PDA、智能終端等手段采集多源、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(huán)境（可燃有毒有害氣體、污染物、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，存儲于實時數據庫。

3.2.2 業(yè)務數據采集

融合Sqoop、Flume、Fluentd、Logstash、Chukwa、Scribe和并行ETL等多種大數據采集技術和工具，從MES、ERP、PDM、PLM、SAP和CRM等信息化系統(tǒng)采集生產經營相關業(yè)務數據，提取系統(tǒng)間共享數據，實現煉化企業(yè)主數據管理。

3.2.3 外部數據采集

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、博客等采集用戶的全網接觸數據，全網全流程數據采集示意圖如圖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(tǒng)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(tǒng)能夠快速生成相應的統(tǒng)計報表；(2)統(tǒng)計分析：運用數據統(tǒng)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，適用于上層應用具有明確的業(yè)務目標的場景；(3)數據挖掘：基于人工智能、深度學習和統(tǒng)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，適用于預測預警；(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，適用于發(fā)現和解決生產、管理、調度流程中的關鍵決策點的決策問題。借助于可視化工具進行即席查詢、多維分析、鉆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，構建煉化流程制造領域專業(yè)的基本算法模型庫。利用統(tǒng)計分析、深度學習等理論方法，設計領域專業(yè)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、制造等知識，使得工業(yè)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、鉆取溯源和推理演繹，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(fā)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(tài)化保存以供隨時調用。

5 工業(yè)大數據智能化應用

5.1 智能生產

利用煉化企業(yè)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(huán)境分析、質量事故分析（包括違反生產規(guī)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(jiān)控（視頻監(jiān)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后，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(yè)控制和管理最優(yōu)化，最大限度使用有限資源，降低工業(yè)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(fā)生一定的變化。通過實時數據感知，監(jiān)控系統(tǒng)運行狀態(tài)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(fā)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(fā)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(yōu)化算法，得到合理有效的計劃排產，并監(jiān)控計劃與實際偏差，現場動態(tài)調整計劃排產。

5.1.3 生產設備參數最優(yōu)化

基于產品生產中各個環(huán)節(jié)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(huán)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(xù)監(jiān)測數據，實現生產設備參數最優(yōu)化（見圖4）。

5.1.4 實時優(yōu)化能耗

從生產能耗角度看，通過監(jiān)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(fā)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(yōu)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(xié)同制造

利用互聯網技術，通過制造過程與信息化系統(tǒng)的深度集成，與產業(yè)鏈各環(huán)節(jié)緊密協(xié)同，構建網絡化協(xié)同制造服務平臺（見圖5）。、

從消費者需求開始，到接受產品訂單、尋求合作、采購原材料或零部件、共同進行產品生產、物流、分銷和零售，整個環(huán)節(jié)都通過互聯網聯接起來并進行實時通信，從而確保煉化企業(yè)的最終產品滿足大規(guī)?？蛻舻牟町惢?、個性化定制需求。

5.2.1 縱向集成：企業(yè)內部的協(xié)同制造

縱向集成實現企業(yè)內部各種信息化系統(tǒng)之間進行網絡協(xié)同、實時通信和數據共享。PLM、ERP、MES、SCM的協(xié)同集成實現一個產、銷、研、用深度結合于一體的協(xié)同制造，有效地解決煉化企業(yè)產品結構與工藝的設計問題，制定合適的企業(yè)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(yè)間的協(xié)同制造

煉化企業(yè)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(xié)同，也包括產業(yè)鏈上、下游企業(yè)之間的網絡協(xié)作。一方面，消費者與煉化企業(yè)通過網絡化協(xié)同共同進行石油化工產品設計與研發(fā)，消費者介入產品的設計生產過程，滿足個性化定制需求；另一方面，原材料、資本、設備等生產資源通過網絡化協(xié)同進行合理配置，組織動態(tài)的石油加工過程。通過供應鏈上各個環(huán)節(jié)的大數據采集和分析，消費者數據、煉化企業(yè)業(yè)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(yōu)化能夠持續(xù)進行，保證了煉化企業(yè)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(yè)信息化和工業(yè)化的深度融合，煉化企業(yè)智能工廠將成為煉化行業(yè)的發(fā)展愿景。煉化企業(yè)為應對解決生產和經營所亟需解決的難題，利用統(tǒng)一的大數據云平臺支撐智能生產、網絡化協(xié)同制造等智能化應用，實現產供銷存一體化運營，是建設煉化企業(yè)智能工廠的有益探索。