基于工業互聯網平臺的流程行業生產線數字孿生應用案例
一、項目背景
1、企業簡介
恒力石化股份有限公司是世界500強企業恒力集團的核心上市子公司，于2016年在上海證券交易所主板上市。恒力集團2019年總營收5567億元,現位列世界500強第181位、中國企業500強第46位、中國民營企業500強第8位、中國制造業企業500強第13位，獲國務院頒發的“國家科技進步獎”和“全國就業先進企業”等殊榮。
公司具備國家高新技術企業資質，行業創新核心技術專利達146項，牽頭工信部智能制造新模式應用項目，公司所在大連市為上年度國務院表揚激勵的工業穩增長和轉型升級成效明顯市。
目前，恒力石化在工業互聯網基礎建設方面已初見成效，現已實現生產自動化、DCS閉環控制全覆蓋；基礎網絡、通信、調度、廣播等系統已實現“融合通信”，視頻監控系統實現了廠區無死角式全覆蓋；ERP、MES、設備管理、安環、LIMS等上層應用系統已經進入深化應用階段。
2、項目情況
基于工業互聯網平臺的流程行業生產線數字孿生系統，建設周期2019.6-2021.12，實施單位為恒力石化股份有限公司、國家工業信息安全發展研究中心、中國化工經濟技術發展中心、北京航空航天大學、北京化工大學、北京綏通科技發展有限公司、蘇州恒力智能科技有限公司、中科數智（北京）科技有限公司、恒力石化（大連）煉化有限公司、恒力石化（大連）有限公司、恒力石化（大連）化工有限公司。項目立項的必要性如下：
一是智能制造戰略落地與創新性應用的需要
實現智能制造是世界制造業轉型升級的重大趨勢，但踐行智能制造研究與實施中的重點和難點是如何解決物理世界和信息世界之間交互與共融。基于工業互聯網平臺的數字孿生生產線通過物理生產線與虛擬生產線的雙向真實映射與實時交互，達成生產線生產和管控最優，是智能制造戰略真正落地的抓手，是智能制造創新性應用的新模式。
二是流程行業轉型升級與高質量發展的要求
流程行業中的石化行業具有安全形勢嚴峻、環保標準嚴格、人工成本高以及能耗物耗成本高等特點，行業轉型升級需求迫切。基于工業互聯網平臺的數字孿生生產線系統，能夠將生產線的信息世界與物理世界深度融合，實現企業“人、機、料、法、環、測”全要素的智能感知互聯、實時交互與控制，支撐企業智能協作和提供更加精準的服務，加快轉型升級。
三是石化企業提質增效與可持續發展的需要
受新能源應用和市場影響，石化企業正走向“煉油化工化”，面向燃料油的大批量的生產模式轉向多品種小批量化工生產模式。基于工業互聯網平臺，建立面向原料、產品需求、公用工程約束頻繁變化的煉油生產過程數字孿生系統，能夠適應 “煉油化工化”新模式，實現石化企業提質增效、安全平穩運行的可持續發展目標。
圍繞流程行業智能化轉型升級的迫切需求，首先完善基于工業互聯網平臺的流程行業生產線數字孿生系統體系架構，并以此為指導，面向流程行業產品與生產線感知、分析、決策和執行等過程建立數字孿生對象模型。通過研究信息物理融合計算方法，提升多時空尺度模型的統一計算求解能力，時間尺度覆蓋秒、分、小時，空間尺度覆蓋設備、工序、產線、數字孿生系統，優化關鍵工藝性能指標的模型預測功能。在此功能的基礎上，進一步完善支持物料配方優化、工藝參數設計與仿真、生產過程建模與控制、設備故障診斷與遠程運維等關鍵場景應用的數字孿生解決方案，服務石化等流程行業。
生產線數字孿生系統的目標是通過物理生產線與虛擬生產線的雙向真實映射與實時交互，達成生產線生產和管控最優。要實現該目標，需要以生產實時數據為驅動、數字孿生模型為引擎、數字孿生應用為抓手。
二、項目實施
依托工業互聯網平臺，基于工業互聯網平臺的流程行業生產線數字孿生系統提供基于數字孿生技術的物料配方優化、工藝參數設計與仿真、生產過程建模與控制、產品質量管理、設備故障診斷與遠程運維、腐蝕管理6個解決方案。
（一）物料配方優化
物料配方解決方案適用于原料、產品需求變化較多的生產線，主要方法為多模型優化控制和質量卡邊優化。
多模型優化控制一般用于生產過程非線性、原料性質變化、負荷變化、產品加工方案等對軟測量模型和控制模型的參數有較大影響時，能夠提高優化的適應性，解決多樣化的原料來源和產品需求問題。通過對優化性能、控制（動態調節）性能、模型預估性能和過程干擾性能進行分析和報告，控制工程師可以根據這些結果來確定控制器性能的改變并改善控制器性能，如下圖所示：
圖1 數字孿生系統物料配方優化解決方案示意圖
但石化生產過程物料變化頻繁、裝置耦合復雜、多層次運行，物質轉化和能量傳遞機理復雜，傳統的機理建模往往難以精確描述復雜過程物質流和能量流耦合、傳遞與反應等關系；數據驅動的建模由于缺乏過程單元內部結構和機理信息，嚴重依賴于數據樣本的數量和質量，難以對過程機理進行深層次的分析和解釋。但是，機理分析有利于抓住過程的本質特征和主要矛盾，獲得有效的模型結構；數據驅動的方法則可以自動獲取潛藏在數據中的信息和知識。
本解決方案綜合二者的優點，采用人工智能方法挖掘海量工業數據內在的知識信息，建立融合數據和機理分析的混合模型，解決石油化工生產過程模型隨原料和產品加工方案變化的難題，開發出面向原料、產品需求變化的石油化工生產過程數字孿生模型，對優化性能、控制（動態調節）性能、模型預估性能和過程干擾性能進行分析和報告，控制工程師可以根據這些結果來確定控制器性能的改變并改善控制器性能。方案如下圖：
圖2 煉油過程多維度多層次知識提取和模型描述體系和模型建立示意圖
基于面向原料、產品需求頻繁變化的多模型描述體系和模型學習方法，本方案在優化控制中實現產品質量指標、控制模型的多模型切換控制，并實現卡邊優化。方案如下圖所示：
圖3 面向原料、產品需求變化的在線多模型優化控制和質量卡邊優化示意圖
1.案例定位
蓋 內 容 | 應用對象 | ■資產級（設備/產品） ¨ 車間級 ¨ 企業級 |
應用深度 | ¨ 描述 ¨ 診斷 ■ 預測 ¨ 處置 | |
應用領域 | ¨ 設計 ■ 生產 ¨ 管理 ¨ 運維 ¨ 設計制造一體化 ¨ 全生命周期 | |
行業 | ■流程行業：聚丙烯產品生產流程 ¨ 多品種小批量離散行業： ¨ 少品種大批量離散行業： ¨ 建筑 ¨交通 ¨ | |
重點技術 | 涉及的單一領域技術或融合技術 ¨ 仿真 ¨ IOT ¨ AI ¨ 仿真+IOT ¨ 仿真+AI ¨ IOT+AI ■ 仿真+IOT+AI 統一數據/模型語義語法技術 ¨ 管理殼 ■信息模型 ¨ MBD/MBSE/MBE
其他 ¨ 虛擬調試 ¨ 數字線程 ■ 面向對象描述 ¨ 創成式設計 ¨ 機電一體化
|
2.案例優勢分析
本案例依托工業互聯網平臺，融合過程機理和裝置運行特性，建設具有良好精度的軟測量模型，實現實際生產流程在虛擬空間中的孿生，利用智能優化算法求解熔融指數和等規度最優參數，虛擬空間模擬仿真結果與物理空間操作優化的交互，為裝置實際生產進行牌號切換提供優化運行指導。
牌號切換是一項復雜的過程，各種生產變量之間存在強烈的關聯和耦合，操作者需要調節多種生產操作條件的方法來達到牌號切換的目的。在過渡過程中會造成原料和能量的損失，減少過渡時間和過渡料量是牌號切換的優化目標。
本案例根據陶氏化學Unipol聚丙烯流化床生產工藝的原理，將聚丙烯氣相流化床工藝的109種牌號產品性質和生產條件進行收集，構建了聚丙烯牌號產品數據庫，為各牌號的聚丙烯產品之間的切換建立了配方模板，并以多種形式將聚丙烯牌號關鍵指標進行展示。
圖4 牌號數據庫查詢界面
3.實施步驟及路徑
本案例依托于恒力工業互聯網平臺，利用java spring框架結合HTML和JS技術自主研發了基于B/S架構聚丙烯裝置的牌號管理與配方優化系統，旨在對聚丙烯牌號切換的過渡過程進行仿真，使工藝用戶能夠了解牌號切換時關鍵參數的變化軌跡，深刻理解切換過渡過程各工藝變量對熔融指數和等規指數兩個產品決定性指標的影響。重點開發了聚丙烯氣相流化床系統靜態機理模型，并通過梯度下降，PSO等優化技術對熔融指數、等規度機理方程組進行優化求解，從而構建了熔融指數和等規度的軟測量模型。本案例對牌號切換的過渡過程進行推演從而可以優化操作，減少過渡產品進而提高經濟效益。
（1）建立聚丙烯關鍵質量指標軟測量模型。
依據聚丙烯反應機理，通過ip21數據庫接口，lims數據庫接口獲取聚丙烯裝置的生產數據和產品質量分析數據。將獲取的數據構建成輸入輸出數據集，利用梯度下降和PSO優化技術辨識出熔融指數、等規度指標的機理模型。
（2）建立聚丙烯物產品牌號數據庫
調研并收集Unipol工藝包中的109種牌號的產品性質和操作條件數據，將這些數據存入聚丙烯孿生系統配置的mysql數據庫中開發牌號管理數據系統實現支持數據增、改、刪、查的人機交互功能。
（3）建立聚丙烯牌號模板和操作切換軌跡演示
根據Unipol聚丙烯裝置工藝包的操作條件，建立各個牌號的配方模板。實現牌號切換人機交互界面，切換過程中將配方模板數據輸入聚合反應靜態機理模型，利用機理模型對牌號切換過程進行仿真，并以趨勢圖的形式將仿真結果進行展示，輔助進行生產過程牌號切換操作優化，減少過渡周期，降低過渡過程的成本消耗，提高收益。
4.案例推廣應用價值
聚合物反應系統牌號管理具有潛在價值的應用系統，工業聚丙烯裝置，通過改變其操作條件，可以生產各種牌號的聚丙烯產品。當從一種牌號切換到另一種牌號時，切換時間長，將產生大量附加值低的過渡產品。如果利用程序使過渡過程時間和過渡料數量減至最小是一個十分重要的研究內容。建立聚丙烯反應器的動態機理模型，結合配方模板模擬，可以實時的預報聚丙烯的熔融指數，等規度等重要產品質量指標的切換趨勢，從而對于工藝人員優化牌號切換操作具有重要的指導作用。并可以在此基礎上，提高對產品牌號切換過程進行的優化控制，提高專用料的生產量，進而提高裝置的經濟效益。因此基于工業互聯網的聚丙烯的牌號管理與配方管理數字孿生系統是具有潛在的推廣價值與市場價值的。
（二）工藝參數設計與仿真
工藝參數設計與與仿真解決方案依賴于過程的數據模型，模型參數的準確性影響化工過程數學模型的精確度，而化工過程的數學模型往往是非線性的，這些非線性方程中的參數有些是無法測量或是非常難測量的，尤其是針對具有多單元、多生產線的工藝流程的裝置。
因此，需要采用模型參數的智能化擬合技術來建立精準的裝置全流程模型，本方案結合初始化反應動力學參數，并通過智能感知、采集獲取生產過程操作數據，基于數字孿生系統，使用流程模擬軟件建立通用的石化行業高精度、自適應、自學習的數字孿生過程模型，指導工廠工藝參數調整與設計。方案如下圖所示：
圖5 數字孿生系統工藝參數設計與仿真模型建立解決方案示意圖
1.案例定位
覆 蓋 內 容 | 應用對象 | ¨ 資產級（設備/產品） √ 車間級 ¨ 企業級 |
應用深度 | √ 描述 ¨ 診斷 √ 預測 ¨ 處置 | |
應用領域 | ¨ 設計 √ 生產 ¨ 管理 ¨ 運維 ¨ 設計制造一體化 ¨ 全生命周期 | |
行業 | ¨ 流程行業： PTA生產過程 ¨ 多品種小批量離散行業： ¨ 少品種大批量離散行業： ¨ 建筑 ¨交通 ¨ | |
重點技術 | 涉及的單一領域技術或融合技術 √ 仿真 ¨ IOT ¨ AI ¨ 仿真+IOT √ 仿真+AI ¨ IOT+AI ¨ 仿真+IOT+AI 統一數據/模型語義語法技術 ¨ 管理殼 ¨ 信息模型 ¨ MBD/MBSE/MBE
其他 ¨ 虛擬調試 ¨ 數字線程 ¨ 面向對象描述 ¨ 創成式設計 ¨ 機電一體化
|
2.案例優勢分析
PTA生產線的數字孿生方案自下而上依次是裝置和基礎模型層、操作優化層。裝置實時數據通過數據接口送至機理模型層，結合智能算法對模型關鍵參數進行校正，給模型準確度提供了基本保證。在模型基礎上，結合操作條件敏感度分析，建立各操作條件與關鍵產品的產量或性質之間的非線性對應關系，并對關鍵信息進行實時預測。同時采用智能優化算法對當前工況進行優化，找到滿足約束的最佳操作條件并用圖形化界面輸出。
圖6 PTA生產線數字孿生方案示意圖
（1）數字孿生模型層
該層的主要功能是提供氧化和加氫裝置的機理模型和機理模型參數校正。
裝置的機理模型是化工過程的一種數學表達，其核心在于化工過程的傳質、傳熱和反應基本原理，可用于預測不同工藝條件下裝置的運行狀態、產品性質和收率等。一般來說，PTA裝置主要包括PX氧化和CTA加氫精制等單元。其中反應裝置是PTA裝置的核心，氧化反應主要功能在于將PX原料轉化為CTA，加氫精制反應主要功能在于將CTA轉化為PTA產品。
反應裝置機理模型的核心動力學一般是基于小試實驗得到，因而往往難以直接移植到工業裝置中。準確的工業級機理模型必須以工業運行數據為基礎，對關鍵動力學參數進行修正。PTA裝置在實際操作過程中，操作工況的改變雖不會改變過程機理，但對催化劑的要求、反應過程的傳質、傳熱平衡影響較大，一套固定的動力學參數通常無法對各種工況完全描述準確。在模型運行過程中，通過實時采集裝置運行數據與模型計算結果進行比較，以誤差作為反饋，實時對模型關鍵參數進行校正，使PTA裝置數字孿生模型的準確性大大提高。
準確的裝置模型是優化技術的基礎，也是核心。基于機理開發的裝置模型依賴于對過程的深入理解，包括各操作條件間相互關系、對過程的影響以及定量描述等，使得模型符合實際工藝過程，為下一步裝置關鍵信息實時預測提供準確、有效的模型基礎。
（2）工藝操作參數優化
工藝操作參數優化的功能主要是考慮裝置運行過程中各單元之間的聯系和約束，如加氫精制結晶器蒸汽與預熱蒸汽的供應關系等，采用智能優化方法使PTA裝置整體在滿足產品合格率的情況下實現目標產品收率或效益最大化。
根據PTA裝置關鍵指標最優化為目標要求，需要根據不同單元在不同的運行狀況下的約束模型對PTA裝置進行優化。由于PTA裝置涉及的關鍵單元多，某個單元的操作條件變化會對上下游裝置帶來很大影響，在運行過程中，隨著運行時間的推移和工業裝置及工藝特性變化，各單元的約束條件也在實時的發生變化。PTA裝置的優化需要同時優化變量篩選、目標計算、優化算法等。
3.實施步驟及路徑
給出具體的項目實施步驟，分析每個實施步驟的實施細節，涵蓋運用的具體技術及使用的軟硬件工具。
本案例從恒力石化PTA生產過程以及工業互聯網平臺建設需求出發，針對PTA生產過程數字孿生模型和全流程優化控制中存在的問題，對PTA裝置實施融合機理和運行特性的全流程智能優化技術，真實再現工藝裝置的流程信息，實現對工藝裝置的可視化的洞察，包括對能量、質量的平衡、物流組成、操作條件、性能指標的了解，對不同工況的仿真和預測，對實時生產操作條件指導等，重點研發了PTA裝置數字孿生建模、模型自動校正與實時仿真、工藝參數操作優化技術，從而幫助企業的各個部門實現多方位的協作，實現企業的安全穩定長周期滿負荷優化運行，實現企業生產的最大經濟效益，提高競爭力。
1）PTA裝置機理模型開發
根據恒力石化PTA生產裝置的具體工藝流程，采用.net core框架自主開發PX氧化和CTA加氫精制的機理建模，實現裝置生產模擬。具體內容如下：
機理模型構建： 基于氧化反應過程和加氫精制反應過程基本原理和裝置特性建立能反映原料性質、工藝參數與產品性質之間關系的全流程機理模型。
模型自動校正： 在機理模型基礎上，基于裝置實時運行數據，根據模擬計算預測結果與實際運行數據之間的偏差，調用智能優化算法，以偏差最小化為優化目標，獲得模型最佳參數。
2）生產裝置實時仿真與工藝參數操作優化
在工藝機理模型自動校正和運行數據實時更新的基礎上，實現裝置模型實時仿真。同時，對影響生產過程的關鍵變量進行辨識，結合市場信息，構建效益最大化目標函數，并確定約束范圍，利用高效的智能優化方法實現工藝操作參數優化。
通過機理模型自動校正，實現模型實時仿真，并與實際運行結果進行實時對比展示。
全流程關鍵影響因素辨識與效益模型：基于過程模型和實際運行數據，采用主元分析方法、靈敏度分析方法結合專家經驗知識，從大規模數據中辨識出影響過程關鍵指標的變量并確定其變化范圍，在此基礎上，綜合裝置實際運行信息，建立工藝指標最優化模型。
裝置操作優化：從經濟效益角度出發，根據實際裝置情況和當前PTA產品價格，在不同的進料以及工藝參數條件下通過模型和優化算法優化得到價值最大化的裝置相應操作條件。對產品關鍵指標、裝置能耗進行預測，并與當前產品質量、裝置能耗的實際值比較，累計得到模型的偏差小時平均值，同時結合當前產品價格，以最大化凈利潤為目標，獲得最優裝置操作條件，并根據模型的偏差平均值對操作條件進行校正，校正后的結果經過限幅處理后，作為裝置操作優化的參考值。
3）PTA全流程數字孿生工業互聯網平臺構建
在PTA全流程數字孿生模型、優化方法的基礎上，開發工業互聯網平臺，實現以下功能：
數字孿生模型構建與在線滾動校正
開發PTA氧化和加氫工段的機理模型，通過接口技術將實時數據庫、LIMS數據等現場數據接入模型，調用智能優化算法，實現機理模型在線自動校正，提升單裝置和全流程模型的準確性。
工藝流程操作參數優化以單裝置/全流程效益最大化或單位能耗最小化等為指標構建優化目標函數，開發適應工業海量數據的高效優化器，可根據目標函數和指定操作變量、約束條件，調用機理模型進行求解，并輸出優化后的操作條件，提升企業生產效益。
結果發布
在上述功能基礎上，開發結果發布的功能，采集DCS實時數據、LIMS數據等現場數據，采用接口技術將數據送入模型，通過模型參數優化程序等實現模型的實時校正。在準確模型的基礎上，通過調用優化器優化過程操作條件。同時，將上述信息顯示并發布到工業互聯網平臺。
4)案例展示
PTA仿真優化系統主要包括兩部分，第一部分是模型仿真，主要用來驗證模型在長周期運行下的精度和自動校正功能。第二部分是裝置操作優化，主要以裝置關鍵指標為優化目標，裝置的溫度、壓力、進料量等變量為操作條件，裝置瓶頸為約束條件，調用自主開發的智能優化器進行優化，并輸出優化結果和優化后的操作方案。
仿真系統
仿真系統以機理模型為核心，采用接口技術將現場工藝數據實時送入模型中，并將模型計算結果與實際結果進行對比。當工況發生變化時，自動觸發模型校正機制，對模型關鍵參數進行校正，保證模型在長周期運行中的準確性，為優化系統提供準確的模型基礎。仿真系統的部分結果對比如下圖所示，圖中給出了氧化過程產品關鍵指標4-CBA含量的模擬輸出結果和實際結果的對比曲線，可以看出，模型模擬結果與實際結果非常接近，且在長期運行情況下能夠及時對模型參數進行校正。
圖7 氧化過程出口4-CBA質量分數對比曲線示意圖
操作優化系統
圖8 操作優化系統示意圖
操作優化系統同樣以機理模型為核心，采用接口技術與智能優化算法求解器集成。工藝人員可以按需給定操作條件、約束條件的上下限，調整優化迭代次數，最終通過優化器調用模型求解計算出最優的操作條件。操作優化系統的部分界面如上圖所示，其中，包括操作條件上下限的輸入、約束條件的輸入、優化目標選擇等權限，可以進行調整和模擬。優化求解采用一鍵式求解，優化結果采用報表形式輸出，下圖為工藝員在以氧化裝置醋酸單耗最小為目標，以進料量和反應溫度為操作條件進行的優化求解結果，可以看出，優化結果給出了優化后的關鍵變量操作方式和優化結果，能夠使醋酸單耗下降0.31kg/t.PTA,極大地方便了操作人員優化方案的設計和編制。對工藝生產操作優化具有指導作用。
圖9 報表展示圖
4.案例推廣應用價值
本案例在流程工業特別是石化行業具有較大的推廣價值。開展流程工業的過程建模優化技術是企業進一步深化認識流程生產過程的規律、提高裝置運行效率、實現節能降耗的根本需求，這對我國目前大型石油化工裝置普遍采用國外引進技術，缺乏核心技術的現狀而言，具有重要意義；我國石油化工行業的物耗能耗指標和發達國家先進水平相比，尚存在很大的下降空間，針對現有裝置、現有生產過程，在運行過程中對裝置進行優化和調整，改善資源利用效率，減少運行中的物耗能耗，對加工量大，流程復雜的煉化行業實現資源與效益最大化具有重要作用；由于技術保密和商業目的，國外的流程模擬優化軟件包價格昂貴，并且，一個許可證只能在一臺電腦上使用。只要建立相應裝置工藝過程的機理模型，本案例的研究成果根據實際過程機理和現場裝置情況修改即可移植到其它工藝過程中去，具有很強的在相關行業中的推廣應用價值。
（三）生產過程建模與控制
通用的生產過程建模與控制解決方案，包括數據采集、大數據處理、機理建模/數據建模、可視化、離線和實時優化、控制系統。
本方案采用先進的建模、多變量模型預測控制（MPC）、軟測量技術等手段，對裝置或工藝單元進行多變量協調優化控制。具體技術實現是在工業互聯網平臺的基礎上，以數字孿生系統的動態實測虛擬空間多維模型為基礎，兼前饋、反饋、滾動優化為一體，在裝置操作平穩的基礎上，在每一個運行周期（一般為1分鐘）根據裝置約束條件，通過穩態優化（LP或QP）算法尋找裝置效益最佳操作點，并通過動態控制器驅動裝置平穩的向最佳操作點靠近，以實現卡邊操作，從而提高高價值產品收率、降低裝置能耗之目的。方案如下圖所示：
圖10 數字孿生系統生產過程建模與控制建模通用解決方案示意圖
1.案例定位
覆 蓋 內 容 | 應用對象 | ¨ 資產級（設備/產品） ■ 車間級 ¨ 企業級 |
應用深度 | ¨ 描述 ¨ 診斷 ■ 預測 ¨ 處置 | |
應用領域 | ¨ 設計 ■ 生產 ¨ 管理 ¨ 運維 ¨ 設計制造一體化 ¨ 全生命周期 | |
行業 | ■ 流程行業： 煉油（常減壓裝置） ¨ 多品種小批量離散行業： ¨ 少品種大批量離散行業： ¨ 建筑 ¨交通 ¨ | |
重點技術 | 涉及的單一領域技術或融合技術 ¨ 仿真 ¨ IOT ¨ AI ¨ 仿真+IOT ■ 仿真+AI ¨ IOT+AI ¨ 仿真+IOT+AI 統一數據/模型語義語法技術 ¨ 管理殼 ¨ 信息模型 ¨ MBD/MBSE/MBE
其他 ¨ 虛擬調試 ¨ 數字線程 ¨ 面向對象描述 ¨ 創成式設計 ¨ 機電一體化
|
2.案例優勢分析
本案例通過先進的建模、多變量模型預測控制（MPC）、軟測量技術等手段，對裝置或工藝單元進行多變量協調優化控制。具體技術實現是在工業互聯網平臺的基礎上，以數字孿生系統的動態實測虛擬空間多維模型為基礎，兼前饋、反饋、滾動優化為一體，在裝置操作平穩的基礎上，在每一個運行周期（一般為1分鐘）根據裝置約束條件，通過穩態優化（LP或QP）算法尋找裝置效益最佳操作點，并通過動態控制器驅動裝置平穩的向最佳操作點靠近，以實現卡邊操作，從而提高高價值產品收率、降低裝置能耗。
通過建設高仿真度的生產過程建模與控制仿真平臺，依托工業互聯網和云服務平臺，實現產品質量建模、優化控制建模、閉環優化控制仿真、產品質量預報和管理等各個環節在虛擬空間中的全流程覆蓋，形成虛擬空間的數字孿生系統，實現虛擬空間與物理空間的實時交互，最終為裝置優化控制提供有效指導并形成信息閉環。
圖11
數字孿生系統的特色技術包括：
（1）面向生產過程運行的不同操作方案，包括不同原料方案（如常減壓裝置原油性質不同）、不同產品方案（如常減壓裝置產品優化為多出PX、多出航空煤油或者多出乙烯裂解料等化工輕油方案，聚丙烯裝置不同聚丙烯牌號生產）、不同操作條件（如常減壓裝置產品的干點指標要求變化，裝置的關鍵非線性相關變量變化），建立適用于每個工作方案下的產品質量預報模型和預測控制模型，構成完備的生產過程數字孿生模型集，基于物理空間產品質量化驗數據對模型性能進行實時評價、實時更新，并基于演示平臺進行展示和仿真比較優化操作方案，對物理空間的應用進行指導。
（2）基于建立的生產過程數字孿生模型集，實現生產過程的實時模擬仿真及變量預報，提供在虛擬空間對實際生產過程的實時仿真和預報功能。
（3）在虛擬空間，根據原油狀況與產品質量管理需求，從數字孿生模型集中選取對應的預報模型實現產品質量實時預報與評價。基于數字孿生模型集中的預測控制模型，通過閉環控制仿真形式進行優化控制預報，包括對被控變量控制效果的預報和裝置經濟指標變化的預報。根據操作方案的變化以及對關鍵非線性相關變量的自動判斷，在模型集的多個預測控制模型之間進行自動智能切換，從而實現控制系統的數字孿生，并基于演示平臺進行展示。
（4）使用上述生產過程的數字孿生及其控制系統的數字孿生，實現基于數字孿生模型集的產品質量預報和優化控制預報，并基于預報進行操作決策。基于工業互聯網平臺，根據虛擬空間的操作決策結果，選擇匹配目前生產狀況的模型和參數，以及未來對模型和參數的操作切換方案，從而實現虛擬空間在模型、參數和操作上對物理空間過程生產運行的指導。
3.實施步驟及路徑
給出具體的項目實施步驟，分析每個實施步驟的實施細節，涵蓋運用的具體技術及使用的軟硬件工具。
1）開發云服務模式的生產過程產品質量建模、動態控制建模和控制器設計工具軟件
采用B/S結構的基于ASP.net的云服務程序方式實現產品質量模型建模軟件、預測控制模型建模軟件、預測控制參數組態與離線仿真軟件等工具軟件，實現人機交互的建模與仿真，輔助進行生產過程優化控制系統的設計，用于產品質量預報和管理。
各軟件的主要功能點包括：
a）產品質量建模
按照已經制定的軟測量模型方案，從上傳的數據文件中讀取生產過程歷史數據和產品質量化驗歷史數據，實現數據自動清洗，
圖12 變量曲線折線圖
并基于慢特征回歸、深度學習等先進建模方法建立動態軟測量模型。
圖13 動態模型訓練
保存所建立的模型，并將建模過程在訓練集、測試集上的計算結果保存到文件。
圖14 動態模型訓練集、測試集
b）預測控制建模
按照已經制定的動態控制模型方案，從上傳的數據文件中讀取生產過程歷史數據和產品質量軟測量歷史數據，按照被控變量、操作變量、干擾變量分類
圖15 模型結構設置
之后，按照生產方案（如果生產過程非線性比較強，還要按生產工況的關鍵變量分區域）分成多個數據集，分別進行自動數據清洗，利用稀疏學習等新的辨識建模方法進行過程辨識，先后建立FIR和傳遞函數形式的動態控制模型集。
圖16 動態控制模型集
c）閉環控制組態與仿真：
使用已建立的動態控制模型集，對控制變量常規參數進行組態，之后對模型集面向不同的生產方案的各個模型分別進行控制、優化參數的設計和組態。
圖17
基于當前的工況（各變量最新的歷史數據）和通過界面給出的未來的生產方案和操作條件，使用對應的動態控制模型和參數（如果未來的生產方案有變化，那么對應有模型和參數的切換），對閉環控制進行仿真，推演未來的各被控變量及經濟指標的變化趨勢。
圖18
基于這些未來的控制效果和經濟指標方面的預測，對物理空間實體的控制模型和參數切換給出指導建議。
2）數字孿生系統
a）生產過程數字孿生
基于動態控制建模工具軟件，建立生產過程的數字孿生，即預測控制模型。
建模采用多模型方案，多模型的劃分依據包括：
原料方案不同：常減壓裝置的原油性質不同，反映在進料為多種原油按一定配比混合而成，原油品種及其配比發生變化。
產品方案不同：常減壓裝置產品進行卡邊優化，如果航空煤油產品價值比較高，則優化方向為航空煤油的初餾點盡可能低，干點盡可能高；如果石腦油生產PX，柴油經加氫裂化生產乙烯裂解料等化工輕油，這些產品價值更高，則優化方向相反。聚丙烯裝置生產多種牌號的聚丙烯產品，牌號不同則生產過程的特性不同。
操作條件不同：常減壓裝置產品如柴油的干點指標廠控要求發生變化，裝置的關鍵非線性相關變量。
面向這些不同的條件變化，分析其對生產過程動態特性的影響，建立適用于每個操作方案下的產品質量預報模型和預測控制模型，從而構成生產過程的數字孿生模型集。
b）控制系統的數字孿生
基于控制器設計工具軟件，建立控制系統結構和參數，實現控制系統的數字孿生，根據原油與產品質量管理所給出的當前操作方案，基于數字孿生模型集中對應當前操作方案的產品質量預報模型，進行產品質量實時預報。基于數字孿生模型集中的預測控制模型，通過閉環控制仿真形式進行優化控制預報，包括對被控變量控制效果的預報和裝置經濟指標變化的預報，從而構成了控制系統的數字孿生。
c）基于數字孿生的預報并對物理空間進行指導
基于數字孿生的產品質量預報用于顯示產品質量變量的計算結果，并與化驗值進行對比和統計分析，其中關鍵的產品質量預報如下圖所示
圖19
全部的產品質量預報則如下圖所示：
圖20
曲線圖顯示了不同產品質量變量的實時仿真計算曲線（周期為1分鐘）及與廠控限的安全裕量。
同時展示了不同產品質量變量的仿真計算曲線、化驗值曲線及與廠控限的安全裕量，用于對生產操作的產品質量裕量進行優化調整。
圖21
基于數字孿生的優化控制仿真預報根據原油與產品質量管理所給出的操作方案（即優化控制仿真預報的參數）的變化以及對關鍵非線性相關變量的自動判斷，在模型集的多個預測控制模型之間進行適時自動切換。例如，常減壓進料的配比計劃在1小時后發生變化，那么未來模型切換時間和切換前后的閉環控制效果、對裝置經濟指標的影響都可以通過虛擬空間的控制仿真進行推演。如下圖所示。
圖22
原油與產品質量管理根據產品質量預報和產品質量化驗結果，針對模型失配對產品質量預報模型進行再學習，進而對產品質量預報模型進行更新，對物理空間的產品質量預報模型進行指導。
使用上述生產過程的數字孿生及其控制系統的數字孿生，實現基于數字孿生模型集的產品質量預報和優化控制預報，并基于預報進行操作決策。基于工業互聯網平臺，根據虛擬空間的操作決策結果，選擇匹配目前生產狀況的模型和參數，以及未來對模型和參數的操作切換方案，從而實現虛擬空間在模型、參數和操作上對物理空間的指導。
4.案例推廣應用價值
若本案例有向其他行業或領域推廣的經驗，描述一下具體的推廣場景。若未形成推廣應用，分析一下潛在的規模推廣價值。本案例面向流程行業不同流程使用了虛擬空間多時空尺度模型，用于建立數字孿生系統的模型。
從煉油生產過程全局出發，提出了全流程集成優化控制與調度優化的綜合解決思路，給出一種面向原油性質分類和有限操作優化模式的多維模型描述結構。該模型描述體系按原油性質和有限種操作優化模式分類建模，使原來隨機問題轉換為工程意義上的確定性建模問題。基于該多維關鍵產品質量控制指標預報模型、優化控制模型描述體系，基于大數據解析、深度學習、人工智能、建模等技術實現高精度、高可靠性的產品質量估計和預報、優化控制數字孿生對象模型建立，解決過程模型隨原料和產品加工方案變化的難題，達到提高裝置高價值產品收率、節能降耗、安全平穩運行的目標，并為實現煉化一體化生產過程全流程集成優化控制與計劃調度優化的綜合解決方案提供基礎。本案例的研究成果根據實際過程機理和現場裝置情況修改即可移植到其它生產裝置中去，具有很強的推廣應用價值。
（四）產品質量管理
本方案充分利用先進的自動采集、分析檢驗儀器設備，構建基于工業互聯網平臺的產品質量管理系統，通過實時的數據采集與傳輸，將產品實時的質量參數同步至數字孿生系統構建的多時空尺度預測模型中，通過理論模型的分析獲取產品質量偏差，進行卡邊優化，實現產品質量的最優管理。
通過對原材料選購、入廠、加工、產品出廠到用戶服務的所有環節質量的監控，建立物料走向模型、物料質量傳遞模型、物料質量與工藝參數相關性模型，實現“實驗室基礎—質量監控—質量追溯—質量預測”一體化功能。方案如下圖所示：
圖23 數字孿生系統質量管理解決方案圖
1.案例定位
覆 蓋 內 容 | 應用對象 | ■資產級（設備/產品） ¨ 車間級 ¨ 企業級 |
應用深度 | ¨ 描述 ¨ 診斷 ■ 預測 ¨ 處置 | |
應用領域 | ¨ 設計 ■ 生產 ¨ 管理 ¨ 運維 ¨ 設計制造一體化 ¨ 全生命周期 | |
行業 | ■流程行業：聚丙烯產品生產流程 ¨ 多品種小批量離散行業： ¨ 少品種大批量離散行業： ¨ 建筑 ¨交通 ¨ | |
重點技術 | 涉及的單一領域技術或融合技術 ¨ 仿真 ¨ IOT ¨ AI ¨ 仿真+IOT ¨ 仿真+AI ¨ IOT+AI ■ 仿真+IOT+AI 統一數據/模型語義語法技術 ¨ 管理殼 ■信息模型 ¨ MBD/MBSE/MBE
其他 ¨ 虛擬調試 ¨ 數字線程 ■ 面向對象描述 ¨ 創成式設計 ¨ 機電一體化 |
2.案例優勢分析
（一）基于六西格瑪質量管理體系的生產過程統計
六西格瑪管理是一套成熟的質量管理體系，這套體系通過持續改進產品、服務和過程的質量，實現用戶滿意。 它通過系統地、集成地采用質量改進流程，實現無缺陷的過程設計，并對現有過程進行過程定義、測量、分析、改進和評價，消除過程缺陷和變異，從而提高質量和服務，降低成本。該系統可以探索出影響關鍵產品特性的因素，并確定少數的關鍵因素，對其優化。
統計過程控制是現代化工業生產中確保產品質量和可靠性的核心方法之一, 而過程能力指數則是度量一個工業過程能力的重要指標。研究過程能力指數的前提條件就是過程要處于統計控制狀態，其中的某些變量是可以檢測的，這個過程中采集的數據的分布不應該是隨意變化的，應該服從某單一分布通常為正態分布，或至少接近正態分布，且檢測變量的觀察值是相互獨立的從實用的角度出發，通常情況下，要求檢測變量服從正態分布。對于過程質量控制主要考慮以下兩個重要指標。
工藝過程生產能力（Cpk：Process capability）定義為一個穩定過程的固有變差的總范圍，以6來表述，它反映的是過程的固有能力。它的基本特征為：(1) 過程處于統計穩定狀態；(2) 過程的各測量值服從正態分布；(3) 測量變差相對較小；(4) 僅由于普通原因產生的過程變差, 可以通過R / d2來估算。
工藝過程性能（Ppk：Process Performance）定義的是一個過程變差的總范圍，以6s來表述，反映的是當前過程的狀態。它的基本特征為：(1) 可以隨時反映實時過程的性能；(2) 當前的過程狀態不一定很清晰；(3) 過程變差包括了普通和特殊兩種原因所造成的變差原因，可用樣本標準偏差S 來估算。
（二）基于數據驅動產品質量指標軟測量監測模型
在實施智能控制時，需要對產品的質量指標進行閉環控制，但由于經濟或技術的原因（如在線分析儀價格昂貴，或者在惡劣的工作環境下無法正常工作），這些質量指標難以進行在線測量，只能通過離線實驗室分析得到分析值。但是實驗室分析數據往往存在長時間滯后的問題，無法滿足在線實時控制和優化操作的要求。
以本項目聚丙烯裝置為例，在線實時計算的質量指標主要有：熔融指數、等規度、堆積密度、鋁、鈦、鋁等。以上指標計算通過數據建模服務軟件來完成，該軟件基于LSTM神經網絡的數據驅動模型對目標指標進行預報。
無論采用何種方法建立的軟測量模型，都是基于現場采集得到的數據經過優化建模而得，但生產裝置在實際運行過程中，隨著操作條件的變化，其過程對象特性不可避免地發生變化和漂移，所以依據過去工況建立的模型在對后面的參數進行估計時可能會存在一定的誤差。為使計算結果趨于真值，必須對模型在實際使用過程中進行在線校正以提高模型的計算精度。
3.實施步驟及路徑
本案例依托于恒力工業互聯網平臺，利用java spring框架結合HTML和JS技術自主研發了基于B/S架構聚丙烯裝置的產品質量管理系統旨在輔助工藝人員實現對于生產過程的平穩操作進而提高產品質量的合格率和降低因為生產波動而引起的物能耗。
1）開發過程質量管理服務軟件
將聚丙烯生產過程的統計控制與六西格瑪管理體系相結合，通過實時計算出的工藝過程生產能力指數Cpk、工藝過程性能指數Ppk、控制限與報警限的分析值，針對生產過程平穩控制給出指導建議。
圖24 生產過程質量管理
2）開發數據建模軟測量服務軟件
在產品質量的管理過程中，熔融指數、等規度、堆積密度、鋁、鈦、氯等以上指標難以進行在線測量，只能通過離線實驗室分析得到分析值。但是實驗室分析數據往往存在長時間滯后的問題，無法滿足在線實時控制和優化操作的要求。
該軟件采用基于LSTM神經網絡的數據驅動模型實現對于熔融指數、等規度、堆積密度、鋁、鈦、氯等產品質量指標的軟測量。從而保證了工藝人員可以在整個產品的生產過程中對于質量指標的實時監控，從而能滿足用戶對于實時控制質量指標的需求，有效的提高產品質量，降低成本消耗。
圖25 產品質量管理界面
3）數字孿生系統產品質量管理系統
a)生產過程質量管理
將物理空間的DCS組態鏡像表示在孿生空間中，通過生產數據庫ip21數據接口以1次/分鐘的頻率取得相應DCS點位數據，通過接口調用質量管理服務軟件對此點位的生產數據進行實時質量管理，通過實時計算出的工藝過程生產能力指數Cpk、工藝過程性能指數Ppk、控制限與報警限的分析值，針對生產過程平穩控制給出指導建議。
b)產品質量管理
通過生產數據庫ip21歷史數據接口和LIMS接口獲取開工至今的相應DCS點位歷史生產數據和產品質量分析數據，接著將獲取的生產數據與質量分析數據以時間相同為條件進行數據對齊形成數據集，然后調用產品質量管理服務軟件對熔融指數、等規度、堆積密度、鋁、鈦、氯等產品質量指標進行實時軟測量并可視化展示軟測量結果。為使計算結果趨于真值，必須對模型在實際使用過程中進行在線校正以提高模型的計算精度。
4.案例推廣應用價值
本案例所采用的的統計過程控制是一種數理統計方法應用于質量管理的過程控制工具。
統計過程控制是小概率事件原理的應用，連續假設檢驗理論應用于觀測值落入控制限內的判斷。應用于區分正常波動和異常波動，并對異常波動的預警以便采取措施。當過程受控時，過程特性一般服從穩定的隨機分布；但是失控時，過程分布將發生改變。正是利用過程波動的統計規律性對過程進行分析控制的。對異常波動的及時預警是統計過程控制最大特點，預警原理應用對檢測數據進行統計分析能夠區分生產過程中產品質量的正常波動和異常波動。
在工業的產品生產中即使操原材料、操作人員、生產設備、加工過程、測量方法、生產環境等到條件相同。生產出來每一批 產品的質量特性的實際值也并不完全相同，產品的質量特性總是存在差異，這就是質量特性的波動。將統計過程控制與六西格瑪質量管理體系相結合能更好的對制造業產品生產的整個生命周期進行質量管控，可以實現生產過程中各生產條件的平穩運行，進而實現降低能耗，物耗，提高收益的效果。同時，也可以保證產品性質的穩定保證產品具有較高的合格率，因此本案例具有較好的工業推廣價值。
（五）設備故障診斷與遠程運維
本方案在工業互聯網平臺的基礎上，應用了邊緣計算技術、工業大數據技術、人工智能技術、IoT技術，從傳感器采集數據中提取特征的趨勢曲線，通過大數據分析、挖掘能力和機器學習，提高數字孿生系統設備診斷模型精確性，為技術專家掌握及維護系統運行及提升系統診斷能力提供技術手段，實現設備故障診斷管理水平，降低工廠資產的運營風險。
本方案以及數字孿生系統的工業設備機理模型與算法，實現設備在線狀態監測、故障監測與自動診斷、設備趨勢預測等核心功能，提升設備管理的感知控制能力、故障診斷能力、預測能力、分析優化能力、決策能力。方案功能架構圖如下所示：
圖26 數字孿生系統設備故障診斷與遠程運維模塊功能架構圖
1.案例定位
覆 蓋 內 容 | 應用對象 | n 資產級（設備/產品） n 車間級 n 企業級 |
應用深度 | n 描述 n 診斷 n 預測 ¨ 處置 | |
應用領域 | ¨ 設計 n 生產 n 管理 n 運維 ¨ 設計制造一體化 ¨ 全生命周期 | |
行業 | n 流程行業： PTA裝置 ¨ 多品種小批量離散行業： ¨ 少品種大批量離散行業： ¨ 建筑 ¨交通 ¨ | |
重點技術 | 涉及的單一領域技術或融合技術 ¨ 仿真 ¨ IOT ¨ AI ¨ 仿真+IOT ¨ 仿真+AI ¨ IOT+AI n 仿真+IOT+AI 統一數據/模型語義語法技術 ¨ 管理殼 n 信息模型 ¨ MBD/MBSE/MBE
其他 ¨ 虛擬調試 ¨ 數字線程 n 面向對象描述 ¨ 創成式設計 ¨ 機電一體化
|
2.案例優勢分析
動設備數字孿生應用方案融合了機械工程、信號處理、工業大數據、機器學習、數字孿生以及工業4G等相關技術，可實現大機組、高危泵以及其他重要設備狀態自動分析與跟蹤、故障診斷與預警，精準把握設備全生命周期狀態的變遷，提升動設備管理的效率與水平，促進設備管理由事后維護、周期維護，向智能化的預知維護轉變。
運用數字孿生技術如下：
1）邊緣計算技術
邊緣計算設備主要功能包括設備運行狀態信息的采集、分析、特征提取、狀態報警以及數據管理等，同時支持多種方式數據遠程傳輸，把數據映射到設備對象的數字孿生體，是設備故障診斷與遠程維護的基礎。邊緣計算技術是基于機械工程、信號處理、4G傳輸等相關技術，實現設備就地連續不斷的數據采集、計算、分析、實時的狀態判斷及智能傳輸，在大大增加邊緣側計算數據量的同時，減少了傳輸的數據量，降低中心服務器的計算及存儲壓力，同時不遺漏關鍵數據。
2）數字孿生
設備故障診斷與遠程運維數字孿生應用，將物理設備構建一個可視的、多時空尺度的數字化孿生對象，實現直觀、快速、全面、精準地掌握設備的狀態。設備的數字化孿生對象是通過結構、時間、空間、顏色、尺度、形狀等可視化要素對物理設備進行描述，形成物理模型，模型融合工業大數據、設備機理模型與算法、行業標準、自學習、人工智能、邊緣計算等技術形成設備的數字孿生體,數據驅動對設備的智能監測，實現數字系統與物理系統之間基于數據自動流動的狀態感知、實時分析、科學決策、精準執行的閉環賦能體系，通過對設備狀態的評價，掌握企業實時生產狀態。
下圖為一個典型的設備全貌的數字化孿生可視化狀態監測方案。
圖27
3）基于工業大數據自學習模型的狀態監測
針對各類設備，利用工業大數據技術對設備相關的歷史工藝數據、振動數據進行統計分析、自學習建模，實現在線對設備狀態進行監測。傳統設備的監測閾值是由設計定義，標準比較通用，難以適應不同結構、不同工藝環境、不同運行歷史等設備行為狀態；而現場技術人員根據經驗自定義，缺乏數據以及相關技術支持，因此設備故障報警誤報與漏報嚴重。通過對設備相關的歷史工藝數據、振動數據進行統計分析、挖掘、自學習建模，可以實現對設備與流程狀態進行預知。
下圖是對設備相關工藝數據進行趨勢分析、挖掘、建模方案：
圖28
4）故障預警及自動診斷
設備數字孿生對故障預警與診斷的精確度，是決定其應用效能的關鍵指標。精確度越高，越可以更準確實時地反映設備的狀態，從而提升工廠設備預警及自動診斷水平。系統內置國內外設備監測專業的技術標準、部件參數、數學模型等，并根據不同設備的類型、結構及運行特點，設計了相應的監測與故障診斷模型。每臺設備監測與診斷智能模型多達300余個，如同300個專業工程師24小時不間斷對一臺設備狀態進行實時診斷，偵測設備狀態變遷與早期故障征兆。設備監測與診斷模式由傳統的依賴人工向智能化、小樣本向大樣本、少特征向多特征、單時刻向全周期、黑盒子向可視化方向發展，降低誤報與漏報。
下圖為往復式壓縮機氣缸工作模型的數字化孿生實例：
圖29
3.實施步驟及路徑
方案實施步驟及路徑：
1）動設備結構及所在工藝流程分析。
2）傳感器、邊緣計算、傳輸網絡安裝。
使用的軟硬件工具：邊緣計算設備
3）系統安裝，初始化設備測點、部件、模型以及相關屬性參數。
使用的軟硬件工具：ISEA建模工具。
4）試運行，閥值自學習適應，模型自學習修正。
使用的軟硬件工具：ISEA工業大數據分析、處理、建模工具；ISEA平臺軟件；
5）驗收及投用。
4.案例推廣應用價值
動設備作為工業的動力來源，設備健康是企業正常生產的保證，在流程行業一些核心關鍵設備，產生非計劃停機，企業將面臨全面停產或部分停產，損失巨大，因此案例在流程行業進行推廣應用為迫切需求。案例推廣到其他行業，例如離散行業，在國家推行數字化轉型與智能化發展的大環境下，設備智能監測及故障診斷為智能化發展中最為薄弱的環節之一，客戶逐步開始重視這方面的投入，隨著邊緣計算、大數據、5G技術、工業互聯網等相關技術的發展，終端數據的采集接入變得更加便利，進而案例推廣應用具備了非常好的基礎條件，同時也展現出非常廣闊的應用空間。
（六）腐蝕管理
本方案基于物理空間實體數字孿生模型層涵蓋資產全生命周期的屬性數據，結合物理空間實體的模型的空間位置，對資產腐蝕進行相應的管理，包括腐蝕回路劃分、抽取、檢測點規劃、檢測實施及記錄、定點測厚點標識及測厚數據管理等工作。
基于工業互聯網平臺，物理空間實體數字孿生模型集成了裝置設計資料、采購資料以及介質屬性與生產實時數據，虛擬空間多維模型可根據RBI分析結果，進行智能預警，從而指導設計全面腐蝕管理策略、制定檢測優化方案，以低成本完成腐蝕管理與規劃。數據集成示意圖如下：
圖30 數字孿生系統物理空間實體模型層數據集成及展示效果示意圖
1.案例定位
覆 蓋 內 容 | 應用對象 | ¨ 資產級（設備/產品） ■車間級 ¨ 企業級 |
應用深度 | ¨ 描述 ¨ 診斷 ■預測 ¨ 處置 | |
應用領域 | ¨ 設計 ¨ 生產 ¨ 管理 ■運維 ¨ 設計制造一體化 ¨ 全生命周期 | |
行業 | ■流程行業： 石化流程行業 ¨ 多品種小批量離散行業： ¨ 少品種大批量離散行業： ¨ 建筑 ¨交通 ¨ | |
重點技術 | 涉及的單一領域技術或融合技術 ¨ 仿真 ■ IOT ¨ AI ¨ 仿真+IOT ¨ 仿真+AI ¨ IOT+AI ¨ 仿真+IOT+AI 統一數據/模型語義語法技術 ¨ 管理殼 ■ 信息模型 ¨ MBD/MBSE/MBE
其他 ¨ 虛擬調試 ¨ 數字線程 ¨ 面向對象描述 ¨ 創成式設計 ¨ 機電一體化 場景數據融合 |
2.案例優勢分析
腐蝕損傷一直是影響煉化企業靜設備完整性，乃至生產裝置安全穩定長周期運行的主要因素之一。為有效提升設備完整性管理，腐蝕管理技術在虛擬模型上的集成優化也已成為國外先進技術的發展潮流和最佳實踐。
本項目運用智能的三維建模技術和開放的數據集成技術，對裝置腐蝕回路建立三維智能虛擬現實模型，模型集成資產的全生命周期數據以及分散在各應用系統中的資產、腐蝕監測、文檔等業務數據，實現三維智能模型與腐蝕管理業務的融合。
（1）物理空間實體模型數字孿生技術
方案采用物理空間實體模型數字孿生技術構建虛擬模型，提出物理空間實體模型層、虛擬空間多維模型層建模方法，采用孿生數據驅動的時變動態模型映射機制，實現模型對腐蝕機理、設備運行空間、時間多維動態描述。
模型涵蓋資產全生命周期的屬性數據，結合物理空間實體模型的空間位置，融合裝置設計資料、采購資料以及介質屬性與生產實時數據、運行歷史數據、檢維修數據等，在虛擬模型上可根據RBI分析結果，進行智能預警，從而指導設計全面腐蝕管理策略、制定檢測優化方案，以低成本完成腐蝕管理與規劃。
在虛擬模型上可以很方便對資產腐蝕進行相應的管理，包括腐蝕回路劃分、抽取、檢測點規劃、檢測實施及記錄、定點測厚點標識及測厚數據管理等工作，實現數據與空間位置的統一，為腐蝕分析帶來極大方便。
圖31 數字孿生系統物理空間實體模型層數據集成及展示效果示意圖
（2）動態RBI數字孿生技術
綜合考慮裝置運行工況、設備運行數據及設備腐蝕在線監測數據，建立基于實時數據分析的承壓設備動態風險分析模型。通過大量的常減壓裝置失效模式數據庫、風險分布數據庫、失效案例數據庫，結合操作工藝變化，對設備進行動態風險分析，實時掌握高風險設備的風險波動情況，為承壓設備提供實時動態的風險分析與預警，解決傳統運維由被動防控轉變為主動防控，從根本上預防和避免事故的發生，保障裝置長周期安全穩定運營，
圖32 基于多源數據融合的動態RBI分析技術
3.實施步驟及路徑
本項目具體內實施步驟如下：
（1）模型解析與轉換
三維模型作為數字化工廠最重要的數據源之一，模型轉換技術有非常重要的地位。
常減壓裝置設計模型采用的是PDMS模型，本方案的三維模型的轉換技術遵循ISO15926的標準框架，在轉換過程中確保模型在圖形、屬性、顏色、資產樹等關鍵管理要素無損失。三維模型轉換技術同時遵循工程級三維數字化孿生系統的管理要求，經多模型坐標統一、模型拼接，生成虛擬三維模型。
（２）資產屬性信息孿生
本項目資產信息孿生提供了一套較完整的解決方案，以工廠對象為載體，采用以虛擬資產為索引的方式構建資產數據中心方案，形成以三維模型為核心的數字化資產信息模型，包括設計、制造、安裝、運行、維護數據等全生命周期的動靜態數據集，這樣，讓數字孿生工廠系統不僅實現對實體資產三維外形的數字化，更實現了資產全生命周期數據的有效管理，實現了真正資產的數字孿生。
（３）建立模型與相應靜態數據關聯關系
通過工廠對象的唯一編號信息關聯該對象在設計、采購、施工各個階段的靜態數據信息。
（４）文檔數據關聯
解析文檔關聯關系，開發文檔關聯接口，以工廠對象為維度，關聯工廠設計階段、采購階段、建設階段的圖紙資料、技術說明、數據表、材料表等文檔信息，實現接受移交的文檔關聯關系。
（５）動態數據集成
一個完整的數字化資產模型除了上述靜態信息外，還包括運營維護階段的動態數據。動態數據集成是以工廠對象為載體，集成MES系統、LIMS系統、測厚系統、動態RBI系統、腐蝕系統、設備管理系統等。
（６）動態RBI分析
針對高風險設備的類型及全生命周期中可能的失效模式，以RBI評估數據庫、檢驗檢測數據庫、失效案例庫等為基礎，結合特征安全參量監測，對設備的動態風險進行分析，實時掌握高風險設備的風險情況，保障高風險設備的安全。
4.案例推廣應用價值
長期以來我國煉化行業工作重點是保障工藝的正常進行，但在復雜工況、工藝波動等條件下裝置的長周期運行要求不斷提高，對裝置及設備安全帶來嚴峻挑戰。針對近年來發生的涉及裝置的設備事故進行分析發現，傳統的以定期檢驗為主的設備安全保障技術已經不能完全適應設備長周期安全的要求。
本項目以3D數字化平臺為基礎，將相關設備運行參數、操作工藝參數及設備監測參數等數據以一定的邏輯關系組織起來，結合對設備特征安全參量的檢測監測、設備完整性分析，從而實現設備運行的動態風險分析與控制、完整性監測，失效的早期預警，實現高風險設備的精準風險控制，提高針對性和效率，保障裝置的安全，是近年來石化流程裝置設備運維技術的發展方向，具有非常重要的推廣應用價值。
三、實施效果
目前項目在實施階段，效益成果的定性定量分析也在不斷深入，根據目前的項目進度和實施情況，初步展現的實施效果如下：
1.建立面向流程行業生產線的感知、優化、控制、診斷和決策等過程的數字孿生對象模型1000余個；
2.形成多時空尺度模型的統計計算求解能力，時間尺度覆蓋秒、分、小時，空間尺度覆蓋設備、工序、產線。數字孿生系統實現關鍵工藝性能指標的模型預測，預測提前時間不少于20分鐘，預測精度不低于90%；實現異常工況的模型預測，預測提前時間不少于15分鐘，誤報率和漏報率均不低于5%（與實際現場數據對比）。
3.生產線的孿生對象支持單向、雙向以及一對多的數據同步與交換，具有閉環控制功能，關鍵性能指標控制誤差小于1%，形成可視化虛擬生產線，與現場生產線平行運行；
4.形成3條數字孿生示范生產線。
本項目實施有助于推動國家和地方規劃制定的發展目標的實現，對于提升制造業基于大數據的智能決策能力，提高產品質量，實現社會效益、企業效益和環境效益三個同步發展，調整產業結構，深化改革開放，實現行業創新具有重要意義，實施效果也會逐漸完善。
AII微信公眾號
AII頭條號