化工企业控制系统中信息技术的应用

前言：想要写出一篇引人入胜的文章？我们特意为您整理了化工企业控制系统中信息技术的应用范文，希望能给你带来灵感和参考，敬请阅读。

摘要：针对企业安全生产数据处理量大，不能有效科学处理，从而导致生产效率低下，装置运行稳定性不高的问题，利用先进的信息技术和算法模型，帮助企业消除信息孤岛，实现数据智能分析，生产经营更趋科学合理。

关键词：信息技术；控制系统；数据处理；智能分析

引言

新一代信息技术与工业企业深度融合，正在引发影响深远的产业变革，形成新的生产方式、产业形态、商业模式和经济增长点。数据为工业企业转型升级开辟了新途径。处于数据化的时代，企业获取、管理和利用到的数据量越来越大、种类越来越多，若能对数据进行科学的采集、组织、分析与利用，为产品全生命周期和企业生产经营各环节提供有价值的决策参考，就能提高生产率、利润率和企业综合发展水平。数据处理平台为数据的价值挖掘提供了基础能力，机器学习算法为数据的价值挖掘提供了有效手段。随着生产信息化应用的逐步深入，如何将生产过程数据整合并进行分析挖掘，从海量数据中获取更大的价值、向数据要生产力成正逐步成为企业思考和解决的问题。

1现状分析

兖矿集团国宏化工公司年产50万t甲醇，工业自动化生产能力较强，生产过程基本实现全流程DCS/PLC自动化控制，技术和工艺水平处于国内前列，产品质量稳定，生产效率较高,目前整个厂区锅炉、合成/净化/气化、空分装置均使用DCS系统进行远程控制，水处理和煤储运系统使用PLC控制系统。主要工艺环节都建设了信息系统，生产过程中的关键设备实时状态、控制开关操作能在调度系统中即时展示，数据通过IOServer应用和现场设备进行通讯，采集现场数据并存储到调度服务器中合并存储，服务器存储数据库是SQLserver，无法应对更大量数据存储，且厂区内只有当天数据被存储，其他历史数据通过公共机远程传输到远程服务器中长期存储。

2存在问题

装置运行的稳定性不高。由于化工生产工艺繁杂，从上游的水煤浆制备到气化反应制合成气，再到煤气的变换、低洗、甲醇合成，中间很多工艺虽然实现了小回路自动化控制，但装置级的大回路难以实现自动控制，对于关键的参数设置和调节仍然主要依靠人的经验，特别是当装置来料发生波动的时候，人操作也难比保持装置的稳定性，装置的波动往往造成能耗物耗的增加，甚至影响装置的正常运行。现场存在危险因素。化工企业还有部分工序需要人员亲自现场巡检，由于化工工艺原因，不可避免的产生存在CO、CO2等有毒有害气体，特别是事故状态下可能导致泄露。化工企业高温高压管道、储罐较多，会对巡检和紧急处置人员带来较大的安全隐患。节能增效空间较大。化工企业是高能耗的工艺,主要的原料是煤和水，提升装置的运行效率，提高产能、降低生产水蒸气的单位煤耗、单位产品的蒸汽消耗，则对企业效益产生较大影响，据测算，甲醇生产综合煤耗每降低0.1%，每年可节约成本1000万元。

3设计方案

针对企业工艺较为复杂、安全生产数据量大的实际情况，通过开发应用先进的数据处理工厂对企业系统数据、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汇集，借助算法工厂的语音交互、图像/视频识别、机器学习和人工智能算法，激活海量数据价值，用人工智能技术解决化工生产管理中的难点问题（如图1所示），从而实现节能降耗，为企业智能化升级提供技术支撑。按照大数据“存通用”的方法论，在数据接入到大数据平台后，首先对原始数据进行存储。在原始数据与最终结果之间，需要通过ETL（ExtractTransforma-tionLoad）等手段进行清洗、转换、脱敏、整理，主要包括：预处理接待，去除或补全有缺失值的数据、去除或修改格式和内容错误的、逻辑错误的、不需要的数据，尽量达到数据的完整性，唯一性，合法性和一致性。提供数据开发平台，便于更好的进行ETL、数据建模、数据管理与数据运维的工作。机器学习平台，更好的进行在算法建模过程的可视化的拖拉拽的开发者服务。数据分析平台，更好的基于大数据的分析工作。

4技术路线

数据处理工厂从逻辑上分为数据采集层、平台层、算法模型层以及应用运行层（如图2所示）。数据层：数据采集接入层负责将数据从DCS/PLC各级相应系统中将数据实时、离线采集到大数据处理平台。数据采集层工具和套件要支持从数据库、文件、数据流等多种类型数据源中采集数据，支持各种类型传输协议。工具平台层：提供数据采集、存储、计算、机器学习、可视化等一整套工具和平台。大数据平台支持海量数据存储，根据数据类型和应用场景将数据存储到平台相应的资源中，如：结构化数据、非结构化数据使用不同的存储策略。同时，平台支持实时计算、离线计算、流计算等多种计算框架。针对实时性要求高的场景，如：锅炉燃烧工艺参数推荐、精馏塔工艺优化等业务场景，采用流计算架构进行处理，整个计算过程可在秒级完成。实时计算支持上层快速BI分析。算法模型层：工业大脑包含算法工厂功能，可以基于机器学习平台进行算法建模，并进行算法管理、运行调试，并能到本地运行。应用运行层：提供一个本地化运行环境，让能耗优化模型稳定运行，实时推荐优化参数，供操作人员进行控制操作。同时提供数据可视化模块，实时展示生产运行状态和生产管理效益数据。

5技术效果

5.1有效消除数据孤岛

由于企业不同DCS/PLC生产系统中布置的多个生产控制系统，数据都分布在各自独立系统中，数据导出较为繁琐，数据标准不统一，形成多个数据孤岛，对数据应用造成非常大的困难。数据处理工厂实现了不同工业场景下多种主流协议的接入、多源异构数据（如文本文件、日志文件、消息流、数据库、工业OPC协议数据等）的实时接入和处理，从而保障了复杂的工业生产环境下多种设备所产生的复杂数据的采集与集中打通的需求。对全链路的工业体系数据进行组织管理，打通企业信息化与制造设备、生产物料、人力资源等各种资源之间的数据关联，构建人机料法环统一数据模型,形成新工业数据仓体系，完成工业数据的资产化，并结合阿里云针对不同工业场景下的算法模型，以数据+算法的技术实现产业价值的提升。提供成熟的工业元数据管理设计服务、完善的数据安全保护方案、灵活的工业大数据标签体系。

5.2全面提供支撑平台

数据处理工厂提供了人工智能计算平台、数据挖掘建模平台、算法管理工厂等核心功能，降低了人工智能应用开放和管理成本，给本项目智能化应用提供了技术支撑。作为一个基础工作平台，工业大脑为企业信息化员工和其他信息化服务厂商提供了一个技术创新的环境，支持后续开发更多智能化应用，为企业持续创新提供了技术保障。

5.3逐步实现智能化应用

从海量生产数据的集成、打通到数据知识图谱的构建，将企业的生产数据资产化，在此基础上，运用工业数据智能服务套件针对企业业务进行提升，如：产品质量提升/良品率提升、生产设备的预测性维护、生产设备故障监测、供应链智能管理、生产能耗优化、企业废料监测与处理、智能图像质检，通过智能化应用逐步实现企业全面智能化升级。

6结论

数据处理工厂是在云计算大数据的技术背景下，利用先进的智能技术和算法模型结合企业历史数据，做到生产和管理的精细化、智能化，进而提升企业的经济和社会效益。

作者：张洪伟 时均坡 赵连涛 单位：兖矿集团安全监察局