CN101187803B

CN101187803B - 基于数据挖掘技术的氨合成装置生产优化方法

Info

Publication number: CN101187803B
Application number: CN2007101718090A
Authority: CN
Inventors: 陆治荣; 陆文聪; 刘纯权; 杨善升; 刘亮; 刘太昂; 顾天鸿; 刘欣; 宋向礼; 杨明; 杨跃; 伏跃
Original assignee: YUNNAN YUNWEI GROUP CO Ltd; SIHUA DATA TECHNOLOGY Co Ltd NINGBO
Current assignee: YUNNAN YUNWEI GROUP CO Ltd; SIHUA DATA TECHNOLOGY Co Ltd NINGBO
Priority date: 2007-12-06
Filing date: 2007-12-06
Publication date: 2011-07-20
Anticipated expiration: 2027-12-06
Also published as: CN101187803A

Abstract

基于数据挖掘技术的氨合成装置生产优化方法属于化学工程、系统工程及数据挖掘等交叉学科领域的研究前沿。本发明结合氨合成装置的生产特点，根据集散控制系统(Distributed Control System，DCS)采集的氨合成装置历史生产工艺参数数据和分析测试数据，运用数据挖掘技术，建立氨合成装置生产优化目标与有关工艺参数间的数学模型。然后将氨合成装置生产实时数据输入到已建立的数学模型中，根据该模型确定氨合成装置生产状态，实现氨合成装置建模和模型维护、工况诊断与目标预测、优化操作指导。使氨合成装置一直处于优化状态下运行，提高装置的生产能力和管理水平。该方法的特点是安全可靠、风险小、成本低、易于推广。

Description

基于数据挖掘技术的氨合成装置生产优化方法

技术领域

本发明涉及一种基于数据挖掘技术的氨合成装置生产优化方法，属于化学工程、系统工程及数据挖掘等交叉学科领域的研究前沿，涵盖生产过程优化模型与模型维护、生产状态实时监测、生产工况实时诊断及生产工艺参数优化。

技术背景

石油和化工企业是我国的基础支柱产业，在我国国民经济中占有举足轻重的地位。但与世界石化工业生产水平相比，我国的石油和化学工业还有不小的差距。例如，每加工一吨产品所需的现金操作费用反映了企业生产成本水平，2003年炼油现金操作费用，世界平均水平为117元/吨，世界先进水平为86元/吨，我国约为130元/吨，分别高出11％和51％。乙烯生产的现金操作费用，我国为142美元/吨，比世界先进水平高出24％，比亚太地区高出5％。因此，如何利用工业优化技术提高劳动生产率和资源利用率，全面提升我国石油和化学工业的盈利能力和竞争能力，对于我国石油和化学工业的可持续发展有着十分重要的意义。

提升企业的生产水平可以从设备改造、工艺改进等方面着手，实践证明虽然这些措施可以取得非常好的效果，但周期长、投资大。与此相比，利用控制技术和计算机软件技术对生产操作进行优化，实施简便、见效快、投资回报率高，正越来越得到业界的重视。近年来，集散控制系统(Distributed Control System，DCS)已经广泛应用于我国大中型石化装置，为试点和推广国内外新技术打下了基础。目前世界上已有20多家公司推出了30余种石化优化软件，应用领域遍及主要石化装置，其中先进控制(Advanced Process Control，APC)技术已经在我国几十个生产装置实施，如常减压、催化裂化、催化重整、加氢裂化、聚丙烯、聚乙烯等等。根据Chemshare公司的调查结果，在已有DCS系统基础上实施先进控制的投资收益比为1∶4，在先进控制基础上实现装置实时优化的投资收益比也为1∶4。因此，先进控制和实时优化控制挖潜增效效果明显。

近年来，基于数据挖掘的工业优化技术已在国外受到高度重视，应用的案例日益增多。将数据挖掘技术引入化工生产领域是一项巨大的挑战。现代化工、炼油等大、中型企业的生产过程包括复杂的物理、化学变化，这些变化必须借助对多种工艺指标的监控，才能使生产的综合效益达到最优。化工生产过程难免有时出现故障，在出现故障时能及时发现，正确诊断其原因从而消除故障，也要通过总结故障出现的规律，建立发现、诊断故障的数学模型，从而顺利处理故障，恢复正常生产。这些都需要从大批复杂数据中抽提有用信息，建立反映客观规律的数学模型。采用数据挖掘技术是建立数学模型的必要手段之一。数据挖掘技术用于生产优化可与先进控制、实时优化控制互为补充，相得益彰。化工生产过程涉及到许多复杂的物理、化学变化，常常很难通过机理来建立模型，即便建立了模型，其精度也很低，模型只能用来表明生产的大体变化趋势，而无法用来指导生产。此外，工业生产过程中存在许多可变因素和干扰(原料性质、设备状态、操作工况的变化，生产环境和生产系统自身的干扰)，数学模型通常是在某一特定条件下建立的，因而仅仅在小范围内适用，在实际复杂多变的生产中难以使用。随着计算机科学和过程系统工程的发展，工业生产过程自动化程度越来越高，工业生产数据采集和存储越来越经济便利，对于一个中等规模的石化生产装置，其DCS系统的仪表位号点数约500点，如果每分钟保存一个生产数据，那么，每天就有70万个生产数据，一年可达2.5亿个数据。这些数据记录了工业生产过程的特征、性能、变化等，是生产装置的本质反映。利用数据挖掘技术，可以从工业生产数据中寻找规律和发现知识，并用这些知识指导企业的生产过程，从而达到优化生产过程，使企业效益最大化。

氨合成装置是合成氨工业的关键工段，要实现节能、增产的目的，除了改进工艺流程、设备结构以外，努力提高氨合成装置的过程控制水平和操作管理水平是一个非常重要的途径。目前大、中型氨合成装置上较普遍地采用了集散控制系统DCS，并已经积累了丰富的生产数据，为优化控制提供了可能。但由于消化、吸收及自主开发投入不足，DCS仍主要用于数据采集、显示打印及单回路控制。近年来，国内外许多工作者对氨合成装置的模拟与优化进行了大量的研究，并开发了相应的软件，这些软件大都采用简化模型或机理模型进行合成氨模拟优化。距离生产实际应用还有一定的差距。而实际生产过程中氨合成装置生产工况受到温度、压力、流量、气体成分等多种因素的影响，目前生产工艺参数基本上根据经验确定，优化潜力很大。

发明内容

本发明主要解决了基于数据挖掘技术的氨合成装置生产优化问题。本发明结合氨合成装置的生产特点，将氨合成装置生产历史数据放在高维空间中考察，通过各种数据挖掘技术进行一系列的特征提取，建立用以描述生产规律的数学模型，并经过降维处理后形成多个图形，以崭新的视角展示隐藏在数据中深层的规律，最终实现氨合成装置建模和模型维护、工况诊断与目标预测、优化操作指导。整个数据挖掘的过程和结果应用了可视化技术，生产工程师全程参与数据挖掘，将自己的生产经验和工艺知识与数据挖掘技术结合起来。基于数据挖掘技术的氨合成装置生产优化方法的框图参见图1。基于数据挖掘技术的氨合成装置生产优化方法由五个方面组成：(1)数据采集：采集氨合成装置的生产历史工艺参数数据；(2)数据预处理：对生产历史数据进行去除噪声处理，为数据挖掘提供真实可靠的数据；(3)数据挖掘：从生产历史数据中发现知识和寻找规律，根据优化问题的要求和生产数据的情况从数据挖掘方法库中调用有关的方法，建立氨合成装置生产优化目标与有关生产工艺参数间的数学模型；(4)可视化分析：将高维空间中的样本点通过降维后映射到平面上，以便形象、直观、多视角地考察优化区的分布，为数据挖掘专家寻找优化规律提供重要参考；(5)生成优化结果：产生各种形式的优化结论。

本发明基于数据挖掘技术的氨合成装置生产优化方法，按如下步骤进行。

1、氨合成装置生产历史数据采集

基于数据挖掘技术的氨合成装置生产优化方法，首先要确定生产优化目标T(合成氨产量、氨净值或吨氨新鲜气消耗量)，T受M个生产工艺参数(温度、压力、流量、流速、气体成分、合成氨质量)X₁，X₂，...，X_M影响，由此而确定的一组同源离散数据集{P_i}称为该优化目标的一个描述样本集。其中P_i＝{X_i1，X_i2，...，X_iM，T_i}(i＝1，2，...，N)称为一个样本。采集一段时间内共N个样本的DCS系统生产工艺参数历史数据。为了保证采集的数据文件包含必要的信息量，样本数N要足够多，即要满足：N/M≥20。然后根据生产优化目标T，将样本分为“1”、“2”两类，“1”类样本称为优类样本，“2”类样本称为差类样本。

2、氨合成装置生产历史数据预处理

基于数据挖掘技术的氨合成装置生产优化方法，在采集生产历史数据的基础上，利用数据挖掘技术，对生产历史数据进行数据文件评估(超多面体模型评估、最近邻留一法判据、非线性回归判据)、数据结构分析(拓扑类型判别、近邻分析、近线性分析、时间序列分析等)、样本筛选(子空间分割、死区分割、离群点删除等)、相关分析(单因子分析、双因子分析、多因子分析)、自变量筛选(投票法、熵法、超多面体法)，最终得到训练样本集及测试样本集。用到的部分分析方法及方法简要说明见表1。

表1数据分析方法及简要说明

分析方法	简要说明
		数据分析	基于数理统计的数据分析方法
描述性统计	含有基本统计量的计算、以及常用的四种统计图。
		趋势分析	可以成组显示多个变量的趋势图，并具有重新排序等功能。
相关分析	以矩阵图方式显示变量之间的相关性，在图中同时显示各类样本的分布。
		等高线分析	是研究三个变量与目标之间关系的分析工具。可以从所有变量中任意选择其中的三个，图形将显示三个变量与目标之间的关联。

3、氨合成装置生产优化模型的建立及可视化分析

基于数据挖掘技术的氨合成装置生产优化方法，根据对氨合成装置DCS系统采集的生产历史数据进行预处理得到的训练样本集进行数据挖掘，建立氨合成装置生产优化模型，用于指导生产优化操作。基于数据挖掘技术的氨合成装置生产优化方法的核心是数据挖掘方法，该数据挖掘方法综合运用了数理统计、模式识别、机器学习等多种方法，以及我们独创的方法，并设计了一个合理的数据处理流程(基于数据挖掘技术的氨合成装置生产优化方法数据处理流程参见图2)，使这些方法形成一个有机的整体，最终建立指导氨合成装置生产的数学模型，从而达到优化生产的目的。实际生产中，只有好的模型才有好的生产优化效果，当生产装置的设备或工艺流程发生较大变动时，优化模型的精度变差，影响工况诊断和目标预测的准确率，从而影响优化操作指导的效果。这时，应考虑重新建模。为此，基于数据挖掘技术的氨合成装置生产优化方法可进行模型维护操作，用户可以根据需要重新建立新的模型。为了形象、直观地得到优化方案，基于数据挖掘技术的氨合成装置生产优化方法采用了可视化技术。部分数据挖掘方法及可视化分析技术及简要说明见表2。

表2数据挖掘方法及可视化分析技术及简要说明

数据挖掘方法及可视化分析技术	简要说明
		模式识别	本模块为基于模式识别的数据挖掘方法，适用于多变量、变量之间存在强关联的复杂应用场合。
特征图	原来的多变量空间经模式识别技术降维后，得到一个两维图形，这就是特征图。从特征图上可以显示两类不同样本点的分布规律，是研究和发现优化规律的重要图形。
		工况控制图	分别由两个特征向量构成的一维图形。可以对生产过程的工况进行监控。
T平方图	按照给定的信息量，由前面若干个特征向量构成新的统计量，称为T平方值。T平方图是一维图形，可以用于监控生产工况。
		SPE图	SPE值可用来衡量模型误差。SPE图可以发现生产过程中的异常情况。
模拟仪表图	用模拟仪表的方式表示各个变量，通过“仪表”与特征图联动来仿真生产工况的变化，形象直观地研究各个变量的作用。该模块为本优化系统特有。
		载荷图	用图形方式显示各个变量的作用，本图与特征图对照使用，用以研究各个变量所起的作用。
变量权重图	用直方图的方式显示各个变量对生产作用的大小。
		贡献图1	当给定一个样本点后，用图形方式显示各变量对样本点所对应状态的贡献大小和方向，是研究造成某个特定工况原因的有效工具。
贡献图2	当给定两个样本点后，用图形的方式显示在两个样本点所对应状态的变化中，各个变量的贡献大小和方向，是研究造成工况变化原因的有效工具。

4、生产优化模型验证

基于数据挖掘技术的氨合成装置生产优化方法，在得到生产优化模型后，利用测试样本集对所建立的模型进行验证，以考察模型的可靠性与稳定性。如果模型稳定可靠，即可用于氨合成装置生产工况诊断与操作指导。

5、在线工况诊断与操作指导

基于数据挖掘技术的氨合成装置生产优化方法，在已建立的氨合成装置生产优化模型的基础上，导入装置DCS系统实时数据，即可实现：(1)实时工况诊断和目标预测：实时工况诊断就是根据DCS系统实时工艺参数的测量值和定制的生产优化模型来推断生产的工况，以便及时发现生产中问题，调整生产参数，使工况保持好的状态。如果手动输入某些工艺参数的测量值，系统将根据定值的生产优化模型自动预报目标值。(2)优化操作指导：如果当前工况处于“差”的状态，如何调节工艺参数，使工况转到“好”的状态呢？影响优化目标的因素较多时，调节哪几个参数？调节多少？这是生产操作人员所面临的难题，目前大部分企业仅靠工人的经验，还没有一个行之有效的辅助决策工具。基于数据挖掘技术的氨合成装置生产优化方法将为操作人员提供详细的操作指导，通过在线版模拟仪表图，告诉你应该调整那几个参数，其中每个参数调整到多少。基于数据挖掘技术的氨合成装置生产优化方法还提供各种图形，帮助操作人员分析工况，决定操作动作，观察操作后的效果。基于数据挖掘技术的氨合成装置生产优化方法在线工况诊断及操作指导主要功能描述见表3。

表3在线工况诊断及操作指导主要功能及简要说明

功能名称	简要说明
		工况诊断	将生产数据直接输入优化模型，对装置进行在线实时工况诊断。
在线趋势图	在线趋势图每个点代表了当时的生产状态，由若干点组成的折线代表了某段时间中生产状态变化的过程。随着时间的推移，新的生产状态点不断将折线刷新，在特征平面上就会出现一条不断蠕动的折线。在线趋势图显示了生产过程变化的轨迹，图中的矩形方框表示为优化区域，或生产控制区，观察生产状态点是否处于方框区域内，就可以推断生产是否处于所要求的控制状态。一旦跑出优区，说明生产离开了优化工况，需要对生产操作参数进行调整。
		在线控制图	在线控制图是从特征趋势图演变而来的，类似于质量管理的控制图(又称为“休哈特图”)，由两幅图形组成，纵轴分别为特征图的两个特征向量，横轴为时间，图形中的上下两条横线分别为优区的上下边界。由于本优化系统取两个特征向量(第一特征和第二特征向量)，因此必须同时观察与此相应的两个在线控制图。
模拟仪表图	模拟仪表图是通过基于优化模型的计算机仿真模拟，直观、形象地考察各个变量与优化目标之间错综复杂的关系。模拟仪表图中右边的矩形区域为在特征图得到的优化区，左边为相关变量的条形按钮，改变各个变量的大小，模拟仪表图的小球将在矩形区内外移动。
		优化提示	优化提示可以告诉生产技术人员如何调节当前变量，使生产调整到优化区的具体操作方案。
操作指导	优化系统为用户提供生产操作指导，告诉生产操作人员：现在的生产状态如何？如果生产不在优化区，则进一步提醒操作人员应该调节哪几个参数，往什么方向调，调节多少。
		生成报表	实时数据导出使生产技术人员可以导出数据库中某一时段的生产数据。

本发明基于数据挖掘技术的氨合成装置生产优化方法用于合成氨的生产优化，可以在不做(或少做)实验，不改(或不大改)设备，不干扰生产的前提下优化生产。上述方法在装置上投运后，进一步平稳和优化了合成氨的生产操作，氨质量合格率达到100％，氨产量增加了6％。该方法满足了工艺工程技术和操作人员实际需要，经测试优化方法可靠、稳定。

基于数据挖掘技术的氨合成装置生产优化方法的成功应用，使DCS系统数据资源得到充分利用，将数据挖掘技术成功应用到合成氨工业生产实际，本发明的成果可以推广到同类型的氨合成装置上。

附图说明

图1：基于数据挖掘技术的氨合成装置生产优化方法框图

图2：基于数据挖掘技术的氨合成装置生产优化方法数据处理流程

图3：基于数据挖掘技术的氨合成装置生产优化方法工程化实施方案

图4：1号合成塔生产优化模型模式识别投影图

图5：2号合成塔生产优化模型模式识别投影图

图6：3号合成塔生产优化模型模式识别投影图

具体实施方式

本发明已经在云南云维集团有限公司沾化分公司氨合成装置上成功应用，很好的解决了工程实施问题(工程化实施方案参见图3)，实现了氨合成生产装置生产优化模型建立、实时工况诊断、优化操作指导。氨合成装置优化运行后，不仅较好的稳定了合成氨的质量指标，而且合成氨产量提高了6％。现用下列非限定性实施例加以说明。

实施例一：1号合成装置生产优化模型

1、优化目标变量和优化自变量：以入塔新鲜气量(FI0811a，Nm³/h)为目标变量，有关的工艺参数如新鲜气氢含量(AI0811c，％)、冷激三流量(FI0805a，Nm³/h)、合成塔一段入口温度(TI0801_2a，℃)、合成塔二段出口温度(TI0801_5a，℃)、合成塔三段温度(TIC08004a_PV，℃)、合成塔三段温度(TI0801_12a，℃)、合成塔四段温度(TI0801_16a，℃)、废锅入口气温度(TI0803a)及水冷器出口温度(TI0807a，℃)等等42个工艺参数为自变量进行分析。新鲜气量大于26500Nm³/h的样本为优类样本(定义为1类)，小于等于26500Nm³/h样本为差类样本(定义为2类)。

2、数据集：采集氨合成装置1号塔2006年4月23日12点到2006年7月6日10点的DCS系统生产数据，每30分钟一个样本，训练集有效样本数为3548个。

3、数据预处理：在上述训练集中去除装置开停车及负荷波动的样本后进行数据文件评估(超多面体模型评估、最近邻留一法判据、非线性回归判据)、数据结构分析(拓扑类型判别、近邻分析、近线性分析、时间序列分析等)、样本筛选(子空间分割、死区分割、离群点删除等)、相关分析(单因子分析、双因子分析、多因子分析)、自变量筛选(投票法、熵法、超多面体法)步骤，最终形成样本数为1646个、变量数为9个的建模样本集。

4、建立生产优化模型：数据挖掘结果表明，影响1号合成塔入塔新鲜气量的主要工艺参数有：新鲜气氢含量(AI0811c，％)、冷激三流量(FI0805a，Nm³/h)、合成塔一段入口温度(TI0801_2a，℃)、合成塔二段出口温度(TI0801_5a，℃)、合成塔三段温度(TIC08004a_PV，℃)、合成塔三段温度(TI0801_12a，℃)、合成塔四段温度(TI0801_16a，℃)、废锅入口气温度(TI0803a)及水冷器出口温度(TI0807a，℃)。在由上述9个变量张成的多维空间中作模式识别投影，发现有明显的规律(图4)。图中标准化数据的横(F(1))、纵坐标(F(2))方程为：

F(1)＝-0.05×(AI0811c+0.57×(FI0805a)+0.45×(TI0801_2a)-0.14(TI0801_5a)+0.15×(TIC0804a_PV)-0.48×(TI0801_12a)+0.34×(TI0801_16a)+027×(TI0803a)-0.08×(TI0807a)

F(2)＝-0.06×(AI0811c)-0.03×(FI0805a)+0.32×(TI0801_2a)+0.02×(TI0801_5a)+0.11×(TIC0804a_PV)+0.44×(TI0801_12a)-0.35×(TI0801_16a)+0.73×(TI0803a)+0.18×(TI0807a)

图4中总样本区优类样本约占49.45％，优类样本区中优类样本约占95.38％。如果使生产维持在优化区内，可以将优类样本比率提高45.93％。

5、模型验证：为了验证模型的可靠性，我们用2006年4月23日12点到2006年7月6日10点的生产数据建立的模型预测2006年7月7日0点到2006年7月8日11点30分的生产，样本共95个，利用数据挖掘方法得到的数学模型预测样本集样本类别的准确率达84.2％。因此，所建模型基本能够满足生产需要。

6、在线工况诊断及操作指导：将氨合成装置DCS系统实时生产数据输入已建立的模型中，实现在线生产工况诊断、目标预测及生产操作指导。

实施例二：2号氨合成装置生产优化模型

1、优化目标变量和优化自变量：以入塔新鲜气量(FI0811b，Nm³/h)为优化目标变量，有关的工艺参数如新鲜气氢含量(AI0811c，％)、合成塔一段入口温度(TI0801_7b，℃)、合成塔一段出口温度(TIC0801_2b_PV，℃)、合成塔二段温度(TI0801_3b，℃)、合成塔二段温度(TI0801_10b，℃)、合成塔三段温度(TIC0801_12b_PV，℃)、合成塔三段温度(TI0801_6b，℃)、废锅入口气温度(TI0804b)及水冷器出口温度(TI0807b，℃)等等共42个工艺参数为自变量进行分析。新鲜气量大于34000Nm³/h的样本为优类样本(定义为1类)，小于等于34000Nm³/h样本为差类样本(定义为2类)。

2、数据集：采集氨合成装置2号塔2006年4月23日12点到2006年7月6日10点的DCS系统生产数据，每30分钟一个样本，训练集有效样本数为3548个。

3、数据预处理：在上述训练集中去除装置开停车及负荷波动的样本后依次进行数据文件评估(超多面体模型评估、最近邻留一法判据、非线性回归判据)、数据结构分析(拓扑类型判别、近邻分析、近线性分析、时间序列分析)、样本筛选(子空间分割、死区分割、离群点删除)、相关分析(单因子分析、双因子分析、多因子分析)、自变量筛选(投票法、熵法、超多面体法)步骤，最终形成样本数为2088个、变量数为9个的建模样本集。

4、建立生产优化模型：数据挖掘结果表明，影响2号合成塔入塔新鲜气量的主要工艺参数有：新鲜气氢含量(AI0811c，％)、合成塔一段入口温度(TI0801_7b，℃)、合成塔一段出口温度(TIC0801_2b_PV，℃)、合成塔二段温度(TI0801_3b，℃)、合成塔二段温度(TI0801_10b，℃)、合成塔三段温度(TIC0801_12b_PV，℃)、合成塔三段温度(TI0801_6b，℃)、废锅入口气温度(TI0804b)及水冷器出口温度(TI0807b，℃)等。在由上述9个变量张成的多维空间中作模式识别投影，发现有明显的规律(图5)。图8中标准化数据的横(F(1))、纵坐标(F(2))方程为：

F(1)＝-0.03×(AI0811c)+0.18×(TIC0801_2b_PV)+0.23×(TI0801_3b)-0.14×(TI0801_6b)-0.13×(TI0801_7b)-0.47×(TI0801_10b)+0.27×(TIC0801_12b_PV)+0.76×(TI0804b)-0.01×(TI0807b)

F(2)＝0.13×(AI0811c)+0.08×(TIC0801_2b_PV)+0.22×(TI0801_3b)+0.50×(TI0801_6b)-0.29×(TI0801_7b)+0.27×(TI0801_10b)-0.62×(TIC0801_12b_PV)+0.36×(TI0804b)-0.06×(TI0807b)＜2.49

图5中总样本区优类样本约占48.28％，优类样本区中优类样本约占95.80％。如果使生产维持在优化区内，可以将优类样本比率提高47.52％。

5、模型验证：为了验证模型的可靠性，我们用2006年4月23日12点到2006年7月6日10点的生产数据建立的模型预测2006年7月7日0点到2006年7月8日11点30分的生产，样本共95个，利用数据挖掘方法得到的数学模型预测样本集样本类别的准确率达91.6％。因此，所建模型具有很好的鲁棒性。

实施例三：3号氨合成装置生产优化模型

1、优化目标变量和优化自变量：以入塔新鲜气量(FI0811c，Nm³/h)为优化目标变量，有关的工艺参数如新鲜气氢含量(AI0811c，％)、循环气氢含量(AI0802c，％)、合成塔一段入口温度(TI0801_2c，℃)、合成塔一段出口温度(TIC0801_4c_PV，℃)、合成塔二段温度(TIC0801_6c_PV，℃)、合成塔三段温度(TIC0801_9c_PV，℃)、合成塔三段温度(TI0801_12c，℃)、二次出气温度(TI0816c)及水冷器出口温度(TI0820c，℃)等等52个工艺参数为自变量进行分析。新鲜气量大于27500Nm³/h的样本为优类样本(定义为1类)，小于等于27500Nm³/h样本为差类样本(定义为2类)。

2、数据集：采集氨合成装置3号塔2006年4月23日12点到2006年7月6日10点的DCS系统生产数据，每30分钟一个样本，训练集有效样本数为3548个。

3、数据预处理：在上述训练集中去除装置开停车及负荷波动的样本后依次进行数据文件评估(超多面体模型评估、最近邻留一法判据、非线性回归判据)、数据结构分析(拓扑类型判别、近邻分析、近线性分析、时间序列分析)、样本筛选(子空间分割、死区分割、离群点删除)、相关分析(单因子分析、双因子分析、多因子分析)、自变量筛选(投票法、熵法、超多面体法)步骤，最终形成样本数为1866个、变量数为9个的建模样本集。

4、建立生产优化模型：数据挖掘结果表明，影响3号合成塔入塔新鲜气量的主要工艺参数有：新鲜气氢含量(AI0811c，％)、循环气氢含量(AI0802c，％)、合成塔一段入口温度(TI0801_2c，℃)、合成塔一段出口温度(TIC0801_4c_PV，℃)、合成塔二段温度(TIC0801_6c_PV，℃)、合成塔三段温度(TIC0801_9c_PV，℃)、合成塔三段温度(TI0801_12c，℃)、二次出气温度(TI0816c)及水冷器出口温度(TI0820c，℃)。在由上述9个变量张成的多维空间中作模式识别投影，发现有明显的规律(图9)。图9中标准化数据的横(F(1))、纵坐标(F(2))方程为：

F(1)＝-0.15×(AI0811c)+0.13×(AI0802c)-0.42×(TI0801_2c)+0.03×(TIC0801_4c_PV)+0.28×(TIC0801_6c_PV)+0.63×(TIC0801_9c_PV)-0.42×(TI0801_12c)+0.30×(TI0816c)-0.21×(TI0820c)

F(2)＝-0.23×(AI0811c)+0.30×(AI0802c)-0.32×(TI0801_2c)+0.02×(TIC0801_4c_PV)+0.0003×(TIC0801_6c_PV)-0.27×(TIC0801_9c_PV)+0.59×(TI0801_12c)+0.39×(TI0816c)-0.42×(TI0820c)

图6中总样本区优类样本约占47.64％，优类样本区中优类样本约占95.87％。如果使生产维持在优化区内，可以将优类样本比率提高48.23％。

5、在线工况诊断及操作指导：将氨合成装置DCS系统实时生产数据输入已建立的模型中，实现在线生产工况诊断、目标预测及生产操作指导。

Claims

1.一种基于数据挖掘技术的氨合成装置生产优化方法，其特征在于该方法的具体步骤为：

a.采集氨合成装置历史生产工艺参数数据和历史分析测试数据；

b.利用采集的历史生产工艺参数数据和历史分析测试数据，运用数据挖掘技术，建立氨合成装置生产优化目标与有关工艺参数间的数学模型；

c.将装置生产实时数据输入到已建立的数学模型中；

d.根据该模型确定氨合成装置生产状态，实现氨合成装置生产优化；

步骤b中所述的数据挖掘技术，包括选择和取样、数据清理和预处理、数据变换和约简、数据挖掘方法、模型评估和解释、结果报告和使用；

所述的数据挖掘方法为超多面体方法、模式识别逐级投影方法、非线性最佳投影回归建模方法、变量筛选方法、主成分分析方法、多重判别矢量方法、白化线性映射方法、偏最小二乘方法、装盒子方法、最近邻方法、人工神经网络方法、遗传算法、粗糙集方法、决策树方法、支持向量机方法和可视化方法中的一种或几种方法组合；

步骤a中所述的历史生产工艺参数数据为装置集散控制系统(Distributed ControlSystem，DCS)记录的温度、压力、流量、流速、气体成分数据；历史分析测试数据为合成氨产量、合成氨质量数据；

步骤b中所述的生产优化目标为合成氨产量、氨净值或吨氨新鲜气消耗量；

步骤c中所述的生产实时数据为合成氨装置DCS系统实时采集的生产工艺参数数据；

步骤d中所述的氨合成装置生产优化，包括模型维护、工况诊断、目标预测和优化操作指导。