創(chuàng)澤機器人 |
CHUANGZE ROBOT |
聚烯烴產(chǎn)品質(zhì)量直接影響到下游產(chǎn)品的性能和應(yīng)用效果,高質(zhì)量的聚烯烴能夠確保制品的強度、耐久性和加工性,滿足不同行業(yè)嚴(yán)格的標(biāo)準(zhǔn)要求。同時,穩(wěn)定且優(yōu)良的產(chǎn)品質(zhì)量有助于提升企業(yè)競爭力,增強客戶信任,促進(jìn)市場的拓展和品牌的建立。中韓石化采用中石化自有工藝技術(shù)生產(chǎn)聚乙烯(SGPE)和聚丙烯(STPP)。為了確保產(chǎn)品質(zhì)量的穩(wěn)定性和可靠性,兩套裝置對各項參數(shù)進(jìn)行嚴(yán)格化驗和監(jiān)控。目前,產(chǎn)品質(zhì)量依賴于實驗室人工化驗,周期為 2 小時,不利于工藝和生產(chǎn)人員實時監(jiān)控產(chǎn)品性能。生產(chǎn)人員通常通過關(guān)鍵過程參數(shù)的趨勢和當(dāng)前值,依據(jù)個人經(jīng)驗預(yù)估工況下的產(chǎn)品質(zhì)量,從而進(jìn)行操作或調(diào)整。基于中石化自有工藝技術(shù),SGPE 和 STPP 裝置的過程機理模型能夠提供較為準(zhǔn)確的預(yù)測結(jié)果,即使在數(shù)據(jù)不足的情況下,也能通過理論推導(dǎo)得出合理的預(yù)測。然而,這些模型包含大量未知參數(shù),準(zhǔn)確估計需要大量的實驗數(shù)據(jù)和計算資源。此外,機理模型處理高度非線性問題和多尺度問題時,復(fù)雜性和求解難度較大。
AI 數(shù)據(jù)模型在質(zhì)量預(yù)測中的應(yīng)用是通過分析和挖掘歷史數(shù)據(jù),利用統(tǒng)計學(xué)、機器學(xué)習(xí)或深度學(xué)習(xí)等技術(shù)來預(yù)測未來的產(chǎn)品或過程質(zhì)量。與機理模型不同,數(shù)據(jù)模型主要依賴于數(shù)據(jù)本身,而不是系統(tǒng)的物理或化學(xué)原理。通過分析大量的歷史數(shù)據(jù)來識別模式和趨勢,從而進(jìn)行預(yù)測。不需要對系統(tǒng)有深入的理論理解,只要有足夠的高質(zhì)量數(shù)據(jù),就可以構(gòu)建有效的預(yù)測模型。且能夠處理復(fù)雜的非線性關(guān)系和多變量交互作用,適用于各種不同的應(yīng)用場景。在 SGPE 和 STPP 裝置的AI 模型應(yīng)用上也存在缺陷。首先,效果高度依賴于數(shù)據(jù)的質(zhì)量和數(shù)量,缺失值、噪聲和異常值都會影響模型的準(zhǔn)確性。其次,數(shù)據(jù)模型(如深度學(xué)習(xí))屬于“黑箱”模型,難以解釋其內(nèi)部機制。且模型過于復(fù)雜或訓(xùn)練數(shù)據(jù)不足,可能會導(dǎo)致過擬合,即模型在訓(xùn)練集上表現(xiàn)很好,但在新數(shù)據(jù)上的泛化能力差。為了克服單一模型的局限,中韓石化采用機理和 AI 混合模型。該模型結(jié)合了機理模型的高解釋性和 AI 模型 的數(shù)據(jù)挖掘能力,針對聚烯烴多牌號、非線性等特征,通過將關(guān)鍵過程工藝參數(shù)、催化劑等可信的歷史數(shù)據(jù)與過程數(shù)據(jù)結(jié)合,使用神經(jīng)網(wǎng)絡(luò)對機理模型的數(shù)學(xué)表達(dá)式進(jìn)行系數(shù)優(yōu)化擬合。將機理模型中“假定”或“簡化”的系數(shù)或常數(shù)項修正為變量,最終得到更加精確的過程“AI+機理”混合模型。基于過程“AI+機理”混合模型的應(yīng)用,大幅提升模型的精細(xì)化預(yù)測的能力,實時預(yù)測產(chǎn)品的物理、化學(xué)和機械性能的相關(guān)指標(biāo),從而為提高產(chǎn)品質(zhì)量提供科學(xué)依據(jù)和有效指導(dǎo)。
通過結(jié)合機理模型和 AI 模型的優(yōu)勢,構(gòu)建一個能夠?qū)崟r、準(zhǔn)確預(yù)測聚烯烴產(chǎn)品質(zhì)量的混合模型,提升生產(chǎn)過程的控制精度和效率,確保產(chǎn)品質(zhì)量的穩(wěn)定性和可靠性。
利用機理模型的高解釋性和理論基礎(chǔ),結(jié)合 AI 模型的數(shù)據(jù)挖掘能力和處理復(fù)雜非線性關(guān)系的能力,實現(xiàn)對生產(chǎn)過程的實時監(jiān)控和動態(tài)調(diào)整,適應(yīng)不同工況和多牌號產(chǎn)品的需求。提高模型的穩(wěn)定性和可靠性,同時保持一定的可解釋性,便于操作人員理解和應(yīng)用。
1)數(shù)據(jù)收集與預(yù)處理
數(shù)據(jù)是訓(xùn)練 AI 模型的基礎(chǔ),在收集數(shù)據(jù)時,需要從可靠的數(shù)據(jù)源獲取數(shù)據(jù),確保數(shù)據(jù)的準(zhǔn)確性和完整性。收集數(shù)據(jù)需要中韓(武漢)石化 SGPE 和 STPP 裝置檢驗數(shù)據(jù)以及相關(guān)生產(chǎn)數(shù)據(jù)。在收集數(shù)據(jù)之后,需要對數(shù)據(jù)進(jìn)行清洗,包括去重、缺失值處理、異常值過濾等,以去除無關(guān)數(shù)據(jù)并確保數(shù)據(jù)的準(zhǔn)確性和一致性。
2)機理模型簡化
基于聚烯烴生產(chǎn)工藝的物理、化學(xué)和動力學(xué)原理,建立描述反應(yīng)過程、傳熱傳質(zhì)等現(xiàn)象的機理模型。常用的模型包括反應(yīng)動力學(xué)模型、流體力學(xué)模型、熱力學(xué)模型等。通過實驗數(shù)據(jù)或歷史數(shù)據(jù)對機理模型中的未知參數(shù)進(jìn)行估計,確保模型的準(zhǔn)確性。使用優(yōu)化算法(如最小二乘法、遺傳算法等)進(jìn)行參數(shù)擬合。在不影響模型精度的前提下,對復(fù)雜的機理模型進(jìn)行適當(dāng)簡化,減少計算復(fù)雜度。例如,忽略次要因素或采用近似表達(dá)式。
3)AI 模型選擇與訓(xùn)練
在已經(jīng)收集并清洗了數(shù)據(jù)之后,接下來是將其劃分為訓(xùn)練、驗證和測試集。訓(xùn)練數(shù)據(jù)集用于訓(xùn)練 AI 模型,而驗證數(shù)據(jù)集用于優(yōu)化和驗證模型。測試數(shù)據(jù)集用于測試模型的性能。
留出法設(shè)置驗證集、測試集的占比,剩下的為訓(xùn)練集(一般訓(xùn)練集應(yīng)該盡量多);樣本分集順序為驗證集->測試集->訓(xùn)練集。驗證集抽樣方法分為前 x%,后 x%以及隨機 x%測試集抽樣方法分為隨機 x%,間隔 x%(每隔 100 取前 x 個)。
“機理+AI”混合建模步驟:“AI+機理模型”采用嵌入式結(jié)構(gòu),將 AI 模型嵌入到機理模型中,用于修正機理模型中的不確定參數(shù)或誤差項,對給定的機理模型表達(dá)式中的系數(shù)進(jìn)行優(yōu)化。根據(jù)過程機理特性給定機理模型的結(jié)構(gòu)表達(dá)式,表達(dá)式中的系數(shù)在一定的閾值約束區(qū)間,為機理模型中的待優(yōu)化項,后續(xù)引入神經(jīng)網(wǎng)絡(luò)將對這些系數(shù)進(jìn)行優(yōu)化擬合。
AI 算法采用神經(jīng)網(wǎng)絡(luò)算法。結(jié)合神經(jīng)網(wǎng)絡(luò)來對機理模型的系數(shù)進(jìn)行優(yōu)化擬合,首先需要定義優(yōu)化擬合過程中的損失函數(shù),用于衡量模型輸出與目標(biāo)值之間的差異。這里我們默認(rèn)選擇均方誤差損失(MSE)或者根據(jù)實際調(diào)試情況自定義損失。
根據(jù)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)選擇合適的神經(jīng)網(wǎng)絡(luò)優(yōu)化器,這里我們默認(rèn)選擇 Adam,后續(xù)根據(jù)優(yōu)化問題以及數(shù)據(jù)集需要也可以嘗試 SGD(隨機梯度下降)等其他優(yōu)化器。通過最小化損失函數(shù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,在每個訓(xùn)練周期中調(diào)整擬合系數(shù)的值來使損失最小化,從而得到更優(yōu)的模型參數(shù)。
4)評估模型與驗證
使用驗證集或者測試集來評估模型性能,檢查模型是否能準(zhǔn)確地擬合機理模型的系數(shù),并且具備一定的泛化能力。通過各種評估指標(biāo)如準(zhǔn)確度、精確度、召回率、F1 分?jǐn)?shù)等來評估模型質(zhì)量,最終得到“機理+AI”的混合模型,實現(xiàn) SGPE 和 STPP 裝置生產(chǎn)過程參數(shù)與產(chǎn)品質(zhì)量之間更精確的機理關(guān)聯(lián)。
5)模型部署
按照“數(shù)據(jù)+平臺+應(yīng)用”的模式,依托云平臺服務(wù),在智能聚烯烴裝置應(yīng)用中部署和應(yīng)用“AI+機理”混合模型,實現(xiàn)了 SGPE 和 STPP 裝置的產(chǎn)品質(zhì)量預(yù)測與預(yù)警。
6)模型應(yīng)用與持續(xù)改進(jìn)
通過云平臺服務(wù)的模型管理功能,基于定期收集的數(shù)據(jù),通過模型訓(xùn)練和優(yōu)化,確保其始終處于最佳狀態(tài)。
中韓石化 SGPE 和 STPP 裝置 AI+機理模型的應(yīng)用,實現(xiàn)了產(chǎn)品質(zhì)量熔融指數(shù)、密度等產(chǎn)品質(zhì)量在線預(yù)測,在生產(chǎn)過程中產(chǎn)品質(zhì)量預(yù)測預(yù)警,提高產(chǎn)品質(zhì)量的管控能力,助力企業(yè)改進(jìn)產(chǎn)品質(zhì)量,提升市場競爭力。 通過構(gòu)建“AI+機理”混合模型,中韓石化可以大幅提升 SGPE 和 STPP 裝置產(chǎn)品質(zhì)量預(yù)測的準(zhǔn)確性,實現(xiàn)實時監(jiān)控和優(yōu)化控制,從而提高生產(chǎn)效率和產(chǎn)品質(zhì)量,增強企業(yè)的市場競爭力。這種混合建模方法不僅發(fā)揮了各自的優(yōu)勢,還克服了各自的局限,為其他國產(chǎn) SGPE 和 STPP 聚烯烴工藝的產(chǎn)品質(zhì)量預(yù)測和優(yōu)化提供了新的解決方案。
基于“機理+AI”混合建模技術(shù),將機理模型的先驗知識與 AI 模型的數(shù)據(jù)挖掘能力相結(jié)合,提高預(yù)測的準(zhǔn)確性。機理模型可以捕捉反應(yīng)的基本規(guī)律,而 AI 模型可以處理傳感器數(shù)據(jù)中的細(xì)微變化,兩者結(jié)合可以更準(zhǔn)確地預(yù)測產(chǎn)品質(zhì)量和生產(chǎn)效率。
機器人底盤 Disinfection Robot 消毒機器人 講解機器人 迎賓機器人 移動機器人底盤 商用機器人 智能垃圾站 智能服務(wù)機器人 大屏機器人 霧化消毒機器人 紫外線消毒機器人 消毒機器人價格 展廳機器人 服務(wù)機器人底盤 核酸采樣機器人 智能配送機器人 導(dǎo)覽機器人 |