某石油炼化企业以工业互联网为核心架构的“智能炼厂”建设已步入“深度编码”阶段。与此同时，炼化企业为应对低油价与成品油市场寒冬，纷纷以生产优化为核心深入实施降本增效，而智能建模技术作为“智能炼厂”的核心技术优势则以炼油生产作为“目标函数”，通过快速创建智能化应用，为安全生产、降本增效提供智能决策优化成为了目前该企业想要实现的目标。

本案例提出以炼化企业加氢装置（包括加氢精制、加氢裂化）为研究目标，建立深入融合加氢过程机理与机器学习等人工智能算法、面向炼化工程师的端到端建模平台，从模型算法层面，通过提供自动机器学习（AutoML）功能，实现自动数据预处理、自动特征工程和机器学习超参数自动寻优等先进功能。同时搭配平台的模型服务发布与工作流调度能力，助推机器学习模型工程化落地，形成一站式炼化大数据自动建模解决方案，构建炼化工程师主导、工艺机理与数据联合驱动的敏捷智能建模平台，最终实现炼化生产智能化应用的快速创建与部署。

实施时间：

2021年8月：签订合同

2021年11月：完成详细设计报告编写和评审

2022年03月：完成平台部署

2022年06月：获取专利合格通知书和软著证书

2022年10月：系统完工验收

2022年11月：课题验收

应用场景

随着机器学习等AI算法研究不断深入与普及，机器学习算法用于流程工业建模，通过挖掘工业大数据实现生产过程预测、指导优化生产逐渐成为产业化AI的研究热点，在学术界与产业界纷纷开展了相关研究。

针对机器学习与加氢过程机理联合建模方面，该石油炼化企业前期充分实施了技术可行性研究，尝试将炼化机理知识与深度学习算法在各个维度相结合，基于多层神经网络（MLP）建模实现了加氢装置原料油换热器结垢预测、加氢催化剂床层温度预测和航煤产品性质软测量等智能化应用，取得较好效果，并在此基础上深入研究融合算法，创新性引入CNN卷积神经网络回归建模算法。

该石油炼化企业在探索机器学习算法用于炼化生产建模的同时，认识到算法模型最终得以落地应用和推广需要一个大数据建模平台的支撑。大数据智能建模平台能够大幅降低建模技术门槛，同时能够显著提高模型迭代优化效率，这些需求需要一站式机器学习建模平台、Auto ML等超参数优化等技术的研究应用。

面临挑战

从技术层面来看：基于机理的传统优化建模软件 Aspen、Petro-SIM、ProII 等在实际应用中投入大，模型收敛调优复杂，而基于机器学习算法的通用大数据建模技术具有技术门槛高、业务难定制的特点，导致工业企业优化生产处于有数据、无模型、有模型、难应用的被动局面。

从项目层面来看：基于机理建模、大数据建模项目均具有项目周期长、投入大、模型难以持续维护的特点，尤其是大数据智能建模技术，以生产装置历史数据为训练样本模型效果好，但企业缺乏大数据专业、复合型人才，建模成本高，项目周期长，且通用机器学习算法执行任务单一，呈现“大数据、小任务”的特点，其次在AI模型训练完成后应用到生产场景的过程中，会在数据采集、预处理和边缘推理计算时涉及到智能设备，智能设备的选型、接入、点位选择和调试与AI 模型在生产环境中的实际效果息息相关，然而智能设备厂商来源广泛，型号各异，而且缺少统一的接入标准，因此设备安装、接入和调试需要耗费大量人力，拖慢了项目进度并抬高了项目成本。导致解决不同生产领域问题均需以项目课题形式实施，严重制约机器学习建模技术在企业推广与应用。

应用技术与实施过程

基于Sentosa低代码机器学习开发平台为炼化企业开发了完备的煤柴油加氢装置大数据智能建模平台，在该炼化企业工业互联网PaaS层中承担起重要作用，在传统机理建模基础上通过数据驱动进行增强分析。

大数据智能建模平台在工业互联网的位置

本次需求实现的目标：

本案例主要研究在该石油炼化企业工业互联网平台架构下，构建一站式炼化大数据智能建模平台，研究并集成数据预处理算法、主流机器学习算法、智能优化算法和模型自动训练方法，最终实现生产数据到模型应用的端到端建模平台。

建模成果：

本案例建立的炼化大数据建模平台以煤柴油加氢裂化装置为研究对象，成功实施多例建模应用。例如，

平台通过预置炼化过程“工艺、质量”等领域数据集，实施工艺特征工程，将工程师的专家知识固化到平台；平台预置丰富机器学习、深度学习算子，可为不同炼化过程大数据建模场景提供算法与数据的适配融合，通过以上两点达到炼化知识与大数据融合的目的。

大数据智能建模平台是一个端到端的人工智能低代码开发平台，数据在平台内部畅通流转，覆盖数据准备、统计分析、数据可视化、特征构造、机器学习建模和智能应用开发等全流程。通过提供API接口和微服务调用，将大数据智能建模平台连接到该企业的业务应用系统中。

平台提供丰富的算子集，一线炼化工程师可以根据自身需要进行选用，实现全场景、海量数据下的高性能建模。

低代码建模平台融合了低代码技术架构方案与炼化过程机理知识，实现了AI算法与炼化知识的深度融合；平台预置该石油炼化企业主导开发的炼化领域专题数据集、预训练模型等炼化行业先验知识，从而达到低代码、低门槛专业服务炼化行业智能化转型需求；平台将大数据任务开发流程以项目管理形式进行推进管理，并对各种数据相关资源和项目硬件资源一项目为单位提供精细化管理控制。

炼油化工大数据低代码建模平台，解决了炼油化工企业“有数据、无模型、有模型、难应用”、“建模成本高、建模周期长”的问题。通过实践证明，在预测误差、利润产品收率、建模周期等方面得到显著改善。随着石化炼化生产智能化的不断推广，低代码建模技术将会得到越来越广泛地应用。

此案例的成功经验，除了可以在炼化行业生产工艺环节复制，还可以在其他流程行业推广应用，更可以被已经建设了工业物联网的企业借鉴，通过低代码建模实现智能化应用的快速创建与部署。

外部合作

平台提供了丰富的算法，不仅包含通用数据科学挖掘算法（例如数据预处理和主流机器学习算法）、优化算法（例如模型自训练算法和智能优化算法），而且包含建模需要的定制算法（例如实时数据读入算法）、数据预处理（降噪、平滑和插补）算法，完全满足炼化工程师建模需要。针对定制算法，上海迥灵和合作伙伴展开合作。通过生态合作，除了保证案例交付的高质按时，还证明平台集成第三方合作伙伴算法的能力。

商业变化

基于低代码平台开发的“多通道多尺度卷积神经网络（MCMSCNN）”模型在加氢催化剂床层温度预测、氢气耗量预测方面误差<3%，提升了炼化工程师对核心工况参数的监控把握，大幅降低氢气、燃料气等生产成本。

基于低代码平台开发的“大数据预训练+工艺数据微调”迁移算法解决了因LIMS化验分析数据量不足而造成的产品性质预测模型性能不佳的问题，实现了加氢裂化产品性质的实时软测量，利润产品收率提高约0.8%。

平台支持通过建立与炼油装置有关的工艺和质量的专题数据集来固化先验知识，迁移建模特征，为大数据算法落地提供特征模板与数据基础，使建模时间由原来的一周时间大幅缩短为8小时，建模效率大幅提高。

目前，大数据智能建模平台实现了生产装置海量数据的有效利用，从数据采集到模型部署，由2周大幅缩短为1天；同时由炼化工程师自主研发的10余个机器学习模型，日调用量超1000余次，优化生产工艺，利润产品收率平均提高约0.8%。

相关企业介绍

·上海迥灵

上海迥灵信息技术有限公司（简称“上海迥灵”），成立于2019年，是国内领先的企业级数据科学与机器学习平台产品提供商、国家高新技术企业。旨在通过人人可用的零代码人工智能产品Sentosa数据科学与机器学习平台，使企业数据发挥生产要素作用，为企业创造新的利润增长极。依托团队在数据科学与机器学习领域的核心技术和研发能力，坚持自主创新，目前公司拥有20+项专利与软件著作权，产品服务于上海世纪出版集团、中海油、航天科技、南网科研院、国家城安院、国家5G中高频器件创新中心等企业和公共服务平台。

·某石油炼化企业

某石油炼化企业是一家集石油化工、煤化工、石化产品销售为一体，配套齐全的大型炼化一体化企业。公司现有原油加工能力2200万吨/年、芳烃（对二甲苯）生产能力100万吨/年，总投资403亿元，占地面积5平方公里，用工总数2424人，加工规模和技术水平位居国内炼油企业第一梯队。

来源：数据猿