确定化学生产工厂中的操作条件的制作方法

1.本公开涉及用于确定包括至少一个催化反应器的化学生产工厂的预定或当前生产运行中的操作条件的系统、方法和计算机程序产品。


背景技术：

2.催化反应器广泛用于化学工业，以将原材料转化为有价值的化学品。催化剂的性能—如转化率、选择性和产率—与反应器的操作参数和催化剂的老化有关。为了达到某些性能目标，工厂操作者必须根据经验和工程知识调节反应器参数。通常，基于动力学、传热和传质现象的反应器模型用于描述催化剂的性能并且实现反应器操作的更直接的控制。然而，这种模型很复杂，并且动力学和传输参数的实验确定非常繁琐和昂贵。
3.最近，发布了混合类型的模型，它们部分地依赖于过程知识，但也使用机器学习方法。例如，clough和ramirez(aichej 22,1976,p.1097)以及gujarati和babu(chem.eng.sci.65,2010,p.2009)发表了用于苯乙烯反应器的基于知识的模型，并用它来优化使苯乙烯产率或工艺经济性最大化的反应器操作。在这两种情况下，动力学速率方程和系数取自以前的文献。考虑到应针对每种实际催化剂单独计算动力学系数(对于系统中发生的所有化学转化，不同的催化剂具有不同的反应速率)，模型的实际效用有限。此外，没有考虑催化剂老化率。
4.tamsiian等人(comp.chem.40,2012,p.1)基于文献中公开的动力学方程开发了一个模型，并通过使用来自运行5天的苯乙烯工厂数据拟合速率系数。
5.h.lim等人(ind.eng.chem.res.43,2004,p.6441)开发了一个混合模型，其由如下组成：第一原理(基于知识的)部分，用于描述催化剂性能(转化率和选择性)对作为输入变量的反应器操作参数压力、温度、sto比率和乙苯流量(flow rate)的相关性；以及神经网络模型，用于预测将在第一原理模型中使用的失活因子。神经网络基于最近时间步长的乙苯和蒸汽的失活因子、入口温度、总压力和分压力预测更新的失活因子。
6.shahhosseini等人(int.j.chem.react.eng.9,2011)开发了一种混合模型来优化绝热工业反应器系统的性能。首先，他们使用在实验等温反应器中测量的7个数据点拟合了动力学模型。采用了这样估计的动力学系数，他们使用禁忌搜索算法或遗传算法来有效地优化操作条件以最大化两个目标函数：乙苯转化率和苯乙烯选择性。基于文献值，催化活性被建模为时间的指数函数，在48个月内从100％衰减到40％。以该方式对失活进行建模无法反映不同操作场景的影响，这对于运行和工厂特定的失活预测是必不可少的。
7.wu等人(lecture notes in computer science,10357,pp.301
‑
312,2017)和wo 2018/035718 a1公开了一种基于真实操作数据实时预测苯乙烯生产量的数据驱动模型。从主成分分析(pca)和随机森林变量重要性分析的组合中识别了33个基于传感器的预测器。比较了三种模型，即广义回归神经网络(grnn)、卡尔曼滤波后的grnn和随机森林回归模型，以预测苯乙烯单体的产率。wu等人专注于基于可用的传感器数据预测当前的苯乙烯生产，声明的动机是该信息通常仅在分析测试后可用，这可能需要几个小时。然而，目前提出的方
法并不涉及基于用户定义的操作场景进行性能预测或性能预报，包括未来时间点的苯乙烯单体产率。不考虑催化剂的失活。
8.因此，已经开发了许多基于知识的模型或动力学模型来对催化反应器中的苯乙烯生产进行建模，并且最近机器学习(ml)的元素已被集成(混合模型)，但是在一些情况下用于优化动力学模型而不是对其本身建模的性能。在所有混合建模和机器学习方法中，ml方法都在小数据集上训练，通常由单个实验或生产工厂的单次运行组成。
9.基于知识或动力学的混合反应器模型很复杂，并且通常需要简化假设以便减少计算工作量。在大多数情况下，并非所有有助于催化剂性能和老化的物理化学过程都被了解。例如，在苯乙烯催化剂的情况下，钾损失由沿催化剂床层深度和催化剂颗粒内发生的温度梯度以及sto比率、气体混合物中的二氧化碳含量(由焦炭气化产生)以及沿床的压力梯度控制，使得对钾蒸发率的准确估计是不可能的。不能先验地计算反应器床的每一点处的钾损失率，以便估计催化剂床内和催化剂寿命期内催化剂的老化率。
10.本公开的目的是提供一种用于确定包括至少一个催化反应器的化学生产工厂中的操作条件的方法，其允许稳健、稳定和可靠的反应器操作并增强基于催化剂的生产工厂中的过程控制。


技术实现要素：

11.根据本发明的第一方面，提供了一种用于确定包括至少一个催化反应器的化学生产工厂的操作条件的系统。该系统包括：
12.通信接口和与通信接口通信的处理设备，该系统被配置为：
13.‑
经由通信接口接收指示预定生产运行的预定义操作条件的操作数据，或指示当前生产运行的当前操作条件的测量操作数据，其中，至少一个操作数据点包括指示当前操作条件变化的期望操作值，
14.‑
经由通信接口接收与催化剂已经在当前或预定生产运行中被使用的时间段相关联的催化剂老化指标，
15.‑
使用数据驱动模型，优选数据驱动机器学习模型，基于操作数据和催化剂老化指标，经由处理设备确定用于预定生产运行或当前生产运行的变化的操作条件的至少一个目标操作参数，其中，数据驱动的模型根据训练数据集参数化，其中，训练数据集基于包括操作数据、催化剂老化指标和至少一个目标操作参数的历史数据集，
16.‑
经由通信接口提供用于预定生产运行或当前生产运行的变化的操作条件的至少一个目标操作参数。
17.根据本发明的第一方面的另一个示例，提供了一种用于确定包括至少一个催化反应器的化学生产工厂的操作条件的系统。该系统包括通信接口和与通信接口通信的处理设备。
18.(a)对于预定生产运行，系统被配置为：
19.‑
经由通信接口接收指示用于预定生产运行的预定义操作条件的操作数据，
20.‑
经由通信接口接收与催化剂已经在预定生产运行中被使用的时间段相关联的催化剂老化指标，
21.‑
使用数据驱动模型基于操作数据和催化剂老化指标，经由处理设备确定用于预
定生产运行的操作条件的至少一个目标操作参数，其中，数据驱动模型根据训练数据集参数化，其中，训练数据集基于包括操作数据、催化剂老化指标和至少一个目标操作参数的历史数据集，
22.‑
经由通信接口提供用于预定生产运行的操作条件的至少一个目标操作参数，或
23.(b)对于当前生产运行的变化，系统被配置为：
24.‑
经由通信接口接收指示当前生产运行的当前操作条件的所测量的操作数据，其中，至少一个操作数据点包括指示当前操作条件的变化的期望操作值，
25.‑
经由通信接口接收与催化剂已经在当前生产运行中被使用的时间段相关联的催化剂老化指标，
26.‑
使用数据驱动模型基于操作数据和催化剂老化指标，经由处理设备确定用于当前生产运行的变化的操作条件的至少一个目标操作参数，其中，数据驱动模型根据训练数据集参数化，其中，训练数据集基于包括操作数据、催化剂老化指标和至少一个目标操作参数的历史数据集，
27.‑
经由通信接口提供用于当前生产运行的变化的操作条件的至少一个目标操作参数。
28.根据本发明的第二方面，提供了一种用于优化化学生产工厂的预定生产运行或当前生产运行的变化的操作条件的系统。该系统包括上述系统和优化处理设备，优化处理设备被配置为：
29.‑
对于预定生产运行或当前生产运行的变化的多于一种的操作条件，经由通信接口接收所确定的目标操作参数，
30.‑
基于所接收的用于每个操作条件的目标操作参数，经由优化处理设备确定目标操作参数的最小值或最大值，或者从目标操作参数导出的至少一个优化参数的最小值或最大值，
31.‑
经由通信接口提供指示预定生产运行或当前生产运行的最优操作条件的最小值或最大值，例如目标操作参数的最小值或最大值，或者从目标操作参数导出的优化参数的最小值或最大值。
32.根据本发明的第二方面的另一个示例，提供了一种用于优化化学生产工厂的操作条件的系统。该系统包括上述系统和优化处理设备，优化处理设备被配置为：
33.‑
对于如(a)对于预定生产运行或(b)对于当前生产运行的变化所确定的多于一种的操作条件，经由通信接口接收所确定的目标操作参数，
34.‑
基于所接收的用于每个操作条件的目标操作参数，经由优化处理设备确定目标操作参数的最小值或最大值，或者从目标操作参数导出的优化参数的最小值或最大值，
35.‑
经由通信接口提供指示在(a)预定生产运行或(b)当前生产运行中的最优操作条件的最小值或最大值，例如目标操作参数的最小值或最大值，或者从目标操作参数导出的优化参数的最小值或最大值。
36.根据本发明的第三方面，提供了一种生产监视和/或控制系统，其包括例如经由有线或无线连接通信地耦合到用于确定如上所列的操作条件的系统或用于优化如上所列的操作条件的系统的通信接口。生产监视和/或控制系统可以包括显示设备，该显示设备被配置为接收和显示所确定的操作条件。生产监视和/或控制系统可包括控制单元，该控制单元
被配置为接收所确定的操作条件以基于所确定的操作条件控制化学生产工厂中的当前或预定的生产运行。所确定的操作条件优选地包括所确定的目标操作参数和进一步可选地包括期望操作值的可选的操作数据。
37.根据本发明的第四方面，提供了一种用于确定包括至少一个催化反应器的化学生产工厂的预定生产运行或当前生产运行的变化的操作条件的计算机实现方法。该方法包括以下步骤：
38.‑
经由通信接口接收指示预定生产运行的预定义操作条件的操作数据，或指示当前操作条件的测量操作数据，其中，至少一个操作数据点包括指示当前操作条件变化的期望操作值，
39.‑
经由通信接口接收与催化剂已经在当前或预定的生产运行中被使用的时间段相关联的催化剂老化指标，
40.‑
使用数据驱动机器学习模型基于操作数据和催化剂老化指标，经由处理设备确定用于预定或当前生产运行的变化的操作条件的至少一个目标操作参数，其中，数据驱动模型根据训练数据集参数化，其中，训练数据集基于包括操作数据、催化剂老化指标和至少一个目标操作参数的历史数据集，
41.‑
经由通信接口提供用于预定或当前生产运行的变化的操作条件的至少一个目标操作参数。
42.根据本发明的第四方面的另一示例，提供了一种用于确定包括至少一个催化反应器的化学生产工厂的操作条件的计算机实现方法。该方法包括以下步骤：
43.(a)对于预定生产运行，该方法包括以下步骤：
44.‑
经由通信接口接收指示用于预定生产运行的预定义操作条件的操作数据，
45.‑
经由通信接口接收与催化剂已经在预定生产运行中被使用的时间段相关联的催化剂老化指标，
46.‑
使用数据驱动模型基于操作数据和催化剂老化指标，经由处理设备确定用于预定生产运行的操作条件的至少一个目标操作参数，其中，数据驱动模型根据训练数据集参数化，其中，训练数据集基于包括操作数据、催化剂老化指标和至少一个目标操作参数的历史数据集，
47.‑
经由通信接口提供用于预定生产运行的操作条件的至少一个目标操作参数，或
48.(b)对于当前生产运行的变化，该方法包括以下步骤：
49.‑
经由通信接口接收指示当前生产运行的当前操作条件的所测量的操作数据，其中，至少一个操作数据点包括指示当前操作条件的变化的期望操作值，
50.‑
经由通信接口接收与催化剂已经在当前生产运行中被使用的时间段相关联的催化剂老化指标，
51.‑
使用数据驱动模型基于操作数据和催化剂老化指标，经由处理设备确定用于当前生产运行的变化的操作条件的至少一个目标操作参数，其中，数据驱动模型根据训练数据集参数化，其中，训练数据集基于包括操作数据、催化剂老化指标和至少一个目标操作参数的历史数据集，
52.‑
经由通信接口提供用于当前生产运行的变化的操作条件的至少一个目标操作参数。
53.根据本发明的第五方面，提供了一种用于优化化学生产工厂的预定生产运行或当前生产运行的变化的操作条件的方法。该方法包括以下步骤：
54.‑
对于预定生产运行或当前生产运行的变化的多于一种的操作条件，经由通信接口接收所确定的目标操作参数，
55.‑
基于所接收的用于每个操作条件的目标操作参数，经由优化处理单元确定目标操作参数的最小值或最大值，或者从目标操作参数导出的优化参数的最小值或最大值，
56.‑
经由通信接口提供指示预定生产运行或当前生产运行的最优操作条件的最小值或最大值，例如目标操作参数的最小值或最大值，或者从目标操作参数导出的优化参数的最小值或最大值。
57.根据本发明第五方面的另一个示例，一种用于优化化学生产工厂的预定生产运行或当前生产运行的变化的操作条件的方法，该方法包括以下步骤：
58.‑
对于如(a)对于预定生产运行或(b)对于当前生产运行的变化所确定的多于一种的操作条件，经由通信接口接收所确定的目标操作参数，
59.‑
基于所接收的用于每个操作条件的目标操作参数，经由优化处理设备确定目标操作参数的最小值或最大值，或者从目标操作参数导出的优化参数的最小值或最大值，
60.‑
经由通信接口提供指示在(a)预定生产运行或(b)当前生产运行中的最优操作条件的最小值或最大值，例如目标操作参数的最小值或最大值，或者从目标操作参数导出的优化参数的最小值或最大值。
61.根据本发明的第六方面，提供了一种用于监视和/或控制化学生产工厂的方法，其包括执行用于确定或优化如上列出的操作条件的方法的步骤。该方法可进一步包括在显示设备上显示所确定的操作条件和/或基于所确定的操作条件控制化学生产工厂中的当前或预定的生产运行。所确定的操作条件优选地包括所确定的目标操作参数和/或可选地包括期望操作值的操作数据。
62.根据本发明的第七方面，提供了一种用于训练数据驱动模型的方法，该数据驱动模型用于确定包括至少一个催化反应器的化学生产工厂的预定生产运行或当前生产运行的变化的操作条件。该方法包括以下步骤：
63.‑
经由通信接口接收训练数据集，该训练数据集基于包括操作数据、催化剂老化指标、至少一个目标操作参数、可选的工厂元数据的历史数据集，
64.‑
经由处理设备通过根据训练数据集调节参数化来训练数据驱动模型，
65.‑
经由通信接口提供所训练的数据驱动模型。
66.根据本发明的第八方面，一种包括计算机可读指令的计算机程序或计算机程序产品或计算机可读非易失性存储介质，当被处理设备加载和执行时，其执行在此公开的方法。
67.根据本发明的第九方面，提供了一种催化剂，该催化剂包括与根据在此列出的方法训练的数据驱动模型相关联的催化剂类型标识符，其中，该模型针对由催化剂类型标识符指示的催化剂类型进行训练。换句话说，提供了催化剂系统，其包括催化剂和与根据在此列出的方法训练的数据驱动模型相关联的催化剂类型标识符，其中，该模型针对由催化剂类型标识符指示的催化剂类型进行训练。
68.根据本发明的第十方面，提供了一种催化剂，该催化剂包括与在此列出的计算机程序相关联的催化剂类型标识符。换句话说，提供了一种催化剂系统，其包括催化剂和与在
此列出的计算机程序相关联的催化剂类型标识符。
69.根据本发明的第十一方面，提供了一种使用与根据在此列出的方法训练的数据驱动模型相关联的催化剂的化学过程，其中，数据驱动模型用于设计工厂组件和优化用于实现目标性能的化学过程的操作，特别是包括至少一个催化反应器的化学生产工厂的操作条件。
70.以下公开适用于在此公开的系统、方法、计算机程序、计算机可读非易失性存储介质、催化剂、化学过程和计算机程序产品等。因此，在系统、方法、计算机程序、计算机可读非易失性存储介质或计算机程序产品之间不进行区分。与在此公开的系统、方法、计算机程序、计算机可读非易失性存储介质、催化剂、化学过程和计算机程序产品相关地公开所有特征。
71.本发明提供用于仅基于数据驱动模型确定操作条件或操作参数的系统或方法，其允许更稳健、稳定和可靠的反应器操作并增强基于催化剂的生产工厂中的过程控制。特别地，该确定比基于动力学模型或混合模型的已知方法更准确，因为不需要关于反应动力学的先验信息，并且因此不需要关于潜在过程的估计或简化假设。
72.具体地，该确定通过提供与催化剂已经在当前生产运行中被使用的时间段相关联的催化剂老化指标来考虑催化剂失活。包括催化剂老化指标作为模型输入参数允许更准确地确定操作条件，因为该模型固有地考虑了催化剂失活或老化。考虑到催化剂失活，操作参数的确定适用于范围广泛的化学生产工厂和操作参数。相比之下，不考虑催化剂老化的数据驱动模型仅狭窄地适用。特别地，这种模型仅限于模型训练所针对的化学生产工厂，有时甚至仅在生产工厂中运行一次，操作条件范围也很窄。
73.本公开的系统和方法执行短期离散预测以及时间序列预报。在后一种情况下，它们能够在整个生产运行期间涵盖催化剂的完全失活过程。该方法和系统使工厂操作者能够根据能源成本、原材料的市场供应或工厂产品的需求，以及工厂中可能发生的其它限制(如不同工厂部分或公用设施的停电)，在日常基础上改进和优化操作策略。
74.此外，该系统和方法允许使用工厂的操作数据和催化剂老化指标来预测基于催化剂的生产工厂的短期行为和/或预报其长期行为。这允许在基于催化剂的生产工厂中增强过程控制，因为例如工厂操作者可以基于生产工厂中存在的操作条件轻松评估预定的或当前的运行。因此，该系统为规划、监视和控制生产过程提供强大的工具。
75.在本发明的一个实施例中，化学生产工厂包括一个或多个催化反应器。在本发明的上下文中，术语“催化反应器”是指其中发生催化化学反应并且通常包含催化剂的化学反应器。催化反应器可以是固定床催化反应器。化学生产工厂可以是苯乙烯生产工厂。
76.在该上下文中，数据驱动模型，优选地数据驱动机器学习模型或仅数据驱动模型，是指根据训练数据集被参数化以反映化学生产工厂或催化反应器的反应动力学或物理化学过程的经训练的数学模型。未训练的数学模型是指不反映反应动力学或物理化学过程的模型，例如未训练的数学模型并非源自提供基于经验观察的科学概括的物理定律。因此，动力学或物理化学特性可能不是未训练的数学模型所固有的。未训练的模型不反映这种特性。采用相应的训练数据集进行特征工程化和训练，可以实现未训练的数学模型的参数化。这种训练的结果仅仅是数据驱动的模型，优选地数据驱动机器学习模型，它作为训练过程的结果，优选地仅仅作为训练过程的结果，反映了反应动力学或物理化学特性。
77.在该上下文中的历史数据是指至少包括操作数据、催化剂老化指标和至少一个目标操作参数的数据集，其中，每个数据集与单个生产运行相关联。因此，每个数据集包括与一种催化剂从生产开始到生产结束的生产运行相关联的数据。当催化剂需要再次更换时，这种数据可以在催化剂寿命期内的生产运行期间(例如从催化剂更换后的生产开始到生产结束)被测量和记录。
78.所催化的化学反应不限制本发明的范围。作为示例，催化剂可以是脱氢催化剂。特别地，催化反应器的催化剂可以是用于脂肪族或烷基芳族烃脱氢以形成对应的不饱和烃的氧化铁基催化剂。这种脱氢过程的示例是乙苯脱氢成苯乙烯、异丙苯脱氢成α
‑
甲基苯乙烯、丁烯脱氢成丁二烯或异戊烯脱氢成异戊二烯。该方法和系统在苯乙烯生产工厂中特别有用。优选地，化学生产工厂是使用苯乙烯催化剂将乙苯转化为苯乙烯的苯乙烯生产工厂。苯乙烯的制备通常包括在蒸汽存在下异相催化乙苯脱氢。脂肪族或烷基芳香族烃的催化脱氢通常在工业上在蒸汽存在下在500至700℃的温度范围内执行。在这些过程中，烃和蒸汽通常在高温和低压下混合并通过氧化铁脱氢催化剂。
79.术语操作数据是指指示化学生产工厂的操作状态的量。特别地，这种量涉及在化学生产工厂的生产运行期间收集的测量数据并且可以直接或间接地从这种测量数据导出。在优选实施例中，操作数据包括通过安装在化学生产工厂中的传感器测量的传感器数据、直接或间接从这种传感器数据导出的量、在从化学生产工厂取得的样品中测量的分析数据、直接或间接从这种分析数据导出的量，或其组合。
80.传感器数据可以包括借助于安装的传感器(例如温度传感器、压力传感器、流量传感器等)在化学生产工厂中可用的经测量的量。分析数据可包括在过程或时间中的任何点从化学生产工厂提取的样品的分析测量提供的量。特别地，这种分析数据可以包括如例如经由气相色谱法从在生产过程的不同阶段处(例如，在催化反应器之前或之后)的生产过程期间提取的样品确定的反应物、起始材料、产品和/或副产品的成分。分析数据优选地形成确定催化剂性能特征的基础。
81.操作数据集可以包括原始数据，该原始数据是指基本的、未处理的分析和/或传感器数据；或直接或间接地从原始数据导出的经处理或导出的参数。在化学生产工厂的情况下，导出的参数可以包括从相应温度传感器导出的多个催化反应器的平均入口温度；从蒸汽流速和反应物流速的原始数据导出的蒸汽油比；从反应器前后的分析数据导出的转化率和选择性；任何类型的归一化数据，例如通过催化剂体积或催化剂质量归一化的生产值；从时间序列数据导出的任何数据，例如累积生产量、迄今为止的最大负荷或其任何组合。
82.特别是对于化学生产工厂，转化率、选择性和产率可以从分析数据中导出。这里的转化率是指在反应器中完全转化的反应物的分数，优选为百分比。在例如苯乙烯生产的情况下，这对应于起始材料乙苯到任何产品的转化。期望产品的选择性是指转化为期望产品的转化反应物的数量。在例如苯乙烯生产的情况下，这对应于乙苯到苯乙烯反应的选择性。期望产品的产率是指转化率和产品特定选择性的数学乘积。产率可由进入反应器的反应物转化为期望产品的百分比表示。在另一实施例中，指示物理工厂布局的工厂元数据经由通信接口接收。工厂元数据可以包括描述例如反应器的特性的工厂特定的量，该工厂特定的量由物理工厂布局预定义，并且可与工厂或反应器的性能相关。例如，工厂元数据包括反应物混合物随后通过的多个反应器，例如2或3个反应器、总催化剂体积、反应器的催化剂体
积、每个反应器的尺寸(长度、直径、高度
……
)、工厂中使用的催化剂类型或其组合。在另一实施例中，经由处理单元确定至少一个目标操作参数是另外基于使用数据驱动模型的工厂元数据，其中训练数据集基于另外包括工厂元数据的历史数据集。将工厂元数据纳入操作条件的确定允许构建适用于不同工厂的数据驱动模型，其进而增加可用于训练数据驱动模型的数据点的数量。因此，数据驱动模型广泛地捕获了在具有不同的物理工厂布局的不同操作条件下运行的不同工厂的操作条件，这允许更准确的确定。
83.在另一个实施例中，该组历史数据包括来自多个生产运行、多个工厂和/或相同类型催化剂的多个催化剂批次的数据。将多次生产运行纳入训练允许涵盖相同或不同工厂的不同操作条件。包括来自多个催化剂批次的数据允许考虑催化剂批次之间的差异。来自多个催化剂批次的数据可以包括来自多个生产运行的数据，其中对于至少一个生产运行，使用相同类型催化剂的不同生产批次。通过包括来自不同工厂的一个或多个生产运行的多个工厂数据，可以包括在内。因此，可以涵盖不同工厂中的操作条件，从而提供更广泛的模型适用性。在该上下文中，相同类型的催化剂是指相同类型的催化剂配方。多个催化剂批次包括来自不同制造批次或不同交货日期提供的相同类型的催化剂。
84.在另一实施例中，催化剂老化指标基于时间点、时间段、从时间相关操作数据导出的量和/或从时间相关操作数据累积导出的量。催化剂老化指标可以通过催化剂在反应条件下自其第一次与反应混合物接触以来在反应器中花费的时间来指定。另外地或可替代地，催化剂的累积负荷或累积生产量可用作催化剂老化指标，该催化剂老化指标优选地由自运行开始直至预测开始时间点的反应物进料或转化的反应物的总量定义。除了这里提到的指标之外，可以利用可用作催化剂老化指标的任何其它量。催化剂老化指标可以经由客户端设备提供，其中工厂操作者输入生产运行开始的时间或从生产运行开始直至预测开始时间点的时间段。可替代地或另外地，催化剂老化指标可以基于优选地自生产运行开始起的操作数据的时间序列来确定，其中生产运行开始可以基于操作数据中的操作配置文件来确定。这种操作配置文件可以包括某些温度、压力、流量配置文件或这种配置文件的组合。
85.用于预定或当前生产变化的操作条件是指化学生产工厂在未来或预测开始时间点之后可能运行的操作条件。这种操作条件可以包括一个或多个离散时间点、多个离散时间点、一段时间或若干时间间隔的一个或多个操作条件。在后一种情况下，操作条件可以包括不同的时间间隔，对于该时间间隔，至少一个预定义的或期望的操作值在不同的间隔中采用不同的值。多个离散的时间点、时间段或时间间隔可以从预测开始时间点延伸到剩余的生产运行直至生产运行结束，此时催化剂需要更换。
86.用于预定生产运行的操作条件可以指在生产运行开始之前化学生产工厂的预定义操作条件的操作数据。预定义操作条件可以包括指定操作条件的一组预定义操作数据。确定用于预定生产运行的操作条件对于在生产运行开始之前的生产设计和规划特别有用。用于当前生产运行的操作条件可以指如化学生产工厂中当前设定的操作条件的变化。操作条件可以包括指定当前操作条件的一组操作数据，其中操作数据位于与化学生产工厂中当前设定的操作参数不同的至少一个操作数据点中。确定用于当前生产运行的操作条件对于在当前生产运行期间监视和控制生产特别有用。
87.确定操作条件包括预测或预报催化剂或反应器的性能/行为，并以一般方式用于描述数据驱动模型对一组适当输入参数的应用。在苯乙烯生产工厂的示例中，例如，该确定
是指在经由操作数据给定特定操作条件的情况下反应器入口温度和乙苯到苯乙烯反应的相关联选择性的确定。模型的输出参数的这种选择可能受以下事实驱动：大多数工厂以操作者调节入口温度以实现确定期望转化的方式运行。然而，给定相同的数据集，可以以类似方式开发模型，如下面进一步详述，具有不同的输入和输出分配，例如使用反应器温度作为输入来预测在操作条件下预期的转化率。
88.在一个实施例中，用于操作条件的至少一个目标操作参数的确定基于确定离散时间点的目标操作参数的短期模型或基于确定一段时间(特别是未来)的目标操作参数的长期模型。在短期模型的情况下，用于操作条件的至少一个目标操作参数是基于短时间框架确定的。这里，短时间框架可以指离散的或单一的时间点。短期模型可以基于不同的机器学习技术，包括例如诸如线性回归模型、非线性回归模型、贝叶斯线性回归的回归模型、随机森林模型、神经网络或其组合。也可以应用其它方法。优选地，短期模型不具有固有时间相关性。更优选地，短期模型基于相同时间t的模型输入来预测时间t的性能或操作条件。
89.在预定生产运行的情况下，操作数据可以指定预定义操作条件。例如在预定义操作条件随时间推移恒定或随时间推移或基于先前的生产运行具有预定义变化的假设下，可以针对预定生产运行估计催化剂老化指标。经由短期模型的确定可以例如应用于多于一个的离散时间点，用于在整个生产运行中保持恒定的预定义操作条件，并且可以针对离散时间点中的每个离散时间点估计催化剂老化指标。这种实现方式对于设计和规划未来的生产运行特别有利。
90.在当前生产运行的情况下，操作数据可以指定化学生产中当前设定的操作条件，其中至少一个期望操作值指示当前操作条件的变化或与当前操作条件的偏离。经由短期模型的确定可以例如应用于一个或多个离散时间点，用于确定指示与当前在化学生产中设定的操作条件的偏差的至少一个期望操作值的影响。这种实现方式特别有利于监视和控制当前的生产运行。
91.在长期模型的情况下，基于长时间框架确定用于操作条件的至少一个目标操作参数。这里的长时间框架可以指未来的多个时间点。点的数量以及因此的预测范围取决于生产工厂中时间动态的时间尺度。对于基于催化剂的生产过程，这种动态可以由催化剂老化动态及其时间范围确定。对于像苯乙烯生产的多相催化剂反应，这种时间尺度可能在数周、数月或数年的范围内。长期模型可以基于时间序列预报方法。这种方法例如包括诸如自回归模型，特别是自回归(ar)、移动平均(ma)、自回归移动平均(arma)、自回归综合移动平均(arima)、向量自回归(var)、向量自回归移动平均(varma)、带有外源回归量的向量自回归移动平均(varmax)的已知的回归方法，随机森林模型，神经网络，卷积神经网络，递归神经网络或其组合。也可以应用其它方法。
92.在一个实施例中，经由通信接口接收如在当前或先前的生产运行期间直至预测开始时间点所测量、预测或导出的至少一个目标操作参数的时间序列。例如。在预定运行的情况下，可以使用如在先前生产期间所测量、预测或导出的目标操作参数。优选地，使用数据驱动模型基于可选地包括期望操作值的操作数据、至少一个目标操作参数的时间序列、催化剂老化指标和可选的工厂元数据来确定预测开始时间点之后的一个或多个时间点的至少一个目标运行参数。更优选地，数据驱动模型包括固有时间相关性。在该实施例中，至少一个目标操作参数可以包括不受控的或内源的参数，该参数在化学生产工厂中不能经由机
器设置来控制。相反，包括至少一个期望操作值的操作数据可以包括受控或外源的参数，该参数在化学生产工厂中可经由机器设置来控制。在预测开始时间t的目标操作参数的确定可以包括例如对于时间t,
…
,t+n，n>0的确定，其基于不受控参数或不受控参数的子集，直至时间点t
‑
1或更短，并且可选地基于受控参数或受控参数的子集，例如在时间点t,
…
,t+n(可选地进一步包括例如t
‑
1,t
‑
2,...)或在适合使用所选模型的特定结构进行预报的其它时间点。
93.优选地，长期模型是基于时间序列的模型，其包括固有时间相关性并且基于直至时间点t
‑
1的时间点的模型输入来预报时间t,
…
,t+n的目标操作参数。这里t是指在时间上的预测起点。因此，长期模型允许在优选延长的时间段内确定反应器或催化剂性能以及反应器或催化剂性能的变化，而无需超出预报起点的不受控的参数的可用信息。这些模型至少具有一些固有的时间相关性，并且基于直至时间点t
‑
1的不受控的参数以及可选地基于受控参数(例如在时间点t,
…
,t+n或适合采用所选模型的特定结构进行预报的其它时间点)预报时间t,
…
,t+n的性能。
94.在一个实施例中，处理设备进一步被配置为在经由数据驱动模型的确定之前预处理操作数据。优选地，预处理包括对独立于物理工厂布局的量的转换。预处理允许考虑不同工厂之间的系统性和非系统性差异。因此，即使来自所讨论的特定工厂的数据未用于训练数据驱动模型，它也能够广泛适用于目标操作参数的确定。特别地，转换包括作为数据驱动模型和/或操作数据归一化的输入参数的系统因素。
95.在另一实施例中，在确定至少一个目标操作参数之前验证数据驱动模型。这种验证增强了对所确定的目标操作参数的可解释性和可信度。为了验证，可以经由通信接口接收操作数据和如在当前生产运行期间针对一个或多个时间点测量或导出的至少一个目标操作参数。操作数据可用于确定与时间点对应的至少一个目标操作参数，其中所测量的目标操作参数可用。可以比较针对某个时间点的所确定的目标操作参数和与相同时间点对应的所测量的操作参数的结果。如果该比较导致有效的模型操作，例如如果差异小于阈值或没有识别出系统误差，则可以遵循基于包括至少一个期望操作值的一组操作数据对用于操作条件的至少一个目标操作参数的确定。如果该比较导致无效的模型操作，则可能会触发警报，例如经由显示设备或音频设备，表明模型操作不适用于在当前操作条件下监视和/或控制目标化学工厂。
96.在另一实施例中，在确定至少一个目标操作参数之前，基于催化剂类型选择数据驱动模型。催化剂类型可以经由元数据接收，该元数据例如经由催化剂类型标识符来表明所使用的催化剂类型。催化剂类型可以指定催化剂配方。这种选项允许高度灵活地使用系统、计算机程序、计算机程序产品和方法，不仅涵盖不同的化学生产工厂，而且涵盖不同的催化剂类型。通过在确定至少一个目标操作参数之前基于输入和输出参数标识符选择数据驱动模型，可以增加进一步的灵活性程度。输入和输出参数标识符可以指定在系统或方法中哪些参数用作操作数据以及哪些参数用作目标操作参数。在这种实现方式中，基于可以执行的选择步骤，不同的数据驱动模型可以被存储在系统的存储器中，包括催化剂类型和/或每个模型的参数标识符。
97.在一个实施例中，基于包括催化剂类型标识符的训练数据执行数据驱动模型的训练。经训练的模型可以与催化剂类型标识符一起存储并且可以与优选地包括催化剂类型标
识符的那种类型的催化剂一起提供。这种识别可以经由存储在数据库中或例如结合相应的化学生产工厂附接到催化剂输送容器的移动存储介质中的催化剂id以电子方式实现。在这种情况下，模型优选基于在生产运行中测量的训练数据集进行训练，该生产运行使用与催化剂类型标识符所指示的催化剂类型相同的催化剂。因此，催化剂可以与数据驱动模型捆绑在一起，并且可以帮助对采用特定催化剂类型的催化剂运行的生产工厂进行更稳健的控制。
98.提供了一种例如在固定床催化反应器中作为反应器操作参数或操作数据和催化剂老化或催化剂老化指标的函数来预测催化剂的短期行为和预报催化剂的长期行为的方法。该方法使用数据驱动模型，优选地数据驱动机器学习模型，其不涉及关于反应动力学的先验信息。该模型能够预测作为输入参数(包括典型的反应器操作参数或操作数据以及从传感器和生产工厂中可用的分析原始数据导出的参数)的函数的催化剂的短期和长期行为二者。还提供了用于执行该方法的软件产品。作为应用实例，该方法用于预测和预报乙苯转化为苯乙烯的催化剂和工艺反应器的行为。
99.本公开提供了一种预测包括催化反应器的化学生产工厂中的催化剂的短期性能并预报其长期性能(包括催化剂老化效应)的计算机实现方法。该方法涉及使用化学生产工厂并且特别是催化反应器的数学模型，该数学模型基于机器学习，不涉及反应动力学的先验信息，并使用选自传感器原始数据、导出参数、反应器操作参数或操作数据、工厂元数据和指示催化剂老化或催化剂老化指标的参数的输入参数。
100.在一个实施例中，操作数据选自可从化学生产工厂，特别是催化反应器获得的传感器数据，来自例如气相色谱(gc)分析的分析数据，以及如上面列出的导出参数。
101.在一个实施例中，操作数据包括一个或多个催化反应器(优选一个或多个催化反应器中的每一个催化反应器)的入口温度和出口温度，一个或多个催化反应器(优选一个或多个催化反应器中的每一个催化反应器)的入口压力和出口压力，以及在一个或多个催化反应器(优选一个或多个催化反应器中的每一个催化反应器)的入口和出口处的反应混合物的成分。
102.在特别适用于苯乙烯生产工厂的一个实施例中，操作数据包括蒸汽油比(sto)、液时空速(lhsv)、按催化剂体积归一化的苯乙烯总生产、目标乙苯转化率、苯乙烯选择性、平均入口温度、最后一个催化反应器后的归一化压力、一个或多个催化反应器上的归一化压降、一个或多个催化反应器上的温度损失、与预期值相比的温度损失的归一化偏差(基于转换来计算)。这种参数集的优点是它仍然是可解释的，因为许多参数对应于实际操作参数或可以在该上下文中轻松解释。减少问题维度数量的其它方法(例如，pca或rfa)可以产生对建模过程和预测准确性有用的参数，但通常缺乏可解释性。
103.数据驱动模型优选地执行时间序列预报并且能够在反应器系统中的整个生产运行期间涵盖催化剂的完全失活过程。该模型使工厂操作者能够根据能源成本、原材料的市场供应或工厂产品的需求以及工厂可能出现的其它限制(例如不同工厂部分或公用设施的中断)，每天改进和优化操作策略。
104.在一个实施例中，预报时段横跨由操作条件的限制(优选可以操作的最大反应器温度)确定的催化剂的剩余寿命。该模型允许基于预报的操作条件和这些操作条件的限制(例如可以操作的最大反应器温度或压力)，确定使用中催化剂的剩余寿命。这使操作者能
够可靠地计划直到下一次催化剂更换所剩余的时间，并且还模拟不同的操作策略以便延长催化剂寿命(如果需要)，或从剩余时间直到下一次计划的工厂停工来获得最大生产率。
105.在一个实施例中，数据驱动模型用于预测未提供用于训练数据驱动模型的历史数据的生产工厂中催化剂的操作条件。
106.在一个实施例中，数据驱动模型的输出用于优化化学生产工厂的预定生产运行或当前生产运行的操作条件。在这样的实施例中，经由数据驱动模型针对多于一个的操作条件确定的目标操作参数被接收并馈送到优化处理设备中。优化可包括一个或多个优化目标。优化目标可以由例如优化参数或要被优化的目标参数指定。在该上下文中，优化目标可以进一步包括找到所指定的优化参数或目标参数的最小值或最大值。除了用于多于一个的操作条件的目标参数之外，优化目标可以被接收并馈送到优化处理设备。例如可以向操作者提供可能的优化目标的选择并且可以基于用户选择来接收所选择的优化目标。
107.在一个或多个优化目标的情况下，一个最优解决方案可能存在并且可以作为优化的结果被提供。这种最优解决方案可以提供给用于监视和/或控制的系统。最优解决方案可以显示在显示设备上或用于控制化学生产过程。在多于一个的优化目标或多目标优化的情况下，一个或多个最优解决方案可能存在并且可以作为优化的结果被提供。多个最优解决方案可以提供给用于监视和/或控制的系统并显示在显示设备上。在该情况下，工厂的操作者可以在多个最优解决方案之间进行选择，这简化了在操作化学生产工厂的复杂情况下的决策过程。
108.在另一实施例中，优化处理设备基于如由数据驱动模型输出的目标操作参数来确定目标操作参数的最小值或最大值或从目标操作参数导出的至少一个优化参数的最小值或最大值。在一个示例性场景中，催化剂的剩余寿命可以是从目标操作参数导出的优化参数并且找到最大值是优化过程的目标。此外，优化问题中可以包含约束条件。关于目标操作参数方面的限制可包括最高反应器温度、最低选择性或每天最低生产量。在另一示例性场景中，在催化剂的剩余寿命期内或直到用于催化剂更换的预定时间点的生产量可以是从目标操作参数导出的优化参数并且找到最大值是优化过程的目标。关于目标操作参数方面的约束可以包括最大反应器温度、最小选择性或最小和可选的每天最大生产量。
109.在另一示例性场景中，可以组合多个目标。例如，在催化剂寿命期内，催化剂在生产量下的剩余寿命可以是从目标操作参数导出的优化参数，并且找到与最大生产量相结合的最大剩余寿命是优化过程的目标。关于目标操作参数方面的约束可包括最大反应器温度、最低选择性或每天最低生产量。在另一示例中，多个目标进一步包括进一步考虑成本方面(诸如剩余产量、能量需求、催化剂更换费用或其组合)的催化剂更换的最优时机。对于多目标优化，可以使用已知的帕累托(pareto)优化技术。
110.在一个实施例中，数据驱动模型用于模拟预期的催化剂性能、生产率(例如一段时间内产生的苯乙烯总量)、能量需求(与例如反应器或蒸汽反应物加热相关联)和成本或利润(例如与反应物成本、产品的市场价格、能源成本有关)，用于选择催化反应器中的操作数据或操作参数集。在此，产量、能耗、co2排放、成本、副产品、催化剂更换间隔、剩余寿命或其组合可以是目标操作参数或从目标操作参数导出的优化参数。在优化中可以定义不同的约束，例如目标参数的确定所基于的操作数据的约束。
111.在一个实施例中，数据驱动模型用于模拟在给定的工厂设置(例如，较低的压力水
平(更深真空)、较低的sto比率或附加反应器)中实际上无法实现的所选操作数据集的预期催化剂性能、生产率和能源需求。这可以帮助工厂管理者更好地评估工厂潜在升级的经济性。
112.在一个实施例中，数据驱动模型用于模拟和/或评估先前未使用催化剂的新工厂的预期性能和操作条件。
113.本公开还提供了一种被配置为执行本公开的方法的计算机程序产品。在一个实施例中，计算机程序产品是在化学生产工厂或苯乙烯生产工厂中，特别是在其中集成和/或连接到其上的计算单元(计算机)中实现的计算机程序。在一个实施例中，计算机程序产品被集成到化学生产工厂或苯乙烯生产工厂的仪表板中。
114.在一个实施例中，计算机程序产品包括用于输入化学生产工厂的操作条件的界面。操作条件可以是先前生产运行的历史数据或当前运行中化学生产工厂的实际操作条件。
115.在计算机程序产品的一个实施例中，用于预报的输入参数或操作数据被手动上传到计算机程序产品中和/或由计算机程序产品从过程控制系统中读出。在一个实施例中，在格式化的数据表中提供输入参数或操作数据。在一个实施例中，提供图形用户界面用于将数据手动上传到计算机程序产品中。在另一实施例中，提供了用于将数据上传到计算机程序产品中的应用编程接口。
116.在一个实施例中，计算机程序产品的用户向计算机程序产品提供以上指定的所有信息(例如，原始数据、对应单元、工厂元数据)。该信息可以手动输入、经由结构化数据文件上传或经由应用编程接口(手动或自动)提供。对于长期预测，目标操作参数的输入时间序列优选地至少覆盖模型中使用的时滞结构所需的范围。如果模型中也使用了它们的时间滞后，则可能还包括控制参数。
117.在一个实施例中，外源操作参数由用户输入，例如用于要被预测其性能的多个操作场景。所有附加的数据处理(包括格式化、聚合和预测)都由软件产品执行。
118.在一个实施例中，由计算机程序产品产生的预报经由图形用户界面作为结构化数据文件或经由应用编程界面被呈现给用户。
119.根据另外的实施例，计算机程序产品是当加载到计算设备的存储器中并且由计算设备的至少一个处理器执行时执行上述计算机实现的方法的步骤的计算机程序产品。
120.计算机程序产品可以与计算机系统一起使用或并入计算机系统中，该计算机系统可以是独立单元或包括经由网络(诸如例如互联网或内联网)与中央计算机通信的一个或多个远程终端或设备。因此，在此描述的计算机或处理器和相关组件可以是本地计算机系统或远程计算机或在线系统或其组合的一部分。在此描述的任何数据库和计算机程序产品都可以存储在计算机内部存储器或非暂态计算机可读介质中。
121.本公开的另一方面是一种用于预报化学生产工厂中催化剂的性能或用于确定化学生产工厂的操作条件的计算机系统。该计算机系统包括：至少一个接口组件，其被配置为访问和读取操作参数或操作数据和催化剂特定参数，特别是催化剂老化指标；以及处理器单元，其实现数据驱动模型并被配置为通过向数据驱动模型提供反应器操作参数或操作数据以及经由接口组件提供的催化剂特定参数来预测催化剂的性能。在一个实施例中，计算机系统被配置为经由有线和/或无线通信连接耦合到包括催化反应器的化学生产工厂，并
经由接口组件从包括催化反应器的化学生产工厂的过程控制系统至少部分地自动访问和读出反应器操作参数或操作数据和/或催化剂特定参数。
122.本公开的另一方面是一种用于训练包括一个或多个催化反应器化学生产工厂的基于机器学习的数据驱动模型的计算机实现方法，该数据驱动模型用于预测或预报催化反应器中催化剂的性能。该方法包括提供数学模型作为初始基础；提供历史数据，例如来自相同类型催化剂的多个生产运行和/或来自多个化学生产工厂或包括相同类型催化剂的催化反应器的多个生产运行，以及可选地预先确定的化学生产工厂(并且特别是催化反应器)的目标操作参数或操作和性能参数；访问和导入提供的历史数据到数学模型中；使数据驱动的数学模型的参数化适应所提供的历史数据；提供一个在适应的参数化的基础上数据驱动的数学模型的更新；以及通过将所更新的数据驱动的数学模型设置为初始基础来迭代地重复方法步骤。
123.本公开的另一方面是用于确定包括一个或多个催化反应器的化学生产工厂的操作和/或性能参数或目标操作参数的计算机实现的方法。该方法包括访问指示反应器系统中存在的操作条件的传感器数据和指示反应器系统中当前使用的催化剂的催化剂特定的传感器数据，使用数据驱动模型确定化学生产工厂的操作和/或性能参数或目标操作参数，其中数据驱动模型根据训练数据集参数化，其中训练数据集包括例如来自相同类型催化剂的多个生产运行和/或来自包括相同类型催化剂和先前确定的操作和性能参数或目标操作参数的多个催化反应器中的多个生产运行的历史数据，并且提供所确定的包括一个或多个催化反应器的化学生产工厂的操作和/或性能参数或目标操作参数。
124.本公开的另一方面是一种用于确定包括一个或多个催化反应器的化学生产工厂的操作和/或性能参数的计算机实现的方法。该方法包括访问指示反应器系统中存在的操作条件的传感器数据和指示反应器系统中当前使用的催化剂的催化剂特定的传感器数据，使用数据驱动模型确定化学生产工厂的操作和/或性能参数或目标操作参数，其中数据驱动模型根据训练数据集参数化，其中训练数据集包括例如来自相同类型催化剂的多个生产运行和/或来自包括相同类型的催化剂和先前确定的化学生产工厂的操作和性能参数或目标操作参数的多个反应器系统中的多个生产运行的历史数据，以及提供化学生产工厂的所确定的操作和/或性能参数或目标操作参数。
125.本公开的另一方面是用于控制包括一个或多个催化反应器的化学生产工厂的控制系统。控制系统包括如上所述的计算机系统和控制单元，该控制单元被配置为基于所提供的化学生产工厂的操作和/或性能参数或目标操作参数来控制化学生产工厂中运行的实际和/或预定的生产。
126.计算机程序可以存储和/或分布在合适的介质上，诸如与其它硬件一起或作为其它硬件的一部分提供的光存储介质或固态介质，但也可以以其它形式分布，诸如经由互联网或其它有线或无线电信系统。
127.然而，计算机程序也可以通过像万维网这样的网络呈现并且可以从这样的网络下载到数据处理器的工作存储器中。
128.根据本发明的另一示例性实施例，提供了一种用于使计算机程序可供下载的数据载体或数据存储介质，该计算机程序被布置为执行根据本发明的前述实施例之一的方法。
129.应当理解，在此描述的实施例彼此不相互排斥，并且如本领域普通技术人员将理
解的，一个或多个所述的实施例可以以各种方式组合。
130.执行本发明的任何方法的计算机程序可以存储在计算机可读存储介质(例如，非暂态计算机可读存储介质)上。计算机可读存储介质可以是软盘、硬盘、cd(光盘)、dvd(数字多功能磁盘)、usb(通用串行总线)驱动器、ram(随机存取存储器)、rom(只读存储器)和eprom(可擦除可编程只读存储器)。计算机可读介质也可以是允许下载程序代码的数据通信网络，例如互联网。在此描述的方法、系统和设备可以作为数字信号处理器dsp、微控制器或任何其他侧处理器中的软件或作为专用集成电路asic、cpld、fpga或其它合适的设备内的硬件电路来实现。本发明可以在数字电子电路中或在计算机硬件、固件、软件或其组合中，例如在传统移动设备的可用硬件中或在专用于处理在此描述的方法的新硬件中实现，如下面将更详细描述的。
附图说明
131.本发明的示例性实施例在附图中示出。然而，应当注意附图仅示出了本发明的特定实施例，并且因此不应被认为是对其范围的限制。本发明可以包括其它同样有效的实施例。
132.图1示出用于确定包括至少一个催化反应器的化学生产工厂的预定生产运行或当前生产运行的变化的操作条件的方法的示例性实施例；
133.图2示出将来自单个工厂的原始数据预处理为准备用于模型训练或预测的数据集的高级工作流程；
134.图3示出用于识别作为模型基础的原始数据集选择的示例工作流程；
135.图4示出用于确定化学生产工厂的预定生产运行或当前生产运行的变化的操作条件的系统的示例性实现方式。
具体实施方式
136.本公开提供了一种在包括至少一个催化反应器的化学生产工厂中预测催化剂的短期性能和/或预报催化剂的长期性能(包括催化剂老化效应)的计算机实现方法。该方法涉及使用特别是催化反应器的数学模型，该数学模型基于机器学习，不涉及反应动力学的先验信息并使用选自传感器原始数据、导出参数、反应器操作参数、工厂元数据和指示催化剂老化的参数的输入参数。在此公开的方法、系统、计算机程序和计算机程序产品针对用作示例的苯乙烯生产工厂进一步描述。在此公开的方法、系统、计算机程序和计算机程序产品适用于具有至少一个催化反应器，特别是具有固定床反应器的其它生产工厂。
137.在苯乙烯生产工厂的情况下，包括乙苯的进料流在混合器中与蒸汽混合。将混合流进料到催化反应器中，该催化反应器包括钾促进的氧化铁基催化剂，用于脱氢成苯乙烯单体。苯乙烯生产工厂进一步包括位于不同位置的温度传感器、压力传感器、流量传感器等以监视工厂操作。
138.在苯乙烯单体的生产过程中，乙苯可以在绝热径向流反应器中脱氢。乙苯与蒸汽按称为蒸汽油(sto)比率的特定比例混合，为吸热脱氢过程提供热量，并防止该过程中使用的钾促进氧化铁基催化剂的还原和焦化。该反应在通常包括至少两个连续反应器的设置中在高温和亚大气压下运行。中间再加热可以补偿反应消耗的能量。低压、蒸汽稀释和高温有
利于乙苯的脱氢，导致更高的平衡转化率。
139.在催化剂的使用寿命期内，作为焦炭气化促进剂的钾从催化剂中蒸发并被携带到催化剂床的下游到其冷却器出口，导致催化剂结焦引起的活性损失。为了补偿催化剂的老化，工厂操作者在催化剂寿命期内提高入口温度，以便保持乙苯转化率恒定。较高的温度通过增强裂解和副产品(如苯和甲苯)的形成而负面地影响对苯乙烯的选择性。此外，催化剂床内的钾沉积物和由催化剂产生的细粉导致反应器入口压力增加，这在热力学上是不利的。当入口温度或压力已经增加到超过工厂的操作限制时，必须停止运行并需要更换催化剂。
140.催化剂性能及其老化速率取决于反应器的操作参数，例如入口温度、sto比率、入口压力和出口压力、乙苯流量、使用的反应器数量等。工艺经济性可以通过反应器操作的优化来显著提高。过去曾通过使用不同类型的反应器模型进行了尝试，该反应器模型已被拟合到源自实验或工业反应器的催化剂运行数据。该模型基于关于主要和次要反应的反应动力学、质量、热量和脉冲传输现象、系统中存在的不同化学物质的吸附/解吸、焦炭气化和钾损失动力学等的知识或假设。在此描述的方法、系统、计算机程序和计算机程序产品允许更稳健和可靠的过程控制。
141.图1示出用于确定包括至少一个催化反应器的化学生产工厂的预定生产运行或当前生产运行的变化的操作条件的方法的示例性实施例。
142.如果该确定涉及预定生产运行，则在第一步骤10中经由通信接口接收指示用于预定生产运行的预定义操作条件的操作数据。预定义操作数据可以由先前的生产运行产生。如果该确定涉及当前生产运行的变化，则在第一步骤10中经由通信接口接收指示用于当前生产运行的当前操作条件的所测量的操作数据。此外，可以调节至少一个操作数据点，使得其包括指示当前操作条件变化的期望操作值。操作数据可包括通过安装在化学生产工厂中的传感器测量的传感器数据、直接或间接从这种传感器数据导出的量、在取自化学生产工厂的样本中测量的分析数据，和/或直接或间接从这种分析数据导出的量。
143.此外，经由通信接口接收与催化剂已在当前或预定的生产运行中使用的时间段相关联的催化剂老化指标。催化剂老化指标可以基于时间点、时间段、从时间相关操作数据导出的量和/或从时间相关操作数据累积导出的量。此外，可以经由通信接口接收指示物理工厂布局的工厂元数据。
144.在第二步骤12中，在确定至少一个目标操作参数之前，可以经由处理设备对操作数据和工厂元数据进行预处理。优选地，预处理包括到与物理工厂布局无关的量的转换。
145.在第三步骤14中，使用数据驱动模型基于操作数据和催化剂老化指标，经由处理设备确定用于预定生产运行或当前生产运行的变化的操作条件的至少一个目标操作参数。该至少一个目标操作参数的确定可以另外基于工厂元数据。数据驱动模型根据训练数据集进行参数化。训练数据集可以基于包括操作数据、催化剂老化指标、至少一个目标操作参数和可选的工厂元数据的历史数据集。历史数据集可以包括来自多次运行、多个工厂和/或多个催化剂批次的数据。该至少一个目标操作参数的确定可以基于确定离散时间点的目标操作参数的短期模型或确定一段时间的目标操作参数的长期模型。
146.在长期模型的情况下，在步骤10中可以经由通信接口接收在当前或先前的生产运行期间直至预测开始时间点所测量、预测或导出的至少一个目标操作参数的时间序列。经
由处理单元确定(14)在预测开始时间点之后的一个或多个时间点的至少一个目标操作参数可以使用数据驱动模型基于包括期望操作值的操作数据，至少一个目标操作参数的时间序列、催化剂老化指标和可选的工厂元数据。优选地，数据驱动模型包括固有时间相关性。
147.在第四步骤16中，可以经由通信接口提供用于预定的生产运行或当前生产运行的变化的操作条件的至少一个目标操作参数。
148.在第五步骤18中，可以将所确定的目标操作条件提供给用于优化化学生产工厂的预定生产运行或当前生产运行的变化的操作条件的优化处理设备。在此，对于预定生产运行或当前生产运行的变化的多于一个的操作条件，可以经由优化处理设备和处理设备之间的通信接口接收所确定的目标操作参数。基于所接收的目标操作参数，可以经由优化处理设备确定目标操作参数的最小值或最大值或从目标操作参数导出的优化参数的最小值或最大值，以及可以经由通信接口提供指示预定生产运行或当前生产运行的变化的最优操作条件的最小值或最大值。
149.操作数据的预处理
150.图2示出将数据预处理为适合模型训练、经由短期模型进行预测或经由长期模型进行预报的格式的示例性工作流程。
151.在第一步骤中，可选地接收所测量的操作数据，然后是预处理方法。如果数据准备用于训练，则这种操作数据可包括来自多次运行、多个工厂和/或多个催化剂批次的历史数据集。如果数据准备用于预测或预报，则这种操作数据可以包括指示当前生产运行的当前操作条件的所测量的操作数据。操作数据优选地包括通过安装在苯乙烯生产工厂中的传感器测量的传感器数据，和/或在取自苯乙烯生产工厂的样品中测量的分析数据。
152.对于每个生产工厂，都存在许多可用的传感器，通常是数百甚至数千，它们以各自的采样率提供原始数据。此外，分析数据(例如气相色谱的结果)可用于从工厂取样的特定时间。该数据的可用频率因工厂而异，但典型的频率是每天一次，至多到每周一次。
153.在第一预处理步骤中，可以从形成数据驱动模型的输入参数的操作数据中选择操作参数。这些输入参数可以从原始参数(诸如传感器数据或分析数据)导出。下面更详细地概述了在设置数据驱动模型时如何从所有可用参数中选择这些原始参数的示例性过程。
154.在第二预处理步骤中，来自分析和所选择的传感器的数据可以基于它们的时间戳进行组合，并且特别是预处理到共同的时间尺度上。对于许多工厂，可能只能获得原始传感器数据的每日汇总而不是高频原始数据，并且这也是分析数据可用的典型频率，可以使用每日平均来基于同一时间获取所有数据。其它合并技术也可以应用并且是众所周知的，例如日常数据(分析和传感器二者)的插值和更高或更低的关注频率的采样，例如以便创建每小时数据。
155.此外，可以接收工厂元数据。工厂元数据(例如催化剂活性体积和反应器数量)可以作为数值或分类变量被添加到数据集中，以完成模型的一组输入参数，包括导出的参数。
156.在第三预处理步骤中，所接收和选择的操作数据可以被过滤和平滑。这里例如可以识别并可选地过滤维护间隔、启动阶段、不规则和异常值的时间点和持续时间。为了实现这一点，本领域技术人员已知许多选项，并且可以使用这种方法的任何组合。例如，该程序包括应用基于催化剂领域知识的可行绝对阈值，如最小反应器温度、最大蒸汽/油比和反应器后的最大压力；例如基于分布指标，如四分位距的6倍(示例应用中使用的保守阈值)，或
可替代地基于源自整体分布的数据点的估计可能性来使用绝对阈值，通过将每个值或一组值与从相应生产工厂的相同参数或一组参数可用的所有其它值的分布进行比较来识别异常值；和/或基于与该参数的月变化系数相比的参数大幅跳跃来识别不规则性。
157.在第四预处理步骤中，可以检测公共时间尺度上的缺失数据点并用统计确定的值来替换。可以估计这种可能丢失的参数。具体地，如果这些数据已经以低于所选时间基础的频率被采样，则可以插补分析数据。插补可以通过不同的方法确定，例如简单的均值插补、向前或向后填充、加权均值或来自卡尔曼滤波器的估计值，或可比较的估计方法。可以应用相同的方法来替换异常值。可以基于专家定义的标准来识别运行的开始，例如作为苯乙烯催化剂示例中每小时空速>0.2/h的第一数据点。然后可以计算所有导出的参数，包括例如累积工厂生产。
158.取决于导出的参数的性质，特别是累积参数，可以在计算相应导出参数之前或之后从数据集中移除所识别的启动阶段、停机时间等。在示例性实施例中，在启动阶段从数据集中移除之前计算自运行开始以来的累积生产(实现的老化指标基于该累积生产)，因为它们有助于催化剂的老化，即使这些阶段不是模型涵盖的操作条件的一部分。
159.图2中未描绘的另一个预处理步骤可能是将来自不同工厂的数据转换为共同单位。优选并直接在启动图2中的工作流程之前执行此操作，尽管也可以在过程中的任何步骤之前或之后执行。
160.此时，数据已准备好用于训练、采用长期模型进行预报或采用短期模型进行预测。然而，由于过滤程序可能会导致数据中出现一些间隙，因此用于预报的时间尺度与可用时间基础(例如天)相比通常要长得多(例如月)，附加的聚合步骤(例如每周平均值或中值聚合)可以在数据用于长期模型之前对数据执行。
161.参数选择过程
162.关注的操作数据或原始参数可以经由图3中勾画的工作流程确定。催化剂专家可用的参数用作基础，其由原始传感器数据、分析数据和从它们导出的一些典型操作参数(例如转化率、空速、蒸汽/油比、选择性)的组合组成。在第一步骤中，如果使用来自多个工厂的数据，则只能选择所有关注的工厂可用的参数(如果只对一个工厂进行建模，则该标准已过时)，并且冗余参数(例如重新调整的参数)和零方差参数可能会被删除。
163.接下来，可以计算剩余参数的相关矩阵，并且可以执行参数的聚类(例如分层聚类)以识别携带相似信息的参数的对或聚类。可以应用用于高(反)相关值(例如(>0.90或<
‑
0.90)或(>0.95或<
‑
0.95))的简单过滤器而不是聚类算法。然而，相关值与所有其它参数的聚类进一步允许识别可能具有较低直接相关但与所有其它参数具有非常相似的相关值的参数。从两个或更多参数的每个聚类中，可以基于某个选择标准仅保留单个参数，如：该参数需要对于所有工厂可用；需要保留操作者日常使用的典型参数(这是可能导致保留多于单个参数的例外)，并且该参数应表示可解释的量，这也是不经由主成分变换或产生操作者无法直接解释的特征的类似方法来降低维度的原因。
164.基于这些标准，可以通过在必要时调节聚类阈值来迭代地减少参数集。可以迭代地减少参数的数量，直到保留一组参数(1,
…
,m)，其中参数之间仅保持低相关性。一些剩余的相对较高的相关值源于对操作者可能很重要并且因此可能不会被移除的参数。
165.一旦参数集被减少，原始传感器和分析数据就被识别出，这是获得所有这些剩余
参数所必需的。
166.参数和工厂元数据的归一化
167.不同的工厂在它们的生产水平、它们的典型操作条件上是变化的，并且通常表现出系统性差异。为了说明不同工厂之间的这种差异，可以应用如下所述的两种策略中的一种或两种策略的组合。
168.在另外的预处理步骤中，可以执行归一化。在一个实施例中，可以接收指示物理工厂布局的工厂元数据。这种工厂元数据可以包括反应器布局，诸如反应器的数量、活性催化剂体积、反应器类型、尺寸或它们的组合。
169.可以执行操作数据的归一化以使模型输入参数(除了工厂元数据)尽可能独立于特定工厂布局。对于例如蒸汽/油比、转化率、选择性的许多参数无需归一化。此外，如液时空速(lhsv)的参数本质上由催化剂体积归一化。另外或可选地，每个催化剂的催化剂生产运行的总产品量或累积总产量可以通过活性催化剂体积归一化，因为这是每单位体积催化剂的“老化”相比投产时间(未捕获生产水平的变化)或未归一化的累积生产(对于不同大小的反应器将具有不同的含义)更具可比性的量度。
170.另外地或可替代地，可以在运行开始期间将压力归一化为其初始值，例如投产前90天的中值以便关注老化效应，而不是(在某些情况下更显著)工厂间差异。另外地或可替代地，每个单元(如反应器或热交换器)上的压降可以通过空速或总流量归一化，因为众所周知它随气体混合物的表观线速度而变化。另外地或可替代地，可以确定大于一(例如2或3)的反应器的平均入口温度。
171.最终，除了本节提到的示例之外，还有其它合理的方法可以使操作数据、分析数据和从中得出的任何量在工厂之间进行比较；并且可能还有其它有用的反应器/工厂元数据，特别是关于可以以类似的方式使用的反应器几何形状的元数据。
172.找到这种归一化参数的原因是使用来自多个不同工厂的数据提供了许多显著的优势：1)聚合数据集覆盖的参数空间远大于任何单个工厂的参数空间，后者通常围绕操作者熟悉的相对较窄的一组操作参数，因为错误地偏离这点可能会导致严重的金钱损失。因此，在这种聚合数据集上训练的模型可以提供特定工厂运行范围之外的预测，因为它包括无法从它们自己的历史数据中获得的信息。2)由于示例性苯乙烯催化剂的长使用寿命(2
‑
3年)，每家工厂只能运行1
‑
4次某种类型的催化剂，严重限制了每家工厂可以观察到的失活过程的数量(每次运行仅提供对催化剂失活的单次独立观察)。聚合数据集允许在训练数据中包括更多的失活。3)结合强调常用操作参数的可解释性和可用性的参数选择过程，这允许将训练的模型应用于没有可用先验实际数据的工厂—当需要为新工厂提供技术建议时经常遇到的情况，如果模型严格链接到在特定工厂处可用的特定传感器组，这将是不可能的。
173.短期模型
174.对于催化剂行为的短期预测，可以使用任何回归模型并且本领域技术人员知道各种典型的候选模型。取决于化学生产工厂中数据的性质，通常可以选择少量的独立运行，并且甚至在对许多参数进行归一化之后，可能会选择一些潜在的工厂特定偏差、性质相对简单且不太灵活的模型。在独立运行次数较少的这种场景中，高度灵活的模型(例如随机森林回归)将更好地拟合训练数据集，但可能无法很好地外推到新数据。因此，取决于可用的运
行次数，可以选择合适的类型或基于回归的模型组合。
175.一种可能的模型可以是在训练数据的子集上训练的线性模型的集合，以便例如预测平均反应器入口温度和反应的选择性。使用这种集合具有两个优点：首先，例如通过取得所有模型的中值预测，使用用于预测的模型集合可以得到更准确的预测[例如，集合方法—基础和算法，周志华；crc出版社2012]；其次，以该方式训练集合可以通过使用预测范围(或10％和90％百分位数，或任何其它预测分位数范围
……
)来估计模型的不确定性。
[0176]
当使用来自多个催化剂批次、多次运行和/或多个工厂的训练数据时，训练和测试数据集可能会被单独的运行拆分。此外，或可替代地，训练和验证数据集可以由单个工厂或催化剂批次拆分。例如，可以选择训练集中大约75％的随机集，并且可以在预处理期间可选地对参数进行归一化(为零均值和单位方差)。剩余的数据可以用作验证数据集来测试所训练的模型。
[0177]
长期模型
[0178]
对于时间序列预报，可以使用大量数学模型，范围从自回归模型到循环神经网络。适用于手头的示例性问题的模型要求包括：1)适用于多变量时间序列，即预测多个内源(不受控的)参数，该参数具有要被预报的长期趋势，例如压力、入口温度或选择性；2)外源(受控)参数的集成，即已知或将由外部控制并且因此不需要模型预报的高度影响参数，如蒸汽/油比、lhsv、目标转化。
[0179]
该方法的优选实施例涉及允许正则化以避免过拟合的数学模型，当数学模型中包括多个时间滞后时，该过拟合可能很容易发生。在生成本公开的方法中使用的数学模型的一个实施例中，实现了数学模型的集合，该集成主要基于惩罚线性模型和带有外源变量的惩罚向量自回归模型(varx)的组合。对于惩罚var(x)模型的概述，包括不同的结构化正则化方法，请参见例如[arxiv:1508.07497v1(nicholson等，2018,varx
‑
l:structured regularization for large vector autoregressions with exogenous variables)]和其中的参考文献。
[0180]
训练/测试拆分是针对运行之间的短期模型执行的。可以训练所有候选模型以基于时间t处的外源变量和直至最大时间滞后m(t
‑
m,
…
,t
‑
1)的内源变量的历史来预测在时间t处的内源变量。逐步迭代地应用该模型，并在每个新步骤中使用内源变量的预报作为下一步骤的输入，允许提前进行任意数量步骤的预测。
[0181]
可以在工厂水平上使用留一法交叉验证来执行训练程序。这里对于数据集中的n个工厂，可以生成n个训练数据集(由来自所有其它工厂的数据组成)，它们的参数可以可选地被标准化为具有均值0和可比较的值范围，并且所训练的模型可以在被遗漏的工厂(验证集)上进行评估。最终，可以选择模型超参数(例如正则化参数)，这对例如由提前一步预报的平均均方根误差来测量的n个验证集提供最稳健的性能，并且模型可以在完整的训练集上进行训练。
[0182]
由于本公开的方法中使用的数学模型是基于机器学习的，因此在用于包括用于这种反应器系统的催化剂的老化的预测短期性能或预报长期性能之前，必须采用来自包括至少一个催化反应器的化学生产工厂中的至少一次生产运行的历史数据进行训练。在本公开的方法的一个实施例中，已经使用来自相同类型催化剂的多个生产运行的历史数据来训练模型。在该方法的另外实施例中，已经使用来自包括相同类型催化剂的多个反应器系统中
的生产运行的历史数据来训练模型。在这两个实施例中，历史数据可以从相同类型催化剂的不同制造批次提供。在该方法的一个实施例中，在被用于训练模型之前，操作数据和可能的多次生产运行的催化剂老化指标已经归一化，如上一节所述。
[0183]
已经发现，使用来自多于一次的生产运行的操作数据，无论是来自同一个工厂还是来自不同工厂，都可以提高预测质量并拓宽预测或预报模型所涵盖的操作参数范围。包括源自多次运行和工厂的数据进一步提高了预测或预报的普遍性，以应用于在模型训练期间没有数据可用的生产工厂。然而，用于训练模型的所有数据优选由使用相同催化剂配方的工厂提供，因为不同的催化剂在其催化特性(反应速率)和形态特性(传输特性)方面存在显著差异。这包括使用不同制造批次或不同交货日期提供的相同类型的催化剂。
[0184]
在一个实施例中，用于模型的输入参数选自可从反应器系统获得的传感器数据，例如来自气相色谱(gc)分析的分析数据，以及上面相应部分中列出的所导出的参数。
[0185]
在一个实施例中，操作数据或反应器操作参数包括每个反应器的入口温度和出口温度、每个反应器的入口压力和出口压力，以及每个反应器入口和出口处的反应混合物的组成。
[0186]
在一个实施例中，该模型的操作数据或输入参数包括蒸汽油(sto)比、液时空速(lhsv)、按催化剂体积归一化的苯乙烯总产量、目标乙苯转化率、苯乙烯选择性、平均入口温度、最后一个反应器后的归一化压力、反应器的归一化压降、反应器的温度损失、温度损失与预期(基于转化率计算)值相比的归一化偏差。
[0187]
在本公开的方法或系统中使用的参数集的优点在于它仍然是可解释的，因为许多参数对应于实际操作参数或者可以在该上下文中被容易地解释。减少问题维数的其它方法(例如，pca或rfa)可以产生对建模过程和预测准确性有用的参数，但通常缺乏可解释性。
[0188]
本公开的方法中使用的数学模型执行时间序列预报，并且能够涵盖反应器系统中整个生产运行期间的催化剂的完全失活过程。该模型使工厂操作者能够根据能源成本、原材料的市场供应或工厂产品的需求以及工厂中可能发生的其它限制(如不同工厂部分或公用设施的中断)，在日常基础上改进和优化操作策略。
[0189]
在以下工作示例中进一步描述和解释本公开的主题。
[0190]
示例
[0191]
用于训练数学模型的数据集的生成
[0192]
为了开发数学模型，使用了来自相同催化剂类型(basf s6
‑
42)的多次生产运行的数据。该数据集涵盖了具有2或3个反应器的11个工业工厂以及每个工厂的约1
‑
4次生产运行的信息。对于每个单独的工厂，收集了一整组参数(包括分析数据和传感器数据)。传感器数据通常以每日分辨率提供，而分析数据以每日到每周分辨率提供。
[0193]
模型的参数选择过程如上所述(图3)
[0194]
表1列出了来自原始传感器和分析参数的操作数据，该分析参数是在每个时间点选择的，以便导出模型的所有相关参数。这些单位和格式选择只是可以使用的一个示例；温度可以例如也可以以华氏度为单位指定，压力可以以mmhg为单位指定，并且可以使用另一日期和时间格式等。
[0195][0196][0197]
表1
[0198]
反应器的数量和总催化剂体积另外用作元数据。下表2列出了用于训练不同模型的参数集(导出参数和工厂元数据)。
[0199][0200][0201]
表2
[0202]
示例性应用：短期模型
[0203]
模型开发
[0204]
如上所述，已经在训练数据集的子集上训练了50个线性回归模型的集合，每个子集在运行之间拆分。50个缩减训练集中的每一个都包含随机选择的约74％的可用运行，以改进预测并提供关于模型预测的局部不确定性的估计(假设每个模型都在例如操作条件的不同的子集上训练)二者。重要的是，数据子集需要在运行之间(或可替代地在工厂之间)拆分，而不是训练数据点的随机抽样。否则，模型之间几乎不会有任何变化，因为所有模型都是在操作条件的几乎相同的分布上进行训练。
[0205]
在本示例中，特别是已经使用表2中的所有其它参数预测参数“温度”(平均反应器入口温度)和“选择性”(对期望的产品苯乙烯的反应)。
[0206]
在该具体实现方式中，反应温度本身是观察到的选择性的主要影响因素之一。因此，两个参数的预测分两步执行。首先，训练50个模型的集合以基于表2中的所有参数(不包括选择性和温度)预测温度。使用表2中的所有参数作为输入(仅排除选择性)，训练了50个
模型的第二集合来预测选择性。然后，使用来自第一模型集合的所预测的温度作为输入参数之一，使用该第二集合来预测选择性。
[0207]
在该开发模型的实际使用中，随后预测两个参数的工作流程已在单个预测函数中实现，该单个预测函数接收输入参数并预测温度和选择性二者。因此，对于模型的所有用途，从外部来看，两个模型集合的组合可以被视为“短期”模型的单个实体。
[0208]
除了直接使用表2中的参数外，还考虑了交互项，并且最后例如“蒸汽/油比
‑
转化率”相互作用被整合到预测温度的短期模型中。这种相互作用或高阶多项式项(例如用于选择性预测的温度的二次项)可以使用统计编程语言轻松实现到预测模型中，而无需扩展提供给模型的基本参数集。
[0209]
选择哪种类型的模型，是否使用集合技术，以及使用输入参数的哪些高阶项、转换或交互，取决于具体的问题和数据集；并且是数据科学家的典型模型开发程序。
[0210]
短期模型用例1
[0211]
在一个示例性用例中，工厂操作者可能希望使用短期模型来估计所需的反应器温度，以在其工厂之前可能还未使用的特定操作条件下实现期望的目标转化率。在苯乙烯生产工厂的情况下，这样的操作条件可能是增加的蒸汽/油比或降低的lhsv或进料组成的变化。理想情况下，用于该预测的起点应该是当前的工厂状态，包括归一化的老化参数“totalproduction”。
[0212]
模型实现方式
[0213]
图4示出生产监视和/或控制系统的客户端服务器设置，包括具有包含用户应用的处理设备的客户端、具有用于服务提供商的处理设备的服务器端。客户端和服务器端可以经由通信接口例如有线或无线地通信耦合。客户端可以包括显示设备。优选地，客户端用户应用被配置为接收和显示操作数据、期望值、催化剂老化指标、工厂元数据、目标操作参数或所确定的操作条件。更优选地，客户端用户应用被配置为接收目标操作参数或所确定的操作条件以基于目标操作参数或所确定的操作条件来控制化学生产工厂中的当前或预定的生产运行。客户端用户应用可以是化学生产工厂过程监视和/或控制系统的嵌入式部分。
[0214]
自生产运行开始以来，原始传感器和分析数据与必要的工厂元数据一起在生产工厂处记录。这些数据根据数据预处理工作流程进行预处理，例如如图2所示，特别是使用与用于为相应模型准备训练数据集相同的工作流程(过滤步骤、插补、阈值、聚合等)。优选地，该预处理由已经开发模型的同一方实现并且可以例如经由预处理功能的直接集成或经由应用编程接口(api)提供给用户应用。
[0215]
在数据已经被预处理之后，用户可以调节关注的操作参数以提供指示当前操作条件变化的期望操作值。该组调节的输入参数(也称为操作场景或预测场景)随后被传输到预测函数。该预测函数可能例如在用户应用中本地实现或可经由api寻址，并执行上述所有操作。结果将被报告返回用户应用，例如以便在不同的场景之间进行比较和选择。用户可以进一步将输入参数和/或预测参数与例如成本或其它量关联，该量可能影响关于在工厂中使用哪些操作参数的决策过程。
[0216]
图4可视化示例性实现概念。原始数据在生产工厂处被自动或手动收集并经由api传输给服务提供商，该api根据例如如上所述的工作流程将原始数据处理成正确的格式。经转换的数据集可以提供给用户(例如工厂操作者)，并且基于当前值可以定义不同的场景。
这些场景可以传输到运行模型的相同或第二api，后者向用户提供对应的预测或预报。
[0217]
短期模型用例2
[0218]
在第二用例中，专家可能希望在工厂安装催化剂之前提供对反应器温度和对应选择性发展的估计。该场景例如在做出购买催化剂的决定之前，在技术提案的准备期间经常发生，其中该技术提案提供了一个或多个假设的操作场景及其对客户的影响。因此，期望对从未提供用于模型训练的数据的工厂的准确预测。
[0219]
做一些简化的假设，例如基于假设的运行数据估计“老化”参数totalproduction，通常涉及完整运行的恒定操作参数，用基于操作条件的估计值替换反应器的温度损失等，鉴于由客户提供的典型操作参数集，上述短期模型可用于该目的。可以由模型提供这种服务是参数选择工作流程中使用的选择标准的直接结果(图3)，特别是将所有参数保持作为模型的输入，操作者通常使用该参数来监视和控制他们的工厂。
[0220]
对用户的模型呈现
[0221]
用户应用的界面可包含模型的输入参数块，该输入参数可以自动或手动填充，并且可用于交互指定操作场景；用于指定场景的模型输出块(例如，具有预测范围的平均反应器入口温度和选择性)；并且可选地作为模型预测对关注参数的局部响应(例如，一系列目标转化率的预测反应器入口温度)的进一步输出。
[0222]
如果当前工厂操作数据可用(例如用例1)，则输入参数块可以自动填充，或者如果没有实际工厂数据可用(例如用例2)，则可以完全手动定义。基于用户调节的输入参数，模型预测的参数，在该示例中为反应器入口温度和苯乙烯选择性可以作为例如文本(用于预测单个点)，或例如以图形形式(局部模型对单个参数变化的响应)显示给用户。这些仅用作示例，因为存在可以使用用例、实现方式和向模型用户呈现的更多方式来使用该模型。
[0223]
示例性应用：长期模型
[0224]
模型开发
[0225]
从用于开发短期模型的处理数据集(表2)开始，采取一些附加步骤来准备用于训练长期模型的数据集。首先，从列表中选择较少数量的参数，并且其次，每周汇总每个参数。
[0226]
模型的输入参数可以是恒定的(reactors、catvolume)，可以是受控的(conversion、sor、lhsv)，可以基于这些恒定或受控值(totalproduction)计算，或者在关注的操作场景中不受控制(temperature、selectivity、pressureout、deltap、deltat、dtdev_norm)。
[0227]
后一组参数被标记为内源或不受控制的参数，而前者(在整个预测范围内都是已知的，假设操作场景按计划执行)被标记为外源或受控参数。
[0228]
表3提供了用于开发示例性预报模型的参数及其对两种类型参数的分配。
[0229]
参数名称外源/内源类型reactors外源绝对的temperature内源数值pressureout内源数值deltat内源数值sor外源数值lhsv外源数值
conversion外源数值selectivity内源数值catvolume外源数值deltap内源数值totalproduction外源数值dtdev_norm内源数值
[0230]
表4
[0231]
在开发示例性模型时，训练了许多不同的如上所述的varx类型候选模型，其中候选模型例如在它们的正则化方法(elasticnet、ridge)或它们的最大时间滞后数(4
‑
10周)中不同。
[0232]
对于所有这些不同的模型组合，训练程序在工厂级别使用留一法交叉验证以相同的方式执行。所有训练的模型都是最终包括长期模型的集合的候选模型。
[0233]
虽然所有训练都是针对提前一步预报(可以迭代应用，预测任意数量的步骤)执行的，但最终选择的模型也应该对于更长时间的预报表现良好。为了评估这一点，在训练和测试数据集中每个可用运行的多个点处使用这些运行的实际外源变量作为操作场景开始执行预测，并针对每一步提前确定预报的误差分布。
[0234]
对于训练和测试数据集二者上的反应器入口温度和选择性，选择在整个范围内没有提供明显的长期偏差和狭窄的误差分布(即使必须预期较长预报的误差分布的适度扩大)的模型。模型选择基于对来自30个候选模型的测试和训练集执行的预测的误差分布。
[0235]
在苯乙烯催化剂长期模型的该示例性开发中，最终选择的模型是在局部斜坡上采用不同类型正则化训练的具有10周的最大时滞的3个两阶段模型。对于集合预测，所有模型都彼此独立地迭代运行，并且仅对完整的单独预报进行平均以提供集合预测。在呈现的示例中，与在每个单独的步骤之后聚合预报相比，这是一种更有效的实现方式，其将是集合预测的一种可能的替代实现方式。
[0236]
与单个模型一样，最终的集合在测试数据上进行评估以获得未来n天的误差分布，这是作为预报误差估计提供的示例性实现方式。
[0237]
与上面的短期示例一样，集合预报和预期误差分布一起可以被用户视为用于模型应用的“长期”模型的单个实体，而不管底层程序的细节(集合平均老化，多步模型，......)。
[0238]
长期模型用例
[0239]
在示例性用例中，工厂操作者可能希望取决于操作工厂的不同场景和对操作参数的工厂特定的限制来估计剩余的催化剂寿命。这种场景可包括lhsv、蒸汽/油比或目标转化水平的变化；存在考虑不同场景的许多动机，但示例性问题将是，在苯乙烯价格低的阶段期间以较低的生产水平运行工厂来延长催化剂寿命是否最终值得。
[0240]
催化剂寿命的终点可取决于在每个生产工厂本地定义的许多条件，但催化剂寿命的一个限制是在所有情况下可能不超过工厂特定阈值的反应器温度或压力。根据长期模型的预测，可以基于该阈值估计催化剂寿命的终点，并针对不同的用户定义场景进行比较。
[0241]
模型实现方式
[0242]
该模型可以在概念上类似于图4中所描述的那样实现，但有一些细微的变化。例如
本地或经由api实现的处理功能需要进行调整以提供用于长期模型训练的数据格式，在该特定示例中为在针对短期模型的数据执行程序之后的每周聚合步骤。例如本地或经由api实现的预测功能现在不仅接收一组操作条件来预测单个点，而且接收模型所需的滞后内源数据，以及外源参数的操作场景值。类似地，模型输出是模型所有或仅部分内源变量的完整预报。
[0243]
用户的模型呈现
[0244]
在长期模型的实现方式中，模型中使用的内源参数至少需要在最后l周内可用，其中l是“长期”模型中包括的任何模型元素中使用的最大时间滞后。该数据可以如数据预处理和准备部分所述地从工厂原始数据中自动获得，或者可以手动输入或上传适当格式的数据。
[0245]
操作者可以使用控制参数输入块来创建延长时段的操作场景，例如，在示例应用中，蒸汽/油比、目标转化和lhsv可以在多达三个独立的部分中提前计划以同样模拟未来的变化。这些场景也可能比这里描述的要复杂得多。计划的操作场景可以被可视化地显示，优选地连同这些参数的历史一起以更容易地保持一些控制的连续性。针对用户操纵选择的控制参数可以由模型中使用的所有外源参数的任意子集组成。在该特定实现方式中，其它3个外源参数恒定，或者可以直接从其它输入和/或时间导出。
[0246]
由长期模型提供的预报可以以表格格式显示，准备好导出数据，并且例如基于预报趋势的进一步分析，或者结果可以以图形方式显示给用户以便用于一个或多个不同的计划场景的目视检查。
[0247]
该界面可包含一个部分，其中可以针对用户定义的操作场景(例如目标转化、lhsv和蒸汽/油比；表示直到预测开始的实际数据和用于未来的操作场景的曲线图)定义所选择的控制(外源)参数。在界面的另一部分，可以向用户呈现所选择的内源参数(例如反应器入口温度和苯乙烯选择性；预测的开始可以用水平虚线标记，超出该点的一切都由模型预报并包括对预测误差的估计)。此外，所有或一些内源参数的预测可以呈现为可由用户导出的数据框。