前言：想要寫出一篇引人入勝的文章？我們特意為您整理了化工企業控制系統中信息技術的應用范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：針對企業安全生產數據處理量大，不能有效科學處理，從而導致生產效率低下，裝置運行穩定性不高的問題，利用先進的信息技術和算法模型，幫助企業消除信息孤島，實現數據智能分析，生產經營更趨科學合理。

關鍵詞：信息技術；控制系統；數據處理；智能分析

引言

新一代信息技術與工業企業深度融合，正在引發影響深遠的產業變革，形成新的生產方式、產業形態、商業模式和經濟增長點。數據為工業企業轉型升級開辟了新途徑。處于數據化的時代，企業獲取、管理和利用到的數據量越來越大、種類越來越多，若能對數據進行科學的采集、組織、分析與利用，為產品全生命周期和企業生產經營各環節提供有價值的決策參考，就能提高生產率、利潤率和企業綜合發展水平。數據處理平臺為數據的價值挖掘提供了基礎能力，機器學習算法為數據的價值挖掘提供了有效手段。隨著生產信息化應用的逐步深入，如何將生產過程數據整合并進行分析挖掘，從海量數據中獲取更大的價值、向數據要生產力成正逐步成為企業思考和解決的問題。

1現狀分析

兗礦集團國宏化工公司年產50萬t甲醇，工業自動化生產能力較強，生產過程基本實現全流程DCS/PLC自動化控制，技術和工藝水平處于國內前列，產品質量穩定，生產效率較高,目前整個廠區鍋爐、合成/凈化/氣化、空分裝置均使用DCS系統進行遠程控制，水處理和煤儲運系統使用PLC控制系統。主要工藝環節都建設了信息系統，生產過程中的關鍵設備實時狀態、控制開關操作能在調度系統中即時展示，數據通過IOServer應用和現場設備進行通訊，采集現場數據并存儲到調度服務器中合并存儲，服務器存儲數據庫是SQLserver，無法應對更大量數據存儲，且廠區內只有當天數據被存儲，其他歷史數據通過公共機遠程傳輸到遠程服務器中長期存儲。

2存在問題

裝置運行的穩定性不高。由于化工生產工藝繁雜，從上游的水煤漿制備到氣化反應制合成氣，再到煤氣的變換、低洗、甲醇合成，中間很多工藝雖然實現了小回路自動化控制，但裝置級的大回路難以實現自動控制，對于關鍵的參數設置和調節仍然主要依靠人的經驗，特別是當裝置來料發生波動的時候，人操作也難比保持裝置的穩定性，裝置的波動往往造成能耗物耗的增加，甚至影響裝置的正常運行。現場存在危險因素。化工企業還有部分工序需要人員親自現場巡檢，由于化工工藝原因，不可避免的產生存在CO、CO2等有毒有害氣體，特別是事故狀態下可能導致泄露。化工企業高溫高壓管道、儲罐較多，會對巡檢和緊急處置人員帶來較大的安全隱患。節能增效空間較大?；て髽I是高能耗的工藝,主要的原料是煤和水，提升裝置的運行效率，提高產能、降低生產水蒸氣的單位煤耗、單位產品的蒸汽消耗，則對企業效益產生較大影響，據測算，甲醇生產綜合煤耗每降低0.1%，每年可節約成本1000萬元。

3設計方案

針對企業工藝較為復雜、安全生產數據量大的實際情況，通過開發應用先進的數據處理工廠對企業系統數據、工廠設備數據、傳感器數據、人員管理數據等多方工業企業數據進行匯集，借助算法工廠的語音交互、圖像/視頻識別、機器學習和人工智能算法，激活海量數據價值，用人工智能技術解決化工生產管理中的難點問題（如圖1所示），從而實現節能降耗，為企業智能化升級提供技術支撐。按照大數據“存通用”的方法論，在數據接入到大數據平臺后，首先對原始數據進行存儲。在原始數據與最終結果之間，需要通過ETL（ExtractTransforma-tionLoad）等手段進行清洗、轉換、脫敏、整理，主要包括：預處理接待，去除或補全有缺失值的數據、去除或修改格式和內容錯誤的、邏輯錯誤的、不需要的數據，盡量達到數據的完整性，唯一性，合法性和一致性。提供數據開發平臺，便于更好的進行ETL、數據建模、數據管理與數據運維的工作。機器學習平臺，更好的進行在算法建模過程的可視化的拖拉拽的開發者服務。數據分析平臺，更好的基于大數據的分析工作。

4技術路線

數據處理工廠從邏輯上分為數據采集層、平臺層、算法模型層以及應用運行層（如圖2所示）。數據層：數據采集接入層負責將數據從DCS/PLC各級相應系統中將數據實時、離線采集到大數據處理平臺。數據采集層工具和套件要支持從數據庫、文件、數據流等多種類型數據源中采集數據，支持各種類型傳輸協議。工具平臺層：提供數據采集、存儲、計算、機器學習、可視化等一整套工具和平臺。大數據平臺支持海量數據存儲，根據數據類型和應用場景將數據存儲到平臺相應的資源中，如：結構化數據、非結構化數據使用不同的存儲策略。同時，平臺支持實時計算、離線計算、流計算等多種計算框架。針對實時性要求高的場景，如：鍋爐燃燒工藝參數推薦、精餾塔工藝優化等業務場景，采用流計算架構進行處理，整個計算過程可在秒級完成。實時計算支持上層快速BI分析。算法模型層：工業大腦包含算法工廠功能，可以基于機器學習平臺進行算法建模，并進行算法管理、運行調試，并能到本地運行。應用運行層：提供一個本地化運行環境，讓能耗優化模型穩定運行，實時推薦優化參數，供操作人員進行控制操作。同時提供數據可視化模塊，實時展示生產運行狀態和生產管理效益數據。

5技術效果

5.1有效消除數據孤島

由于企業不同DCS/PLC生產系統中布置的多個生產控制系統，數據都分布在各自獨立系統中，數據導出較為繁瑣，數據標準不統一，形成多個數據孤島，對數據應用造成非常大的困難。數據處理工廠實現了不同工業場景下多種主流協議的接入、多源異構數據（如文本文件、日志文件、消息流、數據庫、工業OPC協議數據等）的實時接入和處理，從而保障了復雜的工業生產環境下多種設備所產生的復雜數據的采集與集中打通的需求。對全鏈路的工業體系數據進行組織管理，打通企業信息化與制造設備、生產物料、人力資源等各種資源之間的數據關聯，構建人機料法環統一數據模型,形成新工業數據倉體系，完成工業數據的資產化，并結合阿里云針對不同工業場景下的算法模型，以數據+算法的技術實現產業價值的提升。提供成熟的工業元數據管理設計服務、完善的數據安全保護方案、靈活的工業大數據標簽體系。

5.2全面提供支撐平臺

數據處理工廠提供了人工智能計算平臺、數據挖掘建模平臺、算法管理工廠等核心功能，降低了人工智能應用開放和管理成本，給本項目智能化應用提供了技術支撐。作為一個基礎工作平臺，工業大腦為企業信息化員工和其他信息化服務廠商提供了一個技術創新的環境，支持后續開發更多智能化應用，為企業持續創新提供了技術保障。

5.3逐步實現智能化應用

從海量生產數據的集成、打通到數據知識圖譜的構建，將企業的生產數據資產化，在此基礎上，運用工業數據智能服務套件針對企業業務進行提升，如：產品質量提升/良品率提升、生產設備的預測性維護、生產設備故障監測、供應鏈智能管理、生產能耗優化、企業廢料監測與處理、智能圖像質檢，通過智能化應用逐步實現企業全面智能化升級。

6結論

數據處理工廠是在云計算大數據的技術背景下，利用先進的智能技術和算法模型結合企業歷史數據，做到生產和管理的精細化、智能化，進而提升企業的經濟和社會效益。

作者：張洪偉 時均坡 趙連濤 單位：兗礦集團安全監察局