[发明专利]采用机器学习方法预测工业老化过程

说明书

通过准确预测工业老化过程(IAP)，诸如化学工厂中催化剂的缓慢失活，可以进一步提前安排维护事件，从而确保工厂的成本效益和可靠操作。到目前为止，这些劣化进展通常由机械模型或简单的经验预测模型来描述。为了准确预测IAP，提出了数据驱动模型，将一些传统的无状态模型(线性和核岭回归，以及前馈神经网络)与更复杂的状态递归神经网络(回声状态网络和长短期记忆网络)进行比较。此外，还讨论了有状态模型的变体。特别是使用关于劣化动态的机械预知识的有状态模型(混合模型)。有状态模型及其变体在足够大的数据集上训练时可能更适合生成近乎完美的预测，而混合模型可能更适合在不断变化的条件的较小数据集下的情况下更好地泛化。

技术领域

本发明涉及用于预测化学生产工厂的劣化进展的计算机实现的方法和装置。本发明进一步涉及一种计算机程序单元和一种计算机可读介质。

背景技术

关键资产的老化在任何生产环境中都是普遍存在的现象，导致大量维护支出或导致生产损失。因此，无论是在分立制造还是在加工工业中，对潜在劣化进展的理解和预测对于可靠且经济的工厂操作都非常重要。

以化学工业为重点，众所周知的老化现象包括：由于焦化、烧结或中毒而导致的非均相催化剂的失活；由于焦炭层形成或聚合而导致在过程侧的过程装备(诸如热交换器或管道)的堵塞；由于微生物或结晶沉积物而导致的在水侧的热交换器的污垢；流化床反应器中所安装的装备(诸如喷嘴或管道)的腐蚀；等等。

对于化学工程中几乎任何重要的老化现象，相应的科学界都对其微观和宏观驱动力有了详细的理解。该理解通常被浓缩成复杂的数学模型。此类机械劣化模型的示例涉及蒸汽裂解炉的焦化、非均相催化剂的烧结或焦化，或热交换器的结晶污垢。

虽然这些模型对实验不可访问量的动态提供了有价值的见解，并且可能有助于验证或证伪关于一般劣化机制的假设，但它们可能无法或仅通过大量的建模工作才能转移到真实世界的装置中的特定环境：广义上讲，这些模型通常可以描述实验室环境中劣化进展的“清洁”观察结果，并且可能无法反映生产中的“肮脏”现实，其中难以或不可能产生附加的影响机械地建模。仅举一个示例，即使在平坦表面上的Wulff形颗粒的“清洁”系统中，负载型金属催化剂的烧结动态也难以定量建模——而在真正的非均相催化剂中，表面形态和颗粒形状可能与此假设有很大偏差。因此，在生产环境中很少使用机械模型来预测关键资产的劣化动态。

发明内容

可能需要对化学生产工厂的工业老化过程(IAP)的预期进展提供合理的预测。

本发明的目的通过独立权利要求的主题来解决，其中进一步的实施例并入从属权利要求中。应当注意，本发明的以下描述的方面也适用于计算机实现的方法、装置、计算机程序单元、以及计算机可读介质。

本发明的第一方面涉及一种用于预测化学生产工厂的劣化进展的计算机实现的方法。该方法包括：

a)经由输入通道接收当前测量的过程数据，该当前测量的过程数据指示用于化学生产工厂的至少一个化学过程装备的当前操作的当前过程条件，其中，至少一个化学过程装备具有用于量化至少一个化学过程装备的劣化进展的一个或多个劣化关键性能指标KPI；

b)经由输入通道接收一个或多个预期操作参数，该预期操作参数指示在预测范围内至少一个化学过程装备的计划操作条件；

c)由处理器将数据驱动模型应用到包括当前测量的过程数据和一个或多个预期操作参数的输入数据集，以估计预测范围内的一个或多个劣化KPI的未来值，其中，根据训练数据集对数据驱动模型进行参数化或训练，其中，训练数据集是基于包括过程数据和一个或多个劣化KPI的历史数据集；以及

d)经由输出通道提供预测范围内的一个或多个劣化KPI的未来值，该未来值可用于监视和/或控制。